[發明專利]分類網絡構建方法以及基于分類網絡的分類方法

在審

• 申請號: 202011638803.1
• 申請日: 2020-12-31
• 公開（公告）號: CN112734008A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 王昊;錢海濤;羅水權;劉劍;李燕婷
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 劉羚

本申請涉及模型構建技術領域，提供了一種分類網絡構建方法以及基于分類網絡的分類方法。所述方法包括：獲取攜帶分類標簽的訓練樣本以及包括速度導向的初始隱藏層的初始全連接網絡；將訓練樣本輸入初始全連接網絡，得到初始模型梯度；當初始模型梯度大于預設梯度閾值時，在初始全連接網絡中接入速度導向的預設隱藏層，以初始模型梯度為標簽，通過訓練數據對預設隱藏層進行迭代訓練，得到目標模型梯度；當目標模型梯度大于預設梯度閾值時，將目標模型梯度作為新的初始模型梯度；返回在初始全連接網絡中接入速度導向的預設隱藏層的步驟，直到目標模型梯度小于或者等于預設梯度閾值，得到已訓練的分類網絡。采用本方法能夠高效數據處理。

技術領域

本申請涉及計算機技術領域，特別是涉及一種分類網絡構建方法以及基于分類網絡的分類方法。

背景技術

隨著計算機技術的發展，出現了深度神經網絡，深度神經網絡是機器學習領域的一種重要技術。

傳統技術中，常通過深度神經網絡來解決各類處理任務，如分類任務等，它在各類處理任務上的表現遠超傳統機器學習方法，為了獲得精度更高的處理結果，常需要構建模型層數多、復雜程度高的深度神經網絡。

然而，隨著模型層數的增多和復雜度增高，深度神經網絡的運行速度會減慢，存在數據處理效率低的問題。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高深度神經網絡的數據處理效率的分類網絡構建方法以及基于分類網絡的分類方法、裝置、計算機設備和存儲介質。

一種分類網絡構建方法，所述方法包括：

獲取攜帶分類標簽的訓練樣本以及初始全連接網絡，初始全連接網絡包括速度導向的初始隱藏層；

將訓練樣本輸入初始全連接網絡，通過訓練樣本對初始隱藏層進行迭代訓練，得到與初始隱藏層對應的初始模型梯度；

當初始模型梯度大于預設梯度閾值時，在初始全連接網絡中接入速度導向的預設隱藏層，以初始模型梯度為標簽，通過訓練數據對預設隱藏層進行迭代訓練，得到與預設隱藏層對應的目標模型梯度；

當目標模型梯度大于預設梯度閾值時，將目標模型梯度作為新的初始模型梯度；

返回在初始全連接網絡中接入速度導向的預設隱藏層的步驟，直到目標模型梯度小于或者等于預設梯度閾值，得到已訓練的分類網絡。

在一個實施例中，獲取攜帶分類標簽的訓練樣本以及初始全連接網絡包括：

獲取攜帶分類標簽的訓練樣本；

根據訓練樣本的待訓練特征數確定初始全連接網絡的輸入節點，并根據分類標簽確定初始全連接網絡的輸出節點；

根據輸入節點、輸出節點以及預設速度導向的初始隱藏層，得到初始全連接網絡。

在一個實施例中，將訓練樣本輸入初始全連接網絡，通過訓練樣本對初始隱藏層進行迭代訓練，得到與初始隱藏層對應的初始模型梯度包括：

將訓練樣本輸入初始全連接網絡，通過訓練樣本對初始隱藏層進行預設迭代次數的迭代訓練，得到與訓練樣本對應的初始隱藏層輸出結果；

比對初始隱藏層輸出結果和訓練樣本攜帶的分類標簽，得到與初始隱藏層對應的初始模型梯度。

在一個實施例中，將訓練樣本輸入初始全連接網絡，通過訓練樣本對初始隱藏層進行預設迭代次數的迭代訓練，得到與訓練樣本對應的初始隱藏層輸出結果包括：

將訓練樣本輸入初始全連接網絡，通過訓練樣本對初始隱藏層進行訓練，得到與訓練樣本對應的訓練結果；

比對訓練結果和訓練樣本攜帶的分類標簽，得到與訓練結果對應的訓練梯度；