[发明专利]一种数据处理方法、装置及数据深度学习系统

权利要求书

1.一种数据处理方法，应用于数据深度学习系统，其特征在于，所述数据处理方法包括：

获取采样样本的样本类别；所述采样样本包括人的数据，所述样本类别包括：年龄、性别、职业、身高和体重；

按照代价函数，计算网络输出值和样本期望值之间的误差信息；其中，所述网络输出值是所述采样样本的样本数据经深度学习处理后的值；所述样本类别不同所对应的所述样本期望值不同；根据所述样本类别和所述误差信息，计算所述代价函数的类别权重；

所述根据所述样本类别和所述误差信息，计算所述代价函数的类别权重的步骤，包括：

根据所述样本类别和所述误差信息，计算相同样本类别的采样样本的误差值；

根据所述样本类别和所述误差值，计算不同样本类别的采样样本的误差反比；

根据所述误差反比，计算所述代价函数的类别权重。

2.根据权利要求1所述的数据处理方法，其特征在于，根据所述样本类别和所述误差信息，计算相同样本类别的采样样本的误差值的步骤，包括：

根据所述样本类别和所述误差信息，计算相同样本类别的多个采样样本的平均误差值；所述平均误差值为所述多个采样样本的算术平均误差，或者，所述平均误差值为所述多个采样样本的加权平均误差。

3.根据权利要求1至2任一项所述的数据处理方法，其特征在于，根据所述样本类别和所述误差信息，计算所述代价函数的类别权重的步骤，包括：

当需要更新所述数据深度学习系统的网络参数时，根据所述样本类别和所述误差信息，计算所述代价函数的类别权重。

4.根据权利要求3所述的数据处理方法，其特征在于，所述网络参数包括：深度学习神经网络的参数、所述误差信息的均值和所述代价函数的类别权重中的至少一项。

5.根据权利要求1所述的数据处理方法，其特征在于，所述样本类别不同所对应的样本期望值不同。

6.根据权利要求1所述的数据处理方法，其特征在于，获取采样样本的样本类别的步骤，包括：

逐次获取一个样本批次的采样样本，所述一个样本批次包括预设数目的采样样本，一个采样样本对应一个样本类别及一个样本数据。

7.一种数据处理装置，应用于数据深度学习系统，其特征在于，所述数据处理装置包括：

获取模块，用于获取采样样本的样本类别；所述采样样本包括人的数据，所述样本类别包括：年龄、性别、职业、身高和体重；

第一计算模块，用于按照代价函数，计算网络输出值和样本期望值之间的误差信息；其中，所述网络输出值是所述采样样本的样本数据经深度学习处理后的值；所述样本类别不同所对应的所述样本期望值不同；

第二计算模块，用于根据所述样本类别和所述误差信息，计算所述代价函数的类别权重；

所述第二计算模块包括：

第一计算子模块，用于根据所述样本类别和所述误差信息，计算相同样本类别的采样样本的误差值；

第二计算子模块，用于根据所述样本类别和所述误差值，计算不同样本类别的采样样本的误差反比；

第三计算子模块，用于根据所述误差反比，计算所述代价函数的类别权重。

8.根据权利要求7所述的数据处理装置，其特征在于，所述第一计算子模块包括：

第一计算单元，用于根据所述样本类别和所述误差信息，计算相同样本类别的多个采样样本的平均误差值；所述平均误差值为所述多个采样样本的算术平均误差，或者，所述平均误差值为所述多个采样样本的加权平均误差。

9.根据权利要求7至8任一项所述的数据处理装置，其特征在于，所述第二计算模块还包括：

计算子模块，用于当需要更新所述数据深度学习系统的网络参数时，根据所述样本类别和所述误差信息，计算所述代价函数的类别权重。

10.根据权利要求9所述的数据处理装置，其特征在于，所述网络参数包括：深度学习神经网络的参数、所述误差信息的均值和所述代价函数的类别权重中的至少一项。