[发明专利]分类模型的训练方法、装置、电子设备及存储介质

说明书

本发明实施例提供一种分类模型的训练方法，方法包括：获取不同类别的训练数据对分类模型进行训练，所述训练数据包括不同类别的样本及类别标签；在训练过程中，根据分类层参数计算各个类别的样本分布紧凑度；以及根据样本分类结果与类别标签，使用预设的损失函数计算对应样本的误差损失；在所述误差损失满足预设条件时，基于所述各个类别的样本分布紧凑度，对损失函数中的类别框参数进行更新，得到各个类别对应的动态损失函数；根据所述动态损失函数，对所述分类模型进行训练。可以提高分类模型的训练效率，并根据各个类别对应的动态损失函数，提高分类模型的分类识别精确度。

技术领域

本发明涉及人工智能领域，尤其涉及一种分类模型的训练方法、装置、电子设备及存储介质。

背景技术

在分类模型的训练过程中，需要使用到样本数据作为输入，在有监督的情况下使分类模型能够学习到对样本数据的分类识别。为了使分类模型具有更高的分类精度，可以增大各个类别之间的距离，减小同一类别中各个样本之间的距离，通常的做法是在损失函数中加入一个超参数margin对同一个类别的样本进行框定，将超出框定范围的类内样本进行惩罚，使后续训练时，类内样本向框定范围内靠近。但是在实际训练任务中很难设置一个适应这批数据的、通用的margin值，或者说需要大量的调参实验和权衡各个类别之间的精度才能够调试出一组使用于该数据集的margin值，这样不仅浪费了大量精力和时间去“试错”，最终导致能够找到合适的margin值的概率非常小。因此，现有超参数margin的获取方式复杂且难度高，使得分类模型的训练效率较低。

发明内容

本发明实施例提供一种分类模型的训练方法，能够在分类模型的训练过程中通过各个类别的样本分布紧凑度对类别框参数(超参数margin)进行更新，不需要进行大量的调参实验和权衡各个类别之间的精度就可以得到适合各个类别的类别框参数，从而得到各个类别对应的动态损失函数，可以提高分类模型的训练效率，并根据各个类别对应的动态损失函数，提高分类识别精确度。

第一方面，本发明实施例提供一种分类模型的训练方法，所述方法包括：

获取不同类别的训练数据对分类模型进行训练，所述训练数据包括不同类别的样本及类别标签，所述分类模型为行人识别模型、车辆识别模型、物体检测模型、文章分类模型、音乐分类模型、视频分类模型、场景图像分类模型中的任意一个，所述训练数据为行人图像数据、车辆图像数据、物体图像数据、文本数据、音频数据、视频数据、场景图像数据中与所述分类模型对应的一项；

在训练过程中，根据分类层参数计算各个类别的样本分布紧凑度；以及

根据样本分类结果与类别标签，使用预设的损失函数计算对应样本的误差损失；

在所述误差损失满足预设条件时，基于所述各个类别的样本分布紧凑度，对损失函数中的类别框参数进行更新，得到各个类别对应的动态损失函数；

根据所述动态损失函数，对所述分类模型进行训练。

可选的，在所述根据分类层参数计算各个类别的样本分布紧凑度之前，所述方法还包括：

对所述分类模型进行初始化，得到初始化分类模型，所述初始化分类模型中的损失函数为固定损失函数；

通过所述训练数据，结合使用所述固定损失函数对所述初始化分类模型进行预设次数的预训练，以更新初始化分类模型中的分类层参数。

可选的，所述在训练过程中，根据分类层参数计算各个类别的样本分布紧凑度，包括：

获取第n次迭代时的分类层参数以及各个类别的样本特征，n为大于0的整数；

根据所述第n次迭代时的分类层参数以及各个类别的样本特征，计算第n次迭代时的各个类别的样本分布紧凑度。

可选的，所述根据样本分类结果与类别标签，使用预设的损失函数计算对应样本的误差损失，包括：