[发明专利]一种分类模型训练方法、对象分类方法及相关设备

权利要求书

1.一种分类模型训练方法，其特征在于，包括：

获取训练样本集合；所述训练样本集合包括多个样本子集合，所述多个样本子集合对应多个不同种类的类别标签；

构建预设机器学习模型；

基于所述预设机器学习模型，对所述训练样本集合中每个训练样本进行类别预测，得到所述每个训练样本的预测类别信息；所述预测类别信息是基于所述多个样本子集合中各样本子集合中的样本数量和所述训练样本的特征输出指数确定的；

基于所述每个训练样本的预测类别信息与所述每个训练样本的类别标签确定损失值；

根据所述损失值对所述预设机器学习模型进行训练直至满足预设训练结束条件，得到分类模型。

2.根据权利要求1所述的方法，其特征在于，所述每个训练样本的预测类别信息包括各类别对应的预测概率值；所述基于所述每个训练样本的预测类别信息与所述每个训练样本的类别标签确定损失值，包括：

获取损失函数；

针对每个训练样本：将各类别对应的预测概率值中的最大预测概率值对应的类别确定为准目标类别，将所述最大预测概率值确定为准目标概率值；

确定所述准目标概率值对应的非准目标概率值；所述非准目标概率值与所述准目标概率值之和为第一预设数值；

根据所述损失函数，确定所述非准目标概率值与所述每个训练样本的类别标签对应的真实值之间的损失值。

3.根据权利要求1所述的方法，其特征在于，所述多个样本子集合中任意一个样本子集合的样本数量大于等于第二预设数值；所述第二预设数值根据所述多个样本子集合中样本数量大于等于第一阈值的样本子集合的样本数量确定。

4.根据权利要求3所述的方法，其特征在于，所述获取训练样本集合，包括：

获取不均衡的初始训练样本集合；所述初始训练样本集合包括多个初始样本子集；

当所述多个初始样本子集合中任意两个初始样本子集合之间的样本数量之比不满足所述预设值时，对所述任意两个初始样本子集合中样本数量小于第二阈值的初始样本子集合进行样本生成操作；

当所述任意两个初始样本子集合之间的样本数量之比满足所述预设值时，得到所述训练样本集合。

5.根据权利要求1所述的方法，其特征在于，所述样本生成操作包括对所述初始样本子集合中的训练样本进行旋转、平移、镜像、添加噪声、色彩变换中的至少一种操作。

6.根据权利要求2所述的方法，其特征在于，所述根据所述损失值对所述预设机器学习模型进行训练直至满足预设训练结束条件，得到分类模型，包括：

对所述损失值求导以进行梯度下降，更新所述预设机器学习模型的模型参数，直至满足预设训练结束条件，将当前模型参数当作最佳模型参数，得到分类模型。

7.根据权利要求1-6任一所述的方法，其特征在于，所述预设机器学习模型包括softmax分类器，所述softmax分类器基于改进softmax函数构建，所述改进softmax函数为：

其中，S_i表示第i个类别对应的预测概率值；z_i表示第i个类别对应的特征值；表示第i个类别对应的特征值指数；k_i表示第i个类别对应的样本子集合中的样本数量。

8.一种对象分类方法，其特征在于，包括：

获取待分类对象信息；

利用权利要求1-7任一项所述的分类模型训练方法得到的分类模型，对所述待分类对象信息进行类别预测，得到所述待分类对象信息的类别信息。