[发明专利]分类模型训练、数据分类方法及网络设备、存储介质

权利要求书

1.一种分类模型训练方法，包括：

将训练集输入待训练的神经网络分类模型得到所述神经网络分类模型对所述训练集的类别预测值；

根据所述训练集的类别预测值与所述训练集的预设类别实际值分别计算各数据类别的类别损失值，并根据各所述类别损失值确定所述神经网络分类模型的模型损失值；

根据所述模型损失值进行反向传播，以对所述神经网络分类模型的模型参数进行更新得到新的神经网络分类模型。

2.如权利要求1所述的分类模型训练方法，其特征在于，所述根据所述训练集的类别预测值与所述训练集的预设类别实际值分别计算各数据类别的类别损失值包括：

根据所述训练集的类别预测值与所述预设类别实际值结合均方误差损失函数分别计算各数据类别的类别损失值。

3.如权利要求1所述的分类模型训练方法，其特征在于，所述根据各所述类别损失值确定所述神经网络分类模型的模型损失值包括：

计算各所述类别损失值的和作为所述神经网络分类模型的模型损失值。

4.如权利要求1所述的分类模型训练方法，其特征在于，所述根据所述模型损失值进行反向传播之前，还包括：

根据所述模型损失值确定需要继续对所述神经网络分类模型进行更新。

5.如权利要求1所述的分类模型训练方法，其特征在于，对所述神经网络分类模型的模型参数进行更新得到新的神经网络分类模型之后，还包括：

将测试集输入所述新的神经网络分类模型得到所述神经网络分类模型对所述测试集的类别预测值；

根据所述测试集的类别预测值与所述测试集的预设类别实际值测验所述新的神经网络分类模型的模型损失值；

根据测验得到的模型损失值对所述新的神经网络分类模型的性能进行评估。

6.如权利要求5所述的分类模型训练方法，其特征在于，所述根据所述测试集的类别预测值与所述测试集的预设类别实际值测验所述新的神经网络分类模型的模型损失值包括：

根据所述测试集的类别预测值与所述测试集的预设类别实际值结合均方误差损失函数测验所述新的神经网络分类模型的模型损失值。

7.如权利要求1-6任一项所述的分类模型训练方法，其特征在于，所述根据所述模型损失值进行反向传播包括：

根据所述模型损失值分别确定所述神经网络分类模型中模型参数在各所述数据类别下的梯度；

根据所述模型参数在各所述数据类别下的梯度进行反向传播更新所述模型参数。

8.一种数据分类方法，包括：

获取待分类数据；

利用神经网络分类模型对所述待分类数据进行分类，以确定所述待分类数据的数据类别；所述神经网络分类模型通过如权利要求1-7任一项所述分类模型训练方法训练得到。

9.一种网络设备，所述网络设备包括处理器、存储器及通信总线；

所述通信总线用于实现处理器和存储器之间的连接通信；

所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求1至7中任一项所述的分类模型训练方法的步骤；或，所述处理器用于执行存储器中存储的一个或者多个程序，以实现如权利要求8所述的数据分类方法的步骤。

10.一种存储介质，其特征在于，所述存储介质存储有数据分类程序与分类模型训练程序中的至少一个，所述分类模型训练程序可被一个或者多个处理器执行，以实现如权利要求1-7任一项所述的分类模型训练方法的步骤；所述数据分类程序可被一个或者多个处理器执行，以实现如权利要求8所述的数据分类方法的步骤。