CN108764283A - 一种分类模型的损失值获取方法及装置 - Google Patents
一种分类模型的损失值获取方法及装置 Download PDFInfo
- Publication number
- CN108764283A CN108764283A CN201810362639.2A CN201810362639A CN108764283A CN 108764283 A CN108764283 A CN 108764283A CN 201810362639 A CN201810362639 A CN 201810362639A CN 108764283 A CN108764283 A CN 108764283A
- Authority
- CN
- China
- Prior art keywords
- classification
- default
- penalty values
- sample data
- disaggregated model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种分类模型的损失值获取方法及装置。通过本发明实施例的方法,将样本数据输入预设分类模型中,得到该样本数据分别属于每一个预设分类的概率;获取该样本数据的标注分类;根据该标注分类获取该样本数据分别与每一个预设分类之间的惩罚权重,该样本数据分别与每一个预设分类之间的惩罚权重不全相同;根据每一个惩罚权重和每一个概率获取预设分类模型的损失值,根据预设分类模型的损失值就可以确定出该预设分类模型对该样本数据预测的错误程度,之后选择与该错误程度相适应的优化方式来优化预设分类模型就能使得预设分类模型达到要求。因此,相比于现有技术,本发明实施例可以提高优化效率。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种分类模型的损失值获取方法及装置。
背景技术
近来,深度学习在视频图像、语音识别以及自然语言处理等相关领域得到了广泛应用。卷积神经网络作为深度学习的一个重要分支,由于其超强的拟合能力以及端到端的全局优化能力,使得视频图像分类任务在应用卷积神经网络之后,预测精度大幅提升。
虽然目前的分类模型对图像具有了一定的分类能力,但是仍然会出现大量分类错误的情况。因此,往往需要使用样本数据获取分类模型的损失值,根据损失值优化分类模型。
发明内容
为解决上述技术问题,本发明实施例示出了一种分类模型的损失值获取方法及装置。
第一方面,本发明实施例示出了一种分类模型的损失值获取方法,所述方法包括:
将样本数据输入预设分类模型中,得到所述样本数据分别属于每一个预设分类的概率;
获取所述样本数据的标注分类;
根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重;
根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值。
在一个可选的实现方式中,所述根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重,包括:
对于每一个预设分类,在已存储的分类对与惩罚权重之间的对应关系中,查找与由所述标注分类和所述预设分类组成的分类对相对应的惩罚权重。
在一个可选的实现方式中,所述根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值,包括:
对于每一个预设分类,根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值,根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值;
根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值。
在一个可选的实现方式中,所述根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值,包括:
将所述样本数据属于所述预设分类的概率输入预设交叉熵损失函数,得到所述预设交叉熵损失函数输出的交叉熵损失值。
在一个可选的实现方式中,所述根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值,包括:
计算所述样本数据与所述预设分类之间的惩罚权重,与所述交叉熵损失值之间的乘积,得到所述预设分类对应的损失值。
在一个可选的实现方式中,所述根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值,包括:
将每一个预设分类分别对应的损失值求和,得到损失总值;
计算预设分类的数量;
计算所述损失总值与所述数量之间的比值,得到所述预设分类模型的损失值。
在一个可选的实现方式中,所述已存储的分类对与惩罚权重之间的对应关系,通过如下方式得到:
对于多个预设分类中的每两个预设分类,获取所述两个预设分类之间的距离,根据所述距离计算所述两个预设分类之间的惩罚权重,将由所述两个预设分类组成的分类对与计算得到的惩罚权重组成对应表项,并存储在已存储的分类对与惩罚权重之间的对应关系中。
在一个可选的实现方式中,所述获取所述两个预设分类之间的距离,包括:
在包括多个预设分类的预设语义层级树中,确定所述两个预设分类之间的层级关系;
如果所述两个预设分类之间的层级关系为父子关系,则将所述两个预设分类之间的距离设置为预设距离;
如果所述两个预设分类之间的层级关系为兄弟关系,则确定所述两个预设分类的共同上级分类,获取所述两个预设分类分别与所述共同上级分类之间的距离,根据所述两个预设分类分别与所述共同上级分类之间的距离确定所述两个预设分类之间的距离。
在一个可选的实现方式中,所述根据所述距离计算所述两个预设分类之间的惩罚权重,包括:
根据所述距离,按照如下公式计算所述两个预设分类之间的惩罚权重:
P=min(a,b+c*d);
其中,在上述公式中,P为所述两个预设分类之间的惩罚权重,d为所述距离,a、b以及c分别为预设数值。
第二方面,本发明实施例示出了一种分类模型的损失值获取装置,所述装置包括:
输入模块,用于将样本数据输入预设分类模型中,得到所述样本数据分别属于每一个预设分类的概率;
第一获取模块,用于获取所述样本数据的标注分类;
第二获取模块,用于根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重;
第三获取模块,用于根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值。
在一个可选的实现方式中,所述第二获取模块包括:
查找单元,用于对于每一个预设分类,在已存储的分类对与惩罚权重之间的对应关系中,查找与由所述标注分类和所述预设分类组成的分类对相对应的惩罚权重。
在一个可选的实现方式中,所述第三获取模块包括:
第一获取单元,用于对于每一个预设分类,根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值;
第二获取单元,用于根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值;
第三获取单元,用于根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值。
在一个可选的实现方式中,所述第一获取单元具体用于:将所述样本数据属于所述预设分类的概率输入预设交叉熵损失函数,得到所述预设交叉熵损失函数输出的交叉熵损失值。
在一个可选的实现方式中,所述第二获取单元具体用于:计算所述样本数据与所述预设分类之间的惩罚权重,与所述交叉熵损失值之间的乘积,得到所述预设分类对应的损失值。
在一个可选的实现方式中,所述第三获取单元包括:
求和子单元,用于将每一个预设分类分别对应的损失值求和,得到损失总值;
第一计算子单元,用于计算预设分类的数量;
第二计算子单元,用于计算所述损失总值与所述数量之间的比值,得到所述预设分类模型的损失值。
在一个可选的实现方式中,所述第二获取模块还包括:
第四获取单元,用于对于多个预设分类中的每两个预设分类,获取所述两个预设分类之间的距离;
计算单元,用于根据所述距离计算所述两个预设分类之间的惩罚权重;
存储单元,用于将由所述两个预设分类组成的分类对与计算得到的惩罚权重组成对应表项,并存储在已存储的分类对与惩罚权重之间的对应关系中。
在一个可选的实现方式中,所述第四获取单元包括:
第一确定子单元,用于在包括多个预设分类的预设语义层级树中,确定所述两个预设分类之间的层级关系;
设置子单元,用于如果所述两个预设分类之间的层级关系为父子关系,则将所述两个预设分类之间的距离设置为预设距离;
第二确定子单元,用于如果所述两个预设分类之间的层级关系为兄弟关系,则确定所述两个预设分类的共同上级分类,获取所述两个预设分类分别与所述共同上级分类之间的距离,根据所述两个预设分类分别与所述共同上级分类之间的距离确定所述两个预设分类之间的距离。
在一个可选的实现方式中,所述计算单元具体用于:根据所述距离,按照如下公式计算所述两个预设分类之间的惩罚权重:
P=min(a,b+c*d);
其中,在上述公式中,P为所述两个预设分类之间的惩罚权重,d为所述距离,a、b以及c分别为预设数值。
第三方面,本发明实施例示出了一种终端,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的分类模型的损失值获取程序,所述分类模型的损失值获取程序被所述处理器执行时实现如第一方面所述的分类模型的损失值获取方法的步骤。
第四方面,本发明实施例示出了一种计算机可读存储介质,所述计算机可读存储介质上存储有分类模型的损失值获取程序,所述分类模型的损失值获取程序被处理器执行时实现如第一方面所述的分类模型的损失值获取方法的步骤。
与现有技术相比,本发明实施例包括以下优点:
预设分类模型出现预测错误的情况往往包括三种:第一种、图像的标注分类与预测分类从属于一个相同的语义层级,例如标注分类是“哈士奇”,但是预测分类是“狗”;第二种、标注分类与预测分类并列于一个相同的语义层级,例如标注分类是“哈士奇”,但是预测分类是“金毛”;第三种、标注分类与预测分类分属于不同的语义层级,例如标注分类是“哈士奇”,但是预测分类是“波斯猫”。
第一种错误程度较低,第二种错误程度适中,第三种错误程度较高。
在现有技术中,无论出现第一至第三种情况中的哪种情况,都是使用同一种优化方式来优化预设分类模型,往往存在优化不足的情况,从而在优化一次预设分类模型之后还需要继续多次优化预设分类模型才能使得预设分类模型达到要求。
通过本发明实施例的方法,将样本数据输入预设分类模型中,得到该样本数据分别属于每一个预设分类的概率;获取该样本数据的标注分类;根据该标注分类获取该样本数据分别与每一个预设分类之间的惩罚权重,该样本数据分别与每一个预设分类之间的惩罚权重不全相同;根据每一个惩罚权重和每一个概率获取预设分类模型的损失值,根据预设分类模型的损失值就可以确定出该预设分类模型对该样本数据预测的错误程度,之后选择与该错误程度相适应的优化方式来优化预设分类模型就能使得预设分类模型达到要求。因此,相比于现有技术,本发明实施例可以提高优化效率。
附图说明
图1是本发明的一种分类模型的损失值获取方法实施例的步骤流程图;
图2是本发明的一种语义层级树的示意图;
图3是本发明的一种分类模型的损失值获取装置实施例的结构框图;
图4是本发明示出的一种终端实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明的一种分类模型的损失值获取方法实施例的步骤流程图,具体可以包括如下步骤:
在步骤S101中,将样本数据输入预设分类模型中,得到该样本数据分别属于每一个预设分类的概率;
在本发明实施例中,样本数据可以为图像,例如,可以为视频中的单帧图像,也可以仅为一个多媒体图像。
将样本数据输入到预设分类模型中,经过卷积层或池化层之后会得到该样本数据分别属于每一个预设分类的概率。
将样本数据输入预设分类模型中,得到该样本数据分别属于每一个预设分类的概率的具体处理方式,参照现有相关技术即可,本发明实施例中对此不作具体限制。
在本发明实施例中,事先需要根据数据集的分类体系,确定多个预设分类,然后参考知识图谱构建包括多个预设分类的预设语义层级树,根据所构建的预设语义层级树构建一个具有不同语义层级的预设分类模型。预设分类模型中包括多个模型参数,在本发明实施例中,为了使得预设分类模型的分类准确度达到要求,需要不断优化预设分类模型中的模型参数,其中,可以通过步骤S101~步骤S104的流程,使用样本数据获取预设分类模型的损失值,并根据预设分类模型的损失值不断优化预设分类模型中包括多个模型参数。
在步骤S102中,获取该样本数据的标注分类;
在本发明实施例中,对于任意一个样本数据,技术人员事先可以标注该样本数据的标注分类,然后将该样本数据的数据标识与标注该样本数据的标注分类组成对应表项,并存储的已存储的数据标识与标注分类之间的对应关系中,对于其他每一个标注分类,同样执行上述操作。
如此,在本发明实施例中,可以在已存储的数据标识与标注分类之间的对应关系中查找与该样本数据的数据标识相对应的标注分类,并作为该样本数据的标注分类。
在步骤S103中,根据该标注分类获取该样本数据分别与每一个预设分类之间的惩罚权重;
在本发明实施例中,对于任意一个预设分类,可以将该标注分类和该预设分类组成的分类对,然后在已存储的分类对与惩罚权重之间的对应关系中,查找与该分类对相对应的惩罚权重。对于其他每一个预设分类,同样执行上述操作。
其中,已存储的分类对与惩罚权重之间的对应关系,通过如下方式得到,包括:
11)、对于多个预设分类中的每两个预设分类,获取该两个预设分类之间的距离;
其中,在包括多个预设分类的预设语义层级树中,确定该两个预设分类之间的层级关系;如果该两个预设分类之间的层级关系为父子关系,则将该两个预设分类之间的距离设置为预设距离;如果该两个预设分类之间的层级关系为兄弟关系,则确定该两个预设分类的共同上级分类,并获取该两个预设分类分别与共同上级分类之间的距离,根据该两个预设分类分别与共同上级分类之间的距离确定两个预设分类之间的距离。
在本发明实施例中,当一个预设分类属于另一个预设分类的子集时,则该预设分类与该另一个预设分类之间的层级关系为父子关系,当一个预设分类不属于另一个预设分类的子集时,则该预设分类与该另一个预设分类之间的层级关系为兄弟关系。
其中,在获取该两个预设分类分别与共同上级分类之间的距离时,对于该两个预设分类中的其中一个分类,统计位于该预设分类与共同上级分类之间的预设分类的数量,将该数量加1得到目标数量,该预设分类与共同上级分类之间的距离设置为目标数量倍的预设距离。对于该两个预设分类中的另一个分类,同样执行上述操作。
预设语义层级树是技术人员在训练预设分类模型之前设置好的。例如,图2为一个预设语义层级树。
在图2中,分类“动物”包括两个分支,分别为分类“狗”和分类“猫”;分类“狗”包括两个分支,分别为分类“哈奇士”和分类“金毛”;分类“猫”包括两个分支,分别为分类“波斯猫”和分类“蓝猫”。
分类“动物”分别与分类“狗”、分类“哈士奇”、分类“金毛”之间的层级关系为父子关系,分类“狗”分别与分类“哈士奇”、分类“金毛”之间的层级关系为父子关系。分类“动物”分别与分类“猫”、分类“波斯猫”、分类“蓝猫”之间的层级关系为父子关系,分类“猫”分别与分类“波斯猫”、分类“蓝猫”之间的层级关系为父子关系。
因此,分类“动物”分别与分类“狗”、分类“猫”、分类“哈士奇”、分类“金毛”、分类“波斯猫”、分类“蓝猫”之间的距离为预设距离,分类“狗”分别与分类“哈奇士”、分类“金毛”之间的距离为预设距离,分类“猫”分别与分类“波斯猫”、分类“蓝猫”之间的距离为预设距离。
分类“狗”分别与分类“猫”、分类“猫”的分支之间的层级关系为兄弟关系。分类“狗”的分支分别与分类“猫”、分类“猫”的分支之间的层级关系为兄弟关系。
因此,分类“狗”与分类“猫”之间的距离为2倍的预设距离,分类“狗”与分类“猫”的分支之间的距离为3倍的预设距离,分类“狗”的分支与分类“猫”之间的距离为3倍的预设距离,分类“狗”的分支与分类“猫”的分支之间的距离为4倍的预设距离。
12)、根据该距离计算该两个预设分类之间的惩罚权重;
其中,根据该距离,可以按照如下公式计算该两个预设分类之间的惩罚权重:
P=min(a,b+c*d);
其中,在上述公式中,P为该两个预设分类之间的惩罚权重,d为该距离,a、b以及c分别为预设数值。
在一个实施例中,a大于b与d之间的和值,d为c与预设距离之间的乘积。例如,a可以为2,b可以为0.9,c可以为0.1,以及预设余力可以为1等。
其中,本发明实施例也可以根据该距离按照其他方式计算该两个预设分类之间的惩罚权重,本发明实施例对具体的计算方法不做限定。
13)、将由该两个预设分类组成的分类对与计算得到的该惩罚权重组成对应表项,并存储在已存储的分类对与惩罚权重之间的对应关系中。
在本发明实施例中,步骤S101也可以为位于步骤S102与步骤S103之间,也可以位于步骤S103与步骤S104之间。
在步骤S104中,根据每一个惩罚权重和每一个概率获取预设分类模型的损失值。
在一个可能的实现方式中,本步骤可以通过如下流程实现,包括:
11)、对于每一个预设分类,根据该样本数据属于该预设分类的概率获取该样本数据与该预设分类之间的交叉熵损失值;
在本发明实施例中,可以将该样本数据属于该预设分类的概率输入预设交叉熵损失函数中,得到该函数输出的交叉熵损失值,并作为该样本数据与该预设分类之间的交叉熵损失值。
12)、根据该样本数据与该预设分类之间的惩罚权重,以及交叉熵损失值获取该预设分类对应的损失值;
在本发明实施例中,可以计算该样本数据与该预设分类之间的惩罚权重,与交叉熵损失值之间的乘积,得到该预设分类对应的损失值。
13)、根据每一个预设分类分别对应的损失值获取预设分类模型的损失值。
在本发明实施例中,可以将每一个预设分类分别对应的损失值求和得到损失总值,再计算预设分类的数量,然后计算损失总值与该数量之间的比值,得到预设分类模型的损失值。
预设分类模型出现预测错误的情况往往包括三种:第一种、图像的标注分类与预测分类从属于一个相同的语义层级,例如标注分类是“哈士奇”,但是预测分类是“狗”;第二种、标注分类与预测分类并列于一个相同的语义层级,例如标注分类是“哈士奇”,但是预测分类是“金毛”;第三种、标注分类与预测分类分属于不同的语义层级,例如标注分类是“哈士奇”,但是预测分类是“波斯猫”。
第一种错误程度较低,第二种错误程度适中,第三种错误程度较高。
在现有技术中,无论出现第一至第三种情况中的哪种情况,都是使用同一种优化方式来优化预设分类模型,往往存在优化不足的情况,从而在优化一次预设分类模型之后还需要继续多次优化预设分类模型才能使得预设分类模型达到要求。
通过本发明实施例的方法,将样本数据输入预设分类模型中,得到该样本数据分别属于每一个预设分类的概率;获取该样本数据的标注分类;根据该标注分类获取该样本数据分别与每一个预设分类之间的惩罚权重,该样本数据分别与每一个预设分类之间的惩罚权重不全相同;根据每一个惩罚权重和每一个概率获取预设分类模型的损失值,根据预设分类模型的损失值就可以确定出该预设分类模型对该样本数据预测的错误程度,之后选择与该错误程度相适应的优化方式来优化预设分类模型就能使得预设分类模型达到要求。因此,相比于现有技术,本发明实施例可以提高优化效率。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图3,示出了本发明一种分类模型的损失值获取装置实施例的结构框图,该装置具体可以包括如下模块:
输入模块11,用于将样本数据输入预设分类模型中,得到所述样本数据分别属于每一个预设分类的概率;
第一获取模块12,用于获取所述样本数据的标注分类;
第二获取模块13,用于根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重;
第三获取模块14,用于根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值。
在一个可选的实现方式中,所述第二获取模块13包括:
查找单元,用于对于每一个预设分类,在已存储的分类对与惩罚权重之间的对应关系中,查找与由所述标注分类和所述预设分类组成的分类对相对应的惩罚权重。
在一个可选的实现方式中,所述第三获取模块14包括:
第一获取单元,用于对于每一个预设分类,根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值;
第二获取单元,用于根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值;
第三获取单元,用于根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值。
在一个可选的实现方式中,所述第一获取单元具体用于:将所述样本数据属于所述预设分类的概率输入预设交叉熵损失函数,得到所述预设交叉熵损失函数输出的交叉熵损失值。
在一个可选的实现方式中,所述第二获取单元具体用于:计算所述样本数据与所述预设分类之间的惩罚权重,与所述交叉熵损失值之间的乘积,得到所述预设分类对应的损失值。
在一个可选的实现方式中,所述第三获取单元包括:
求和子单元,用于将每一个预设分类分别对应的损失值求和,得到损失总值;
第一计算子单元,用于计算预设分类的数量;
第二计算子单元,用于计算所述损失总值与所述数量之间的比值,得到所述预设分类模型的损失值。
在一个可选的实现方式中,所述第二获取模块13还包括:
第四获取单元,用于对于多个预设分类中的每两个预设分类,获取所述两个预设分类之间的距离;
计算单元,用于根据所述距离计算所述两个预设分类之间的惩罚权重;
存储单元,用于将由所述两个预设分类组成的分类对与计算得到的惩罚权重组成对应表项,并存储在已存储的分类对与惩罚权重之间的对应关系中。
在一个可选的实现方式中,所述第四获取单元包括:
第一确定子单元,用于在包括多个预设分类的预设语义层级树中,确定所述两个预设分类之间的层级关系;
设置子单元,用于如果所述两个预设分类之间的层级关系为父子关系,则将所述两个预设分类之间的距离设置为预设距离;
第二确定子单元,用于如果所述两个预设分类之间的层级关系为兄弟关系,则确定所述两个预设分类的共同上级分类,获取所述两个预设分类分别与所述共同上级分类之间的距离,根据所述两个预设分类分别与所述共同上级分类之间的距离确定所述两个预设分类之间的距离。
在一个可选的实现方式中,所述计算单元具体用于:根据所述距离,按照如下公式计算所述两个预设分类之间的惩罚权重:
P=min(a,b+c*d);
其中,在上述公式中,P为所述两个预设分类之间的惩罚权重,d为所述距离,a、b以及c分别为预设数值。
预设分类模型出现预测错误的情况往往包括三种:第一种、图像的标注分类与预测分类从属于一个相同的语义层级,例如标注分类是“哈士奇”,但是预测分类是“狗”;第二种、标注分类与预测分类并列于一个相同的语义层级,例如标注分类是“哈士奇”,但是预测分类是“金毛”;第三种、标注分类与预测分类分属于不同的语义层级,例如标注分类是“哈士奇”,但是预测分类是“波斯猫”。
第一种错误程度较低,第二种错误程度适中,第三种错误程度较高。
在现有技术中,无论出现第一至第三种情况中的哪种情况,都是使用同一种优化方式来优化预设分类模型,往往存在优化不足的情况,从而在优化一次预设分类模型之后还需要继续多次优化预设分类模型才能使得预设分类模型达到要求。
通过本发明实施例的方法,将样本数据输入预设分类模型中,得到该样本数据分别属于每一个预设分类的概率;获取该样本数据的标注分类;根据该标注分类获取该样本数据分别与每一个预设分类之间的惩罚权重,该样本数据分别与每一个预设分类之间的惩罚权重不全相同;根据每一个惩罚权重和每一个概率获取预设分类模型的损失值,根据预设分类模型的损失值就可以确定出该预设分类模型对该样本数据预测的错误程度,之后选择与该错误程度相适应的优化方式来优化预设分类模型就能使得预设分类模型达到要求。因此,相比于现有技术,本发明实施例可以提高优化效率。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明还示出了一种终端,该终端可以包括:存储器、处理器及存储在存储器上并可在处理器上运行的分类模型的损失值获取程序,分类模型的损失值获取程序被处理器执行时实现本发明中所述的任意一种分类模型的损失值获取方法的步骤。
图4是根据一示例性实施例示出的一种终端600的框图。例如,终端600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图4,终端600可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制装置600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述分类模型的损失值获取方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理部件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在终端600的操作。这些数据的示例包括用于在终端600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为终端600的各种组件提供电力。电源组件606可以包括电源管理***,一个或多个电源,及其他与为终端600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述终端600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当终端600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当终端600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为终端600提供各个方面的状态评估。例如,传感器组件614可以检测到终端600的打开/关闭状态,组件的相对定位,例如所述组件为终端600的显示器和小键盘,传感器组件614还可以检测终端600或终端600一个组件的位置改变,用户与终端600接触的存在或不存在,装置600方位或加速/减速和终端600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于终端600和其他设备之间有线或无线方式的通信。终端600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件616经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,终端600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行分类模型的损失值获取方法,具体地,该方法包括:
将样本数据输入预设分类模型中,得到所述样本数据分别属于每一个预设分类的概率;
获取所述样本数据的标注分类;
根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重;
根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值。
在一个可选的实现方式中,所述根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重,包括:
对于每一个预设分类,在已存储的分类对与惩罚权重之间的对应关系中,查找与由所述标注分类和所述预设分类组成的分类对相对应的惩罚权重。
在一个可选的实现方式中,所述根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值,包括:
对于每一个预设分类,根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值,根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值;
根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值。
在一个可选的实现方式中,所述根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值,包括:
将所述样本数据属于所述预设分类的概率输入预设交叉熵损失函数,得到所述预设交叉熵损失函数输出的交叉熵损失值。
在一个可选的实现方式中,所述根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值,包括:
计算所述样本数据与所述预设分类之间的惩罚权重,与所述交叉熵损失值之间的乘积,得到所述预设分类对应的损失值。
在一个可选的实现方式中,所述根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值,包括:
将每一个预设分类分别对应的损失值求和,得到损失总值;
计算预设分类的数量;
计算所述损失总值与所述数量之间的比值,得到所述预设分类模型的损失值。
在一个可选的实现方式中,所述已存储的分类对与惩罚权重之间的对应关系,通过如下方式得到:
对于多个预设分类中的每两个预设分类,获取所述两个预设分类之间的距离,根据所述距离计算所述两个预设分类之间的惩罚权重,将由所述两个预设分类组成的分类对与计算得到的惩罚权重组成对应表项,并存储在已存储的分类对与惩罚权重之间的对应关系中。
在一个可选的实现方式中,所述获取所述两个预设分类之间的距离,包括:
在包括多个预设分类的预设语义层级树中,确定所述两个预设分类之间的层级关系;
如果所述两个预设分类之间的层级关系为父子关系,则将所述两个预设分类之间的距离设置为预设距离;
如果所述两个预设分类之间的层级关系为兄弟关系,则确定所述两个预设分类的共同上级分类,获取所述两个预设分类分别与所述共同上级分类之间的距离,根据所述两个预设分类分别与所述共同上级分类之间的距离确定所述两个预设分类之间的距离。
在一个可选的实现方式中,所述根据所述距离计算所述两个预设分类之间的惩罚权重,包括:
根据所述距离,按照如下公式计算所述两个预设分类之间的惩罚权重:
P=min(a,b+c*d);
其中,在上述公式中,P为所述两个预设分类之间的惩罚权重,d为所述距离,a、b以及c分别为预设数值。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由终端600的处理器620执行以完成上述分类模型的损失值获取方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。当存储介质中的指令由终端的处理器执行时,使得终端能够执行本发明中所述的任意一种分类模型的损失值获取方法的步骤。
在此提供的分类模型的损失值获取方法不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造具有本发明方案的***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的分类模型的损失值获取方法中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
A1、一种分类模型的损失值获取装置,所述装置包括:
输入模块,用于将样本数据输入预设分类模型中,得到所述样本数据分别属于每一个预设分类的概率;
第一获取模块,用于获取所述样本数据的标注分类;
第二获取模块,用于根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重;
第三获取模块,用于根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值。
A2、根据A1所述的装置,所述第二获取模块包括:
查找单元,用于对于每一个预设分类,在已存储的分类对与惩罚权重之间的对应关系中,查找与由所述标注分类和所述预设分类组成的分类对相对应的惩罚权重。
A3、根据A1所述的装置,所述第三获取模块包括:
第一获取单元,用于对于每一个预设分类,根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值;
第二获取单元,用于根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值;
第三获取单元,用于根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值。
A4、根据A3所述的装置,所述第一获取单元具体用于:将所述样本数据属于所述预设分类的概率输入预设交叉熵损失函数,得到所述预设交叉熵损失函数输出的交叉熵损失值。
A5、根据A3所述的装置,所述第二获取单元具体用于:计算所述样本数据与所述预设分类之间的惩罚权重,与所述交叉熵损失值之间的乘积,得到所述预设分类对应的损失值。
A6、根据A3所述的装置,所述第三获取单元包括:
求和子单元,用于将每一个预设分类分别对应的损失值求和,得到损失总值;
第一计算子单元,用于计算预设分类的数量;
第二计算子单元,用于计算所述损失总值与所述数量之间的比值,得到所述预设分类模型的损失值。
A7、根据A2所述的装置,所述第二获取模块还包括:
第四获取单元,用于对于多个预设分类中的每两个预设分类,获取所述两个预设分类之间的距离;
计算单元,用于根据所述距离计算所述两个预设分类之间的惩罚权重;
存储单元,用于将由所述两个预设分类组成的分类对与计算得到的惩罚权重组成对应表项,并存储在已存储的分类对与惩罚权重之间的对应关系中。
A8、根据A7所述的装置,所述第四获取单元包括:
第一确定子单元,用于在包括多个预设分类的预设语义层级树中,确定所述两个预设分类之间的层级关系;
设置子单元,用于如果所述两个预设分类之间的层级关系为父子关系,则将所述两个预设分类之间的距离设置为预设距离;
第二确定子单元,用于如果所述两个预设分类之间的层级关系为兄弟关系,则确定所述两个预设分类的共同上级分类,获取所述两个预设分类分别与所述共同上级分类之间的距离,根据所述两个预设分类分别与所述共同上级分类之间的距离确定所述两个预设分类之间的距离。
A9、根据A7所述的装置,所述计算单元具体用于:根据所述距离,按照如下公式计算所述两个预设分类之间的惩罚权重:
P=min(a,b+c*d);
其中,在上述公式中,P为所述两个预设分类之间的惩罚权重,d为所述距离,a、b以及c分别为预设数值。
B1、一种分类模型的损失值获取方法,所述方法包括:
将样本数据输入预设分类模型中,得到所述样本数据分别属于每一个预设分类的概率;
获取所述样本数据的标注分类;
根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重;
根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值。
B2、根据B1所述的方法,所述根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重,包括:
对于每一个预设分类,在已存储的分类对与惩罚权重之间的对应关系中,查找与由所述标注分类和所述预设分类组成的分类对相对应的惩罚权重。
B3、根据B1所述的方法,所述根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值,包括:
对于每一个预设分类,根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值,根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值;
根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值。
B4、根据B3所述的方法,所述根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值,包括:
将所述样本数据属于所述预设分类的概率输入预设交叉熵损失函数,得到所述预设交叉熵损失函数输出的交叉熵损失值。
B5、根据B3所述的方法,所述根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值,包括:
计算所述样本数据与所述预设分类之间的惩罚权重,与所述交叉熵损失值之间的乘积,得到所述预设分类对应的损失值。
B6、根据B3所述的方法,所述根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值,包括:
将每一个预设分类分别对应的损失值求和,得到损失总值;
计算预设分类的数量;
计算所述损失总值与所述数量之间的比值,得到所述预设分类模型的损失值。
B7、根据B2所述的方法,所述已存储的分类对与惩罚权重之间的对应关系,通过如下方式得到:
对于多个预设分类中的每两个预设分类,获取所述两个预设分类之间的距离,根据所述距离计算所述两个预设分类之间的惩罚权重,将由所述两个预设分类组成的分类对与计算得到的惩罚权重组成对应表项,并存储在已存储的分类对与惩罚权重之间的对应关系中。
B8、根据B7所述的方法,所述获取所述两个预设分类之间的距离,包括:
在包括多个预设分类的预设语义层级树中,确定所述两个预设分类之间的层级关系;
如果所述两个预设分类之间的层级关系为父子关系,则将所述两个预设分类之间的距离设置为预设距离;
如果所述两个预设分类之间的层级关系为兄弟关系,则确定所述两个预设分类的共同上级分类,获取所述两个预设分类分别与所述共同上级分类之间的距离,根据所述两个预设分类分别与所述共同上级分类之间的距离确定所述两个预设分类之间的距离。
B9、根据B7所述的方法,所述根据所述距离计算所述两个预设分类之间的惩罚权重,包括:
根据所述距离,按照如下公式计算所述两个预设分类之间的惩罚权重:
P=min(a,b+c*d);
其中,在上述公式中,P为所述两个预设分类之间的惩罚权重,d为所述距离,a、b以及c分别为预设数值。
Claims (10)
1.一种分类模型的损失值获取方法,其特征在于,所述方法包括:
将样本数据输入预设分类模型中,得到所述样本数据分别属于每一个预设分类的概率;
获取所述样本数据的标注分类;
根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重;
根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重,包括:
对于每一个预设分类,在已存储的分类对与惩罚权重之间的对应关系中,查找与由所述标注分类和所述预设分类组成的分类对相对应的惩罚权重。
3.根据权利要求1所述的方法,其特征在于,所述根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值,包括:
对于每一个预设分类,根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值,根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值;
根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述样本数据属于所述预设分类的概率获取所述样本数据与所述预设分类之间的交叉熵损失值,包括:
将所述样本数据属于所述预设分类的概率输入预设交叉熵损失函数,得到所述预设交叉熵损失函数输出的交叉熵损失值。
5.根据权利要求3所述的方法,其特征在于,所述根据所述样本数据与所述预设分类之间的惩罚权重,以及所述交叉熵损失值获取所述预设分类对应的损失值,包括:
计算所述样本数据与所述预设分类之间的惩罚权重,与所述交叉熵损失值之间的乘积,得到所述预设分类对应的损失值。
6.根据权利要求3所述的方法,其特征在于,所述根据每一个预设分类分别对应的损失值获取所述预设分类模型的损失值,包括:
将每一个预设分类分别对应的损失值求和,得到损失总值;
计算预设分类的数量;
计算所述损失总值与所述数量之间的比值,得到所述预设分类模型的损失值。
7.根据权利要求2所述的方法,其特征在于,所述已存储的分类对与惩罚权重之间的对应关系,通过如下方式得到:
对于多个预设分类中的每两个预设分类,获取所述两个预设分类之间的距离,根据所述距离计算所述两个预设分类之间的惩罚权重,将由所述两个预设分类组成的分类对与计算得到的惩罚权重组成对应表项,并存储在已存储的分类对与惩罚权重之间的对应关系中。
8.一种分类模型的损失值获取装置,其特征在于,所述装置包括:
输入模块,用于将样本数据输入预设分类模型中,得到所述样本数据分别属于每一个预设分类的概率;
第一获取模块,用于获取所述样本数据的标注分类;
第二获取模块,用于根据所述标注分类获取所述样本数据分别与每一个预设分类之间的惩罚权重;
第三获取模块,用于根据每一个惩罚权重和每一个概率获取所述预设分类模型的损失值。
9.一种终端,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的分类模型的损失值获取程序,所述分类模型的损失值获取程序被所述处理器执行时实现如权利要求1至7中任一项所述的分类模型的损失值获取方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有分类模型的损失值获取程序,所述分类模型的损失值获取程序被处理器执行时实现如权利要求1至7中任一项所述的分类模型的损失值获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810362639.2A CN108764283A (zh) | 2018-04-20 | 2018-04-20 | 一种分类模型的损失值获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810362639.2A CN108764283A (zh) | 2018-04-20 | 2018-04-20 | 一种分类模型的损失值获取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764283A true CN108764283A (zh) | 2018-11-06 |
Family
ID=64010991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810362639.2A Pending CN108764283A (zh) | 2018-04-20 | 2018-04-20 | 一种分类模型的损失值获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764283A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871896A (zh) * | 2019-02-26 | 2019-06-11 | 北京达佳互联信息技术有限公司 | 数据分类方法、装置、电子设备及存储介质 |
CN110991373A (zh) * | 2019-12-09 | 2020-04-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及介质 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112766389A (zh) * | 2021-01-26 | 2021-05-07 | 北京三快在线科技有限公司 | 图像分类方法、图像分类模型的训练方法、装置和设备 |
-
2018
- 2018-04-20 CN CN201810362639.2A patent/CN108764283A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871896A (zh) * | 2019-02-26 | 2019-06-11 | 北京达佳互联信息技术有限公司 | 数据分类方法、装置、电子设备及存储介质 |
CN109871896B (zh) * | 2019-02-26 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 数据分类方法、装置、电子设备及存储介质 |
CN110991373A (zh) * | 2019-12-09 | 2020-04-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及介质 |
CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112364920B (zh) * | 2020-11-12 | 2023-05-23 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
CN112766389A (zh) * | 2021-01-26 | 2021-05-07 | 北京三快在线科技有限公司 | 图像分类方法、图像分类模型的训练方法、装置和设备 |
CN112766389B (zh) * | 2021-01-26 | 2022-11-29 | 北京三快在线科技有限公司 | 图像分类方法、图像分类模型的训练方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664989B (zh) | 图像标签确定方法、装置及终端 | |
CN108764283A (zh) | 一种分类模型的损失值获取方法及装置 | |
CN106202330A (zh) | 垃圾信息的判断方法及装置 | |
CN109871896A (zh) | 数据分类方法、装置、电子设备及存储介质 | |
CN109800325A (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN107644642A (zh) | 语义识别方法、装置、存储介质及电子设备 | |
CN108256549B (zh) | 图像分类方法、装置及终端 | |
CN108595497B (zh) | 数据筛选方法、装置及终端 | |
CN107330019A (zh) | 搜索方法及装置 | |
CN110471858A (zh) | 应用程序测试方法、装置及存储介质 | |
CN109145213A (zh) | 基于历史信息的查询推荐方法及装置 | |
CN106250430A (zh) | 智能设备列表的排序方法及装置 | |
CN109446961A (zh) | 姿势检测方法、装置、设备及存储介质 | |
CN109543066A (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN107943266A (zh) | 功耗控制方法、装置和设备 | |
CN104850238A (zh) | 对输入法所产生的候选项进行排序的方法和装置 | |
CN107527024A (zh) | 人脸颜值评估方法及装置 | |
CN106203306A (zh) | 年龄的预测方法、装置及终端 | |
CN110532345A (zh) | 一种未标注数据的处理方法、装置及存储介质 | |
CN109961094A (zh) | 样本获取方法、装置、电子设备及可读存储介质 | |
CN108563683A (zh) | 标签添加方法、装置及终端 | |
CN105528403A (zh) | 目标数据识别方法及装置 | |
CN109961075A (zh) | 用户性别预测方法、装置、介质及电子设备 | |
CN108572979A (zh) | 一种位置服务方法和装置、一种用于位置服务的装置 | |
CN108345954A (zh) | 配电网线路短期负荷预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |