[发明专利]数据点分类方法、装置、设备及存储介质

说明书

本申请公开了一种数据点分类方法、装置、设备及存储介质，该方法可以包括步骤一：获取一个批次的数据；步骤二；根据随机参数生成一个批次的数据的数据点；步骤三：计算数据点的梯度；步骤四：根据梯度对数据点进行分类；重复上述步骤一至步骤四，直至分类的数据点满足预设条件。基于这一过程可以在原有简单的架构下对数据分类，实现性能测试。

技术领域

本申请实施例涉及数据处理领域，尤其涉及一种数据点分类方法、装置、设备及存储介质。

背景技术

度量学习(Metric Learning)是人脸识别中一种常用的机器学习方法，其能够学习到一种特征(Embedding)空间,在此空间中,所有的数据都被转换成一个特征向量,并且相似样本的特征向量之间距离小,不相似样本的特征向量之间距离大,从而实现对数据进行区分。目前，度量学习通常应用于目标检测、图像分类、人脸识别、数据分类等领域。但是，采用新的框架或损失函数进行深度学习需要消耗大量的时间对新方法进行训练、测试，这样会消耗资源并降低工作效率。

发明内容

本申请提供一种数据点分类方法、装置、设备及存储介质，能够在原有简单的架构下对数据分类，实现性能测试。

第一方面，本申请实施例提供了一种数据点分类方法，该方法包括：

步骤一：获取一个批次的数据；

步骤二；根据随机参数生成一个批次的数据的数据点；

步骤三：计算数据点的梯度；

步骤四：根据梯度对数据点进行分类；

重复上述步骤一至步骤四，直至分类的数据点满足预设条件。

可选地，上述获取一个批次的数据，包括：

对数据集中的数据进行实例化；

根据获取函数从实例化后的数据中获取一个批次的数据。

可选地，上述根据随机参数生成一个批次的数据的数据点，包括：

根据随机参数确定约束条件；

根据约束条件对一个批次的数据进行训练，生成一个批次的数据的数据点。

可选地，根据随机参数确定约束条件，包括：

根据随机参数确定数据点的高斯分布的均值和协方差；

将高斯分布的均值和协方差确定为所述约束条件。

可选地，确定高斯分布的均值，包括：

确定每一类别的数据点与随机数组成角度的余弦值；

将余弦值与半径参数的乘积作为对应类别的数据点的高斯分布均值。

可选地，计算数据点的梯度，包括：

调用分类网络模型和损失函数；

根据分类网络模型和损失函数的参数对数据点进行反向传播计算，确定数据点的梯度。

可选地，根据梯度对数据点进行分类，包括：

在数据点的第一属性满足设置条件的情况下，将数据点当前索引列表中的位置更新为梯度对应的新位置；

按照新位置分布数据点，对数据点进行分类。

第二方面，本申请实施例还提供了一种数据点分类装置，该装置包括：

获取模块，用于获取一个批次的数据；

生成模块，用于根据随机参数生成一个批次的数据点；

计算模块，用于计算数据点的梯度；