[发明专利]模型训练、对象分类方法和装置、电子设备及存储介质

说明书

本申请提供的模型训练、对象分类方法和装置、电子设备及存储介质，涉及深度学习技术领域。在本申请中，首先，获得每一个样本对象对应的对象向量、每一个样本标签对应的标签向量。其次，基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数，其中，在分类算法包括的至少部分函数中，函数的值与对象向量和标签向量之间的向量夹角具有线性关系。然后，基于相似概率参数计算得到分类损失，并基于分类损失对预设的神经网络模型进行训练，得到对象分类模型，其中，样本对象为样本图像，对象分类模型用于对目标图像的类型进行分类确定。通过上述方法，可以改善现有技术中训练得到的对象分类模型容易出现分类准确度不高的问题。

技术领域

本申请涉及深度学习技术领域，具体而言，涉及一种模型训练、对象分类方法和装置、电子设备及存储介质。

背景技术

随着深度学习技术的不断发展，其应用范围也越来越广，例如，在图像识别领域中就得到了很好的应用，如对图像进行识别分类。

经发明人研究发现，基于现有的技术训练得到的对象分类模型，在对图像进行识别分类时，容易出现分类准确度不高的问题。

发明内容

有鉴于此，本申请的目的在于提供一种模型训练、对象分类方法和装置、电子设备及存储介质，以改善现有技术中训练得到的对象分类模型容易出现分类准确度不高的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种对象分类模型训练方法，包括：

获得每一个样本对象对应的对象向量、每一个样本标签对应的标签向量，其中，该样本对象为多个，且与多个样本标签具有一一对应关系；

基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数，其中，在该分类算法包括的至少部分函数中，函数的值与对象向量和标签向量之间的向量夹角具有线性关系；

基于所述相似概率参数计算得到分类损失，并基于该分类损失对预设的神经网络模型进行训练，得到对象分类模型，其中，所述样本对象为样本图像，所述对象分类模型用于对目标图像的类型进行分类确定。

在本申请实施例较佳的选择中，在上述对象分类模型训练方法中，所述分类算法包括指数函数，所述基于预设的分类算法计算每一个对象向量与每一个标签向量之间的相似概率参数的步骤，包括：

针对每一个对象向量，基于第一指数函数计算该对象向量与目标标签向量之间的第一相似参数，其中，该目标标签向量对应的样本标签与该对象向量对应的样本对象之间具有对应关系，且在该第一指数函数中，指数的值与对象向量和目标标签向量之间的向量夹角具有线性关系；

针对每一个对象向量，基于第二指数函数计算该对象向量与每一个其它标签向量之间的第二相似参数，其中，该其它标签向量为全部标签向量中所述目标标签向量以外的标签向量；

针对每一个对象向量，基于归一化函数对该对象向量的第一相似参数和第二相似参数进行处理，得到相似概率参数。

在本申请实施例较佳的选择中，在上述对象分类模型训练方法中，所述第一指数函数中包括第一乘性惩罚因子、第二乘性惩罚因子和加性惩罚因子，所述方法还包括：

获得响应用户的第一参数配置操作生成的第一参数配置指令；

基于所述第一参数配置指令对所述第一乘性惩罚因子、所述第二乘性惩罚因子和所述加性惩罚因子，分别进行赋值处理；

其中，所述第一乘性惩罚因子的数值与分类的类间聚合度之间具有正相关关系，所述第二乘性惩罚因子与分类的类数量之间具有正相关关系，所述加性惩罚因子与分类的准确度之间具有正相关关系。

在本申请实施例较佳的选择中，在上述对象分类模型训练方法中，所述第一指数函数包括：

；