[发明专利]深度学习模型的建立方法、样本处理方法及装置

权利要求书

1.一种深度学习模型的建立方法，其特征在于，所述方法包括：

通过深度学习模型，获取训练集中训练样本的第一样本特征，以及验证集中验证样本的第二样本特征；

对所述第一样本特征进行归一化处理得到第一分布特征，以及对所述第二样本特征进行归一化处理得到第二分布特征；

计算所述第一分布特征与所述第二分布特征之间的距离值，并根据所述距离值，确定权重值；

获取所述训练集的损失函数，并通过所述权重值对所述损失函数进行加权处理，得到目标损失函数；

通过所述目标损失函数对所述深度学习模型进行训练，得到目标深度学习模型。

2.根据权利要求1所述的方法，其特征在于，在所述深度学习模型为分类任务模型的情况下，所述获取所述训练集的损失函数，并通过所述权重值对所述损失函数进行加权处理，得到目标损失函数，包括：

获取所述训练集的交叉熵损失函数，并通过所述权重值对所述交叉熵损失函数进行加权处理，得到目标交叉熵损失函数；

所述通过所述目标损失函数对所述深度学习模型进行训练，得到目标深度学习模型，包括：

通过所述目标交叉熵损失函数对所述深度学习模型进行训练，得到目标深度学习模型。

3.根据权利要求1所述的方法，其特征在于，所述根据所述距离值，确定权重值，包括：

将所述距离值的倒数作为所述权重值。

4.根据权利要求1所述的方法，其特征在于，所述第一样本特征的特征维度和所述第二样本特征的特征维度相同。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述第一分布特征与所述第二分布特征，分别映射至预设的超球面模型所包括的超球面中的对应位置；

展示所述超球面模型。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定与所述第二分布特征之间的距离值大于或等于预设阈值的目标第一分布特征；

将所述目标第一分布特征对应的目标训练集进行标记。

7.根据权利要求1所述的方法，其特征在于，所述距离值为欧式距离值。

8.一种样本处理方法，其特征在于，所述方法包括：

获取待处理样本；

将所述待处理样本输入目标深度学习模型进行处理，输出针对所述待处理样本的处理结果；

其中，所述目标深度学习模型是根据权利要求1至权利要求7中任意一项深度学习模型的建立方法所得到的。

9.一种深度学习模型的建立装置，其特征在于，所述装置包括：

获取模块，用于通过深度学习模型，获取训练集中训练样本的第一样本特征，以及验证集中验证样本的第二样本特征；

归一处理模块，用于对所述第一样本特征进行归一化处理得到第一分布特征，以及对所述第二样本特征进行归一化处理得到第二分布特征；

权重模块，用于计算所述第一分布特征与所述第二分布特征之间的距离值，并根据所述距离值，确定权重值；

加权模块，用于获取所述训练集的损失函数，并通过所述权重值对所述损失函数进行加权处理，得到目标损失函数；

训练模块，用于通过所述目标损失函数对所述深度学习模型进行训练，得到目标深度学习模型。

10.根据权利要求9所述的装置，其特征在于，在所述深度学习模型为分类任务模型的情况下，所述加权模块，包括：

获取子模块，用于获取所述训练集的交叉熵损失函数，并通过所述权重值对所述交叉熵损失函数进行加权处理，得到目标交叉熵损失函数；

所述训练模块，包括：

训练子模块，用于通过所述目标交叉熵损失函数对所述深度学习模型进行训练，得到目标深度学习模型。

11.根据权利要求9所述的装置，其特征在于，所述权重模块，包括：

倒数子模块，用于将所述距离值的倒数作为所述权重值。