[发明专利]一种分类模型的损失值获取方法及装置

说明书

本发明实施例提供了一种分类模型的损失值获取方法及装置。通过本发明实施例的方法，将样本数据输入预设分类模型中，得到该样本数据分别属于每一个预设分类的概率；获取该样本数据的标注分类；根据该标注分类获取该样本数据分别与每一个预设分类之间的惩罚权重，该样本数据分别与每一个预设分类之间的惩罚权重不全相同；根据每一个惩罚权重和每一个概率获取预设分类模型的损失值，根据预设分类模型的损失值就可以确定出该预设分类模型对该样本数据预测的错误程度，之后选择与该错误程度相适应的优化方式来优化预设分类模型就能使得预设分类模型达到要求。因此，相比于现有技术，本发明实施例可以提高优化效率。

技术领域

本发明涉及计算机技术领域，特别是涉及一种分类模型的损失值获取方法及装置。

背景技术

近来，深度学习在视频图像、语音识别以及自然语言处理等相关领域得到了广泛应用。卷积神经网络作为深度学习的一个重要分支，由于其超强的拟合能力以及端到端的全局优化能力，使得视频图像分类任务在应用卷积神经网络之后，预测精度大幅提升。

虽然目前的分类模型对图像具有了一定的分类能力，但是仍然会出现大量分类错误的情况。因此，往往需要使用样本数据获取分类模型的损失值，根据损失值优化分类模型。

发明内容

为解决上述技术问题，本发明实施例示出了一种分类模型的损失值获取方法及装置。

第一方面，本发明实施例示出了一种分类模型的损失值获取方法，所述方法包括：

将样本数据输入预设分类模型中，得到所述样本数据分别属于每一个预设分类的概率；

获取所述样本数据的标注分类；

根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重；

根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值。

在一个可选的实现方式中，所述根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重，包括：

对于每一个预设分类，在已存储的分类对与惩罚权重之间的对应关系中，查找与由所述标注分类和所述预设分类组成的分类对相对应的惩罚权重。

在一个可选的实现方式中，所述根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值，包括：

对于每一个预设分类，根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值，根据所述样本数据与所述预设分类之间的惩罚权重，以及所述交叉熵损失值获取所述预设分类对应的损失值；

根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值。

在一个可选的实现方式中，所述根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值，包括：

将所述样本数据属于所述预设分类的概率输入预设交叉熵损失函数，得到所述预设交叉熵损失函数输出的交叉熵损失值。

在一个可选的实现方式中，所述根据所述样本数据与所述预设分类之间的惩罚权重，以及所述交叉熵损失值获取所述预设分类对应的损失值，包括：

计算所述样本数据与所述预设分类之间的惩罚权重，与所述交叉熵损失值之间的乘积，得到所述预设分类对应的损失值。

在一个可选的实现方式中，所述根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值，包括：

将每一个预设分类分别对应的损失值求和，得到损失总值；

计算预设分类的数量；

计算所述损失总值与所述数量之间的比值，得到所述预设分类模型的损失值。