[發(fā)明專(zhuān)利]機(jī)器學(xué)習(xí)模型訓(xùn)練方法和裝置、表情圖像分類(lèi)方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201710566325.X
• 申請(qǐng)日: 2017-07-12
• 公開(kāi)（公告）號(hào): CN108304936B
• 公開(kāi)（公告）日: 2021-11-16
• 發(fā)明（設(shè)計(jì)）人: 劉龍坡;萬(wàn)偉;陳謙
• 申請(qǐng)（專(zhuān)利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類(lèi)號(hào): G06N20/00
• 分類(lèi)號(hào): G06N20/00;G06K9/62;G06K9/00
• 代理公司: 廣州華進(jìn)聯(lián)合專(zhuān)利商標(biāo)代理有限公司 44224
• 代理人: 何平;鄧云鵬

本發(fā)明涉及一種機(jī)器學(xué)習(xí)模型訓(xùn)練方法和裝置，所述方法包括：獲取根據(jù)通用圖像訓(xùn)練集訓(xùn)練得到的包括有模型參數(shù)的機(jī)器學(xué)習(xí)模型；確定專(zhuān)用圖像的樣本和相對(duì)應(yīng)的分類(lèi)標(biāo)簽；將所述專(zhuān)用圖像的樣本輸入所述機(jī)器學(xué)習(xí)模型，得到中間分類(lèi)結(jié)果；按照所述中間分類(lèi)結(jié)果與所述分類(lèi)標(biāo)簽的差異，調(diào)整所述機(jī)器學(xué)習(xí)模型的模型參數(shù)并繼續(xù)訓(xùn)練，直至滿(mǎn)足訓(xùn)練停止條件時(shí)結(jié)束訓(xùn)練。本申請(qǐng)?zhí)峁┑姆桨柑岣吡藱C(jī)器學(xué)習(xí)模型訓(xùn)練的效率。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器學(xué)習(xí)領(lǐng)域，特別是涉及一種機(jī)器學(xué)習(xí)模型訓(xùn)練方法和裝置、表情圖像分類(lèi)方法和裝置。

背景技術(shù)

目前，隨著終端存儲(chǔ)技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展，基于圖像的交互變得越來(lái)越容易，越來(lái)越多的用戶(hù)選擇使用圖像進(jìn)行交互，使得用于交互的圖像數(shù)量日益增多。將圖像進(jìn)行合適的分類(lèi)，對(duì)于用戶(hù)個(gè)性化推薦、用戶(hù)畫(huà)像構(gòu)建等都有非常重要的作用。目前，可使用訓(xùn)練好的機(jī)器學(xué)習(xí)模型來(lái)進(jìn)行圖像分類(lèi)。傳統(tǒng)的機(jī)器學(xué)習(xí)模型訓(xùn)練方式，通常是使用大量的訓(xùn)練數(shù)據(jù)來(lái)對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，使模型習(xí)得分類(lèi)規(guī)則，以提高模型的分類(lèi)準(zhǔn)確率。

然而基于傳統(tǒng)的模型訓(xùn)練方式，由于需要使用大量的訓(xùn)練數(shù)據(jù)，在獲取訓(xùn)練數(shù)據(jù)和使用訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練時(shí)都會(huì)耗費(fèi)大量的時(shí)間，導(dǎo)致機(jī)器學(xué)習(xí)模型訓(xùn)練效率比較低。

發(fā)明內(nèi)容

基于此，有必要針對(duì)傳統(tǒng)的機(jī)器學(xué)習(xí)模型訓(xùn)練效率低的問(wèn)題，提供一種機(jī)器學(xué)習(xí)模型訓(xùn)練方法和裝置、表情圖像分類(lèi)方法和裝置。

一種機(jī)器學(xué)習(xí)模型訓(xùn)練方法，所述方法包括：

獲取根據(jù)通用圖像訓(xùn)練集訓(xùn)練得到的包括有模型參數(shù)的機(jī)器學(xué)習(xí)模型；

確定專(zhuān)用圖像的樣本和相對(duì)應(yīng)的分類(lèi)標(biāo)簽；

將所述專(zhuān)用圖像的樣本輸入所述機(jī)器學(xué)習(xí)模型，得到中間分類(lèi)結(jié)果；

按照所述中間分類(lèi)結(jié)果與所述分類(lèi)標(biāo)簽的差異，調(diào)整所述機(jī)器學(xué)習(xí)模型的模型參數(shù)并繼續(xù)訓(xùn)練，直至滿(mǎn)足訓(xùn)練停止條件時(shí)結(jié)束訓(xùn)練。

一種機(jī)器學(xué)習(xí)模型訓(xùn)練裝置，所述裝置包括：

獲取模塊，用于獲取根據(jù)通用圖像訓(xùn)練集訓(xùn)練得到的包括有模型參數(shù)的機(jī)器學(xué)習(xí)模型；

確定模塊，用于確定專(zhuān)用圖像的樣本和相對(duì)應(yīng)的分類(lèi)標(biāo)簽；

分類(lèi)模塊，用于將所述專(zhuān)用圖像的樣本輸入所述機(jī)器學(xué)習(xí)模型，得到中間分類(lèi)結(jié)果；

訓(xùn)練模塊，用于按照所述中間分類(lèi)結(jié)果與所述分類(lèi)標(biāo)簽的差異，調(diào)整所述機(jī)器學(xué)習(xí)模型的模型參數(shù)并繼續(xù)訓(xùn)練，直至滿(mǎn)足訓(xùn)練停止條件時(shí)結(jié)束訓(xùn)練。

一種表情圖像分類(lèi)方法，基于機(jī)器學(xué)習(xí)模型訓(xùn)練方法，所述方法包括：

將待分類(lèi)的表情圖像輸入訓(xùn)練好的機(jī)器學(xué)習(xí)模型，得到輸入的表情圖像分類(lèi)到每個(gè)分類(lèi)標(biāo)簽所對(duì)應(yīng)的概率；所述訓(xùn)練好的機(jī)器學(xué)習(xí)模型，是將表情圖像的樣本作為專(zhuān)用圖像的樣本、并采用所述機(jī)器學(xué)習(xí)模型訓(xùn)練方法訓(xùn)練得到的；

確定得到的所述概率中的最大概率；

將所述待分類(lèi)的表情圖像分類(lèi)到所述最大概率對(duì)應(yīng)的分類(lèi)標(biāo)簽。

一種表情圖像分類(lèi)裝置，基于機(jī)器學(xué)習(xí)模型訓(xùn)練裝置，所述表情圖像分類(lèi)裝置包括：

機(jī)器學(xué)習(xí)模型，用于輸入待分類(lèi)的表情圖像，輸出待分類(lèi)的表情圖像分類(lèi)到每個(gè)分類(lèi)標(biāo)簽所對(duì)應(yīng)的概率；所述機(jī)器學(xué)習(xí)模型，是將表情圖像的樣本作為專(zhuān)用圖像的樣本、并采用所述機(jī)器學(xué)習(xí)模型訓(xùn)練裝置訓(xùn)練得到的；

分類(lèi)模塊，用于確定得到的所述概率中的最大概率；將所述待分類(lèi)的表情圖像分類(lèi)到所述最大概率對(duì)應(yīng)的分類(lèi)標(biāo)簽。