[发明专利]一种模型的处理方法、装置及存储介质

权利要求书

1.一种模型的处理方法，其特征在于，所述方法包括：

初始化第一数据分类模型，所述第一数据分类模型包括第一待训练层和第二待训练层；

基于获取的未具有标记的训练样本数据，对所述第一数据分类模型进行无监督方式的训练，以更新所述第一待训练层和第二待训练层的参数；

基于所更新的参数，增加所述第一数据分类模型中第二待训练层的节点个数，以得到满足收敛条件的第二数据分类模型；

通过所述第二数据分类模型提取测试样本数据中的关键特征数据；

对所述关键特征数据进行聚类，得到聚类测试结果，并基于所述聚类测试结果，增加所述第二数据分类模型中第二待训练层的层数，直至所述聚类测试结果满足设定约束条件。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述通过所述第二数据分类模型提取测试样本数据中的关键特征数据之前，选取测试样本数据；

对所述测试样本数据进行归一化处理，得到归一化后的测试样本数据；

所述提取测试样本数据中的关键特征数据，包括：

提取所述归一化后的测试样本数据中的关键特征数据。

3.根据权利要求1所述的方法，其特征在于，所述基于所更新的参数，增加所述第一数据分类模型中第二待训练层的节点个数，包括：

基于所更新的参数，确定所述第一数据分类模型中第二待训练层的节点对应的偏置向量的变化量，以及所述第一数据分类模型中第二待训练层的节点与第一待训练层的节点间的权值矩阵的变化量；

构造以所述偏置向量的变化量和所述权值矩阵的变化量为因子的条件函数；

将所述条件函数对应的值与预设阈值进行比较，得到第一比较结果；

当所述第一比较结果表征所述条件函数对应的值大于所述预设阈值时，增加所述第一数据分类模型中第二待训练层的节点个数。

4.根据权利要求1所述的方法，其特征在于，所述基于所更新的参数，增加所述第一数据分类模型中第二待训练层的节点个数，包括：

基于所更新的参数，确定所述训练样本数据在训练时对应的能量；

将所述训练样本数据在训练时对应的能量，与所述训练样本数据在训练前对应的能量进行对比，确定发生能量变化的样本数；

基于所述发生能量变化的样本数，确定所述发生能量变化的样本数与总的训练样本数的比例关系；

基于所述比例关系，增加所述第一数据分类模型中第二待训练层的节点个数。

5.根据权利要求1所述的方法，其特征在于，所述通过所述第二数据分类模型提取测试样本数据中的关键特征数据，包括：

将所述测试样本数据输入至所述第二数据分类模型的第一待训练层中；

确定所述第二数据分类模型中第一待训练层对应的偏置向量的变化量、所述第二数据分类模型中第二待训练层对应的偏置向量的变化量，以及所述第二数据分类模型中第一待训练层与第二待训练层间的权值矩阵变化量；

基于确定的偏置向量的变化量和权值矩阵变化量，确定所述第二数据分类模型中第二待训练层的输出数据，将所述第二待训练层的输出数据确定为所述关键特征数据。

6.根据权利要求5所述的方法，其特征在于，所述确定所述第二数据分类模型中第一待训练层对应的偏置向量的变化量、所述第二数据分类模型中第二待训练层对应的偏置向量的变化量，包括：

计算所述第二数据分类模型的第二待训练层中各节点对应的第一激活概率；

通过对各所述第一激活概率进行反向传播，计算所述第二数据分类模型的第一待训练层对所述测试样本数据进行重构的重构特征矩阵；

对所述重构特征矩阵进行正向传播，得到所述第二数据分类模型的第二待训练层中各节点对应的第二激活概率；

基于所述第一激活概率构成的矩阵和所述第二激活概率构成的矩阵，确定所述第二数据分类模型中第二待训练层对应的偏置向量的变化量；

基于所述测试样本数据和所述重构特征矩阵，确定所述第二数据分类模型中第一待训练层对应的偏置向量的变化量。