[发明专利]构建图像识别模型和图像识别的方法、装置、设备及介质

权利要求书

1.一种构建图像识别模型的方法，其特征在于，包括：

获取初始机器学习模型，所述初始机器学习模型的超参数为预先确定的目标最优超参数；其中，所述目标最优超参数是通过对备选超参数对应的模型进行训练、对训练后的模型进行测试、基于测试结果剔除部分备选超参数以及基于贝叶斯优化得到下一批备选超参数这一过程进行迭代得到的；

从源图像样本集中获取待处理的源图像样本；

对所述待处理的源图像样本进行预处理操作，得到预处理后的样本数据；以及

将所述预处理后的样本数据输入至所述初始机器学习模型中进行训练，训练完成得到的目标机器学习模型为图像识别模型。

2.根据权利要求1所述的方法，其特征在于，还包括：确定目标最优超参数和初始机器学习模型，所述确定目标最优超参数和初始机器学习模型包括：

针对具有不同备选超参数的模型，实施训练-测试-剔除和贝叶斯优化的迭代过程，直至迭代达到预设次数T后停止，T≥2且T为整数；

在第i次训练-测试-剔除和贝叶斯优化的迭代过程中，i＝1,2…或T，实施以下操作：

针对M_i组备选超参数对应的模型进行N_i次训练；

对训练后的M_i组模型进行测试；

基于所述M_i组模型的测试结果来剔除所述M_i组备选超参数中的部分备选超参数，得到剩余的k_i组待定超参数；以及

基于高斯回归过程计算出组待定超参数的后验概率分布，并基于贝叶斯优化算法计算得到用于第i+1次迭代过程的备选超参数；

其中，当i＝1时对应的备选超参数为随机初始化得到的备选超参数；用于第j次迭代过程的备选超参数作为所述目标最优超参数，所述目标最优超参数对应的模型作为初始机器学习模型，j＝2,3,…或T。

3.根据权利要求2所述的方法，其特征在于，所述具有不同备选超参数的模型进行训练的输入数据为预处理后的训练数据；所述方法还包括：

将用于训练图像样本的预处理操作按照是否可被批量化实施分类为单独操作和可批量化操作；

将所述训练图像样本按照所述单独操作和所述可批量化操作分步进行预处理，得到预处理后的训练数据；以及

将所述预处理后的训练数据输入至所述具有不同备选超参数的模型中分别进行训练。

4.根据权利要求1所述的方法，其特征在于，所述对所述待处理的源图像样本进行预处理操作，得到预处理后的样本数据，包括：

将用于所述源图像样本的预处理操作按照是否可被批量化实施分类为单独操作和可批量化操作；

将所述待处理的源图像样本按照所述单独操作和所述可批量化操作分步进行预处理，得到预处理后的样本数据。

5.根据权利要求4所述的方法，其特征在于，所述将所述待处理的源图像样本按照所述单独操作和所述可批量化操作分步进行预处理，包括：

针对当前组待处理的源图像样本的每个源图像样本，进行所述单独操作的第一预处理，每个源图像样本经过所述第一预处理后得到三维特征图张量；

将得到的三维特征图张量放入至待提取数据队列中并进行计数；

在所述待提取数据队列中的计数值达到一个批次的预设值时，从所述待提取数据队列中将一个批次的三维特征图张量提取出来，得到初始样本数据；以及

对所述初始样本数据进行所述可批量化操作的第二预处理，以得到预处理后的样本数据。

6.根据权利要求5所述的方法，其特征在于，在当前组待处理的源图像样本处理完成时，从所述源图像样本集中获取下一组待处理的源图像样本进行所述第一预处理，所述下一组待处理的源图像样本的第一预处理过程与所述当前组待处理的源图像样本的第二预处理过程同步进行。

7.根据权利要求5所述的方法，其特征在于，基于无限循环的生成器来进行计数，在每次数据集遍历完成之后进行数据下标的随机打乱，以重新进行计数。