CN110414570B - 图像分类模型生成方法、装置、设备和存储介质 - Google Patents

Abstract

本申请涉及一种图像分类模型生成方法、装置、设备和存储介质，终端根据目标选取策略从超网络中选取目标子网络，其中，目标选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络，超网络包括至少两个子网络，并根据目标子网络，生成图像分类模型，图像分类模型用于对图像进行分类，终端根据与第一目标网络之间的差异小于预设阈值的目标子网络，生成图像分类模型，避免了随机从超网络中选取子网络，来生成图像分类模型的情况，进而避免了随机从超网络中选取子网络生成图像分类模型的准确度低的情况。

Description

图像分类模型生成方法、装置、设备和存储介质

技术领域

本申请涉及神经网络技术领域，特别是涉及了一种图像分类模型生成方法、装置、设备和存储介质。

背景技术

神经网络模型是一种通过类似于大脑神经突触联接的网络结构进行信息处理的数学模型，常常用来处理计算机视觉任务，其中，图像分类任务是一种主要的计算机视觉任务。通过神经网络模型执行图像分类任务时，通常通过神经网络模型中的卷积层提取特征，通过池化层选择特征，通过全连接层进行分类。

在传统的图像分类模型生成方法中，主要是通过设置网络结构分别配置卷积层、激活层和池化层的网络结构来生成对应的图像分类模型。一种对卷积层的网络结构的生成方法，是通过将卷积层的网络结构视为有向无环图，得到包括所有可能的网络结构的超网络，并通过随机采样的方法选取超网络中若干条路径作为子网络，通过训练子网络来得到图像分类模型。例如，以要生成的卷积层的网络结构为3层为例，每层3x3卷积和1x1卷积中选择一种，则得到超网络为3层网络，每层包含两路分支3x3卷积和1x1卷积。通过随机采样，从超网络中选择1个子网络，假设通过随机采样，从超网络中选择第一层3x3卷积，第二层为1x1卷积，第三层为1x1卷积的子网络，通过对该子网络进行训练，得到图像分类模型。

然而，采用上述方法，得到子网络的准确度低，进而导致根据该子网络得到的图像分类模型的准确度低。

发明内容

基于此，有必要针对生成的图像分类模型的准确度低的问题，提供了一种图像分类模型生成方法、装置、设备和存储介质。

第一方面，一种图像分类模型生成方法，该方法包括：

根据目标选取策略从超网络中选取目标子网络；目标选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络；超网络包括至少两个子网络；

根据目标子网络，生成图像分类模型，图像分类模型用于对图像进行分类。

在其中一个实施例中，该方法还包括：

根据预设的采样策略，从样本超网络中选取训练子网络，得到训练子网络集；预设的采样策略包括随机采样，和/或通过预设选取策略采样；预设选取策略用于选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络；

根据训练子网络集中的训练子网络训练样本超网络，得到更新后的样本超网络；

判断训练样本超网络的训练次数是否大于预设的次数阈值；

若训练样本超网络的训练次数不大于预设的次数阈值，则训练预设选取策略，得到更新后的预设选取策略，并返回执行根据预设的采样策略，从样本超网络中选取训练子网络的步骤。

在其中一个实施例中，该方法还包括：

若训练样本超网络的训练次数大于预设次数阈值，则将更新后的预设选取策略作为目标选取策略。

在其中一个实施例中，上述第二目标网络是通过以下步骤得到的：

获取训练子网络集中各训练子网络的回归准确度；

从训练子网络集中选取回归准确度高于准确度阈值的训练子网络，作为第二目标网络。

在其中一个实施例中，上述第二目标网络是通过以下步骤得到的：

获取训练子网络集中各训练子网络的回归准确度；

根据训练子网络集中各训练子网络的回归准确度，得到回归准确度从高到低的子网络序列；

选取子网络序列中顺序在预设的顺序阈值之前的子网络，作为第二目标网络。

在其中一个实施例中，上述获取训练子网络集中各训练子网络的回归准确度，包括：

在更新后的样本超网络中，测试得到训练子网络集中各训练子网络的回归准确度。

在其中一个实施例中，上述训练预设选取策略，包括：

根据第二目标网络的网络结构，得到第二目标网络对应的网络编码；

将第二目标网络对应的网络编码作为训练样本，训练预设选取策略。

在其中一个实施例中，通过随机采样得到训练子网络的数量，和，通过预设选取策略得到训练子网络的数量，是根据训练预设选取策略的训练次数确定的。

第二方面，一种图像分类模型生成装置，该装置包括：

第一选取模块，用于根据目标选取策略从超网络中选取目标子网络；预设的选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络；超网络包括至少两个子网络；

生成模块，用于根据目标子网络，生成图像分类模型，图像分类模型用于对图像进行分类。

第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述图像分类模型生成方法所述的方法步骤。

第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像分类模型生成方法所述的方法步骤。

上述图像分类模型生成方法、装置、设备和存储介质，终端根据目标选取策略从超网络中选取目标子网络，其中，目标选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络，超网络包括至少两个子网络，并根据目标子网络，生成图像分类模型，图像分类模型用于对图像进行分类，终端根据与第一目标网络之间的差异小于预设阈值的目标子网络，生成图像分类模型时，由于网络之间的差异越小，根据网络生成的模型的准确度越接近，所以根据目标子网络生成的图像分类模型的准确度，与根据第一目标网络生成的图像分类模型的准确度接近，也即是说，当根据第一目标网络生成图像分类模型的准确度越高时，根据目标子网络生成的图像分类模型的准确度越高。同时，采用本申请提供的图像分类模型生成方法、装置、设备和存储介质，避免了随机从超网络中选取子网络，来生成图像分类模型的情况，进而避免了随机从超网络中选取子网络生成图像分类模型的准确度低的情况。

附图说明

图1为一个实施例中图像分类模型生成方法的流程示意图；

图1a为一个实施例中超网络的结构示意图；

图2为另一个实施例中图像分类模型生成方法的流程示意图；

图3为另一个实施例中图像分类模型生成方法的流程示意图；

图4为另一个实施例中图像分类模型生成方法的流程示意图；

图5为另一个实施例中图像分类模型生成方法的流程示意图；

图6为一个实施例中提供的图像分类模型生成装置的结构示意图；

图7为另一个实施例中提供的图像分类模型生成装置的结构示意图；

图8为另一个实施例中提供的图像分类模型生成装置的结构示意图；

图9为另一个实施例中提供的图像分类模型生成装置的结构示意图；

图10为一个实施例中计算机设备的内部结构图。

具体实施方式

本申请提供的图像分类模型生成方法、装置、设备和存储介质，旨在解决生成图像分类模型的准确度低的问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

本实施例提供的图像分类模型生成方法，可以适用于涉及图像分类的计算机视觉任务，例如，本实施例提供的图像分类模型生成方法可以适用于目标检测、图像识别、目标分类等计算机视觉任务，本申请实施例对此不做限制。需要说明的是，本实施例提供的图像分类模型生成方法，还适用于声音识别任务。

需要说明的是，本申请实施例提供的图像分类模型生成方法，其执行主体可以是图像分类模型生成装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为图像分类模型生成终端的部分或者全部。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。

图1为一个实施例中图像分类模型生成方法的流程示意图。本实施例涉及的是通过目标选取策略从超网络中选取目标子网络，并生成图像分类模型的具体过程。如图1所示，该方法包括以下步骤：

S101、根据目标选取策略从超网络中选取目标子网络；目标选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络；超网络包括至少两个子网络。

具体地，超网络可以视为多层网络，每层包括多个不同的卷积块，将一个卷积块与相邻层的各卷积块连接，形成路径网络。其中，该路径网络中的一条路径代表一个子网络。例如，如图1a所示，超网络为3层网络，每层包括两路分支，3x3卷积块和1x1卷积块，将各卷积块与相邻层的各卷积块连接，形成路径网络，其中一条路径代表超网络中的一个子网络，上述超网络中包括8个子网络，其中一个子网络为：第一层为3x3卷积块，第二层为1x1卷积块，第三层为3x3卷积块形成的子网络。目标子网络可以是可以是超网络中一个网路，也可以是超网络中的多个网络，本申请实施例对此不做限制。第一目标网络可以是一个网路，也可以是多个网络，本申请实施例对此不做限制。通过第一目标网络生成的图像分类模型的准确度高于第一预设阈值。目标选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络，其可以通过从超网络中选取与第一目标网络的网络结构的差异小于预设阈值的子网络作为目标子网络。其中，目标选取策略可以是通过训练得到的变分自编码器。例如，超网络的网络结构为3层网络，每层包括两路分支，3x3卷积块和1x1卷积块，第一目标网络为：第一层为3x3卷积块，第二层为1x1卷积块，第三层为3x3卷积块。预设阈值为1层卷积块不同，则通过目标选取策略从超网络中选取的目标子网络为3个，分别是：第一层为1x1卷积块，第二层为1x1卷积块，第三层为3x3卷积块；第一层为3x3卷积块，第二层为3x3卷积块，第三层为3x3卷积块；第一层为3x3卷积块，第二层为1x1卷积块，第三层为1x1卷积块。

S102、根据目标子网络，生成图像分类模型，图像分类模型用于对图像进行分类。

具体地，在上述实施例的基础上，确定目标子网络时，可以根据目标子网络生成用于对图像进行分类的图像分类模型。由于目标子网络可以是一个网络，也可以是多个网络，则根据目标子网络生成的图像分类模型时，可以是生成一个神经网络模型，也可以是多个神经网络模型，本申请实施例对此不做限制。当根据目标子网络生成了一个神经网络模型时，将该神经网络模型作为图像分类模型。当根据目标子网络生成了多个神经网络模型时，可以从多个神经网络模型中选取一个，作为图像分类模型；也可以从多个神经网络模型中选取一部分神经网络模型，作为图像分类模型；本申请实施例对此不做限制。在具体的根据目标子网络生成图像分类模型时，图像分类模型作为一种神经网络模型，其包括卷积层、激活层和池化层，可以根据目标子网络确定神经网络模型中的卷积层，也可以根据目标子网络确定激活层，本申请实施例对此不做限制。

上述图像分类模型生成方法，终端根据目标选取策略从超网络中选取目标子网络，其中，目标选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络，超网络包括至少两个子网络，并根据目标子网络，生成图像分类模型，图像分类模型用于对图像进行分类，终端根据与第一目标网络之间的差异小于预设阈值的目标子网络，生成图像分类模型时，由于网络之间的差异越小，根据网络生成的模型的准确度越接近，所以根据目标子网络生成的图像分类模型的准确度，与根据第一目标网络生成的图像分类模型的准确度接近，也即是说，当根据第一目标网络生成图像分类模型的准确度越高时，根据目标子网络生成的图像分类模型的准确度越高。同时，采用本实施例提供的图像分类模型生成方法，避免了随机从超网络中选取子网络，来生成图像分类模型的情况，进而避免了随机从超网络中选取子网络生成图像分类模型的准确度低的情况。

在根据目标选取策略从超网络中选取目标子网络之前，还可以通过预设的采样策略，从样本超网络中选取训练子网络，并根据训练子网络训练预设选取策略，下面通过图2所述实施例来详细说明。

图2为另一个实施例中图像分类模型生成方法的流程示意图，本实施例涉及的是通过预设的采样策略，从样本超网络中选取训练子网络，并根据训练子网络训练预设选取策略的具体过程，如图2所示，该方法还包括以下步骤：

S201、根据预设的采样策略，从样本超网络中选取训练子网络，得到训练子网络集；预设的采样策略包括随机采样，和/或通过预设选取策略采样；预设选取策略用于选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络。

具体地，预设的采样策略包括随机采样，和/或通过预设选取策略采样，其中，预设选取策略用于选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络。根据第二目标网络生成的图像分类模型的准确度高于第二预设阈值，一般而言，第二预设阈值小于上述第一预设阈值。终端根据预设的采样策略，从样本超网络中选取训练子网络，得到训练子网络集，其中样本超网络是可以用于训练的超网络。终端可以通过随机采样从样本超网络中选取训练子网络，得到训练子网络集；也可以根据预设选取策略从从样本超网络中选取训练子网络，得到训练子网络集；还可以通过随机采样从样本超网络中选取第一训练子网络，并通过根据预设选取策略从从样本超网络中选取第二训练子网络，将第一训练子网络和第二训练子网络集合，得到训练子网络集，本申请实施例对此不做限制。其中，在通过预设选取策略选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络时，可以是将第二目标网络的网络结构进行编码，得到目标编码，选取与目标编码的差异小于预设阈值的网络编码，并根据该网络编码，得到对应的子网络，即为训练子网络。

S202、根据训练子网络集中的训练子网络训练样本超网络，得到更新后的样本超网络。

具体地，训练子网络集中包括一个或多个训练子网络，在上述实施例的基础上，得到训练子网络集后，可以根据训练子网络集中的训练子网络训练样本超网络，得到更新后的样本超网络。其中根据训练子网络训练样本超网络，可以是根据训练子网络的网络参数，对样本超网络进行网络参数更新，得到更新网络参数的样本超网络，即为更新后的样本超网络。

S203、判断训练样本超网络的训练次数是否大于预设的次数阈值；若否，则执行S204；可选地，若是，则执行S205。

具体地，上述训练样本超网络可以进行多次，因此训练超网络的训练次数可以是变化的数值，每次完成对样本超网络的训练后，可以判断训练超网络的训练次数是否大于预设的次数阈值，其中预设的次数阈值可以是根据用户设置得到的次数阈值。当训练超网络的训练次数不大于预设的次数阈值，则执行训练预设选取策略，得到更新后的预设选取策略，并返回执行根据预设的采样策略，从样本超网络中选取训练子网络的步骤；当训练超网络的训练次数大于预设的次数阈值，则将更新后的预设选取策略作为目标选取策略。

S204、训练预设选取策略，得到更新后的预设选取策略，并返回执行根据预设的采样策略，从样本超网络中选取训练子网络的步骤。

具体地，当训练超网络的训练次数大于预设的次数阈值时，则可以训练预设选取策略，得到更新后的预设选取策略，并返回执行根据预设的采样策略，从样本超网络中选取训练子网络的步骤。此时，预设的采样策略可以包括随机采样，和/或通过更新后的预设选取策略采样。在上述实施例的基础上，通过预设选取策略选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络，可以是将第二目标网络的网络结构进行编码，得到目标编码，可以选取与目标编码的差异小于预设阈值的网络编码，并根据该网络编码，得到对应的子网络，即为训练子网络。在训练预设选取策略时，可以是通过训练，使得通过预设选取策略，选取得到的网络编码，与目标网络编码之间的差值小于预设差值阈值。

S205、将更新后的预设选取策略作为目标选取策略。

具体地，当训练超网络的训练次数大于预设的次数阈值时，可以将更新后的预设选取策略作为目标选取策略，并通过目标选取策略，从超网络中选取选取目标子网络，并根据该目标子网络，生成用于对图像进行分类的图像分类模型。

上述图像分类模型生成方法，终端根据预设的采样策略，从样本超网络中选取训练子网络，得到训练子网络集，其中，预设的采样策略包括随机采样，和/或通过预设选取策略采样，选取策略用于选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络，并根据训练子网络集中的训练子网络训练样本超网络，得到更新后的样本超网络，判断训练次数是否大于预设的次数阈值，若训练次数不大于预设的次数阈值，则训练预设选取策略，得到更新后的预设选取策略，并返回执行根据预设的采样策略，从样本超网络中选取训练子网络的步骤，在根据目标选取策略从超网络中选取目标子网络之前，还通过选取训练子网络对样本超网络进行训练，并在训练次数不大于预设的次数阈值时，对预设选取策略进行训练，并将训练次数大于预设的次数阈值时的预设选取策略作为目标选取策略，使得目标选取策略能够更加准确的选取出与第一目标网络之间的差值小于预设阈值的目标子网络，进而提高了根据目标子网络生成图像分类模型的准确度。

上述第二目标网络可以通过图3或图4所示实施例得到。图3为另一个实施例中图像分类模型生成方法的流程示意图，本实施例涉及的是如何确定第二目标网络的具体过程，如图3所示，该方法还包括以下步骤：

S301、获取训练子网络集中各训练子网络的回归准确度。

具体地，回归准确度可以是将通过将训练子网络的网络参数代入到超网络得到的训练子网络的准确度。在具体的获取训练子网络集中各训练子网络的回归准确度时，可以是在超网络中选择训练子网络对应的一条路径，将训练子网络的网络参数代入到该路径中，并在超网络中确定上述路径的准确度，即为训练子网络的回归准确度，其可以通过超网络的训练样本集中测试该训练子网络的回归准确度。在上述实施例的基础上，由于样本超网络会经过多次训练，得到更新后的样本超网络，则在获取训练子网络集中各训练子网络的回归准确度，可以是每次得到更新后的样本超网络时，获取一次训练子网络集中各训练子网络的回归准确度。可选地，在更新后的样本超网络中，测试得到训练子网络集中各训练子网络的回归准确度。

S302、从训练子网络集中选取回归准确度高于准确度阈值的训练子网络，作为第二目标网络。

具体地，在上述实施例的基础上，当获取了训练子网络集中各训练子网络的回归准确度时，可以直接从训练子网络集中选取回归准确度高于准确度阈值的训练子网络，作为第二目标网络，其中，准确度阈值可以是根据用户设置得到的准确度阈值，也可以是终端通过深度学习的方式自动确定的准确度阈值，本申请实施例对此不做限制。

上述获取训练子网络集中各训练子网络的回归准确度；从训练子网络集中选取回归准确度高于准确度阈值的训练子网络，作为第二目标网络，使得第二目标网络是准确度高于准确度阈值的网络，进而使得根据预设选取策略选择的训练子网络的准确度变高，进而提高了根据训练子网络训练得到目标选取策略的准确性，使得目标选取策略能够更加准确的选取出与第一目标网络之间的差值小于预设阈值的目标子网络，进而提高了根据目标子网络生成图像分类模型的准确度。

图4为另一个实施例中图像分类模型生成方法的流程示意图，本实施例涉及的是如何确定第二目标网络的具体过程，如图4所示，该方法还包括以下步骤：

S401、获取训练子网络集中各训练子网络的回归准确度。

S402、根据训练子网络集中各训练子网络的回归准确度，得到回归准确度从高到低的子网络序列。

具体地，在上述实施例的基础上，得到训练子网络集中各训练子网络的回归准确度时，可以将各训练子网络按照回归准确度从高到低的顺序进行排列，得到子网络序列，该子网络序列中包括各训练子网络和各训练子网络对应的顺序序号。

S403、选取子网络序列中顺序在预设的顺序阈值之前的子网络，作为第二目标网络。

具体地，预设的顺序阈值可以是根据用户设置得到的顺序阈值，其可以是以子网络序列的前x％来表示,其中x为预设的顺序阈值，也可以以子网络序列中前y个训练子网络来表示，其中y为预设的顺讯阈值，本申请实施例对此不做限制。例如，可以选取子网络序列中的前50％训练子网络，作为第二目标网络。

上述图形分类模型生成方法，通过获取训练子网络集中各训练子网络的回归准确度，并根据训练子网络集中各训练子网络的回归准确度，得到回归准确度从高到低的子网络序列，进而选取子网络序列中顺序在预设的顺序阈值之前的子网络，作为第二目标网络，使得第二目标网络是回归准确度高于准确度阈值的网络，进而使得根据预设选取策略选择的训练子网络的准确度变高，进而提高了根据训练子网络训练得到目标选取策略的准确性，使得目标选取策略能够更加准确的选取出与第一目标网络之间的差值小于预设阈值的目标子网络，进而提高了根据目标子网络生成图像分类模型的准确度。

在上述实施例的基础上，终端还可以对预设选取策略进行训练，下面通过图5所示实施例来详细描述。图5为另一个实施例中图像分类模型生成方法的流程示意图，如图5所示，上述S204“训练预设选取策略”一种可能的实现方式包括以下步骤：

S501、根据第二目标网络的网络结构，得到第二目标网络对应的网络编码。

具体地，在上述实施例的基础上，得到了第二目标网络时，根据第二目标网络的网络结构，得到第二目标网络对应的网络编码。例如，可以将1x1卷积编码为1，3x3卷积编码为0，当第二目标网络为全为1x1卷积的网络时，第二目标网络的网络编码为{11111}，需要说明的是，对第二目标网络进行编码的编码方法不唯一。

S502、将第二目标网络对应的网络编码作为训练样本，训练预设选取策略。

具体地，在上述实施例的基础上，第二目标网络可以为多个网络，则第二目标网络对应的网络编码也可以是多个，将多个网络编码作为训练样本，训练预设选取策略，具体的训练预设选取策略可以是调整参数，使得通过预设选取策略从样本超网络中选取的训练子样本对应的网络编码，与第二目标网络对应的网络编码之间的差值小于差值阈值。

可选地，通过随机采样得到训练子网络的数量，和，通过预设选取策略得到训练子网络的数量，是根据训练预设选取策略的训练次数确定的。

具体地，预设的采样策略为根据随机采样和预设选取策略从样本超网络中选取训练子网络时，可以根据上述训练预设选策略的训练次数来确定随机采样得到训练子网络的数量，和，通过预设选取策略得到训练子网络的数量。例如，r表示随机采样概率，每次训练预设选取策略后，设置r＝max(r-0.05,0)，在第一次通过预设的采样策略从样本超网络中选取训练子网络时，可以采用随机采样的方式从样本超网络中选取训练子网络，也即是r＝100％，当执行一次“训练预设选取策略”之后，设置r＝max(r-0.05,0)，即r＝95％，也即是说，当返回执行根据预设的采样策略从样本超网络中选取训练子网络时，通过随机采样选取95％的训练子网络，通过预设选取策略选取5％的训练子网络。在每一次执行根据预设的采样策略从样本超网络中选取训练子网络，都根据训练预设选取策略的训练次数，确定通过随机采样得到训练子网络的数量，和，通过预设选取策略得到训练子网络的数量。

应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示，依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

图6为一个实施例中提供的图像分类模型生成装置的结构示意图，如图6所示，该图像分类模型生成装置包括：第一选取模块10生成模块20，其中：

第一选取模块10，用于根据目标选取策略从超网络中选取目标子网络；预设的选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络；超网络包括至少两个子网络；

生成模块20，用于根据目标子网络，生成图像分类模型，图像分类模型用于对图像进行分类。

本申请实施例提供的图像分类模型生成装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图7为另一个实施例中提供的图像分类模型生成装置的结构示意图，在图6所示实施例的基础上，如图7所示，图像分类模型生成装置还包括：第二选取模块30、更新模块40，判断模块50和训练模块60，其中：

第二选取模块30，用于根据预设的采样策略，从样本超网络中选取训练子网络，得到训练子网络集；预设的采样策略包括随机采样，和/或通过预设选取策略采样；预设选取策略用于选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络；

更新模块40，用于根据训练子网络集中的训练子网络训练样本超网络，得到更新后的样本超网络；

判断模块50，用于判断训练样本超网络的训练次数是否大于预设的次数阈值；

若训练样本超网络的训练次数不大于预设的次数阈值，则训练模块60用于训练预设选取策略，得到更新后的预设选取策略，并返回执行根据预设的采样策略，从样本超网络中选取训练子网络的步骤。

本申请实施例提供的图像分类模型生成装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图8为另一个实施例中提供的图像分类模型生成装置的结构示意图，在图6或图7所示实施例的基础上，如图8所示，图像分类模型生成装置还包括：第一确定模块70，其中：

若训练样本超网络的训练次数大于预设次数阈值，第一确定模块70，用于将更新后的预设选取策略作为目标选取策略。

需要说明的是，图8是基于图7的基础上进行示出的，当然图8也可以基于图6的结构进行示出，这里仅是一种示例。

本申请实施例提供的图像分类模型生成装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图9为另一个实施例中提供的图像分类模型生成装置的结构示意图，在图6-8任一项所示实施例的基础上，如图9所示，图像分类模型生成装置还包括：第二确定模块80，其中：

第二确定模块80具体用于获取训练子网络集中各训练子网络的回归准确度；从训练子网络集中选取回归准确度高于准确度阈值的训练子网络，作为第二目标网络。

在一个实施例中，第二确定模块80还用于获取训练子网络集中各训练子网络的回归准确度；根据训练子网络集中各训练子网络的回归准确度，得到回归准确度从高到低的子网络序列；选取子网络序列中顺序在预设的顺序阈值之前的子网络，作为第二目标网络。

在一个实施例中，第二确定模块80具体用于在更新后的样本超网络中，测试得到训练子网络集中各训练子网络的回归准确度。

在一个实施例中，训练模块60具体用于根据第二目标网络的网络结构，得到第二目标网络对应的网络编码；将第二目标网络对应的网络编码作为训练样本，训练预设选取策略。

在一个实施例中，通过随机采样得到训练子网络的数量，和，通过预设选取策略得到训练子网络的数量，是根据训练预设选取策略的训练次数确定的。

需要说明的是，图9是基于图8的基础上进行示出的，当然图9也可以基于图6或图7的基础上进行示出，这里仅是一种示例。

本申请实施例提供的图像分类模型生成装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

关于一种图像分类模型生成装置的具体限定可以参见上文中对图像分类模型生成方法的限定，在此不再赘述。上述图像分类模型生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端设备，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像分类模型生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

根据目标选取策略从超网络中选取目标子网络；目标选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络；超网络包括至少两个子网络；

根据目标子网络，生成图像分类模型，图像分类模型用于对图像进行分类。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预设的采样策略，从样本超网络中选取训练子网络，得到训练子网络集；预设的采样策略包括随机采样，和/或通过预设选取策略采样；预设选取策略用于选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络；根据训练子网络集中的训练子网络训练样本超网络，得到更新后的样本超网络；判断训练样本超网络的训练次数是否大于预设的次数阈值；若训练样本超网络的训练次数不大于预设的次数阈值，则训练预设选取策略，得到更新后的预设选取策略，并返回执行根据预设的采样策略，从样本超网络中选取训练子网络的步骤。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：若训练样本超网络的训练次数大于预设次数阈值，则将更新后的预设选取策略作为目标选取策略。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练子网络集中各训练子网络的回归准确度；从训练子网络集中选取回归准确度高于准确度阈值的训练子网络，作为第二目标网络。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练子网络集中各训练子网络的回归准确度；根据训练子网络集中各训练子网络的回归准确度，得到回归准确度从高到低的子网络序列；选取子网络序列中顺序在预设的顺序阈值之前的子网络，作为第二目标网络。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：在更新后的样本超网络中，测试得到训练子网络集中各训练子网络的回归准确度。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第二目标网络的网络结构，得到第二目标网络对应的网络编码；将第二目标网络对应的网络编码作为训练样本，训练预设选取策略。

在一个实施例中，通过随机采样得到训练子网络的数量，和，通过预设选取策略得到训练子网络的数量，是根据训练预设选取策略的训练次数确定的。

本实施例提供的终端设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

根据目标选取策略从超网络中选取目标子网络；目标选取策略用于从超网络中选取与第一目标网络之间的差异小于预设阈值的子网络；超网络包括至少两个子网络；

根据目标子网络，生成图像分类模型，图像分类模型用于对图像进行分类。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：根据预设的采样策略，从样本超网络中选取训练子网络，得到训练子网络集；预设的采样策略包括随机采样，和/或通过预设选取策略采样；预设选取策略用于选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络；根据训练子网络集中的训练子网络训练样本超网络，得到更新后的样本超网络；判断训练样本超网络的训练次数是否大于预设的次数阈值；若训练样本超网络的训练次数不大于预设的次数阈值，则训练预设选取策略，得到更新后的预设选取策略，并返回执行根据预设的采样策略，从样本超网络中选取训练子网络的步骤。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：若训练样本超网络的训练次数大于预设次数阈值，则将更新后的预设选取策略作为目标选取策略。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取训练子网络集中各训练子网络的回归准确度；从训练子网络集中选取回归准确度高于准确度阈值的训练子网络，作为第二目标网络。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取训练子网络集中各训练子网络的回归准确度；根据训练子网络集中各训练子网络的回归准确度，得到回归准确度从高到低的子网络序列；选取子网络序列中顺序在预设的顺序阈值之前的子网络，作为第二目标网络。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：在更新后的样本超网络中，测试得到训练子网络集中各训练子网络的回归准确度。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：根据第二目标网络的网络结构，得到第二目标网络对应的网络编码；将第二目标网络对应的网络编码作为训练样本，训练预设选取策略。

在一个实施例中，通过随机采样得到训练子网络的数量，和，通过预设选取策略得到训练子网络的数量，是根据训练预设选取策略的训练次数确定的。

本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种图像分类模型生成方法，其特征在于，所述方法包括：

根据目标选取策略从超网络中选取目标子网络；所述目标选取策略用于对第一目标网络的网络结构、以及超网络中各子网络的网络结构进行编码，从超网络中选取网络结构编码与第一目标网络的网络结构编码之间的差异小于预设阈值的子网络；所述超网络包括至少两个子网络；

根据所述目标子网络，生成图像分类模型，所述图像分类模型用于对图像进行分类。

2.根据权利要求1所述方法，其特征在于，所述方法还包括：

根据预设的采样策略，从样本超网络中选取训练子网络，得到训练子网络集；所述预设的采样策略包括随机采样，和/或通过预设选取策略采样；所述预设选取策略用于选取网络结构与第二目标网络的网络结构的差异小于预设阈值的子网络；

根据所述训练子网络集中的训练子网络训练所述样本超网络，得到更新后的样本超网络；

判断训练样本超网络的训练次数是否大于预设的次数阈值；

若所述训练样本超网络的训练次数不大于所述预设的次数阈值，则训练所述预设选取策略，得到更新后的预设选取策略，并返回执行所述根据预设的采样策略，从样本超网络中选取训练子网络的步骤。

3.根据权利要求2所述方法，其特征在于，所述方法还包括：

若所述训练样本超网络的训练次数大于所述预设的次数阈值，则将所述更新后的预设选取策略作为所述目标选取策略。

4.根据权利要求3所述方法，其特征在于，所述第二目标网络是通过以下步骤得到的：

获取所述训练子网络集中各训练子网络的回归准确度；

从所述训练子网络集中选取回归准确度高于准确度阈值的训练子网络，作为所述第二目标网络。

5.根据权利要求3所述方法，其特征在于，所述第二目标网络是通过以下步骤得到的：

获取所述训练子网络集中各训练子网络的回归准确度；

根据所述训练子网络集中各训练子网络的回归准确度，得到回归准确度从高到低的子网络序列；

选取所述子网络序列中顺序在预设的顺序阈值之前的子网络，作为所述第二目标网络。

6.根据权利要求4或5所述方法，其特征在于，所述获取所述训练子网络集中各训练子网络的回归准确度，包括：

在所述更新后的样本超网络中，测试得到所述训练子网络集中各训练子网络的回归准确度。

7.根据权利要求2-5任一项所述方法，其特征在于，所述训练所述预设选取策略，包括：

根据所述第二目标网络的网络结构，得到所述第二目标网络对应的网络编码；

将所述第二目标网络对应的网络编码作为训练样本，训练所述预设选取策略。

8.根据权利要求2-5任一项所述方法，其特征在于，通过随机采样得到训练子网络的数量，和，通过预设选取策略得到训练子网络的数量，是根据所述训练次数确定的。

9.一种图像分类模型生成装置，其特征在于，所述装置包括：

第一选取模块，用于根据目标选取策略从超网络中选取目标子网络；所述目标选取策略用于对第一目标网络的网络结构、以及超网络中各子网络的网络结构进行编码，从超网络中选取网络结构编码与第一目标网络的网络结构编码之间的差异小于预设阈值的子网络；所述超网络包括至少两个子网络；

生成模块，用于根据所述目标子网络，生成图像分类模型，所述图像分类模型用于对图像进行分类。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。

Images