[发明专利]图片分类方法、图片模型训练方法及设备

说明书

本发明的目的是提供一种图片分类方法、图片模型训练方法及设备，本发明通过图片分类模型包括待学习的参数w；确定损失函数，损失函数包括超参n，损失函数用于弱化对已经分类正确的训练集中的第一图片的惩罚，加重对分类错误的训练集中的第一图片的惩罚，所述损失函数基于该超参n，可以根据不同场景进行自主的调节，基于损失函数、第一图片的第一类别判定输出及所述第一图片对应的真实类别，对所述图片分类模型中的待学习的参数w的值进行调节，基于第二图片的第二类别判定输出及所述第二图片对应的真实类别，对所述损失函数中的超参n的值进行调节，所述待学习的参数w的值和超参n的值调节完成后，可用于加快图片分类模型的学习速度。

技术领域

本发明涉及计算机领域，尤其涉及一种图片分类方法、图片模型训练方法及设备。

背景技术

深度学习作为人工智能领域一个重要的分支，在图像和语音识别等领域已取得巨大的成功。其中，神经网络作为深度学习中的重要工具，已广泛应用于高校和企业中。

截止目前，神经网络主要包含两种：卷积神经网络和循环(递归)神经网络。前者主要应用于图像识别，后者主要应用于语音领域。

在图像识别领域，二分类作为一个基本问题，在很多场景中都有涉及。在这类问题中，一张图片只能属于2个类别中的1种，在后面的内容中，我们假设两个类别分别为1和0，这是一种常规的编码方式，同时一张图片只能属于1个类别。

卷积神经网络作为一种在图像领域广泛使用的模型，其包含大量可学习的参数，可应用于图像的二分类问题。在这类应用场景中，它以图片为输入(假设图片以字母x代替)，以图片所属某一类别(假设图片所属的类别为y，其中y∈{-1,1})的概率为输出。

为了确定神经网络中待定的参数，我们需要为网络提供大量的训练样本，训练样本主要包括图片x本身以及它所对应的真实类别标签y。在训练过程中，我们需要为网络指定目标函数，该目标函数衡量了网络在训练集上的性能。一般情况下，我们定义目标函数为一种损失函数，当当前预测与真实目标存在偏差时，损失函数将对当前预测进行相应的惩罚，该损失函数越小，模型在训练集上的性能越好。

损失函数作为分类问题中的重要元素，对于网络的训练十分重要，一个合理的损失函数可以加快网络的学习速度。从直观上理解，假设图片x的类别y＝1，模型需要预测x属于1的概率,即p(y＝1)。在训练的过程中，如果p(y＝1)的概率值距离1的值很近，那么相应的损失应该很小，反之，则更大。

现有分类问题普遍使用交叉熵损失函数，该损失函数虽然可以指导模型进行学习，但在满足上述预期方面，却并不合适。

发明内容

本发明的一个目的是提供一种图片分类方法、图片模型训练方法及设备。

根据本发明的一个方面，提供了一种图片分类方法，该方法包括：

建立图片分类模型，所述图片分类模型包括待学习的参数w；

确定损失函数，所述损失函数包括超参n，所述损失函数用于弱化对已经分类正确的训练集中的第一图片的惩罚，加重对分类错误的训练集中的第一图片的惩罚；

将训练集中的第一图片输入所述图片分类模型，以得到第一类别判定输出，基于所述损失函数、第一图片的第一类别判定输出及所述第一图片对应的真实类别，对所述图片分类模型中的待学习的参数w的值进行调节；

将验证集中的第二图片输入所述图片分类模型，以得到第二类别判定输出，基于第二图片的第二类别判定输出及所述第二图片对应的真实类别，对所述损失函数中的超参n的值进行选择，以得到图片分类模型；

基于所述目标图片分类模型对待分类的图片进行分类。