技术摘要：
本申请涉及一种图像预测方法、装置、计算机设备和存储介质。所述方法包括：获取待测图像序列；待测图像序列中包括至少两个待测图像；将待测图像序列输入预设的图像预测模型，得到预测图像序列；其中，图像预测模型为根据预设的损失函数训练得到的，预设的损失函数为根  全部
背景技术：
随着机器学习技术的发展，机器学习在各行各业的应用方面取得了很大的进步， 其中基于大数据的深度学习是机器学习领域中的一个新的方向。 深度学习中的循环神经网络是一类以序列数据为输入，在序列的演进方向进行递 归且所有节点按链式连接的递归神经网络。循环神经网络具有记忆性、参数共享并且图灵 完备，因此在对序列的非线性特征进行学习时具有一定的优势，在一些图片序列预测的任 务中有着非常亮眼的表现。 但是，循环神经网络在处理这些序列生成任务时，存在生成的图像序列一致性较 差的问题。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提高生成的图像序列一致性的 图像预测方法、装置、计算机设备和存储介质。 一种图像预测方法，所述方法包括： 获取待测图像序列；所述待测图像序列中包括至少两个待测图像； 将所述待测图像序列输入预设的图像预测模型，得到预测图像序列；其中，所述图 像预测模型为根据预设的损失函数训练得到的，所述预设的损失函数为根据标准图像序列 和样本预测图像序列之间的图像损失值，调整各子函数的权重后得到的。 在其中一个实施例中，所述图像预测模型的训练方法包括： 将样本图像序列输入预设的待训练图像预测模型，得到样本预测图像序列； 根据标准图像序列和所述样本预测图像序列之间的图像损失值，调整所述待训练 图像预测模型的损失函数中各子函数的权重； 并根据调整后的损失函数的值对所述待训练图像预测模型进行训练，得到所述图 像预测模型。 在其中一个实施例中，所述根据调整后的损失函数的值对所述待训练图像预测模 型进行训练，得到所述图像预测模型，包括： 根据所述调整后的损失函数的值，对所述待训练图像预测模型的参数进行调整， 得到新的待训练图像预测模型； 将所述新的待训练图像预测模型作为预设的待训练图像预测模型，并返回执行所 述将样本图像序列输入预设的待训练图像预测模型，得到样本预测图像序列的步骤，直至 达到预设的收敛条件时得到所述图像预测模型。 在其中一个实施例中，所述预设的收敛条件包括所述调整后的损失函数的值达到 4 CN 111612105 A 说　明　书 2/9 页 稳定值或达到预设的迭代次数。 在其中一个实施例中，所述根据标准图像序列和所述样本预测图像序列之间的图 像损失值，调整所述待训练图像预测模型的损失函数中各子函数的权重，包括： 获取所述样本预测图像序列中每个样本预测图像与对应的标准预测图像之间的 图像损失值； 根据所述每个样本预测图像与对应的标准预测图像之间的图像损失值，调整所述 损失函数中对应子函数的权重。 在其中一个实施例中，所述图像损失值越大，对应的子函数的权重越大。 一种图像预测模型的训练方法，所述方法包括： 将样本图像序列输入预设的待训练图像预测模型，得到样本预测图像序列； 根据标准图像序列和所述样本预测图像序列之间的图像损失值，调整所述待训练 图像预测模型的损失函数中各子函数的权重； 根据调整后的损失函数的值对所述待训练图像预测模型进行训练，得到所述图像 预测模型。 一种图像预测装置，所述装置包括： 第一获取模块，用于获取待测图像序列；所述待测图像序列中包括至少两个待测 图像； 预测模块，用于将所述待测图像序列输入预设的图像预测模型，得到预测图像序 列；其中，所述图像预测模型为根据预设的损失函数训练得到的，所述预设的损失函数为根 据标准图像序列和样本预测图像序列之间的图像损失值，调整各子函数的权重后得到的。 一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理 器执行所述计算机程序时实现以下步骤： 获取待测图像序列；所述待测图像序列中包括至少两个待测图像； 将所述待测图像序列输入预设的图像预测模型，得到预测图像序列；其中，所述图 像预测模型为根据预设的损失函数训练得到的，所述预设的损失函数为根据标准图像序列 和样本预测图像序列之间的图像损失值，调整各子函数的权重后得到的。 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执 行时实现以下步骤： 获取待测图像序列；所述待测图像序列中包括至少两个待测图像； 将所述待测图像序列输入预设的图像预测模型，得到预测图像序列；其中，所述图 像预测模型为根据预设的损失函数训练得到的，所述预设的损失函数为根据标准图像序列 和样本预测图像序列之间的图像损失值，调整各子函数的权重后得到的。 上述图像预测方法、装置、计算机设备和存储介质，通过调整图像预测模型的损失 函数各子函数的权重，能够得到比较准确地损失函数，这样可以根据得到的损失函数对预 设的图像预测模型进行准确地训练，提高了得到的图像预测模型的准确度，进而可以根据 得到的准确度较高的图像预测模型，得到准确地预测图像序列，从而提高了得到的预测图 像序列的一致性。 5 CN 111612105 A 说　明　书 3/9 页 附图说明 图1为一个实施例提供的计算机设备的内部结构示意图； 图2为一个实施例提供的图像预测方法的流程示意图； 图3为另一个实施例提供的图像预测方法的流程示意图； 图4为一个实施例提供的图像预测模型的训练方法的流程示意图； 图5为一个实施例提供的图像预测方法的流程示意图； 图6为一个实施例提供的图像预测装置结构示意图； 图7为一个实施例提供的图像预测模型的训练装置结构示意图。