[发明专利]分类模型训练方法、装置、设备以及存储介质

说明书

本申请实施例公开了一种分类模型训练方法、装置、设备以及存储介质，可适用于人工智能、区块链、图像处理以及云计算等领域。该方法包括：获取第一训练样本集和第二训练样本集，每个训练样本集包括多个预设类型的至少一个样本图像；将第二训练样本集中的待预测图像和第一训练样本集中的各样本图像输入初始模型，得到待预测图像属于各预设类型的第一预测概率；确定待预测图像属于各预设类型的第一实际概率；基于各第一预测概率和各第一实际概率确定总训练损失，基于各训练样本集对初始模型进行迭代训练，直至总训练损失符合训练结束条件时停止训练得到分类模型。采用本申请实施例，可基于少量的训练样本图像训练得到准确性较高的分类模型。

技术领域

本申请涉及人工智能领域，尤其涉及一种分类模型训练方法、装置、设备以及存储介质。

背景技术

随着科技和生产水平的不断提高，在实际生活中往往会涉及到对象分类。如在物流领域中会需要对物品进行有效分类以提升物流效率，如在自动驾驶领域中需要对道路中不同类型的道路元素进行分类等。

在现有的分类方法往往基于人工方式对待分类对象进行分类，或者基于人工智能技术预先训练得到分类模型，从而通过训练得到的分类模型以基于待分类对象的相关信息(如待分类对象的图像信息)确定待分类对象的类型。但是人工分类方式的分类效率较低，且现有的模型训练方法无法得到准确率较高的分类模型，从而使得确定待分类对象的类型时的准确率较低。

发明内容

本申请实施例提供一种分类模型训练方法、装置、设备以及存储介质，可基于少量的训练样本图像训练得到准确性较高的分类模型。

一方面，本申请实施例提供一种分类模型训练方法，该方法包括：

获取第一训练样本集和第二训练样本集，上述第一训练样本集和上述第二训练样本集包括多个图像集合，每一上述图像集合包括一个预设类型的至少一个样本图像；

将待预测图像和上述第一训练样本集中的各样本图像输入初始模型，得到上述待预测图像属于各上述预设类型的第一预测概率，上述待预测图像为上述第二训练样本集中的任一图像；

基于上述待预测图像对应的目标预设类型，确定上述待预测图像属于各上述预设类型的第一实际概率，基于各上述第一预测概率和各上述第一实际概率确定总训练损失；

基于上述第一训练样本集和上述第二训练样本集对上述初始模型进行迭代训练，直至上述总训练损失符合训练结束条件时停止训练，并将停止训练时的模型确定为分类模型。

另一方面，本申请实施例提供了一种分类模型训练装置，该装置包括：

样本获取模块，用于获取第一训练样本集和第二训练样本集，上述第一训练样本集和上述第二训练样本集包括多个图像集合，每一上述图像集合包括一个预设类型的至少一个样本图像；

样本处理模块，用于将待预测图像和上述第一训练样本集中的各样本图像输入初始模型，得到上述待预测图像属于各上述预设类型的第一预测概率，上述待预测图像为上述第二训练样本集中的任一图像；

数据处理模块，用于基于上述待预测图像对应的目标预设类型，确定上述待预测图像属于各上述预设类型的第一实际概率，基于各上述第一预测概率和各上述第一实际概率确定总训练损失；

模型训练模块，用于基于上述第一训练样本集和上述第二训练样本集对上述初始模型进行迭代训练，直至上述总训练损失符合训练结束条件时停止训练，并将停止训练时的模型确定为分类模型。

另一方面，本申请实施例提供了一种电子设备，包括处理器和存储器，该处理器和存储器相互连接；

上述存储器用于存储计算机程序；

上述处理器被配置用于在调用上述计算机程序时，执行本申请实施例提供的分类模型训练方法。