CN114519884A - 人脸识别方法、装置、电子设备及计算机可读存储介质 - Google Patents

Abstract

本公开涉及人工智能技术领域，提供了一种人脸识别方法、装置、电子设备及计算机可读存储介质。该方法包括：按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个神经网络模型对应的训练数据；分别根据每个神经网络模型，通过前向算法提取每个神经网络模型对应的训练数据的数据特征；对多个数据特征进行特征聚合操作，得到聚合特征；获取每个神经网络模型的权重矩阵，分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值；分别基于每个神经网络模型对应的第一逻辑计算值，更新每个神经网络模型的网络参数；利用任意一个神经网络模型进行人脸识别。

Description

人脸识别方法、装置、电子设备及计算机可读存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种人脸识别方法、装置、电子设备及计算机可读存储介质。

背景技术

在模型训练中，为了减少训练的压力，现有技术往往采用的是联合学习的方法，分别通过多个参与方的数据训练神经网络模型，得到每个参与方的参与方模型，聚合每个参与方的参与方模型的模型参数，得到最终的联合学习模型。但是联合学习是针对多方训练的，针对于一方的训练，现有技术只能是通过一个训练装置，比如一个GPU进行训练的，现有技术存在训练效率低，训练后的模型精度低的问题。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：模型训练中训练效率低，训练后的模型精度低的问题。

发明内容

有鉴于此，本公开实施例提供了一种人脸识别方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，模型训练效率低、训练后的模型精度低的问题。

本公开实施例的第一方面，提供了一种人脸识别方法，包括：按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个神经网络模型对应的训练数据；分别根据每个神经网络模型，通过前向算法提取每个神经网络模型对应的训练数据的数据特征；对多个数据特征进行特征聚合操作，得到聚合特征；获取每个神经网络模型的权重矩阵，分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值；分别基于每个神经网络模型对应的第一逻辑计算值，更新每个神经网络模型的网络参数；利用任意一个神经网络模型进行人脸识别。

本公开实施例的第二方面，提供了一种人脸识别装置，包括：划分模块，被配置为按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个神经网络模型对应的训练数据；提取模块，被配置为分别根据每个神经网络模型，通过前向算法提取每个神经网络模型对应的训练数据的数据特征；聚合模块，被配置为对多个数据特征进行特征聚合操作，得到聚合特征；确定模块，被配置为获取每个神经网络模型的权重矩阵，分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值；更新模块，被配置为分别基于每个神经网络模型对应的第一逻辑计算值，更新每个神经网络模型的网络参数；识别模块，被配置为利用任意一个神经网络模型进行人脸识别。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个神经网络模型对应的训练数据；分别根据每个神经网络模型，通过前向算法提取每个神经网络模型对应的训练数据的数据特征；对多个数据特征进行特征聚合操作，得到聚合特征；获取每个神经网络模型的权重矩阵，分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值；分别基于每个神经网络模型对应的第一逻辑计算值，更新每个神经网络模型的网络参数；利用任意一个神经网络模型进行人脸识别，因此，采用上述技术手段，可以解决现有技术中，模型训练效率低、训练后的模型精度低的问题，进而提高模型训练效率和模型的精度。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的一种人脸识别方法的流程示意图；

图3是本公开实施例提供的一种人脸识别装置的结构示意图；

图4是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种人脸识别方法和装置。

图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。

终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near FieldCommunication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。

用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

图2是本公开实施例提供的一种人脸识别方法的流程示意图。图2的人脸识别方法可以由图1的终端设备或服务器执行。如图2所示，该人脸识别方法包括：

S201，按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个神经网络模型对应的训练数据；

S202，分别根据每个神经网络模型，通过前向算法提取每个神经网络模型对应的训练数据的数据特征；

S203，对多个数据特征进行特征聚合操作，得到聚合特征；

S204，获取每个神经网络模型的权重矩阵，分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值；

S205，分别基于每个神经网络模型对应的第一逻辑计算值，更新每个神经网络模型的网络参数；

S206，利用任意一个神经网络模型进行人脸识别。

一个GPU上有一个神经网络模型，多个GPU上的神经网络模型的类型都是一样的。将人脸训练数据分为多份，将多份训练数据分发到多个GPU上，就可以通过多个GPU进行模型训练。前向算法的作用是计算输入层结点对隐藏层结点的影响，也就是说，把神经网络模型正向的走一遍：从输入层到隐藏层，在到输出层，计算每个结点对其下一层结点的影响。特征聚合操作可以是allgather操作。分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值，可以是将每个神经网络模型的权重矩阵和聚合特征相乘，将每个神经网络模型的乘积结果确定为每个神经网络模型对应的第一逻辑计算值。

根据本公开实施例提供的技术方案，因为本公开实施例按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个神经网络模型对应的训练数据；分别根据每个神经网络模型，通过前向算法提取每个神经网络模型对应的训练数据的数据特征；对多个数据特征进行特征聚合操作，得到聚合特征；获取每个神经网络模型的权重矩阵，分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值；分别基于每个神经网络模型对应的第一逻辑计算值，更新每个神经网络模型的网络参数；利用任意一个神经网络模型进行人脸识别，因此，采用上述技术手段，可以解决现有技术中，模型训练效率低、训练后的模型精度低的问题，进而提高模型训练效率和模型的精度。

在步骤S205中，分别基于每个神经网络模型对应的第一逻辑计算值，更新每个神经网络模型的网络参数，包括：对每个神经网络模型对应的第一逻辑计算值进行难例变换操作，得到每个神经网络模型对应的第二逻辑计算值；对多个第二逻辑计算值进行特征减少操作，以得到每个神经网络模型对应的第三逻辑计算值；分别基于每个神经网络模型对应的第三逻辑计算值，更新每个神经网络模型的网络参数。

在人脸训练数据，存在遮挡等原因造成的不容易识别的图片，称之为难例。可以将属于目标对象A的难例，称之为目标对象A的正难例，将不属于目标对象A的难例，称之为目标对象A的负难例。训练后得到的模型，其精度低，很大程度上是因为模型对难例的识别的准确率低造成的，本公开实施例，在模型训练中，加大了难例的相关训练，进而提高模型对难例的识别的准确率。特征减少操作可以是AllReduce操作，AllReduce操作是一种将所有的目标数组(即表示All)，减少为单个数组(即表示Reduce)的操作。(比如将所有GPU上的梯度值，假设用数组表示，合并并执行reduce操作成一个数组，并返回给所有GPU)。

分别基于每个神经网络模型对应的第三逻辑计算值，更新每个神经网络模型的网络参数，包括：分别根据每个神经网络模型对应的第三逻辑计算值，计算每个神经网络模型对应的概率值和梯度值；分别基于每个神经网络模型对应的概率值和梯度值，通过反向传播的方法更新每个神经网络模型的网络参数。

每个神经网络模型对应的概率值，可以是通过每个神经网络模型的归一化指数层得到，每个神经网络模型对应的梯度值，可以是通过每个神经网络模型中的梯度函数得到。通过反向传播的方法更新每个神经网络模型的网络参数，属于模型训练中的常用方法，在此不再赘述。

对每个神经网络模型对应的第一逻辑计算值进行难例变换操作，得到每个神经网络模型对应的第二逻辑计算值，包括：根据标准角度和预设超参数，从每个神经网络模型对应的第一逻辑计算值中确定出每个神经网络模型对应的负逻辑计算值，其中，第一逻辑计算值，包括：负逻辑计算值和正逻辑计算值；对每个神经网络模型对应的负逻辑计算值进行固定超参数变换，得到每个神经网络模型对应的第二逻辑计算值；或对每个神经网络模型对应的负逻辑计算值进行自适应超参数变换，得到每个神经网络模型对应的第二逻辑计算值。

标准角度是一个标准正逻辑计算值对应的角度。负逻辑计算值表示一个难例不属于目标对象的概率值，正逻辑计算值表示一个难例属于目标对象的概率值。可以通过如下公式，根据标准角度和预设超参数，从每个神经网络模型对应的第一逻辑计算值中确定出每个神经网络模型对应的负逻辑计算值和正逻辑计算值：

cos(θ_j)＞cos(θ_i+m)；

θ_i是标准角度，m是预设超参数，cos(θ_j)为负逻辑计算值，将每个神经网络模型对应的第一逻辑计算值中大于cos(θ_i+m)的值确定为负逻辑计算值，将每个神经网络模型对应的第一逻辑计算值中小于cos(θ_i+m)的值确定为正逻辑计算值。

可以通过如下公式，对每个神经网络模型对应的负逻辑计算值进行固定超参数变换：

tcos(θ_j)+α；

此时，t和α是预设的固定值，将上述公式的结果作为第二逻辑计算值。

可以通过如下公式，对每个神经网络模型对应的负逻辑计算值进行自适应超参数变换：

cos(θ_j)(t+cos(θ_j))；

此时，t和α会随着训练，动态调整，将上述公式的结果作为第二逻辑计算值。

对每个神经网络模型对应的第一逻辑计算值进行难例变换操作，得到每个神经网络模型对应的第二逻辑计算值，包括：根据标准角度和预设超参数，从每个神经网络模型对应的第一逻辑计算值中确定出每个神经网络模型对应的正逻辑计算值，其中，第一逻辑计算值，包括：负逻辑计算值和正逻辑计算值；对每个神经网络模型对应的正逻辑计算值进行固定超参数变换，得到每个神经网络模型对应的第二逻辑计算值；或对每个神经网络模型对应的正逻辑计算值进行自适应超参数变换，得到每个神经网络模型对应的第二逻辑计算值。

对每个神经网络模型对应的正逻辑计算值进行固定超参数变换和自适应超参数变换的公式，同于上述对每个神经网络模型对应的负逻辑计算值进行固定超参数变换和自适应超参数变换的公式，只是将公式中的负逻辑计算值cos(θ_j)替换为正逻辑计算值。

对每个神经网络模型对应的第一逻辑计算值进行难例变换操作，得到每个神经网络模型对应的第二逻辑计算值，包括：根据标准角度和预设超参数，从每个神经网络模型对应的第一逻辑计算值中确定出每个神经网络模型对应的负逻辑计算值，其中，第一逻辑计算值，包括：负逻辑计算值和正逻辑计算值；根据全局假阳率、惩罚系数、每个神经网络模型对应的假阳率和负逻辑计算值，计算每个神经网络模型对应的第二逻辑计算值。

通过如下公式，计算每个神经网络模型对应的第二逻辑计算值：

cos(θ_j)+βr_i ⁺/r_u ⁺；

β是惩罚系数，可以提前设置，r_u ⁺为全局假阳率，可以提前设置，r_i ⁺为假阳率，可以提前设置，F(cos(θ_j))为权重函数，其值和神经网络模型的类型和cos(θ_j)相关，T_u为提前设置的一个阈值，n为每个神经网络模型对应的负逻辑计算值的数量，y_i为当前神经网络模型的序号。假阳率是从医学那边引入到机器学习里面的，假阳率表示一个图片被识别错误的概率。

在步骤S204中，获取每个神经网络模型的权重矩阵，分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值之前，包括：获取每个神经网络模型对应的历史训练数据的历史数据特征；根据每个神经网络模型对应的历史数据特征，确定每个神经网络模型对应的历史权重矩阵；根据加权系数、每个神经网络模型对应的历史训练数据的历史数据特征和历史权重矩阵，确定每个神经网络模型的权重矩阵。

通过如下公式，确定每个神经网络模型的权重矩阵：

w_new＝(1-λ)w_old+λf；

λ为加权系数，f为历史数据特征，w_old为历史权重矩阵，w_new为权重矩阵。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的一种人脸识别装置的示意图。如图3所示，该人脸识别装置包括：

划分模块301，被配置为按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个神经网络模型对应的训练数据；

提取模块302，被配置为分别根据每个神经网络模型，通过前向算法提取每个神经网络模型对应的训练数据的数据特征；

聚合模块303，被配置为对多个数据特征进行特征聚合操作，得到聚合特征；

确定模块304，被配置为获取每个神经网络模型的权重矩阵，分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值；

更新模块305，被配置为分别基于每个神经网络模型对应的第一逻辑计算值，更新每个神经网络模型的网络参数；

识别模块306，被配置为利用任意一个神经网络模型进行人脸识别。

一个GPU上有一个神经网络模型，多个GPU上的神经网络模型的类型都是一样的。将人脸训练数据分为多份，将多份训练数据分发到多个GPU上，就可以通过多个GPU进行模型训练。前向算法的作用是计算输入层结点对隐藏层结点的影响，也就是说，把神经网络模型正向的走一遍：从输入层到隐藏层，在到输出层，计算每个结点对其下一层结点的影响。特征聚合操作可以是allgather操作。分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值，可以是将每个神经网络模型的权重矩阵和聚合特征相乘，将每个神经网络模型的乘积结果确定为每个神经网络模型对应的第一逻辑计算值。

根据本公开实施例提供的技术方案，因为本公开实施例按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个神经网络模型对应的训练数据；分别根据每个神经网络模型，通过前向算法提取每个神经网络模型对应的训练数据的数据特征；对多个数据特征进行特征聚合操作，得到聚合特征；获取每个神经网络模型的权重矩阵，分别根据每个神经网络模型的权重矩阵和聚合特征确定每个神经网络模型对应的第一逻辑计算值；分别基于每个神经网络模型对应的第一逻辑计算值，更新每个神经网络模型的网络参数；利用任意一个神经网络模型进行人脸识别，因此，采用上述技术手段，可以解决现有技术中，模型训练效率低、训练后的模型精度低的问题，进而提高模型训练效率和模型的精度。

可选地，更新模块305还被配置为对每个神经网络模型对应的第一逻辑计算值进行难例变换操作，得到每个神经网络模型对应的第二逻辑计算值；对多个第二逻辑计算值进行特征减少操作，以得到每个神经网络模型对应的第三逻辑计算值；分别基于每个神经网络模型对应的第三逻辑计算值，更新每个神经网络模型的网络参数。

在人脸训练数据，存在遮挡等原因造成的不容易识别的图片，称之为难例。可以将属于目标对象A的难例，称之为目标对象A的正难例，将不属于目标对象A的难例，称之为目标对象A的负难例。训练后得到的模型，其精度低，很大程度上是因为模型对难例的识别的准确率低造成的，本公开实施例，在模型训练中，加大了难例的相关训练，进而提高模型对难例的识别的准确率。特征减少操作可以是AllReduce操作，AllReduce操作是一种将所有的目标数组(即表示All)，减少为单个数组(即表示Reduce)的操作。(比如将所有GPU上的梯度值，假设用数组表示，合并并执行reduce操作成一个数组，并返回给所有GPU)。

可选地，更新模块305还被配置为分别根据每个神经网络模型对应的第三逻辑计算值，计算每个神经网络模型对应的概率值和梯度值；分别基于每个神经网络模型对应的概率值和梯度值，通过反向传播的方法更新每个神经网络模型的网络参数。

每个神经网络模型对应的概率值，可以是通过每个神经网络模型的归一化指数层得到，每个神经网络模型对应的梯度值，可以是通过每个神经网络模型中的梯度函数得到。通过反向传播的方法更新每个神经网络模型的网络参数，属于模型训练中的常用方法，在此不再赘述。

可选地，更新模块305还被配置为根据标准角度和预设超参数，从每个神经网络模型对应的第一逻辑计算值中确定出每个神经网络模型对应的负逻辑计算值，其中，第一逻辑计算值，包括：负逻辑计算值和正逻辑计算值；对每个神经网络模型对应的负逻辑计算值进行固定超参数变换，得到每个神经网络模型对应的第二逻辑计算值；或对每个神经网络模型对应的负逻辑计算值进行自适应超参数变换，得到每个神经网络模型对应的第二逻辑计算值。

标准角度是一个标准正逻辑计算值对应的角度。负逻辑计算值表示一个难例不属于目标对象的概率值，正逻辑计算值表示一个难例属于目标对象的概率值。可以通过如下公式，根据标准角度和预设超参数，从每个神经网络模型对应的第一逻辑计算值中确定出每个神经网络模型对应的负逻辑计算值和正逻辑计算值：

cos(θ_j)＞cos(θ_i+m)；

θ_i是标准角度，m是预设超参数，cos(θ_j)为负逻辑计算值，将每个神经网络模型对应的第一逻辑计算值中大于cos(θ_i+m)的值确定为负逻辑计算值，将每个神经网络模型对应的第一逻辑计算值中小于cos(θ_i+m)的值确定为正逻辑计算值。

可以通过如下公式，对每个神经网络模型对应的负逻辑计算值进行固定超参数变换：

tcos(θ_j)+α；

此时，t和α是预设的固定值，将上述公式的结果作为第二逻辑计算值。

可以通过如下公式，对每个神经网络模型对应的负逻辑计算值进行自适应超参数变换：

cos(θ_j)(t+cos(θ_j))；

此时，t和α会随着训练，动态调整。

可选地，更新模块305还被配置为根据标准角度和预设超参数，从每个神经网络模型对应的第一逻辑计算值中确定出每个神经网络模型对应的正逻辑计算值，其中，第一逻辑计算值，包括：负逻辑计算值和正逻辑计算值；对每个神经网络模型对应的正逻辑计算值进行固定超参数变换，得到每个神经网络模型对应的第二逻辑计算值；或对每个神经网络模型对应的正逻辑计算值进行自适应超参数变换，得到每个神经网络模型对应的第二逻辑计算值。

对每个神经网络模型对应的正逻辑计算值进行固定超参数变换和自适应超参数变换的公式，同于上述对每个神经网络模型对应的负逻辑计算值进行固定超参数变换和自适应超参数变换的公式，只是将公式中的负逻辑计算值cos(θ_j)替换为正逻辑计算值。

可选地，更新模块305还被配置为根据标准角度和预设超参数，从每个神经网络模型对应的第一逻辑计算值中确定出每个神经网络模型对应的负逻辑计算值，其中，第一逻辑计算值，包括：负逻辑计算值和正逻辑计算值；根据全局假阳率、惩罚系数、每个神经网络模型对应的假阳率和负逻辑计算值，计算每个神经网络模型对应的第二逻辑计算值。

通过如下公式，计算每个神经网络模型对应的第二逻辑计算值：

cos(θ_j)+βr_i ⁺/r_u ⁺；

β是惩罚系数，可以提前设置，r_u ⁺为全局假阳率，可以提前设置，r_i ⁺为假阳率，可以提前设置，F(cos(θ_j))为权重函数，其值和神经网络模型的类型和cos(θ_j)相关，Tu为提前设置的一个阈值，n为每个神经网络模型对应的负逻辑计算值的数量，y_i为当前神经网络模型的序号。

可选地，确定模块304还被配置为获取每个神经网络模型对应的历史训练数据的历史数据特征；根据每个神经网络模型对应的历史数据特征，确定每个神经网络模型对应的历史权重矩阵；根据加权系数、每个神经网络模型对应的历史训练数据的历史数据特征和历史权重矩阵，确定每个神经网络模型的权重矩阵。

通过如下公式，确定每个神经网络模型的权重矩阵：

w_new＝(1-λ)w_old+λf；

λ为加权系数,f为历史数据特征，w_old为历史权重矩阵，w_new为权重矩阵。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：

按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个所述神经网络模型对应的训练数据；

分别根据每个所述神经网络模型，通过前向算法提取每个所述神经网络模型对应的训练数据的数据特征；

对多个所述数据特征进行特征聚合操作，得到聚合特征；

获取每个所述神经网络模型的权重矩阵，分别根据每个所述神经网络模型的权重矩阵和所述聚合特征确定每个所述神经网络模型对应的第一逻辑计算值；

分别基于每个所述神经网络模型对应的第一逻辑计算值，更新每个所述神经网络模型的网络参数；

利用任意一个所述神经网络模型进行人脸识别。

2.根据权利要求1所述的方法，其特征在于，所述分别基于每个所述神经网络模型对应的第一逻辑计算值，更新每个所述神经网络模型的网络参数，包括：

对每个所述神经网络模型对应的第一逻辑计算值进行难例变换操作，得到每个所述神经网络模型对应的第二逻辑计算值；

对多个所述第二逻辑计算值进行特征减少操作，以得到每个所述神经网络模型对应的第三逻辑计算值；

分别基于每个所述神经网络模型对应的第三逻辑计算值，更新每个所述神经网络模型的网络参数。

3.根据权利要求2所述的方法，其特征在于，所述分别基于每个所述神经网络模型对应的第三逻辑计算值，更新每个所述神经网络模型的网络参数，包括：

分别根据每个所述神经网络模型对应的第三逻辑计算值，计算每个所述神经网络模型对应的概率值和梯度值；

分别基于每个所述神经网络模型对应的概率值和梯度值，通过反向传播的方法更新每个所述神经网络模型的网络参数。

4.根据权利要求2所述的方法，其特征在于，所述对每个所述神经网络模型对应的第一逻辑计算值进行难例变换操作，得到每个所述神经网络模型对应的第二逻辑计算值，包括：

根据标准角度和预设超参数，从每个所述神经网络模型对应的第一逻辑计算值中确定出每个所述神经网络模型对应的负逻辑计算值，其中，所述第一逻辑计算值，包括：所述负逻辑计算值和正逻辑计算值；

对每个所述神经网络模型对应的负逻辑计算值进行固定超参数变换，得到每个所述神经网络模型对应的第二逻辑计算值；或

对每个所述神经网络模型对应的负逻辑计算值进行自适应超参数变换，得到每个所述神经网络模型对应的第二逻辑计算值。

5.根据权利要求2所述的方法，其特征在于，所述对每个所述神经网络模型对应的第一逻辑计算值进行难例变换操作，得到每个所述神经网络模型对应的第二逻辑计算值，包括：

根据标准角度和预设超参数，从每个所述神经网络模型对应的第一逻辑计算值中确定出每个所述神经网络模型对应的正逻辑计算值，其中，所述第一逻辑计算值，包括：负逻辑计算值和所述正逻辑计算值；

对每个所述神经网络模型对应的正逻辑计算值进行固定超参数变换，得到每个所述神经网络模型对应的第二逻辑计算值；或

对每个所述神经网络模型对应的正逻辑计算值进行自适应超参数变换，得到每个所述神经网络模型对应的第二逻辑计算值。

6.根据权利要求2所述的方法，其特征在于，所述对每个所述神经网络模型对应的第一逻辑计算值进行难例变换操作，得到每个所述神经网络模型对应的第二逻辑计算值，包括：

根据标准角度和预设超参数，从每个所述神经网络模型对应的第一逻辑计算值中确定出每个所述神经网络模型对应的负逻辑计算值，其中，所述第一逻辑计算值，包括：所述负逻辑计算值和正逻辑计算值；

根据全局假阳率、惩罚系数、每个所述神经网络模型对应的假阳率和负逻辑计算值，计算每个所述神经网络模型对应的第二逻辑计算值。

7.根据权利要求1所述的方法，其特征在于，所述获取每个所述神经网络模型的权重矩阵，分别根据每个所述神经网络模型的权重矩阵和所述聚合特征确定每个所述神经网络模型对应的第一逻辑计算值之前，包括：

获取每个所述神经网络模型对应的历史训练数据的历史数据特征；

根据每个所述神经网络模型对应的历史数据特征，确定每个所述神经网络模型对应的历史权重矩阵；

根据加权系数、每个所述神经网络模型对应的历史训练数据的历史数据特征和历史权重矩阵，确定每个所述神经网络模型的权重矩阵。

8.一种人脸识别装置，其特征在于，包括：

划分模块，被配置为按照神经网络模型的数量，将人脸训练数据分为多份，以得到每个所述神经网络模型对应的训练数据；

提取模块，被配置为分别根据每个所述神经网络模型，通过前向算法提取每个所述神经网络模型对应的训练数据的数据特征；

聚合模块，被配置为对多个所述数据特征进行特征聚合操作，得到聚合特征；

确定模块，被配置为获取每个所述神经网络模型的权重矩阵，分别根据每个所述神经网络模型的权重矩阵和所述聚合特征确定每个所述神经网络模型对应的第一逻辑计算值；

更新模块，被配置为分别基于每个所述神经网络模型对应的第一逻辑计算值，更新每个所述神经网络模型的网络参数；

识别模块，被配置为利用任意一个所述神经网络模型进行人脸识别。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。

Images