CN115935279B - 一种层级分类模型的训练、层级分类的方法及装置 - Google Patents
一种层级分类模型的训练、层级分类的方法及装置 Download PDFInfo
- Publication number
- CN115935279B CN115935279B CN202310241729.7A CN202310241729A CN115935279B CN 115935279 B CN115935279 B CN 115935279B CN 202310241729 A CN202310241729 A CN 202310241729A CN 115935279 B CN115935279 B CN 115935279B
- Authority
- CN
- China
- Prior art keywords
- loss
- hierarchical
- level
- label
- target
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种层级分类模型的训练、层级分类的方法及装置,该方法包括:根据层级分类模型中每个目标层级对样本素材执行标签预测操作,得到每个目标层级对应的预测标签信息,样本素材包含多个层级的标签;根据每个目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果;根据所有预测损失结果及每种预测损失结果对应的损失权重,确定层级分类模型的层级标签损失结果。可见,本发明能够训练出精准的层级分类模型,进而有利于使用该精准的层级分类模型分析待层级分类数据的层级标签分类结果,有利于提高确定出的层级标签分类结果的准确性和确定效率,从而有利于提高标签层级的分类精准性及效率。
Description
技术领域
本发明涉及素材分类技术领域,尤其涉及一种层级分类模型的训练、层级分类的方法及装置。
背景技术
随着互联网飞速发展,互联网中所包含的广告素材数据多样且繁杂,其中,大量素材数据本身并不具有相关的文本标题或商品分类标签,并且素材在不同的数据平台所对应的标签体系也会不一致,导致素材标注的标签类别也会存在一定差别。当前,素材标签层级分类方式多为人为操作且通过主观性认定进行标签层级分类,标签层级分类结果准确性低。因此,提供一种能够提高标签层级分类准确性的层级分类方式显得尤为重要。
发明内容
本发明内容所要解决的技术问题在于,提供一种层级分类模型的训练、层级分类的方法及装置,能够提高标签层级分类准确性。
为了解决上述技术问题,本发明第一方面公开了一种层级分类模型的训练方法,所述方法包括:
根据预先确定出的层级分类模型中每个目标层级对样本素材执行标签预测操作,得到每个所述目标层级对应的预测标签信息,所述样本素材包含多个层级的标签;
根据每个所述目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果;
根据所有所述预测损失结果及确定出的每种所述预测损失结果对应的损失权重,确定所述层级分类模型的层级标签损失结果。
作为一种可选的实施方式,在本发明第一方面中,所述层级标签损失分析方式的数量大于等于1;
以及,所述根据每个所述目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果,包括:
对于每一预设层级标签损失分析方式,根据每个所述目标层级对应的预测标签信息及该层级标签损失分析方式,确定该目标层级对应的层级损失结果;根据所有所述层级损失结果及确定出的每种所述层级损失结果对应的损失权重,确定该层级标签损失分析方式对应的基础损失结果;
将所有所述层级标签损失分析方式对应的基础损失结果确定为至少一个预测损失结果。
作为一种可选的实施方式,在本发明第一方面中,所述根据每个所述目标层级对应的预测标签信息及该层级标签损失分析方式,确定该目标层级对应的层级损失结果,包括:
当该层级标签损失分析方式的类型包括多层级分析类型时,根据每个所述目标层级对应的预测标签信息,确定每相邻两个所述目标层级所对应的第一损失比对结果;根据所有所述第一损失比对结果,分析所有所述目标层级对应的层级损失结果;
当该层级标签损失分析方式的类型包括单层级分析类型时,对于每一目标层级,根据每个所述目标层级对应的预测标签信息、确定出的每个所述目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果;根据所有所述第二损失比对结果,分析所有所述目标层级对应的层级损失结果。
作为一种可选的实施方式,在本发明第一方面中,所述根据每个所述目标层级对应的预测标签信息,确定每相邻两个所述目标层级所对应的第一损失比对结果,包括:
当所述多层级分析类型包括特征图比对分析类型时,确定每一所述目标层级对应的输出特征图;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级所对应的输出特征图及预设的特征图损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;
当所述多层级分析类型包括关联标签比对分析类型时,确定每一所述目标层级对应的关联比对参数;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级对应的预测标签信息,分析该相邻两个所述目标层级对应的关联标签比对结果,并根据该相邻两个所述目标层级所对应的所述关联比对参数、所述关联标签比对结果及预设的关联标签损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;
其中,所述确定每一所述目标层级对应的输出特征图,包括:
将所述样本素材输入至所述层级分类模型包括的所有编码器及所有解码器中进行分析,得到每一所述目标层级对应的输出特征图;或者,
对于每一所述目标层级,根据该目标层级对应的预测标签信息、全连接层、编码器及解码器,确定该目标层级对应的输出特征图。
作为一种可选的实施方式,在本发明第一方面中,所述方法还包括:
在训练所述层级分类模型过程中,根据确定出的前一损失结果,判断所述层级分类模型是否满足预设的层级损失优化条件;所述前一损失结果包括前一预测损失结果和/或前一层级标签损失结果;
当判断出所述层级分类模型满足所述层级损失优化条件时,根据所述层级标签损失分析方式,对所有所述目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果,并根据所述后一损失结果继续执行相应的层级标签损失结果确定操作。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述层级标签损失分析方式,对所有所述目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果,包括:
当所述层级标签损失分析方式的类型包括特征图比对分析类型时,依次对每相邻两个所述目标层级执行以下操作:固定该相邻两个所述目标层级的后一层所述目标层级的卷积层参数不变,并将后一层所述目标层级的输出特征图作为监督信号,通过预设的反向传播计算方式,计算前一层所述目标层级的卷积层参数;基于计算出的前一层所述目标层级的卷积层参数优化前一层所述目标层级的输出特征图;根据优化后的前一层所述目标层级的输出特征图及后一层所述目标层级的输出特征图,计算该相邻两个所述目标层级所对应的第一损失比对结果,作为后一损失结果;
当所述层级标签损失分析方式的类型包括单层级分析类型时,对所有所述目标层级执行以下操作:根据预设余弦周期,对确定出的每一所述目标层级对应的基础优化权重系数执行系数动态更新操作,得到动态更新后的每一所述目标层级对应的优化权重系数;基于动态更新后的每一所述目标层级对应的优化权重系数,对每一所述目标层级执行层级优化操作,得到层级优化后的所有所述目标层级;对于每一层级优化后的所述目标层级,根据每个层级优化后的所述目标层级对应的预测标签信息、确定出的每个层级优化后的所述目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果,作为后一损失结果。
本发明第二方面公开了一种层级分类的方法,所述方法包括:
将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果;
以及,在所述将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果之前,所述方法还包括:
计算待层级分类数据包括的所有子数据对应的模态数量;
当所述模态数量大于等于预设的模态数量阈值时,对所述待层级分类数据包括的所有所述子数据进行特征融合处理,得到特征融合处理后的所述待层级分类数据;将特征融合处理后的所述待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果;
当所述模态数量小于预设的模态数量阈值时,执行所述的将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果的操作。
本发明第三方面公开了一种层级分类模型的训练装置,所述装置包括:
标签预测模块,用于根据预先确定出的层级分类模型中每个目标层级对样本素材执行标签预测操作,得到每个所述目标层级对应的预测标签信息,所述样本素材包含多个层级的标签;
层级损失确定模块,用于根据每个所述目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果;
模型损失确定模块,用于根据所有所述预测损失结果及确定出的每种所述预测损失结果对应的损失权重,确定所述层级分类模型的层级标签损失结果。
作为一种可选的实施方式,在本发明第三方面中,所述层级标签损失分析方式的数量大于等于1;
以及,所述层级损失确定模块根据每个所述目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果的方式具体包括:
对于每一预设层级标签损失分析方式,根据每个所述目标层级对应的预测标签信息及该层级标签损失分析方式,确定该目标层级对应的层级损失结果;根据所有所述层级损失结果及确定出的每种所述层级损失结果对应的损失权重,确定该层级标签损失分析方式对应的基础损失结果;
将所有所述层级标签损失分析方式对应的基础损失结果确定为至少一个预测损失结果。
作为一种可选的实施方式,在本发明第三方面中,所述层级损失确定模块根据每个所述目标层级对应的预测标签信息及该层级标签损失分析方式,确定该目标层级对应的层级损失结果的方式具体包括:
当该层级标签损失分析方式的类型包括多层级分析类型时,根据每个所述目标层级对应的预测标签信息,确定每相邻两个所述目标层级所对应的第一损失比对结果;根据所有所述第一损失比对结果,分析所有所述目标层级对应的层级损失结果;
当该层级标签损失分析方式的类型包括单层级分析类型时,对于每一目标层级,根据每个所述目标层级对应的预测标签信息、确定出的每个所述目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果;根据所有所述第二损失比对结果,分析所有所述目标层级对应的层级损失结果。
作为一种可选的实施方式,在本发明第三方面中,所述层级损失确定模块根据每个所述目标层级对应的预测标签信息,确定每相邻两个所述目标层级所对应的第一损失比对结果的方式具体包括:
当所述多层级分析类型包括特征图比对分析类型时,确定每一所述目标层级对应的输出特征图;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级所对应的输出特征图及预设的特征图损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;
当所述多层级分析类型包括关联标签比对分析类型时,确定每一所述目标层级对应的关联比对参数;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级对应的预测标签信息,分析该相邻两个所述目标层级对应的关联标签比对结果,并根据该相邻两个所述目标层级所对应的所述关联比对参数、所述关联标签比对结果及预设的关联标签损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;
其中,所述层级损失确定模块确定每一所述目标层级对应的输出特征图的方式具体包括:
将所述样本素材输入至所述层级分类模型包括的所有编码器及所有解码器中进行分析,得到每一所述目标层级对应的输出特征图;或者,
对于每一所述目标层级,根据该目标层级对应的预测标签信息、全连接层、编码器及解码器,确定该目标层级对应的输出特征图。
作为一种可选的实施方式,在本发明第三方面中,所述装置还包括:
判断模块,用于在训练所述层级分类模型过程中,根据确定出的前一损失结果,判断所述层级分类模型是否满足预设的层级损失优化条件;所述前一损失结果包括前一预测损失结果和/或前一层级标签损失结果;
层级优化训练模块,用于当所述判断模块判断出所述层级分类模型满足所述层级损失优化条件时,根据所述层级标签损失分析方式,对所有所述目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果,并根据所述后一损失结果继续执行相应的层级标签损失结果确定操作。
作为一种可选的实施方式,在本发明第三方面中,所述层级优化训练模块根据所述层级标签损失分析方式,对所有所述目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果的方式具体包括:
当所述层级标签损失分析方式的类型包括特征图比对分析类型时,依次对每相邻两个所述目标层级执行以下操作:固定该相邻两个所述目标层级的后一层所述目标层级的卷积层参数不变,并将后一层所述目标层级的输出特征图作为监督信号,通过预设的反向传播计算方式,计算前一层所述目标层级的卷积层参数;基于计算出的前一层所述目标层级的卷积层参数优化前一层所述目标层级的输出特征图;根据优化后的前一层所述目标层级的输出特征图及后一层所述目标层级的输出特征图,计算该相邻两个所述目标层级所对应的第一损失比对结果,作为后一损失结果;
当所述层级标签损失分析方式的类型包括单层级分析类型时,对所有所述目标层级执行以下操作:根据预设余弦周期,对确定出的每一所述目标层级对应的基础优化权重系数执行系数动态更新操作,得到动态更新后的每一所述目标层级对应的优化权重系数;基于动态更新后的每一所述目标层级对应的优化权重系数,对每一所述目标层级执行层级优化操作,得到层级优化后的所有所述目标层级;对于每一层级优化后的所述目标层级,根据每个层级优化后的所述目标层级对应的预测标签信息、确定出的每个层级优化后的所述目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果,作为后一损失结果。
本发明第四方面公开了一种层级分类的装置,所述装置包括:
层级标签分类模块,用于将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果;
计算模块,用于在所述层级标签分类模块将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果之前,计算待层级分类数据包括的所有子数据对应的模态数量;
特征融合处理模块,当所述模态数量大于等于预设的模态数量阈值时,对所述待层级分类数据包括的所有所述子数据进行特征融合处理,得到特征融合处理后的所述待层级分类数据;
所述层级标签分类模块,还用于将特征融合处理后的所述待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果;
所述层级标签分类模块,还用于当所述模态数量小于预设的模态数量阈值时,执行所述的将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果的操作。
本发明第五方面公开了另一种层级分类模型的训练装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的一种层级分类模型的训练方法。
本发明第六方面公开了另一种层级分类的装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第二方面公开的一种层级分类的方法。
本发明第七方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的一种层级分类模型的训练方法。
本发明第八方面公开了另一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第二方面公开的一种层级分类的方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,根据预先确定出的层级分类模型中每个目标层级对样本素材执行标签预测操作,得到每个该目标层级对应的预测标签信息,该样本素材包含多个层级的标签;根据每个该目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果;根据所有该预测损失结果及确定出的每种该预测损失结果对应的损失权重,确定该层级分类模型的层级标签损失结果。可见,本发明通过层级分类模型输出的预测标签信息及标签损失分析方式,确定层级分类模型的层级标签损失结果,进一步通过确定出的层级标签损失结果对层级分类模型执行训练操作,能够训练出精准的层级分类模型,进而有利于使用该精准的层级分类模型分析待层级分类数据的层级标签分类结果,有利于提高确定出的层级标签分类结果的准确性和确定效率,从而有利于提高标签层级的分类精准性及效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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他的附图。
图1是本发明实施例公开的一种层级分类模型的训练方法的流程示意图;
图2是本发明实施例公开的一种层级分类的方法的流程示意图;
图3是本发明实施例公开的一种层级分类模型的训练装置的结构示意图;
图4是本发明实施例公开的另一种层级分类模型的训练装置的结构示意图;
图5是本发明实施例公开的一种层级分类的装置的结构示意图;
图6是本发明实施例公开的又一种层级分类模型的训练装置的结构示意图;
图7是本发明实施例公开的另一种层级分类的装置的结构示意图;
图8是本发明实施例公开的一种层级分类模型的训练方法的解码器与层级标签的关系示意图;
图9是本发明实施例公开的一种层级分类模型的训练方法的层级关系及层级标签的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种层级分类模型的训练、层级分类的方法,能够通过层级分类模型输出的预测标签信息及标签损失分析方式,确定层级分类模型的层级标签损失结果,进一步通过确定出的层级标签损失结果对层级分类模型执行训练操作,能够训练出精准的层级分类模型,进而有利于使用该精准的层级分类模型分析待层级分类数据的层级标签分类结果,有利于提高确定出的层级标签分类结果的准确性和确定效率,从而有利于提高标签层级的分类精准性及效率。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种层级分类模型的训练方法的流程示意图。其中,图1所描述的方法可以应用于一种层级分类模型的训练装置,其中,该装置可以包括服务器,其中,服务器包括本地服务器或者云服务器,本发明实施例不做限定。如图1所示,该一种层级分类模型的训练方法包括以下操作:
101、根据预先确定出的层级分类模型中每个目标层级对样本素材执行标签预测操作,得到每个目标层级对应的预测标签信息,样本素材包含多个层级的标签。
可选的,样本素材也可以包含一个层级的标签,本发明实施例不做限定。
可选的,样本素材可以是包括一个或多个模态的数据,进一步的,模态数据可以是视频模态数据、图像模态数据、文本模态数据、语音模态数据及其它模态数据中的一种或多种,本发明实施例不做限定。
可选的,针对样本素材与确定出的预测标签信息,举例说明:样本素材为“文本标题《冬季火热上新啦!超细粒抗寒毛衣!》”,则对样本素材执行标签预测操作得到的预测标签信息可以是“服饰鞋包-女装-上衣-毛衣”,其中第一目标层级的标签为服饰鞋包,第四目标层级的标签为毛衣,其它层级标签同理,本发明实施例不做限定。
可选的,层级分类模型的模型构建方式可以是:采用Transformer模块搭建一个多模态层级分类网络,具体的,层级分类模型包括编码器和解码器,编码器由各模态的特征嵌入层和A(如A=12)个Transformer模块构成,解码器由B(如B大于标签数据的层级数C)个Transformer模块构成,且每个Transformer模块会独立接一层全连接层用于标签分类,本发明实施例不做限定。
可选的,层级分类模型中的解码器与标签结果(如预测标签信息或层级标签分类结果等)之间的分析方式可以是:将需分类数据(如样本素材或待层级分类数据等)输入至层级分类模型中进行分析,浅层的Transformer模块通过相匹配的浅层全连接层预测一级标签,深层的Transformer模块通过相匹配的深层全连接层预测相应深层级的标签,可参照说明书附图8所示,需要说明的是,图8设置了3个Transformer模块则最多可进行三个层级的标签分类,层级分类模型还可以根据实际需求设置任意数量的Transformer模块,本发明实施例不做限定。
102、根据每个目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果。
可选的,预设层级标签损失分析方式可以包括单层级分析类型的损失分析方式和/或多层级分析类型的损失分析方式,进一步的,多层级分析类型的损失分析方式可以包括特征图比对分析类型的损失分析方式和/或关联标签比对分析类型的损失分析方式,本发明实施例不做限定。
103、根据所有预测损失结果及确定出的每种预测损失结果对应的损失权重,确定层级分类模型的层级标签损失结果。
可选的,层级分类模型的层级标签损失结果确定方式可以是:根据确定出的每种预测损失结果对应的损失权重,对所有预测损失结果进行加权求和得到层级分类模型的层级标签损失结果,本发明实施例不做限定。
可选的,每种预测损失结果对应的损失权重的确定方式,可以是:根据模型训练情况及每一预设层级标签损失分析方式对应的预测损失结果确定出预测损失结果对应的损失权重,举例说明,第一预设层级标签损失分析方式对应的预测损失结果为100、第二预设层级标签损失分析方式对应的预测损失结果为1、第三预设层级标签损失分析方式对应的预测损失结果为0.02,则需分配权重系数进行均衡,如设置第一预设层级标签损失分析方式对应的损失权重为0.01、第二预设层级标签损失分析方式对应的损失权重为1、第三预设层级标签损失分析方式对应的损失权重为50;还可以是:根据每一预设层级标签损失分析方式的训练性质确定出预测损失结果对应的损失权重,举例说明,第一预设层级标签损失分析方式对应的预测损失结果用于预测实际层级标签、第二预设层级标签损失分析方式对应的预测损失结果和第三预设层级标签损失分析方式对应的预测损失结果用于辅助模型训练,则第一预设层级标签损失分析方式对应的损失权重相对调大,如设置第一预设层级标签损失分析方式对应的损失权重为3、第二预设层级标签损失分析方式对应的损失权重为1、第三预设层级标签损失分析方式对应的损失权重为1,发明实施例不做限定。
可见,实施本发明实施例所描述的一种层级分类模型的训练方法能够通过层级分类模型输出的预测标签信息及标签损失分析方式,确定层级分类模型的层级标签损失结果,进一步通过确定出的层级标签损失结果对层级分类模型执行训练操作,能够训练出精准的层级分类模型,进而有利于使用该精准的层级分类模型分析待层级分类数据的层级标签分类结果,有利于提高确定出的层级标签分类结果的准确性和确定效率,从而有利于提高标签层级的分类精准性及效率。
在一个可选的实施例中,层级标签损失分析方式的数量大于等于1;
进一步的,根据每个目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果,可以包括:
对于每一预设层级标签损失分析方式,根据每个目标层级对应的预测标签信息及该层级标签损失分析方式,确定该目标层级对应的层级损失结果;根据所有层级损失结果及确定出的每种层级损失结果对应的损失权重,确定该层级标签损失分析方式对应的基础损失结果;
将所有层级标签损失分析方式对应的基础损失结果确定为至少一个预测损失结果。
可选的,根据确定出的每种层级损失结果对应的损失权重,对所有层级损失结果进行加权求和得到该层级标签损失分析方式对应的基础损失结果,本发明实施例不做限定。
可选的,每种层级损失结果对应的损失权重之间的取值关系可以是上一层级对应的初始损失权重的值大于下一层级对应的初始损失权重的值(如第一目标层级对应初始损失权重的值大于第二目标层级对应的初始损失权重的值等),以及所有层级损失结果对应的损失权重的和为1,本发明实施例不做限定。
可选的,上述将所有层级标签损失分析方式对应的基础损失结果确定为至少一个预测损失结果,可以理解为:对于每一层级标签损失分析方式对应的基础损失结果,将该层级标签损失分析方式对应的基础损失结果确定为一个预测损失结果,即若有一个层级标签损失分析方式对应的基础损失结果则确定出一个预测损失结果,若有三个层级标签损失分析方式对应的基础损失结果则确定出三个预测损失结果,其余同理,本发明实施例不再一一举例赘述。
可见,该可选的实施例能够对于每一预设层级标签损失分析方式确定每一层级的层级损失结果进而结合损失权重确定该预设层级标签损失分析方式对应的预测损失结果,有利于提高预测损失结果确定方式的全面性和可行性,进而有利于提高确定出的预测损失结果的准确性和可靠性,从而提高每一层级的标签分类精准性和可靠性。
在另一个可选的实施例中,根据每个目标层级对应的预测标签信息及该层级标签损失分析方式,确定该目标层级对应的层级损失结果,可以包括:
当该层级标签损失分析方式的类型包括多层级分析类型时,根据每个目标层级对应的预测标签信息,确定每相邻两个目标层级所对应的第一损失比对结果;根据所有第一损失比对结果,分析所有目标层级对应的层级损失结果;
当该层级标签损失分析方式的类型包括单层级分析类型时,对于每一目标层级,根据每个目标层级对应的预测标签信息、确定出的每个目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果;根据所有第二损失比对结果,分析所有目标层级对应的层级损失结果。
可选的,目标层级对应的目标标签信息可以是样本素材对于目标层级的真实标签信息(即正确的、合理的标签),同理,目标层级对应的预测标签信息可以是样本素材针对层级分类模型训练过程中所输出的目标层级的训练标签信息,本发明实施例不做限定。
可选的,上述根据所有第一损失比对结果,分析所有目标层级对应的层级损失结果,可以是将所有第一损失比对结果直接确定为所有目标层级对应的层级损失结果,也可以是将所有第一损失比对结果进行预设数据处理操作(如加权处理等)并将数据处理后的所有第一损失比对结果确定为所有目标层级对应的层级损失结果,本发明实施例不做限定。
可选的,上述根据所有第二损失比对结果,分析所有目标层级对应的层级损失结果,可以是将所有第二损失比对结果直接确定为所有目标层级对应的层级损失结果,也可以是将所有第二损失比对结果进行预设数据处理操作(如加权处理等)并将数据处理后的所有第二损失比对结果确定为所有目标层级对应的层级损失结果,本发明实施例不做限定。
可选的,单层分类损失计算方式可以是通过Softmax交叉熵计算每一目标层级的预测标签信息与目标标签信息所对应的第二损失比对结果,举例说明:假设标签体系中至多有4个层级(包括C1个一级标签,C2个二级标签,C3个三级标签,C4个四级标签),第一目标层级对应的全连接层在(C1+1)个类别中通过Softmax交叉熵计算第二损失比对结果,第二目标层级对应的全连接层在(C2+1)个类别中通过Softmax交叉熵计算第二损失比对结果,第三目标层级对应的全连接层在(C3+1)个类别中通过Softmax交叉熵计算第二损失比对结果,第四目标层级对应的全连接层在(C4+1)个类别中通过Softmax交叉熵计算第二损失比对结果,其中,括号中的+1表示空类别,适用于需分类数据不存在该层级标签的情况,本发明实施例不做限定。
可见,该可选的实施例能够根据不同的层级标签损失分析方式的类型匹配相应的层级损失结果确定方式,丰富了层级损失结果确定方式的多样性和可选择性,有利于提高层级损失结果确定方式的灵活性和针对性,进而有利于提高确定出的层级损失结果的准确性和可靠性。
在又一个可选的实施例中,根据每个目标层级对应的预测标签信息,确定每相邻两个目标层级所对应的第一损失比对结果,可以包括:
当多层级分析类型包括特征图比对分析类型时,确定每一目标层级对应的输出特征图;对于每相邻两个目标层级,根据该相邻两个目标层级所对应的输出特征图及预设的特征图损失计算方式,确定该相邻两个目标层级所对应的第一损失比对结果;
当多层级分析类型包括关联标签比对分析类型时,确定每一目标层级对应的关联比对参数;对于每相邻两个目标层级,根据该相邻两个目标层级对应的预测标签信息,分析该相邻两个目标层级对应的关联标签比对结果,并根据该相邻两个目标层级所对应的关联比对参数、关联标签比对结果及预设的关联标签损失计算方式,确定该相邻两个目标层级所对应的第一损失比对结果。
可选的,关联比对参数可以包括置信度参数和/或全连接层所输出的特征向量参数,进一步的,目标层级对应的全连接层所输出的特征向量参数可以是通过该目标层级对应的全连接层输出的特征向量结果,本发明实施例不做限定。
进一步可选的,上述根据该相邻两个目标层级所对应的关联比对参数、关联标签比对结果及预设的关联标签损失计算方式,确定该相邻两个目标层级所对应的第一损失比对结果,可以包括:
当关联比对参数包括置信度参数时,对该相邻两个目标层级对应的置信度参数进行求均值计算操作得到置信度均值结果;根据该相邻两个目标层级所对应的置信度均值结果、关联标签比对结果及预设的关联标签损失计算方式,计算该相邻两个目标层级所对应的第一损失比对结果;
当关联比对参数包括全连接层所输出的特征向量参数时,对该相邻两个目标层级对应的全连接层所输出的特征向量参数进行二分类操作得到特征向量参数分类结果;根据该相邻两个目标层级所对应的特征向量参数分类结果、关联标签比对结果及预设的关联标签损失计算方式,计算该相邻两个目标层级所对应的第一损失比对结果。
可选的,关联标签损失计算方式可以是Sigmoid二值交叉熵计算方式,本发明实施例不做限定。进一步的,针对关联标签比对分析类型,第一目标层级与第二目标层级所对应的层级损失结果损失权重设置为最大(如0.5),越深层级所对应的层级损失结果损失权重设置得越小,本发明实施例不做限定。
进一步可选的,上述根据该相邻两个目标层级对应的预测标签信息,分析该相邻两个目标层级对应的关联标签比对结果,可以包括:
根据该相邻两个目标层级对应的预测标签信息,确定该相邻两个目标层级的层级相关度,并根据该相邻两个目标层级的层级相关度,确定该相邻两个目标层级对应的关联标签比对结果。
可选的,关联标签比对结果可以采用0或1进行表示,也可以采用其它方式进行表示,本发明实施例不做限定。
进一步可选的,上述根据该相邻两个目标层级的层级相关度,确定该相邻两个目标层级对应的关联标签比对结果,可以包括:
当该相邻两个目标层级的层级相关度大于等于预设的层级相关度阈值时,确定该相邻两个目标层级对应的关联标签比对结果为1;
当该相邻两个目标层级的层级相关度小于预设的层级相关度阈值时,确定该相邻两个目标层级对应的关联标签比对结果为0。
可选的,上述根据该相邻两个目标层级对应的预测标签信息,分析该相邻两个目标层级对应的关联标签比对结果,举例说明:如图9所示,左侧内容“服饰鞋包”、“食品饮料”为第一目标层级对应的标签,右侧内容为第二目标层级对应的标签,则男装和服饰鞋包的关联标签比对结果为1,酒水饮品与服饰鞋包的关联标签比对结果为0,其余情况同理,本发明实施例不再一一举例。
可见,该可选的实施例能够针对多层级分析类型包括特征图比对分析类型或关联标签比对分析类型匹配相应的第一损失比对结果确定方式,丰富了第一损失比对结果确定方式的多样性和可选择性,有利于提高第一损失比对结果确定方式的灵活性和针对性,进而有利于提高确定出的第一损失比对结果的准确性和可靠性。
在又一个可选的实施例中,上述确定每一目标层级对应的输出特征图,可以包括:
将样本素材输入至层级分类模型包括的所有编码器及所有解码器中进行分析,得到每一目标层级对应的输出特征图;或者,
对于每一目标层级,根据该目标层级对应的预测标签信息、全连接层、编码器及解码器,确定该目标层级对应的输出特征图。
可选的,输出特征图的确定方式可以参照但不限于说明书附图8所示,本发明实施例不做限定。
可选的,层级分类模型可以包括上述提及的全连接层、编码器及解码器,本发明实施例不做限定。
可见,该可选的实施例能够提供两种目标层级的输出特征图确定方式,丰富了输出特征图确定方式的多样性和全面性,有利于提高输出特征图确定方式的可选择性和灵活性,进而有利于提高输出特征图的确定效率和确定便捷性。
在又一个可选的实施例中,该方法还可以包括以下操作:
在训练层级分类模型过程中,根据确定出的前一损失结果,判断层级分类模型是否满足预设的层级损失优化条件;前一损失结果包括前一预测损失结果和/或前一层级标签损失结果;
当判断出层级分类模型满足层级损失优化条件时,根据层级标签损失分析方式,对所有目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果,并根据后一损失结果继续执行相应的层级标签损失结果确定操作。
进一步可选的,上述根据确定出的前一损失结果,判断层级分类模型是否满足预设的层级损失优化条件与下文当层级标签损失分析方式的类型包括单层级分析类型时系数动态更新操作的关系,可以是每训练完1/N个Epoch就进行一次系数动态更新操作,也可以是每训练完一个Epoch在验证集上进行一次精度验证,当层级精度满足设定的阈值时就进行一次系数动态更新操作,本发明实施例不做限定。
进一步可选的,上述每训练完一个Epoch在验证集上进行一次精度验证,当层级精度满足设定的阈值时就进行一次系数动态更新操作,举例说明:每训练完一个Epoch(即得到前一损失结果),且前一损失结果所对应的预测标签信息的验证精度情况为:第一目标层级的验证精度为0.4,第二目标层级的验证精度为0.2,第三目标层级的验证精度为0.01;预设的验证精度阈值情况条件为第一目标层级的验证精度需满足0.5;此时由于未满足条件,则继续进行第2个Epoch的训练,训练完成第2个Epoch后,第2个Epoch所对应的预测标签信息的验证精度情况为:第一目标层级的验证精度为0.6(>0.5),第二目标层级的验证精度为0.3,第三目标层级的验证精度为0.05;此时由于第一目标层级的验证精度满足条件,则进行第一次系数动态更新操作;更新后开始查看第一目标层级的验证精度是否满足对应的预设验证精度阈值0.6,且第二目标层级的验证精度是否满足对应的预设验证精度阈值0.45;若不满足则进行第3个Epoch的训练,训练完成后第一目标层级的验证精度为0.7(>0.65),第二目标层级的验证精度为0.44(<0.45),第三目标层级的验证精度为0.1;此时继续第4个Epoch的训练,训练完成后第一目标层级的验证精度为0.78(>0.65),第二目标层级的验证精度为0.56(>0.45),第三目标层级的验证精度为0.14,此时第一目标层级、第二目标层级满足精度要求,则进行第三次系数动态更新操作,以此类推,本发明实施例不再一一赘述。
进一步可选的,上述根据确定出的前一损失结果,判断层级分类模型是否满足预设的层级损失优化条件的具体实施方式,可以是判断前一损失结果与预设的损失结果阈值的大小比较关系进而确定是否满足层级损失优化条件,也可以参照但不限于下文所提到的关于判断层级分类模型是否训练收敛的具体实施方式,也即在层级分类模型未训练至收敛之前皆可说明层级分类模型满足预设的层级损失优化条件,此处不再赘述。
进一步可选的,当判断出层级分类模型不满足层级损失优化条件时,确定层级分类模型无需进行层级损失优化操作,本发明实施例不做限定。
可选的,上述训练层级分类模型过程中可以是层级分类模型训练未收敛时进行相关层级损失优化操作,本发明实施例不做限定。
可选的,上述根据后一损失结果继续执行相应的层级标签损失结果确定操作,相应的层级标签损失结果确定操作可以参照但不限于本方案所提及的一个或多个可选实施例,本发明实施例不做限定。
可见,该可选的实施例能够提供层级损失优化方式,提高一种层级分类模型的训练方式的全面性和整体性,有利于减少层级分类模型的层级分类损失,进而有利于提高层级分类模型的训练精准性和训练有效性,从而有利于提高层级分类模型的层级分类精准性和可靠性。
在又一个可选的实施例中,根据层级标签损失分析方式,对所有目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果,可以包括:
当层级标签损失分析方式的类型包括特征图比对分析类型时,依次对每相邻两个目标层级执行以下操作:固定该相邻两个目标层级的后一层目标层级的卷积层参数不变,并将后一层目标层级的输出特征图作为监督信号,通过预设的反向传播计算方式,计算前一层目标层级的卷积层参数;基于计算出的前一层目标层级的卷积层参数优化前一层目标层级的输出特征图;根据优化后的前一层目标层级的输出特征图及后一层目标层级的输出特征图,计算该相邻两个目标层级所对应的第一损失比对结果,作为后一损失结果;
当层级标签损失分析方式的类型包括单层级分析类型时,对所有目标层级执行以下操作:根据预设余弦周期,对确定出的每一目标层级对应的基础优化权重系数执行系数动态更新操作,得到动态更新后的每一目标层级对应的优化权重系数;基于动态更新后的每一目标层级对应的优化权重系数,对每一目标层级执行层级优化操作,得到层级优化后的所有目标层级;对于每一层级优化后的目标层级,根据每个层级优化后的目标层级对应的预测标签信息、确定出的每个层级优化后的目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果,作为后一损失结果。
可选的,对确定出的每一目标层级对应的基础优化权重系数执行系数动态更新操作,举例说明:假设有四个目标层级,每一目标层级的损失结果使用不同的优化权重系数,四个目标层级的优化权重系数设置为4个动态变化的优化权重值且该4个优化权重值和为1,在训练初期,提前设置第一目标层级的标签的优化权重系数为0.7,第二目标层级的标签的优化权重系数为0.3×0.7=0.21,第三目标层级的标签的优化权重系数为0.09×0.7=0.063,第四目标层级的标签的优化权重系数为1-0.7-0.21-0.063=0.027,随着层级分类模型训练的不断进行,调整每个目标层级的优化权重系数,最终使每个目标层级的优化权重系数相等,本发明实施例不做限定。进一步的,当调整至每个目标层级的优化权重系数均相等后,目标层级仍需继续进行层级优化及模型训练操作,直至层级分类模型训练至收敛,本发明实施例不做限定。
进一步可选的,上述根据预设余弦周期,对确定出的每一目标层级对应的基础优化权重系数执行系数动态更新操作,得到动态更新后的每一目标层级对应的优化权重系数,举例说明:设置目标层级的优化权重系数初始化值,随后令其在N个训练Epoch数内,按余弦周期进行衰减或递增,直至达到设定的均衡值,举例说明:若共有四个目标层级则所有目标层级的优化权重系数皆衰减或递增到0.25,当第一目标层级的优化权重系数初始化为0.7则让其在N个训练Epoch数内按余弦周期进行衰减直至0.25,当第四目标层级的优化权重系数初始化为0.063则让其在N个训练Epoch数内按余弦周期进行上升直至0.25,本发明实施例不做限定。
进一步可选的,基础优化权重系数的系数动态更新方式除了上述提及的余弦变换优化调整方式,还可以包括但不限于训练数划分优化调整方式、线性变换优化调整方式及其它优化调整方式等中的一种或多种,本发明实施例不做限定。
进一步可选的,训练数划分优化调整方式,可以是:令x/t+x2/t+x3/t+x4/t=1,越高的x阶次所在的数代表越深层的目标层级优化权重系数,如x4/t代表第四目标层级的优化权重系数,t代表的是第几次优化权重系数更新,t的最大值等于目标层级的总个数;举例说明:当t=1时,也即第一次更新优化权重系数配置(初始配置),此时x≈0.52,即第一目标层级的优化权重系数为x/t=0.52,第二目标层级的优化权重系数为0.27,第三目标层级的优化权重系数为0.14,第四目标层级的优化权重系数为0.07,由于目标层级的总层级数最大是4,t的最大值即为4,当t=4时,计算可知x=1,此时第一目标层级的优化权重系数为x/t=0.25,提前对训练总Epoch数进行四等划分,例如训练200个Epoch,则前50个Epoch时,使用t=1时的优化权重系数,训练到50-100个Epoch时,使用t=2时的优化权重系数,以此类推,本发明实施例不做限定。
需要说明的是,上述优化调整方式的具体举例操作是基于目标层级数为4的情况下进行说明,目标层级还可以设置有其它层级数值情况,基于其它层级数值情况的优化调整方式的具体操作可以参照但不限于上述提及的基于目标层级数为4的情况的优化调整方式的具体举例操作,本发明实施例不做限定。
可见,该可选的实施例能够针对层级标签损失分析方式的类型为特征图比对分析类型或单层级分析类型匹配相应的后一损失结果确定方式,丰富了后一损失结果确定方式的多样性和全面性,进而有利于提高后一损失结果确定方式的灵活性和针对性,从而有利于提高确定出的后一损失结果的准确性和可靠性。
在又一个可选的实施例中,该方法还可以包括以下操作:
根据层级标签损失结果,判断层级分类模型是否满足预设的模型精度验证条件;
当判断出层级分类模型满足模型精度验证条件时,根据评测数据集及预设的模型精度评测分析条件,确定层级分类模型对应的层级精度情况;
判断层级精度情况是否满足预设的层级精度阈值条件;
当判断出层级精度情况满足层级精度阈值条件时,确定层级分类模型训练收敛。
进一步可选的,当判断出层级分类模型不满足模型精度验证条件时,继续执行相关的层级损失优化操作、层级标签损失确定操作及层级分类模型训练收敛情况监测操作,直至层级分类模型满足模型精度验证条件,本发明实施例不做限定。
进一步可选的,当判断出层级精度情况不满足层级精度阈值条件时,继续执行相关的层级损失优化操作、层级标签损失确定操作及层级分类模型训练收敛情况监测操作,直至层级精度情况满足层级精度阈值条件,本发明实施例不做限定。
进一步的,层级分类模型训练收敛情况监测操作包括满足层级精度情况判断监测操作和/或满足层级精度阈值条件判断监测操作,本发明实施例不做限定。
进一步可选的,上述根据层级标签损失结果,判断层级分类模型是否满足预设的模型精度验证条件,可以包括:
判断层级标签损失结果对应的损失值是否小于等于预设的损失值阈值;
当判断结果为是时,确定层级分类模型满足预设的模型精度验证条件;
当判断结果为否时,确定层级分类模型不满足预设的模型精度验证条件。
进一步可选的,上述判断层级精度情况是否满足预设的层级精度阈值条件,可以包括:
判断层级精度情况对应的精度是否大于等于预设的精度阈值,当判断结果为是时,确定层级精度情况满足预设的层级精度阈值条件;当判断结果为否时,确定层级精度情况不满足预设的层级精度阈值条件;或者,
当层级精度情况表示层级精度趋于稳定时,确定层级精度情况满足预设的层级精度阈值条件;当层级精度情况表示层级精度并未趋于稳定时,确定层级精度情况不满足预设的层级精度阈值条件。
可见,该可选的实施例能够根据确定出的层级标签损失结果确定层级分类模型的训练收敛情况,有利于提高层级分类模型的训练收敛情况确定方式的全面性和合理性,进而有利于提高确定出的层级分类模型的训练收敛情况的准确性和可靠性,从而有利于提高层级分类模型训练收敛的确定及时性、确定精准性和减少不必要的训练资源消耗。
实施例二
请参阅图2,图2是本发明实施例公开的一种层级分类的方法的流程示意图。其中,图2所描述的方法可以应用于一种层级分类的装置,其中,该装置可以包括服务器,其中,服务器包括本地服务器或者云服务器,本发明实施例不做限定。如图2所示,该一种层级分类的方法包括以下操作:
201、计算待层级分类数据包括的所有子数据对应的模态数量。
202、当模态数量大于等于预设的模态数量阈值时,对待层级分类数据包括的所有子数据进行特征融合处理,得到特征融合处理后的待层级分类数据;将特征融合处理后的待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到待层级分类数据对应的层级标签分类结果。
可选的,当待层级分类数据包括视频素材时,可以是先对视频素材执行抽帧操作得到抽帧得到的图像素材再将该抽帧得到的图像素材作为图像模态数据与其它模态数据(如文本数据、图像数据、语音数据)进行特征融合后再分类,也可以是直接将所有模态数据进行特征融合后再分类(即无需对视频素材执行抽帧操作),本发明实施例不做限定。
可选的,特征融合处理方式具体可以是:层级分类模型中的各模态的特征嵌入层将不同模态的子数据抽象成低维特征向量表示,然后分别输入至同一个编码器中,在得到对应模态的编码特征后,对不同模态的编码特征进行相加融合,得到特征融合处理后的待层级分类数据,本发明实施例不做限定。
203、当模态数量小于预设的模态数量阈值时,将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到待层级分类数据对应的层级标签分类结果。
可见,实施图2所描述的一种层级分类的方法能够针对待层级分类数据的数据模态数量匹配相应的层级标签分类结果分析方式,有利于提高层级标签分类结果分析方式的全面性,此外,当模态数量大于等于模态数量阈值时提供特征融合处理方式,并基于特征融合处理后的待层级分类数据确定出层级标签分类结果,有利于应对待层级分类数据的数据源不同导致层级标签分类过程中部分模态数据缺失的情况,进而有利于提高确定出的层级标签分类结果的准确性和可靠性。
实施例三
请参阅图3,图3是本发明实施例公开的一种层级分类模型的训练装置的结构示意图。其中,图3所描述的装置可以包括服务器,其中,服务器包括本地服务器或者云服务器,本发明实施例不做限定。如图3所示,该一种层级分类模型的训练装置可以包括:
标签预测模块301,用于根据预先确定出的层级分类模型中每个目标层级对样本素材执行标签预测操作,得到每个目标层级对应的预测标签信息,样本素材包含多个层级的标签。
层级损失确定模块302,用于根据每个目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果。
模型损失确定模块303,用于根据所有预测损失结果及确定出的每种预测损失结果对应的损失权重,确定层级分类模型的层级标签损失结果。
可见,实施图3所描述的一种层级分类模型的训练装置能够通过层级分类模型输出的预测标签信息及标签损失分析方式,确定层级分类模型的层级标签损失结果,进一步通过确定出的层级标签损失结果对层级分类模型执行训练操作,能够训练出精准的层级分类模型,进而有利于使用该精准的层级分类模型分析待层级分类数据的层级标签分类结果,有利于提高确定出的层级标签分类结果的准确性和确定效率,从而有利于提高标签层级的分类精准性及效率。
在一个可选的实施例中,层级标签损失分析方式的数量大于等于1;
进一步的,层级损失确定模块302根据每个目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果的方式具体包括:
对于每一预设层级标签损失分析方式,根据每个目标层级对应的预测标签信息及该层级标签损失分析方式,确定该目标层级对应的层级损失结果;根据所有层级损失结果及确定出的每种层级损失结果对应的损失权重,确定该层级标签损失分析方式对应的基础损失结果;
将所有层级标签损失分析方式对应的基础损失结果确定为至少一个预测损失结果。
可见,实施图4所描述的装置能够对于每一预设层级标签损失分析方式确定每一层级的层级损失结果进而结合损失权重确定该预设层级标签损失分析方式对应的预测损失结果,有利于提高预测损失结果确定方式的全面性和可行性,进而有利于提高确定出的预测损失结果的准确性和可靠性,从而提高每一层级的标签分类精准性和可靠性。
在另一个可选的实施例中,层级损失确定模块302根据每个目标层级对应的预测标签信息及该层级标签损失分析方式,确定该目标层级对应的层级损失结果的方式具体包括:
当该层级标签损失分析方式的类型包括多层级分析类型时,根据每个目标层级对应的预测标签信息,确定每相邻两个目标层级所对应的第一损失比对结果;根据所有第一损失比对结果,分析所有目标层级对应的层级损失结果;
当该层级标签损失分析方式的类型包括单层级分析类型时,对于每一目标层级,根据每个目标层级对应的预测标签信息、确定出的每个目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果;根据所有第二损失比对结果,分析所有目标层级对应的层级损失结果。
可见,实施图4所描述的装置还能够根据不同的层级标签损失分析方式的类型匹配相应的层级损失结果确定方式,丰富了层级损失结果确定方式的多样性和可选择性,有利于提高层级损失结果确定方式的灵活性和针对性,进而有利于提高确定出的层级损失结果的准确性和可靠性。
在又一个可选的实施例中,层级损失确定模块302根据每个目标层级对应的预测标签信息,确定每相邻两个目标层级所对应的第一损失比对结果的方式具体包括:
当多层级分析类型包括特征图比对分析类型时,确定每一目标层级对应的输出特征图;对于每相邻两个目标层级,根据该相邻两个目标层级所对应的输出特征图及预设的特征图损失计算方式,确定该相邻两个目标层级所对应的第一损失比对结果;
当多层级分析类型包括关联标签比对分析类型时,确定每一目标层级对应的关联比对参数;对于每相邻两个目标层级,根据该相邻两个目标层级对应的预测标签信息,分析该相邻两个目标层级对应的关联标签比对结果,并根据该相邻两个目标层级所对应的关联比对参数、关联标签比对结果及预设的关联标签损失计算方式,确定该相邻两个目标层级所对应的第一损失比对结果。
可见,实施图4所描述的装置还能够针对多层级分析类型包括特征图比对分析类型或关联标签比对分析类型匹配相应的第一损失比对结果确定方式,丰富了第一损失比对结果确定方式的多样性和可选择性,有利于提高第一损失比对结果确定方式的灵活性和针对性,进而有利于提高确定出的第一损失比对结果的准确性和可靠性。
在又一个可选的实施例中,层级损失确定模块302确定每一目标层级对应的输出特征图的方式具体包括:
将样本素材输入至层级分类模型包括的所有编码器及所有解码器中进行分析,得到每一目标层级对应的输出特征图;或者,
对于每一目标层级,根据该目标层级对应的预测标签信息、全连接层、编码器及解码器,确定该目标层级对应的输出特征图。
可见,实施图4所描述的装置还能够提供两种目标层级的输出特征图确定方式,丰富了输出特征图确定方式的多样性和全面性,有利于提高输出特征图确定方式的可选择性和灵活性,进而有利于提高输出特征图的确定效率和确定便捷性。
在又一个可选的实施例中,如图4所示,该装置还可以包括:
判断模块304,用于在训练层级分类模型过程中,根据确定出的前一损失结果,判断层级分类模型是否满足预设的层级损失优化条件;前一损失结果包括前一预测损失结果和/或前一层级标签损失结果。
层级优化训练模块305,用于当判断模块304判断出层级分类模型满足层级损失优化条件时,根据层级标签损失分析方式,对所有目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果,并根据后一损失结果继续执行相应的层级标签损失结果确定操作。
可见,实施图4所描述的装置还能够提供层级损失优化方式,提高一种层级分类模型的训练方式的全面性和整体性,有利于减少层级分类模型的层级分类损失,进而有利于提高层级分类模型的训练精准性和训练有效性,从而有利于提高层级分类模型的层级分类精准性和可靠性。
在又一个可选的实施例中,层级优化训练模块305根据层级标签损失分析方式,对所有目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果的方式具体包括:
当层级标签损失分析方式的类型包括特征图比对分析类型时,依次对每相邻两个目标层级执行以下操作:固定该相邻两个目标层级的后一层目标层级的卷积层参数不变,并将后一层目标层级的输出特征图作为监督信号,通过预设的反向传播计算方式,计算前一层目标层级的卷积层参数;基于计算出的前一层目标层级的卷积层参数优化前一层目标层级的输出特征图;根据优化后的前一层目标层级的输出特征图及后一层目标层级的输出特征图,计算该相邻两个目标层级所对应的第一损失比对结果,作为后一损失结果;
当层级标签损失分析方式的类型包括单层级分析类型时,对所有目标层级执行以下操作:根据预设余弦周期,对确定出的每一目标层级对应的基础优化权重系数执行系数动态更新操作,得到动态更新后的每一目标层级对应的优化权重系数;基于动态更新后的每一目标层级对应的优化权重系数,对每一目标层级执行层级优化操作,得到层级优化后的所有目标层级;对于每一层级优化后的目标层级,根据每个层级优化后的目标层级对应的预测标签信息、确定出的每个层级优化后的目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果,作为后一损失结果。
可见,实施图4所描述的装置还能够针对层级标签损失分析方式的类型为特征图比对分析类型或单层级分析类型匹配相应的后一损失结果确定方式,丰富了后一损失结果确定方式的多样性和全面性,进而有利于提高后一损失结果确定方式的灵活性和针对性,从而有利于提高确定出的后一损失结果的准确性和可靠性。
实施例四
请参阅图5,图5是本发明实施例公开的一种层级分类的装置的结构示意图。其中,图5所描述的装置可以包括服务器,其中,服务器包括本地服务器或者云服务器,本发明实施例不做限定。如图5所示,该一种层级分类的装置可以包括:
层级标签分类模块401,用于将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到待层级分类数据对应的层级标签分类结果。
计算模块402,用于在层级标签分类模块401将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到待层级分类数据对应的层级标签分类结果之前,计算待层级分类数据包括的所有子数据对应的模态数量。
特征融合处理模块403,当模态数量大于等于预设的模态数量阈值时,对待层级分类数据包括的所有子数据进行特征融合处理,得到特征融合处理后的待层级分类数据。
层级标签分类模块401,还用于将特征融合处理后的待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到待层级分类数据对应的层级标签分类结果。
层级标签分类模块401,还用于当模态数量小于预设的模态数量阈值时,执行上述的将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到待层级分类数据对应的层级标签分类结果的操作。
可见,实施图5所描述的一种层级分类的装置能够针对待层级分类数据的数据模态数量匹配相应的层级标签分类结果分析方式,有利于提高层级标签分类结果分析方式的全面性,此外,当模态数量大于等于模态数量阈值时提供特征融合处理方式,并基于特征融合处理后的待层级分类数据确定出层级标签分类结果,有利于应对待层级分类数据的数据源不同导致层级标签分类过程中部分模态数据缺失的情况,进而有利于提高确定出的层级标签分类结果的准确性和可靠性。
实施例五
请参阅图6,图6是本发明实施例公开的又一种层级分类模型的训练装置的结构示意图。其中,图6所描述的装置可以包括服务器,其中,服务器包括本地服务器或者云服务器,本发明实施例不做限定。如图6所示,该装置可以包括:
存储有可执行程序代码的存储器501;
与存储器501耦合的处理器502;
进一步的,还可以包括与处理器502耦合的输入接口503以及输出接口504;
其中,处理器502调用存储器501中存储的可执行程序代码,用于执行实施例一所描述的一种层级分类模型的训练方法中的步骤。
实施例六
请参阅图7,图7是本发明实施例公开的另一种层级分类的装置的结构示意图。其中,图7所描述的装置可以包括服务器,其中,服务器包括本地服务器或者云服务器,本发明实施例不做限定。如图7所示,该装置可以包括:
存储有可执行程序代码的存储器601;
与存储器601耦合的处理器602;
进一步的,还可以包括与处理器602耦合的输入接口603以及输出接口604;
其中,处理器602调用存储器601中存储的可执行程序代码,用于执行实施例二所描述的一种层级分类的方法中的步骤。
实施例七
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一所公开的一种层级分类模型的训练方法中部分或全部的步骤。
实施例八
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例二所公开的一种层级分类的方法中部分或全部的步骤。
实施例九
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的一种层级分类模型的训练方法中的步骤。
实施例十
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例二所描述的一种层级分类的方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种层级分类模型的训练、层级分类的方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种层级分类模型的训练方法,其特征在于,所述方法包括:
根据预先确定出的层级分类模型中每个目标层级对样本素材执行标签预测操作,得到每个所述目标层级对应的预测标签信息,所述样本素材包含多个层级的标签;所述样本素材包括视频模态数据、图像模态数据、文本模态数据、语音模态数据及其它模态数据中的一种或多种;
根据每个所述目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果;所述预测损失结果是通过每一所述层级标签损失分析方式对应的所有层级损失结果确定出的;每一所述层级标签损失分析方式对应的所有所述层级损失结果是通过该层级标签损失分析方式对应的所有第一损失比对结果确定出的;其中,该层级标签损失分析方式对应的所有第一损失比对结果是通过以下方式确定出的:当多层级分析类型包括特征图比对分析类型时,确定每一所述目标层级对应的输出特征图;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级所对应的输出特征图及预设的特征图损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;当该多层级分析类型包括关联标签比对分析类型时,确定每一所述目标层级对应的关联比对参数;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级对应的预测标签信息,分析该相邻两个所述目标层级对应的关联标签比对结果,并根据该相邻两个所述目标层级所对应的所述关联比对参数、所述关联标签比对结果及预设的关联标签损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;
根据所有所述预测损失结果及确定出的每种所述预测损失结果对应的损失权重,确定所述层级分类模型的层级标签损失结果;所述层级标签损失结果用于对所述样本素材对应的层级分类模型进行素材层级标签损失优化训练。
2.根据权利要求1所述的一种层级分类模型的训练方法,其特征在于,所述层级标签损失分析方式的数量大于等于1;
以及,所述预测损失结果是通过以下方式确定出的:
对于每一预设层级标签损失分析方式,根据每个所述目标层级对应的预测标签信息及该层级标签损失分析方式,确定该目标层级对应的层级损失结果;根据所有所述层级损失结果及确定出的每种所述层级损失结果对应的损失权重,确定该层级标签损失分析方式对应的基础损失结果;
将所有所述层级标签损失分析方式对应的基础损失结果确定为至少一个预测损失结果。
3.根据权利要求2所述的一种层级分类模型的训练方法,其特征在于,对于每一所述层级标签损失分析方式,该层级标签损失分析方式对应的所有层级损失结果是通过以下方式确定出的:
当该层级标签损失分析方式的类型包括多层级分析类型时,根据每个所述目标层级对应的预测标签信息,确定每相邻两个所述目标层级所对应的第一损失比对结果;根据所有所述第一损失比对结果,分析所有所述目标层级对应的层级损失结果;
当该层级标签损失分析方式的类型包括单层级分析类型时,对于每一目标层级,根据每个所述目标层级对应的预测标签信息、确定出的每个所述目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果;根据所有所述第二损失比对结果,分析所有所述目标层级对应的层级损失结果。
4.根据权利要求3所述的一种层级分类模型的训练方法,其特征在于,所述确定每一所述目标层级对应的输出特征图,包括:
将所述样本素材输入至所述层级分类模型包括的所有编码器及所有解码器中进行分析,得到每一所述目标层级对应的输出特征图;或者,
对于每一所述目标层级,根据该目标层级对应的预测标签信息、全连接层、编码器及解码器,确定该目标层级对应的输出特征图。
5.根据权利要求1-4任一项所述的一种层级分类模型的训练方法,其特征在于,所述方法还包括:
在训练所述层级分类模型过程中,根据确定出的前一损失结果,判断所述层级分类模型是否满足预设的层级损失优化条件;所述前一损失结果包括前一预测损失结果和/或前一层级标签损失结果;
当判断出所述层级分类模型满足所述层级损失优化条件时,根据所述层级标签损失分析方式,对所有所述目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果,并根据所述后一损失结果继续执行相应的层级标签损失结果确定操作。
6.根据权利要求5所述的一种层级分类模型的训练方法,其特征在于,所述根据所述层级标签损失分析方式,对所有所述目标层级执行层级损失优化操作及层级标签损失确定操作,得到后一损失结果,包括:
当所述层级标签损失分析方式的类型包括特征图比对分析类型时,依次对每相邻两个所述目标层级执行以下操作:固定该相邻两个所述目标层级的后一层所述目标层级的卷积层参数不变,并将后一层所述目标层级的输出特征图作为监督信号,通过预设的反向传播计算方式,计算前一层所述目标层级的卷积层参数;基于计算出的前一层所述目标层级的卷积层参数优化前一层所述目标层级的输出特征图;根据优化后的前一层所述目标层级的输出特征图及后一层所述目标层级的输出特征图,计算该相邻两个所述目标层级所对应的第一损失比对结果,作为后一损失结果;
当所述层级标签损失分析方式的类型包括单层级分析类型时,对所有所述目标层级执行以下操作:根据预设余弦周期,对确定出的每一所述目标层级对应的基础优化权重系数执行系数动态更新操作,得到动态更新后的每一所述目标层级对应的优化权重系数;基于动态更新后的每一所述目标层级对应的优化权重系数,对每一所述目标层级执行层级优化操作,得到层级优化后的所有所述目标层级;对于每一层级优化后的所述目标层级,根据每个层级优化后的所述目标层级对应的预测标签信息、确定出的每个层级优化后的所述目标层级对应的目标标签信息及预设的单层分类损失计算方式,分析该目标层级对应的第二损失比对结果,作为后一损失结果。
7.一种层级分类的方法,其特征在于,所述方法包括:
将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果;所述待层级分类数据包括视频数据、文本数据、图像数据、语音数据及其它模态数据中的一种或多种;训练收敛的所述层级分类模型是通过所述层级分类模型的层级标签损失结果确定出的;所述层级标签损失结果是通过所述层级分类模型对应的预测损失结果确定出的;所述预测损失结果是通过每一层级标签损失分析方式对应的所有层级损失结果确定出的;每一所述层级标签损失分析方式对应的所有所述层级损失结果是通过该层级标签损失分析方式对应的所有第一损失比对结果确定出的;其中,该层级标签损失分析方式对应的所有第一损失比对结果是通过以下方式确定出的:当多层级分析类型包括特征图比对分析类型时,确定每一目标层级对应的输出特征图;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级所对应的输出特征图及预设的特征图损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;当该多层级分析类型包括关联标签比对分析类型时,确定每一所述目标层级对应的关联比对参数;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级对应的预测标签信息,分析该相邻两个所述目标层级对应的关联标签比对结果,并根据该相邻两个所述目标层级所对应的所述关联比对参数、所述关联标签比对结果及预设的关联标签损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;
以及,在所述将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果之前,所述方法还包括:
计算待层级分类数据包括的所有子数据对应的模态数量;
当所述模态数量大于等于预设的模态数量阈值时,对所述待层级分类数据包括的所有所述子数据进行特征融合处理,得到特征融合处理后的所述待层级分类数据;将特征融合处理后的所述待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果;
当所述模态数量小于预设的模态数量阈值时,执行所述的将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果的操作。
8.一种层级分类模型的训练装置,其特征在于,所述装置包括:
标签预测模块,用于根据预先确定出的层级分类模型中每个目标层级对样本素材执行标签预测操作,得到每个所述目标层级对应的预测标签信息,所述样本素材包含多个层级的标签;所述样本素材包括视频模态数据、图像模态数据、文本模态数据、语音模态数据及其它模态数据中的一种或多种;
层级损失确定模块,用于根据每个所述目标层级对应的预测标签信息及预设层级标签损失分析方式,确定至少一个预测损失结果;所述预测损失结果是通过每一所述层级标签损失分析方式对应的所有层级损失结果确定出的;每一所述层级标签损失分析方式对应的所有所述层级损失结果是通过该层级标签损失分析方式对应的所有第一损失比对结果确定出的;其中,该层级标签损失分析方式对应的所有第一损失比对结果是通过以下方式确定出的:当多层级分析类型包括特征图比对分析类型时,确定每一所述目标层级对应的输出特征图;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级所对应的输出特征图及预设的特征图损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;当该多层级分析类型包括关联标签比对分析类型时,确定每一所述目标层级对应的关联比对参数;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级对应的预测标签信息,分析该相邻两个所述目标层级对应的关联标签比对结果,并根据该相邻两个所述目标层级所对应的所述关联比对参数、所述关联标签比对结果及预设的关联标签损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;
模型损失确定模块,用于根据所有所述预测损失结果及确定出的每种所述预测损失结果对应的损失权重,确定所述层级分类模型的层级标签损失结果;所述层级标签损失结果用于对所述样本素材对应的层级分类模型进行素材层级标签损失优化训练。
9.一种层级分类的装置,其特征在于,所述装置包括:
层级标签分类模块,用于将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果;所述待层级分类数据包括视频数据、文本数据、图像数据、语音数据及其它模态数据中的一种或多种;训练收敛的所述层级分类模型是通过所述层级分类模型的层级标签损失结果确定出的;所述层级标签损失结果是通过所述层级分类模型对应的预测损失结果确定出的;所述预测损失结果是通过每一层级标签损失分析方式对应的所有层级损失结果确定出的;每一所述层级标签损失分析方式对应的所有所述层级损失结果是通过该层级标签损失分析方式对应的所有第一损失比对结果确定出的;其中,该层级标签损失分析方式对应的所有第一损失比对结果是通过以下方式确定出的:当多层级分析类型包括特征图比对分析类型时,确定每一目标层级对应的输出特征图;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级所对应的输出特征图及预设的特征图损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;当该多层级分析类型包括关联标签比对分析类型时,确定每一所述目标层级对应的关联比对参数;对于每相邻两个所述目标层级,根据该相邻两个所述目标层级对应的预测标签信息,分析该相邻两个所述目标层级对应的关联标签比对结果,并根据该相邻两个所述目标层级所对应的所述关联比对参数、所述关联标签比对结果及预设的关联标签损失计算方式,确定该相邻两个所述目标层级所对应的第一损失比对结果;
计算模块,用于在所述层级标签分类模块将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果之前,计算待层级分类数据包括的所有子数据对应的模态数量;
特征融合处理模块,当所述模态数量大于等于预设的模态数量阈值时,对所述待层级分类数据包括的所有所述子数据进行特征融合处理,得到特征融合处理后的所述待层级分类数据;
所述层级标签分类模块,还用于将特征融合处理后的所述待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果;
所述层级标签分类模块,还用于当所述模态数量小于预设的模态数量阈值时,执行所述的将待层级分类数据输入至训练收敛的层级分类模型中进行分析,得到所述待层级分类数据对应的层级标签分类结果的操作。
10.一种层级分类模型的训练装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的一种层级分类模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241729.7A CN115935279B (zh) | 2023-03-14 | 2023-03-14 | 一种层级分类模型的训练、层级分类的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241729.7A CN115935279B (zh) | 2023-03-14 | 2023-03-14 | 一种层级分类模型的训练、层级分类的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935279A CN115935279A (zh) | 2023-04-07 |
CN115935279B true CN115935279B (zh) | 2023-07-21 |
Family
ID=86651105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310241729.7A Active CN115935279B (zh) | 2023-03-14 | 2023-03-14 | 一种层级分类模型的训练、层级分类的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935279B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598115A (zh) * | 2020-12-21 | 2021-04-02 | 西北工业大学 | 一种基于非局部邻关系学习的深度神经网络层次分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875934A (zh) * | 2018-05-28 | 2018-11-23 | 北京旷视科技有限公司 | 一种神经网络的训练方法、装置、系统及存储介质 |
CN113836329B (zh) * | 2021-09-29 | 2024-02-02 | 腾讯科技(深圳)有限公司 | 多媒体内容分类方法、装置、电子设备和存储介质 |
CN114881174A (zh) * | 2022-06-02 | 2022-08-09 | 北京三快在线科技有限公司 | 内容分类方法、装置、可读存储介质及电子设备 |
-
2023
- 2023-03-14 CN CN202310241729.7A patent/CN115935279B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598115A (zh) * | 2020-12-21 | 2021-04-02 | 西北工业大学 | 一种基于非局部邻关系学习的深度神经网络层次分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115935279A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647696B (zh) | 一种业务对象的排序方法及装置 | |
CN110659744A (zh) | 训练事件预测模型、评估操作事件的方法及装置 | |
CN111352965B (zh) | 序列挖掘模型的训练方法、序列数据的处理方法及设备 | |
CN111052128B (zh) | 用于检测和定位视频中的对象的描述符学习方法 | |
CN111091196A (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CN111898904B (zh) | 一种数据处理方法及装置 | |
CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
CN111275514A (zh) | 一种智能采购方法及系统、存储介质和电子装置 | |
CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
CN115935279B (zh) | 一种层级分类模型的训练、层级分类的方法及装置 | |
CN112906398A (zh) | 句子语义匹配方法、系统、存储介质和电子设备 | |
CN110851600A (zh) | 基于深度学习的文本数据处理方法及装置 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 | |
CN113888244A (zh) | 数据商品的定价方法与装置、电子设备及计算机可读存储介质 | |
CN114882409A (zh) | 一种基于多模态特征融合的智能暴力行为检测方法及装置 | |
Mastelini et al. | Online multi-target regression trees with stacked leaf models | |
CN115796984A (zh) | 物品推荐模型的训练方法、存储介质及相关设备 | |
CN112328769A (zh) | 自动客服的应答方法、装置和计算机可读存储介质 | |
CN114511095A (zh) | 数据处理方法及装置、计算设备、存储介质 | |
KR102413273B1 (ko) | 인공지능 기반 유통기한과 공급량으로 적정 경매가를 예측하는 신선식품 유통 플랫폼의 운영방법 | |
CN114676167B (zh) | 用户存留模型的训练方法、用户存留预测方法和装置 | |
CN116205372A (zh) | 股票价格的预测方法、装置、存储介质及电子设备 | |
CN113379125B (zh) | 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |