[發明專利]一種分類模型的損失值獲取方法及裝置

在審

• 申請號: 201810443376.8
• 申請日: 2018-05-10
• 公開（公告）號: CN108629377A
• 公開（公告）日: 2018-10-09
• 發明（設計）人: 張志偉
• 申請（專利權）人: 北京達佳互聯信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 莎日娜

本發明實施例提供了一種分類模型的損失值獲取方法及裝置。通過本發明實施例的方法，在獲取預設分類模型的損失值時，不僅使用了樣本數據在多個預設分類中所屬于的第一預設分類，還使用了樣本數據在多個預設分類中不屬于的第二預設分類，進而根據第一預設分類使用梯度下降算法獲取預設分類模型的第一子損失值，然后根據第二預設分類使用梯度上升算法獲取預設分類模型的第二子損失值，再根據第一子損失值和第二子損失值獲取預設分類模型的損失值。相比于僅僅根據樣本數據所屬于的一小部分預設分類獲取預設分類模型的損失值，本發明實施例可以提高獲取到的預設分類模型的損失值的準確度，進而提高優化得到預設分類模型對數據的分類的精確度。

技術領域

本發明涉及計算機技術領域，特別是涉及一種分類模型的損失值獲取方法及裝置。

背景技術

近來，深度學習在視頻圖像、語音識別、自然語言處理等相關領域得到了廣泛應用。卷積神經網絡作為深度學習的一個重要分支，由于其超強的擬合能力以及端到端的全局優化能力，使得視頻圖像分類任務在應用卷積神經網絡之后，預測精度大幅提升。

雖然目前的分類模型對圖像具有了一定的分類能力，但是仍然會出現大量預測錯誤的情況。因此，往往需要使用樣本數據獲取分類模型的損失值，使用損失值優化分類模型。

其中，事先需要設置大量的預設分類，然后標注樣本數據所屬于的預設分類。之后在使用樣本數據獲取分類模型的損失值時，可以使用樣本數據所屬于的預設分類來獲取分類模型的損失值。

然而，發明人發現，樣本數據所屬于的預設分類往往僅是大量的預設分類中一小部分，如此，僅僅根據一小部分預設分類來獲取到的分類模型的損失值的準確度較低，使用準確度較低的損失值優化得到分類模型對數據的分類的精確度也較低。

發明內容

為了提高優化得到的分類模型對數據的分類的精確度，則需要提高獲取到的損失值的準確度，為了提高獲取到的損失值的準確度，本發明實施例示出了一種分類模型的損失值獲取方法及裝置。

第一方面，本發明實施例示出了一種分類模型的損失值獲取方法，所述方法包括：

在多個預設分類中，確定樣本數據屬于的第一預設分類，以及所述樣本數據不屬于的第二預設分類；

根據所述第一預設分類使用梯度下降算法獲取預設分類模型的第一子損失值；

根據所述第二預設分類使用梯度上升算法獲取所述預設分類模型的第二子損失值；

根據所述第一子損失值和所述第二子損失值獲取所述預設分類模型的損失值。

在一個可選的實現方式中，所述根據所述第一子損失值和所述第二子損失值獲取所述預設分類模型的損失值，包括：

根據確定出的第一預設分類的數量與確定出的第二預設分類的數量獲取所述第一子損失值對應的第一權重和所述第二子損失值對應的第二權重；

計算所述第一權重與所述第一子損失值之間的第一乘積；

計算所述第二權重與所述第二子損失值之間的第二乘積；

計算所述第一乘積與所述第二乘積之間的差值，并作為所述損失值。

在一個可選的實現方式中，所述第一預設分類為多個；

所述根據所述第一預設分類使用梯度下降算法獲取預設分類模型的第一子損失值，包括：

使用梯度下降算法獲取所述預設分類模型分別對應每一個第一預設分類的第三子損失值；

將得到的全部第三子損失值求和，得到所述第一子損失值。

在一個可選的實現方式中，所述第二預設分類為多個；