[发明专利]训练分类模型和数据分类的方法及装置

说明书

本公开提供了训练分类模型和数据分类的方法及装置，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智能交通场景下。具体实现方案为：获取样本集和预先训练的分类模型，其中，分类模型包括至少两个卷积层，每个卷积层通过一个全连接层和一个分类层连接；将样本集输入分类模型，得到每个分类层输出的预测结果，其中，预测结果包括每个样本所属类别的预测概率；基于每个分类层输出的预测结果计算每个分类层的概率阈值；根据每个分类层的概率阈值设置分类模型的停止预测条件。从而可实现根据数据识别的难易程度选择不同层的分类模型进行预测，在保证准确率的同时降低了预测时间，提高了预测速度。

技术领域

本公开人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智能交通场景下，尤其涉及训练分类模型和数据分类的方法及装置。

背景技术

随着人工智能技术的不断发展，深度学习技术被广泛应用于数据分析与处理中，成为了工作和生活中必不可少的数据处理方法。

现有的分类模型不论数据是否难易识别，都采用相同的网络进行处理。这样会导致预测时间过长，无法在有限时间内获得最大正确率，限制了分类模型的应用范围。

发明内容

本公开提供了一种训练分类模型和数据分类的方法、装置、设备、存储介质以及计算机程序产品。

根据本公开的第一方面，提供了一种训练分类模型的方法，包括：获取样本集和预先训练的分类模型，其中，分类模型包括至少两个卷积层，每个卷积层通过一个全连接层和一个分类层连接；将样本集输入分类模型，得到每个分类层输出的预测结果，其中，预测结果包括每个样本所属类别的预测概率；基于每个分类层输出的预测结果计算每个分类层的概率阈值；根据每个分类层的概率阈值设置分类模型的停止预测条件。

根据本公开的第二方面，提供了一种数据分类的方法，包括：将待分类的数据输入采用第一方面的方法训练的分类模型中；将第一个卷积层作为当前卷积层，执行如下分类步骤：通过当前卷积层、当前全连接层和当前分类层对数据进行预测，得到最大预测概率；若最大预测概率大于当前分类层的概率阈值，则停止预测，并将最大预测概率对应的类别作为所述数据的类别；否则，将当前卷积层的输出结果输入到下一个卷积层，将下一卷积层作为当前卷积层继续执行上述分类步骤。

根据本公开的第三方面，提供了一种训练分类模型的装置，包括：获取单元，被配置成获取样本集和预先训练的分类模型，其中，分类模型包括至少两个卷积层，每个卷积层通过一个全连接层和一个分类层连接；预测单元，被配置成将样本集输入分类模型，得到每个分类层输出的预测结果，其中，预测结果包括每个样本所属类别的预测概率；计算单元，被配置成基于每个分类层输出的预测结果计算每个分类层的概率阈值；设置单元，被配置成根据每个分类层的概率阈值设置分类模型的停止预测条件。

根据本公开的第四方面，提供了一种数据分类的装置，包括：输入单元，被配置成将待分类的数据输入采用第一方面的方法训练的分类模型中；分类单元，被配置成将第一个卷积层作为当前卷积层，执行如下分类步骤：通过当前卷积层、当前全连接层和当前分类层对数据进行预测，得到最大预测概率；若最大预测概率大于当前分类层的概率阈值，则停止预测，并将最大预测概率对应的类别作为所述数据的类别；循环单元，被配置成否则，将当前卷积层的输出结果输入到下一个卷积层，将下一卷积层作为当前卷积层继续执行上述分类步骤。

根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面或第二方面的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据权利要求1-8中任一项的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据第一方面或第二方面的方法。