模型训练、对象分类方法和装置、电子设备及存储介质制造方法及图纸

本申请提供的模型训练、对象分类方法和装置、电子设备及存储介质，涉及深度学习技术领域。在本申请中，首先，获得每一个样本对象对应的对象向量、每一个样本标签对应的标签向量。其次，基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数，其中，在分类算法包括的至少部分函数中，函数的值与对象向量和标签向量之间的向量夹角具有线性关系。然后，基于相似概率参数计算得到分类损失，并基于分类损失对预设的神经网络模型进行训练，得到对象分类模型，其中，样本对象为样本图像，对象分类模型用于对目标图像的类型进行分类确定。通过上述方法，可以改善现有技术中训练得到的对象分类模型容易出现分类准确度不高的问题。

【技术实现步骤摘要】
模型训练、对象分类方法和装置、电子设备及存储介质
本申请涉及深度学习
，具体而言，涉及一种模型训练、对象分类方法和装置、电子设备及存储介质。
技术介绍
随着深度学习技术的不断发展，其应用范围也越来越广，例如，在图像识别领域中就得到了很好的应用，如对图像进行识别分类。经专利技术人研究发现，基于现有的技术训练得到的对象分类模型，在对图像进行识别分类时，容易出现分类准确度不高的问题。
技术实现思路
有鉴于此，本申请的目的在于提供一种模型训练、对象分类方法和装置、电子设备及存储介质，以改善现有技术中训练得到的对象分类模型容易出现分类准确度不高的问题。为实现上述目的，本申请实施例采用如下技术方案：一种对象分类模型训练方法，包括：获得每一个样本对象对应的对象向量、每一个样本标签对应的标签向量，其中，该样本对象为多个，且与多个样本标签具有一一对应关系；基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数，其中，在该分类算法包括的至少部分函数中，函数的值与对象向量和标签向量之间的向量夹角具有线性关系；基于所述相似概率参数计算得到分类损失，并基于该分类损失对预设的神经网络模型进行训练，得到对象分类模型，其中，所述样本对象为样本图像，所述对象分类模型用于对目标图像的类型进行分类确定。在本申请实施例较佳的选择中，在上述对象分类模型训练方法中，所述分类算法包括指数函数，所述基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数的步骤，包括：针对每一个对象向量，基于第一指数函数计算该对象向量与目标标签向量之间的第一相似参数，其中，该目标标签向量对应的样本标签与该对象向量对应的样本对象之间具有对应关系，且在该第一指数函数中，指数的值与对象向量和目标标签向量之间的向量夹角具有线性关系；针对每一个对象向量，基于第二指数函数计算该对象向量与每一个其它标签向量之间的第二相似参数，其中，该其它标签向量为全部标签向量中所述目标标签向量以外的标签向量；针对每一个对象向量，基于归一化函数对该对象向量的第一相似参数和第二相似参数进行处理，得到相似概率参数。在本申请实施例较佳的选择中，在上述对象分类模型训练方法中，所述第一指数函数中包括第一乘性惩罚因子、第二乘性惩罚因子和加性惩罚因子，所述方法还包括：获得响应用户的第一参数配置操作生成的第一参数配置指令；基于所述第一参数配置指令对所述第一乘性惩罚因子、所述第二乘性惩罚因子和所述加性惩罚因子，分别进行赋值处理；其中，所述第一乘性惩罚因子的数值与分类的类间聚合度之间具有正相关关系，所述第二乘性惩罚因子与分类的类数量之间具有正相关关系，所述加性惩罚因子与分类的准确度之间具有正相关关系。在本申请实施例较佳的选择中，在上述对象分类模型训练方法中，所述第一指数函数包括：其中，χ为所述第一相似参数，a为所述第一乘性惩罚因子，s为所述第二乘性惩罚因子，b为所述加性惩罚因子，θyt为所述对象向量和所述目标标签向量之间的向量夹角。在本申请实施例较佳的选择中，在上述对象分类模型训练方法中，该方法还包括：获得响应用户的第二参数配置操作生成的第二参数配置指令；基于所述第二参数配置指令对指数函数进行配置处理，得到第二指数函数，其中，在该第二指数函数中，指数的值与对象向量和其它标签向量之间的向量夹角具有非线性关系。在本申请实施例较佳的选择中，在上述对象分类模型训练方法中，在所述第二指数函数中，指数的值与对象向量和标签向量之间的向量夹角具有余弦的非线性关系，所述第二指数函数包括：其中，为所述第二相似参数，s为第二乘性惩罚因子，且该第二乘性惩罚因子与分类的类数量之间具有正相关关系，θj为所述对象向量和所述其它标签向量之间的向量夹角。在上述基础上，本申请实施例还提供了一种对象分类方法，包括：将获得的目标对象输入至预设的对象分类模型，其中，该对象分类模型基于上述的对象分类模型训练方法进行训练得到；通过所述对象分类模型对所述目标对象进行类型识别处理，得到该目标对象的对象类型，其中，该目标对象为目标图像。本申请实施例还提供了一种对象分类模型训练装置，包括：向量获得模块，用于获得每一个样本对象对应的对象向量、每一个样本标签对应的标签向量，其中，该样本对象为多个，且与多个样本标签具有一一对应关系；参数计算模块，用于基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数，其中，在该分类算法包括的至少部分函数中，函数的值与对象向量和标签向量之间的向量夹角具有线性关系；模型训练模块，用于基于所述相似概率参数计算得到分类损失，并基于该分类损失对预设的神经网络模型进行训练，得到对象分类模型，其中，所述样本对象为样本图像，所述对象分类模型用于对目标图像的类型进行分类确定。在上述基础上，本申请实施例还提供了一种对象分类装置，包括：对象输入模块，用于将获得的目标对象输入至预设的对象分类模型，其中，该对象分类模型基于上述的对象分类模型训练装置进行训练得到；对象分类模块，用于通过所述对象分类模型对所述目标对象进行类型识别处理，得到该目标对象的对象类型，其中，该目标对象为目标图像。在上述基础上，本申请实施例还提供了一种电子设备，包括：存储器，用于存储计算机程序；与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述的对象分类模型训练方法，或实现上述的对象分类方法。在上述基础上，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被执行时，实现上述的对象分类模型训练方法，或实现上述的对象分类方法。本申请提供的模型训练、对象分类方法和装置、电子设备及存储介质，在计算分类损失时，通过采用包括具有线性关系的函数的分类算法，使得计算得到的分类损失可以比较平稳的进行收敛。如此，由于分类损失可以平稳的进行收敛，使得基于该分类损失训练得到的对象分类模型的识别分类性能也较为稳定，保证训练得到的对象分类模型都具有较高的分类准确度，从而避免采用现有的模型训练技术使得分类损失的计算结果存在波动较大、难以有效的收敛的问题，进而改善现有技术中训练得到的对象分类模型容易出现分类准确度不高的问题，特别是在应用于人脸识别分类时，由于人脸图像的类型较多(如100万个人，就有10万个类型)，使得对于这种多分类的领域具有较好的应用效果，实用价值较高。为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明图1为本申请实施例提供的电子设备的结构框图。图2为本申请实施例提供的对象分类模型训练方法的流程示意图。图3为图2中步骤S120包括的各子步骤的流程示意图。图4为本申请实施例提供的对象分类模型训练方法包括的其它步骤的流程示意图。图5本文档来自技高网...

【技术保护点】
1.一种对象分类模型训练方法，其特征在于，包括：/n获得每一个样本对象对应的对象向量、每一个样本标签对应的标签向量，其中，该样本对象为多个，且与多个样本标签具有一一对应关系；/n基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数，其中，在该分类算法包括的至少部分函数中，函数的值与对象向量和标签向量之间的向量夹角具有线性关系；/n基于所述相似概率参数计算得到分类损失，并基于该分类损失对预设的神经网络模型进行训练，得到对象分类模型，其中，所述样本对象为样本图像，所述对象分类模型用于对目标图像的类型进行分类确定。/n

【技术特征摘要】
1.一种对象分类模型训练方法，其特征在于，包括：
获得每一个样本对象对应的对象向量、每一个样本标签对应的标签向量，其中，该样本对象为多个，且与多个样本标签具有一一对应关系；
基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数，其中，在该分类算法包括的至少部分函数中，函数的值与对象向量和标签向量之间的向量夹角具有线性关系；
基于所述相似概率参数计算得到分类损失，并基于该分类损失对预设的神经网络模型进行训练，得到对象分类模型，其中，所述样本对象为样本图像，所述对象分类模型用于对目标图像的类型进行分类确定。


2.根据权利要求1所述的对象分类模型训练方法，其特征在于，所述分类算法包括指数函数，所述基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数的步骤，包括：
针对每一个对象向量，基于第一指数函数计算该对象向量与目标标签向量之间的第一相似参数，其中，该目标标签向量对应的样本标签与该对象向量对应的样本对象之间具有对应关系，且在该第一指数函数中，指数的值与对象向量和目标标签向量之间的向量夹角具有线性关系；
针对每一个对象向量，基于第二指数函数计算该对象向量与每一个其它标签向量之间的第二相似参数，其中，该其它标签向量为全部标签向量中所述目标标签向量以外的标签向量；
针对每一个对象向量，基于归一化函数对该对象向量的第一相似参数和第二相似参数进行处理，得到相似概率参数。


3.根据权利要求2所述的对象分类模型训练方法，其特征在于，所述第一指数函数中包括第一乘性惩罚因子、第二乘性惩罚因子和加性惩罚因子，所述方法还包括：
获得响应用户的第一参数配置操作生成的第一参数配置指令；
基于所述第一参数配置指令对所述第一乘性惩罚因子、所述第二乘性惩罚因子和所述加性惩罚因子，分别进行赋值处理；
其中，所述第一乘性惩罚因子的数值与分类的类间聚合度之间具有正相关关系，所述第二乘性惩罚因子与分类的类数量之间具有正相关关系，所述加性惩罚因子与分类的准确度之间具有正相关关系。


4.根据权利要求3所述的对象分类模型训练方法，其特征在于，所述第一指数函数包括：



其中，χ为所述第一相似参数，a为所述第一乘性惩罚因子，s为所述第二乘性惩罚因子，b为所述加性惩罚因子，θyt为所述对象向量和所述目标标签向量之间的向量夹角。


5.根据权利要求2-4任意一项所述的对象分类模型训练方法，其特征在于，该方法还包括：
获得响应用户的第二参数配置操作生成的第二参数配置指令；
...

【专利技术属性】
技术研发人员：黄颖，邱尚锋，张文伟，
申请(专利权)人：广州虎牙科技有限公司，
类型：发明
国别省市：广东;44