模型参数选择、图像分类、信息识别方法及装置、设备制造方法及图纸

本申请实施例公开了一种模型参数选择方法、图像分类、信息识别方法及装置、设备，模型参数选择方法迭代执行以下步骤：获得目标模型，目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；以当前待训练残差模型对训练数据的输出结果与上一次迭代后的训练数据的残差标签值相差最小为训练目标，求解当前待训练残差模型的一组目标参数；利用目标参数生成当前最优残差模型，将上一次迭代后的融合模型与当前最优残差模型融合得到本次迭代后的融合模型；计算训练数据的结果标签值与本次迭代后的融合模型对训练数据的输出结果之差，生成本次迭代后的训练数据的残差标签值。将达到第一预设停止条件时迭代后的融合模型作为最终输出模型。

Model parameter selection, image classification, information recognition methods, devices and equipment

【技术实现步骤摘要】
模型参数选择、图像分类、信息识别方法及装置、设备
本申请涉及自动化机器学习领域，具体涉及一种模型参数选择方法、一种图像分类方法、一种信息识别方法及装置、设备。
技术介绍
在自动化机器学习(Automationofmachinelearning，AutoML)中，模型构建过程是自动化机器学习的核心过程。目前，模型构建过程包括：先基于预设优化目标采用预设算法(例如，贝叶斯优化、强化学习、启发式算法等)筛选得到目标模型参数，再基于该目标模型参数构建模型。然而，因利用上述模型构建过程确定的模型性能较差，使得在利用该模型执行预设任务(例如，图像分类或信息识别等)时无法达到预期效果。
技术实现思路
有鉴于此，本申请实施例提供一种模型参数选择方法、一种图像分类方法、一种信息识别方法及装置、设备，能够构建得到性能较好的模型，从而使得在利用该模型执行预设任务(例如，图像分类或信息识别等)时能够达到预期效果。为解决上述问题，本申请实施例提供的技术方案如下：一种模型参数选择方法，所述方法包括：获得目标模型，所述目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；以所述当前待训练残差模型对训练数据的输出结果与上一次迭代后的所述训练数据的残差标签值相差最小为训练目标，求解所述当前待训练残差模型的一组目标参数；当第一次迭代时，所述上一次迭代后产生的所述训练数据的参数标签值为所述训练数据的结果标签值；利用所述目标参数生成所述当前待训练残差模型的当前最优残差模型，并将上一次迭代后的融合模型与所述当前最优残差模型融合得到本次迭代后的融合模型；计算所述训练数据的结果标签值与所述本次迭代后的融合模型对所述训练数据的输出结果之差，生成本次迭代后的所述训练数据的残差标签值；重复执行所述获得目标模型以及后续步骤，直到达到第一预设停止条件，并将达到所述第一预设停止条件时的该次迭代后的融合模型作为最终输出模型。在一种可能的实现方式中，所述以所述当前待训练残差模型对训练数据的输出结果与上一次迭代后的所述训练数据的残差标签值相差最小为训练目标，求解所述当前待训练残差模型的一组目标参数，包括：选择所述当前待训练残差模型的一组模型参数；将训练数据输入该组模型参数对应的当前待训练残差模型，获得所述该组模型参数对应的当前待训练残差模型输出的该组模型参数对应的输出结果；计算该组模型参数对应的输出结果与上一次迭代后的所述训练数据的残差标签值之间的差值；重复执行所述选择所述当前待训练残差模型的一组模型参数以及后续步骤，直到达到第二预设停止条件，在所述差值中将最小的差值所对应的一组模型参数确定为所述当前待训练残差模型的一组目标参数。在一种可能的实现方式中，所述将训练数据输入该组模型参数对应的当前待训练残差模型，获得所述该组模型参数对应的当前待训练残差模型输出的该组模型参数对应的输出结果，包括：将第i个训练数据输入该组模型参数对应的当前待训练残差模型；i分别取1到N的整数，N为所述训练数据的数量；获得所述该组模型参数对应的当前待训练残差模型输出的该组模型参数对应的第i个输出结果；所述计算该组模型参数对应的输出结果与上一次迭代后的所述训练数据的残差标签值之间的差值，包括：计算该组模型参数对应的第i个输出结果与上一次迭代后的所述第i个训练数据的残差标签值之间的第一差值；计算N个所述第一差值的平方和，将所述平方和确定为该组模型参数对应的输出结果与上一次迭代后的所述训练数据的残差标签值之间的差值。在一种可能的实现方式中，所述模型参数包括模型超参数以及模型内部参数。在一种可能的实现方式中，所述计算所述训练数据的结果标签值与所述本次迭代后的融合模型对所述训练数据的输出结果之差，生成本次迭代后的所述训练数据的残差标签值，包括：将第i个训练数据输入所述本次迭代后的融合模型，获得所述本次迭代后的融合模型输出的第i个输出结果；i分别取1到N的整数，N为所述训练数据的数量；计算所述训练数据的第i个结果标签值与所述本次迭代后的融合模型输出的第i个输出结果之差，生成本次迭代后的所述训练数据的第i个残差标签值。一种图像分类方法，所述方法包括：获取待分类图像；将所述待分类图像输入目标融合模型，得到所述目标融合模型输出的图像分类结果；所述目标融合模型的构建过程包括：获得目标模型，所述目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；以所述当前待训练残差模型对训练数据的输出结果与上一次迭代后的所述训练数据的残差标签值相差最小为训练目标，求解所述当前待训练残差模型的一组目标参数；当第一次迭代时，所述上一次迭代后产生的所述训练数据的参数标签值为所述训练数据的结果标签值；所述训练数据包括正样本医学影像图像和负样本医学影像图像；所述当前待训练残差模型对训练数据的输出结果为将所述训练数据输入所述当前待训练残差模型，所述当前待训练残差模型输出的所述训练数据为正样本医学影像图像的概率值；利用所述目标参数生成所述当前待训练残差模型的当前最优残差模型，并将上一次迭代后的融合模型与所述当前最优残差模型融合得到本次迭代后的融合模型；计算所述训练数据的结果标签值与所述本次迭代后的融合模型对所述训练数据的输出结果之差，生成本次迭代后的所述训练数据的残差标签值；所述本次迭代后的融合模型对所述训练数据的输出结果为将所述训练数据输入所述本次迭代后的融合模型，所述本次迭代后的融合模型输出的所述训练数据为正样本医学影像图像的概率值；重复执行所述获得目标模型以及后续步骤，直到达到第一预设停止条件，并将达到所述第一预设停止条件时的该次迭代后的融合模型作为目标融合模型。一种信息识别方法，所述方法包括：获取待识别信息；将所述待识别信息输入目标融合模型，得到所述目标融合模型输出的信息属性类别；所述目标融合模型的构建过程包括：获得目标模型，所述目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；以所述当前待训练残差模型对训练数据的输出结果与上一次迭代后的所述训练数据的残差标签值相差最小为训练目标，求解所述当前待训练残差模型的一组目标参数；当第一次迭代时，所述上一次迭代后产生的所述训练数据的参数标签值为所述训练数据的结果标签值；所述训练数据包括正样本文本信息和负样本文本信息；所述当前待训练残差模型对训练数据的输出结果为将所述训练数据输入所述当前待训练残差模型，所述当前待训练残差模型输出的所述训练数据为正样本文本信息的概率值；利用所述目标参数生成所述当前待训练残差模型的当前最优残差模型，并将上一次迭代后的融合模型与所述当前最优残差模型融合得到本次迭代后的融合模型；计算所述训练数据的结果标签值与所述本次迭代后的融合模型对所述训练数据的输出结果之差，生成本次迭代后的所述训练数据的残差标签值；所述本次迭代后的融合模型对所述训练数据的输出结本文档来自技高网...

【技术保护点】
1.一种模型参数选择方法，其特征在于，所述方法包括：/n获得目标模型，所述目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；/n以所述当前待训练残差模型对训练数据的输出结果与上一次迭代后的所述训练数据的残差标签值相差最小为训练目标，求解所述当前待训练残差模型的一组目标参数；当第一次迭代时，所述上一次迭代后产生的所述训练数据的参数标签值为所述训练数据的结果标签值；/n利用所述目标参数生成所述当前待训练残差模型的当前最优残差模型，并将上一次迭代后的融合模型与所述当前最优残差模型融合得到本次迭代后的融合模型；/n计算所述训练数据的结果标签值与所述本次迭代后的融合模型对所述训练数据的输出结果之差，生成本次迭代后的所述训练数据的残差标签值；/n重复执行所述获得目标模型以及后续步骤，直到达到第一预设停止条件，并将达到所述第一预设停止条件时的该次迭代后的融合模型作为最终输出模型。/n

【技术特征摘要】
1.一种模型参数选择方法，其特征在于，所述方法包括：
获得目标模型，所述目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；
以所述当前待训练残差模型对训练数据的输出结果与上一次迭代后的所述训练数据的残差标签值相差最小为训练目标，求解所述当前待训练残差模型的一组目标参数；当第一次迭代时，所述上一次迭代后产生的所述训练数据的参数标签值为所述训练数据的结果标签值；
利用所述目标参数生成所述当前待训练残差模型的当前最优残差模型，并将上一次迭代后的融合模型与所述当前最优残差模型融合得到本次迭代后的融合模型；
计算所述训练数据的结果标签值与所述本次迭代后的融合模型对所述训练数据的输出结果之差，生成本次迭代后的所述训练数据的残差标签值；
重复执行所述获得目标模型以及后续步骤，直到达到第一预设停止条件，并将达到所述第一预设停止条件时的该次迭代后的融合模型作为最终输出模型。


2.一种图像分类方法，其特征在于，所述方法包括：
获取待分类图像；
将所述待分类图像输入目标融合模型，得到所述目标融合模型输出的图像分类结果；
所述目标融合模型的构建过程包括：
获得目标模型，所述目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；
以所述当前待训练残差模型对训练数据的输出结果与上一次迭代后的所述训练数据的残差标签值相差最小为训练目标，求解所述当前待训练残差模型的一组目标参数；当第一次迭代时，所述上一次迭代后产生的所述训练数据的参数标签值为所述训练数据的结果标签值；所述训练数据包括正样本医学影像图像和负样本医学影像图像；所述当前待训练残差模型对训练数据的输出结果为将所述训练数据输入所述当前待训练残差模型，所述当前待训练残差模型输出的所述训练数据为正样本医学影像图像的概率值；
利用所述目标参数生成所述当前待训练残差模型的当前最优残差模型，并将上一次迭代后的融合模型与所述当前最优残差模型融合得到本次迭代后的融合模型；
计算所述训练数据的结果标签值与所述本次迭代后的融合模型对所述训练数据的输出结果之差，生成本次迭代后的所述训练数据的残差标签值；所述本次迭代后的融合模型对所述训练数据的输出结果为将所述训练数据输入所述本次迭代后的融合模型，所述本次迭代后的融合模型输出的所述训练数据为正样本医学影像图像的概率值；
重复执行所述获得目标模型以及后续步骤，直到达到第一预设停止条件，并将达到所述第一预设停止条件时的该次迭代后的融合模型作为目标融合模型。


3.一种信息识别方法，其特征在于，所述方法包括：
获取待识别信息；
将所述待识别信息输入目标融合模型，得到所述目标融合模型输出的信息属性类别；
所述目标融合模型的构建过程包括：
获得目标模型，所述目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；
以所述当前待训练残差模型对训练数据的输出结果与上一次迭代后的所述训练数据的残差标签值相差最小为训练目标，求解所述当前待训练残差模型的一组目标参数；当第一次迭代时，所述上一次迭代后产生的所述训练数据的参数标签值为所述训练数据的结果标签值；所述训练数据包括正样本文本信息和负样本文本信息；所述当前待训练残差模型对训练数据的输出结果为将所述训练数据输入所述当前待训练残差模型，所述当前待训练残差模型输出的所述训练数据为正样本文本信息的概率值；
利用所述目标参数生成所述当前待训练残差模型的当前最优残差模型，并将上一次迭代后的融合模型与所述当前最优残差模型融合得到本次迭代后的融合模型；
计算所述训练数据的结果标签值与所述本次迭代后的融合模型对所述训练数据的输出结果之差，生成本次迭代后的所述训练数据的残差标签值；所述本次迭代后的融合模型对所述训练数据的输出结果为将所述训练数据输入所述本次迭代后的融合模型，所述本次迭代后的融合模型输出的所述训练数据为正样本文本信息的概率值；
重复执行所述获得目标模型以及后续步骤，直到达到第一预设停止条件，并将达到所述第一预设停止条件时的该次迭代后的融合模型作为目标融合模型。


4.一种模型参数选择装置，其特征在于，所述装置包括：
目标模型生成单元，用于获得目标模型，所述目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；
目标参数求解单元，用于以所述当前待训练残差模型对训练数据的输出结果与上一次迭代后的所述训练数据的残差标签值相差最小为训练目标，求解所述当前待训练残差模型的一组目标参数；当第一次迭代时，所述上一次迭代后产生的所述训练数据的参数标签值为所述训练数据的结果标签值；
融合模型生成单元，用于利用所述目标参数生成所述当前待训练残差模型的当前最优残差模型，并将上一次迭代后的融合模型与所述当前最优残差模型融合得到本次迭代后的融合模型；
残差标签生成单元，用于计算所述训练数据的结果标签值与所述本次迭代后的融合模型对所述训练数...

【专利技术属性】
技术研发人员：侯广健，
申请(专利权)人：东软集团股份有限公司，
类型：发明
国别省市：辽宁;21