[发明专利]机器学习方法、电子设备及相关产品

权利要求书

1.一种机器学习方法，其特征在于，应用于电子设备，所述方法包括：

获取第一输入数据、所述第一输入数据对应的实际标签以及N个神经网络模型，每一神经网络模型对应一个原始损失函数，所述N为大于1的整数；

将所述第一输入数据分别输入到所述N个神经网络模型，得到N个输出数据；

基于所述N个输出数据确定所述N个神经网络模型中每一神经网络模型相对于除了该每一神经网络模型之外的神经网络模型对该每一神经网络模型的KL散度，基于所述N个神经网络模型中至少一个神经网络模型的原始损失函数及其对应的KL散度构造第一损失函数，得到至少一个第一损失函数；

基于所述至少一个第一损失函数、所述实际标签对所述N个神经网络模型中相应的神经网络模型进行运算，得到运算后的至少一个神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述N个输出数据确定所述N个神经网络模型中每一神经网络模型相对于除了该每一神经网络模型之外的神经网络模型对该每一神经网络模型的KL散度，基于所述N个神经网络模型中至少一个神经网络模型的原始损失函数及其对应的KL散度构造第一损失函数，得到至少一个第一损失函数，包括：

获取神经网络模型i的原始损失函数，所述神经网络模型i为所述N个神经网络模型中的任一神经网络模型；

依据所述N个输出数据确定所述N个神经网络模型中除了所述神经网络模型i之外的其他神经网络模型相对于所述神经网络模型i的KL散度，得到N-1个KL散度；

基于所述神经网络模型i的原始损失函数、所述N-1个KL散度确定所述神经网络模型i的第一损失函数。

3.根据权利要求1或2所述的方法，其特征在于，在所述基于所述至少一个第一损失函数、所述实际标签对所述N个神经网络模型中相应的神经网络模型进行运算，得到运算后的至少一个神经网络模型之后，所述方法还包括：

获取第二输入数据；

将所述第二输入数据分别输入到运算后的所述至少一个神经网络模型中，得到至少一个分类结果，每一神经网络模型对应一个分类结果；

将所述至少一个分类结果中出现次数最多的分类结果作为第一目标分类结果；

展示所述第一目标分类结果。

4.根据权利要求1所述的方法，其特征在于，所述基于所述N个输出数据确定所述N个神经网络模型中每一神经网络模型相对于除了该每一神经网络模型之外的神经网络模型对该每一神经网络模型的KL散度，基于所述N个神经网络模型中至少一个神经网络模型的原始损失函数及其对应的KL散度构造第一损失函数，得到至少一个第一损失函数，包括：

获取神经网络模型j的原始损失函数，所述神经网络模型j为所述N个神经网络模型中的任一神经网络模型；

依据所述N个输出数据确定所述N个神经网络模型中除了所述神经网络模型j之外的其他神经网络模型相对于所述神经网络模型j的KL散度，得到N-1个KL散度；

依据所述N-1个KL散度确定平均KL散度；

基于所述神经网络模型j的原始损失函数、所述平均KL散度确定所述神经网络模型j的第一损失函数；

所述基于所述至少一个第一损失函数、所述实际标签对所述N个神经网络模型中相应的神经网络模型进行运算，得到运算后的至少一个神经网络模型，包括：

基于所述神经网络模型j的第一损失函数和所述实际标签对所述神经网络模型j进行运算，得到收敛后的所述神经网络模型j。

5.根据权利要求4所述的方法，其特征在于，在所述基于所述神经网络模型j的第一损失函数和所述实际标签对所述神经网络模型j进行运算，得到收敛后的所述神经网络模型j之后，所述方法还包括：

获取第三输入数据；

将所述第三输入数据输入到收敛后的所述神经网络模型j中进行运算，得到第二目标分类结果；

展示所述第二目标分类结果。