[发明专利]分类模型训练方法和设备

权利要求书

1.一种分类模型训练方法，包括：

将样本信息输入至初始模型，得到所述样本信息的预测类别标签；

将所述样本信息的预测类别标签和真实类别标签输入至损失函数，得到所述样本信息的损失；

对所述样本信息的损失进行动态加权，得到所述样本信息的加权损失；

基于所述加权损失调整所述初始模型的参数，得到分类模型。

2.根据权利要求1所述的方法，其中，所述对所述样本信息的损失进行动态加权，得到所述样本信息的加权损失，包括：

基于所述样本信息的损失，确定所述样本信息的损失权重；

基于所述样本信息的损失权重对所述样本信息的损失加权，得到所述加权损失。

3.根据权利要求2所述的方法，其中，所述样本信息的损失权重与所述样本信息的损失正相关。

4.根据权利要求1-3之一所述的方法，其中，所述样本信息是样本文本、样本图像、样本语音和样本视频之一。

5.根据权利要求1-3之一所述的方法，其中，所述损失函数是交叉熵损失函数。

6.根据权利要求5所述的方法，其中，所述交叉熵损失函数定义为：

其中，1≤i≤n，1≤j≤n，且i，j，n均为正整数，y是所述样本信息的真实类别标签的独热编码，所述样本信息属于n类，y_i是所述样本信息属于第i个类别的真实概率的独热编码，z为所述初始模型的输出，p为z的归一化，代表所述样本信息的预测类别标签，p_i为所述样本信息属于第i个类别的预测概率。

7.根据权利要求6所述的方法，其中，所述样本信息只属于一个类别，交叉墒损失函数定义为：

CEL＝-lnp_t；

其中，所述样本信息只属于第t个类别，1≤t≤n，且t为正整数，y_t＝1。

8.根据权利要求7所述的方法，其中，所述加权损失定义为：

REL＝-αlnp_t，

其中，α为损失权重，是所述样本信息的预测类别标签，若所述样本信息正确分类为第t个类别，则且正确分类标签为y_t时的损失权重为λ₁，若所述样本信息错误分类为第j个类别，则则错误分类标签为y_j时的损失权重为λ₂，若所述样本信息错误分类为第k个类别，则则错误分类标签为y_k时的损失权重为λ₃。

9.根据权利要求1-8之一所述的方法，其中，所述方法还包括：

获取待识别信息；

将所述待识别信息输入至所述分类模型，得到所述待识别信息的类别。

10.根据权利要求9所述的方法，其中，所述样本信息是样本图像；以及

所述方法还包括：

获取待识别图像；

利用所述分类模型检测所述待识别图像中是否存在违规信息。

11.根据权利要求10所述的方法，其中，所述利用所述分类模型检测所述待识别图像中是否存在违规信息，包括：

对所述待识别图像进行预处理，得到预处理图像；

将所述预处理图像输入至所述分类模型，得到所述预处理图像的类别；

基于所述预处理图像的类别，确定所述待识别图像中是否存在违规信息。

12.一种计算机设备，包括：

一个或多个处理器；

存储装置，其上存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。

13.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-11中任一所述的方法。