[發明專利]一種分類模型訓練方法、裝置及設備

有效

• 申請號: 202310095677.7
• 申請日: 2023-02-10
• 公開（公告）號: CN115795355B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 王博;張鈺;李兵;胡衛明
• 申請（專利權）人: 中國科學院自動化研究所;人民中科(濟南)智能技術有限公司
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/214;G06F18/22
• 代理公司: 北京墨丘知識產權代理事務所(普通合伙) 11878
• 代理人: 魏梳芳

本發明實施例涉及人工智能領域，公開了一種分類模型訓練方法、裝置及設備。本發明實施例涉及的分類模型訓練方法，其特征在于，所述方法包括：獲取待訓練樣本集進行特征提取，得到第一特征向量，計算得到原型特征向量；調用預設的損失調節器針對待訓練的分類模型對應的損失函數進行參數調整，得到目標分類模型。這樣，可以在模型訓練過程中，基于當前學習結果及時施加相應的策略調整，提高了分類模型在小樣本學習環境中訓練的準確性，進而提高了訓練后模型進行分類作業的正確率。

技術領域

本發明實施例涉及人工智能領域，尤其涉及一種分類模型訓練方法、裝置及設備。

背景技術

隨著人工智能技術的發展，分類模型被廣泛應用在各個領域。但是，在一些特殊領域中，例如：醫療以及軍事，分類模型通常被訓練用來識別特殊的數據。這類數據由于其所在領域的特殊性，不能為相應的分類模型提供較為大量的訓練樣本。因此，在這些特殊領域中，通常采用小樣本學習的方式進行相應的分類模型訓練。

現有的小樣本學習模式中，通常采用度量式分類設置和片段式訓練設置，這就使訓練過程中每次訓練樣本進行迭代時的類別組合都不同。為了保證訓練效率以及結果的準確性，需要用于模型訓練的樣本中施加不同的學習策略。由于現有的小樣本學習模式是基于交叉熵損失函數實現的，這種函數會同等對待所有的片段而忽略每個片段對應的學習策略。這樣，就會導致現有的小樣本學習模式缺乏自適應能力，進而導致分類模型的樣本識別結果存在較大的偏差。

發明內容

鑒于上述問題，本發明提出了一種分類模型訓練方法、裝置及設備，以解決現有小樣本學習模式缺乏自適應能力，進而導致分類模型的樣本識別結果存在較大的偏差的問題。

第一方面，本發明提出了一種分類模型訓練方法，所述方法包括：

獲取待訓練樣本集，所述待訓練樣本集包括：至少一個待訓練樣本以及至少一個類別信息；

對所述待訓練樣本集中的每個待訓練樣本進行特征提取，得到第一特征向量，所述第一特征向量用于表征所述待訓練樣本對應的特征，每個所述第一特征向量對應一個類別信息；

基于每個待訓練樣本對應的第一特征向量進行計算，得到每個類別信息對應的原型特征向量；

調用待訓練的分類模型，基于所述原型特征向量針對至少一個查詢樣本進行相似度比對，得到至少一個第一比對結果；

基于每個第一比對結果調用預設的損失調節器針對所述待訓練的分類模型對應的損失函數進行參數調整，以使全部損失函數的結果小于或等于預設閾值，得到目標分類模型。

在一些可能的實施方式中，所述基于所述原型特征向量針對至少一個查詢樣本進行相似度比對，包括：

針對所述至少一個查詢樣本進行特征提取，得到至少一個第二特征向量，每個第二特征向量用于表征對應每個查詢樣本的特征；

分別調用所述至少一個第二特征向量與所述每個類別信息對應的原型特征向量一一進行相似度比對，得到至少一個比對結果，每個比對結果包括：每個查詢樣本與每個原型特征向量的相似度以及所述每個查詢樣本對應類別信息的預測概率。

在一些可能的實施方式中，所述基于每個待訓練樣本對應的第一特征向量進行計算，得到每個類別信息對應的原型特征向量，包括：

獲取每個類別信息對應的全部所述第一特征向量；

對所述每個類別信息對應的全部所述第一特征向量進行求平均值計算，計算結果作為所述原型特征向量。這樣，通過采用對每個類別信息對應的第一特征向量進行平均值計算的方式設定原型特征向量，再將所述原型特征向量作為參照標準同所述第二特征向量進行比較，使比較結果更精準。

在一些可能的實施方式中，所述調用預設的損失調節器針對所述待訓練的分類模型對應的損失函數進行參數調整，包括：