[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

说明书

本发明实施例提供一种分类模型训练、数据分类方法及网络设备、存储介质，在对神经网络分类模型进行训练时，选择了分别针对各数据类别计算类别损失值，然后再基于类别损失值确定模型损失值，相较于不做数据类别区分，直接针对训练集的所有数据样本统一计算模型损失值的做法，本发明实施例提供的分类模型训练训练方案在均衡了各类别损失值的情况下得到的模型损失值关注到了少数类的损失值，不会因为多数类对模型损失值的贡献而忽略少数类对模型损失值的贡献，因此可以训练出模型参数具有无偏性的神经网络分类模型，提升了神经网络分类模型的数据分类准确性。

技术领域

本发明实施例涉及但不限于计算机领域，具体而言，涉及但不限于一种分类模型训练、数据分类方法及网络设备、存储介质。

背景技术

在机器学习领域中的分类模型，通常是利用含有不同类别样本的训练集进行模型参数的学习训练得到的，训练好的分类模型能够识别待分类数据的数据类别。不过利用训练集对分类模型进行模型训练时，训练集内样本类别的分布情况，会极大地影响分类模型的训练效果，例如，如果一个训练集中一部分类别样本(少数类)的数量远小于其他类别样本(多数类)，则利用该训练集对分类模型进行训练，很有可能导致训练好的分类模型容易将属于少数类的数据误识别为属于多数类的数据，数据识别效果不佳的问题。

发明内容

本发明实施例提供的分类模型训练、数据分类方法及网络设备、存储介质，解决的技术问题至少包括相关技术中训练得到的分类模型容易将属于少数类的数据误识别为属于多数类的数据，影响数据分类效果。

本发明实施例提供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神经网络分类模型对训练集的类别预测值；根据训练集的类别预测值与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，并根据各类别损失值确定神经网络分类模型的模型损失值；根据模型损失值进行反向传播，以对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。

本发明实施例还提供一种数据分类方法，包括：获取待分类数据；利用神经网络分类模型对待分类数据进行分类，以确定待分类数据的数据类别；神经网络分类模型通过前述分类模型训练方法训练得到。

本发明实施例还提供一种网络设备，网络设备包括处理器、存储器及通信总线；

通信总线用于实现处理器和存储器之间的连接通信；

处理器用于执行存储器中存储的一个或者多个程序，以实现前述分类模型训练方法的步骤；或，处理器用于执行存储器中存储的一个或者多个程序，以实现前述数据分类方法的步骤。

本发明实施例还提供一种存储介质，其特征在于，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，分类模型训练程序可被一个或者多个处理器执行，以实现前述分类模型训练方法的步骤；数据分类程序可被一个或者多个处理器执行，以实现前述数据分类方法的步骤。

本发明实施例提供的分类模型训练、数据分类方法及网络设备、存储介质，在对神经网络分类模型进行训练时，将训练集输入待训练的神经网络分类模型得到神经网络分类模型对训练集的类别预测值，然后根据训练集的类别预测值与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，并根据各类别损失值确定神经网络分类模型的模型损失值，随后再根据模型损失值进行反向传播(Back propagation)，以对该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。在前向传播(Forward propagation)过程中，本发明实施例选择了分别针对各数据类别计算类别损失值，然后再基于类别损失值确定模型损失值，相较于不做数据类别区分，直接针对训练集的所有数据样本统一计算模型损失值的做法，本发明实施例提供的分类模型训练训练方案在均衡了各类别损失值的情况下得到的模型损失值关注到了少数类的损失值，不会因为多数类对模型损失值的贡献而忽略少数类对模型损失值的贡献，因此可以训练出模型参数具有无偏性的神经网络分类模型，提升了神经网络分类模型的数据分类准确性。