[發明專利]數據分類模型訓練方法和裝置

有效

• 申請號: 201710109745.5
• 申請日: 2017-02-28
• 公開（公告）號: CN106897746B
• 公開（公告）日: 2020-03-03
• 發明（設計）人: 劉巍;葛彥昊;陳宇;翁志
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 中國國際貿易促進委員會專利商標事務所 11038
• 代理人: 許蓓

1.一種數據分類模型訓練方法，其特征在于，包括：

采用識別對象通用數據集對神經網絡分類模型各個層的參數值進行訓練，獲得第一神經網絡分類模型；

采用識別對象實際數據集對第一神經網絡分類模型頂部若干層的參數值進行訓練，獲得第二神經網絡分類模型；

再次采用所述識別對象實際數據集對第二神經網絡分類模型各個層的參數值進行訓練，獲得完成訓練的第三神經網絡分類模型；

其中，當完成訓練的第三神經網絡分類模型用于人臉識別時，識別對象通用數據集包括標準的人臉圖像數據，識別對象實際數據集包括在神經網絡分類模型的應用環境中采集的人臉圖像數據；或者，當完成訓練的第三神經網絡分類模型用于聲紋識別時，識別對象通用數據集包括標準的人聲數據，識別對象實際數據集為在神經網絡分類模型的應用環境中采集的人聲數據；

識別對象通用數據集中數據的類別數量小于第一類別數量預設值、類別內的樣本數量大于第一類內樣本數預設值，識別對象實際數據集中數據的類別數量大于第二類別數量預設值，第一類別數量預設值小于第二類別數量預設值。

2.根據權利要求1所述的方法，其特征在于，所述采用識別對象實際數據集對第一神經網絡分類模型頂部若干層的參數值進行訓練，獲得第二神經網絡分類模型包括：

采用識別對象實際數據集對第一神經網絡分類模型頂部若干層的參數值進行訓練和調整，當分類誤差小于預設的初步收斂誤差時結束調整，獲得第二神經網絡分類模型；

其中，預設的初步收斂誤差與標準誤差的差大于預設值。

3.根據權利要求1或2所述的方法，其特征在于，所述頂部若干層的參數值為最頂層的參數值。

4.根據權利要求1所述的方法，其特征在于，

在所述采用識別對象通用數據集對神經網絡分類模型各個層的參數值進行訓練，獲得第一神經網絡分類模型之前，所述方法還包括：

采用多對象通用數據集對神經網絡分類模型各個層的參數值進行訓練，獲得第四神經網絡分類模型；

所述采用識別對象通用數據集對神經網絡分類模型各個層的參數值進行訓練，獲得第一神經網絡分類模型包括：

采用識別對象通用數據集對第四神經網絡分類模型各個層的參數值進行訓練，獲得第一神經網絡分類模型；

其中，多對象通用數據集中數據的類別數量小于第三類別數量預設值、類別內的樣本數量大于第三類內樣本數預設值，第三類別數量預設值小于第二類別數量預設值。

5.根據權利要求4所述的方法，其特征在于，

當完成訓練的第三神經網絡分類模型用于人臉識別時，多對象通用數據集包括人臉圖像數據和非人臉圖像數據；

或者，

當完成訓練的第三神經網絡分類模型用于聲紋識別時，多對象通用數據集包括人聲數據和非人聲數據。

6.一種數據分類模型訓練裝置，其特征在于，包括：

通用數據集訓練模塊，用于采用識別對象通用數據集對神經網絡分類模型各個層的參數值進行訓練，獲得第一神經網絡分類模型；

實際數據集部分訓練模塊，用于采用識別對象實際數據集對第一神經網絡分類模型頂部若干層的參數值進行訓練，獲得第二神經網絡分類模型；

實際數據集全局訓練模塊，用于再次采用所述識別對象實際數據集對第二神經網絡分類模型各個層的參數值進行訓練，獲得完成訓練的第三神經網絡分類模型；

其中，當完成訓練的第三神經網絡分類模型用于人臉識別時，識別對象通用數據集包括標準的人臉圖像數據，識別對象實際數據集包括在神經網絡分類模型的應用環境中采集的人臉圖像數據；或者，當完成訓練的第三神經網絡分類模型用于聲紋識別時，識別對象通用數據集包括標準的人聲數據，識別對象實際數據集為在神經網絡分類模型的應用環境中采集的人聲數據；

識別對象通用數據集中數據的類別數量小于第一類別數量預設值、類別內的樣本數量大于第一類內樣本數預設值，識別對象實際數據集中數據的類別數量大于第二類別數量預設值，第一類別數量預設值小于第二類別數量預設值。