[发明专利]训练方法、分类方法、装置、电子设备以及存储介质

说明书

本公开提供了一种训练方法、分类方法、装置、电子设备以及存储介质，涉及人工智能领域，尤其涉及深度学习领域。具体实现方案为：异常音频分类模型包括特征提取模块、时序特征学习模块和多分类模块，该方法包括：利用特征提取模块处理训练样本集中的每个样本音频，得到与每个样本音频对应的深度特征数据；利用时序特征学习模块处理与每个样本音频对应的深度特征数据，得到与每个样本音频对应的时序特征序列；利用多分类模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的多分类结果；根据与每个样本音频对应的多分类结果和多分类标签，对特征提取模块、时序特征学习模块和多分类模块进行联合训练，得到异常音频分类模型。

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习领域。具体地，涉及一种训练方法、分类方法、装置、电子设备以及存储介质。

背景技术

随着互联网技术的发展，信息可以通过网络进行传播。信息的类型包括多种，例如，信息包括异常音频。由于异常音频的传播将会对对象造成不利影响，因此，需要对音频进行审核，以尽量避免异常音频在网络中传播。例如，异常音频可以包括娇喘音频或呻吟音频等。在对音频进行审核的过程中，需要对音频进行分类。

发明内容

本公开提供了一种训练方法、分类方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种异常音频分类模型的训练方法，上述异常音频分类模型包括特征提取模块、时序特征学习模块和多分类模块，上述方法包括：利用上述特征提取模块处理训练样本集中的每个样本音频，得到与上述每个样本音频对应的深度特征数据；利用上述时序特征学习模块处理与上述每个样本音频对应的深度特征数据，得到与上述每个样本音频对应的时序特征序列；利用上述多分类模块处理与上述每个样本音频对应的时序特征序列，得到与上述每个样本音频对应的多分类结果；以及，根据与上述每个样本音频对应的多分类结果和多分类标签，对上述特征提取模块、上述时序特征学习模块和上述多分类模块进行联合训练，得到上述异常音频分类模型。

根据本公开的另一方面，提供了一种异常音频分类方法，包括：获取目标音频；以及，将上述目标音频输入上述异常音频分类模型，得到与上述目标音频对应的多分类结果，其中，上述异常音频分类模型是利用如上所述的方法训练得到的。

根据本公开的另一方面，提供了一种异常音频分类模型的训练装置，上述异常音频分类模型包括特征提取模块、时序特征学习模块和多分类模块，上述装置包括：第一处理模块，用于利用上述特征提取模块处理训练样本集中的每个样本音频，得到与上述每个样本音频对应的深度特征数据；第二处理模块，用于利用上述时序特征学习模块处理与上述每个样本音频对应的深度特征数据，得到与上述每个样本音频对应的时序特征序列；第三处理模块，用于利用上述多分类模块处理与上述每个样本音频对应的时序特征序列，得到与上述每个样本音频对应的多分类结果；以及，训练模块，用于根据与上述每个样本音频对应的多分类结果和多分类标签，对上述特征提取模块、上述时序特征学习模块和上述多分类模块进行联合训练，得到上述异常音频分类模型。

根据本公开实施例的另一方面，提供了一种异常音频分类装置，包括：获取模块，用于获取目标音频；以及，第二获得模块，用于将所述目标音频输入所述异常音频分类模型，得到与所述目标音频对应的多分类结果，其中，所述异常音频分类模型是利用如上所述的装置训练得到的。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如上所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行如上所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如上所述的方法。