CN111507467B 神经网络模型的训练方法、装置、计算机设备及存储介质 （北京奇虎科技有限公司）

本发明实施例公开了一种神经网络模型的以获取所述目标用户对所述分类结果做出的验够使图像识别模型中的权重参数进行适应性调2将所述用户图像输入至预设的图像识别模型中，以获取所述图像识别模型对读取所述图像识别模型输出的分类结果并显示所述分类结果，以获取信息包括所述目标用户对所述用户图像的正确根据所述验证信息对所述图像识别模型进行训练，以使所述图像输入至预设的图像识别模型中，以获取所述图像识别模型对所述用户图像的分类结果之将所述用户图像输入至预设的环境分类模型中，其中，所史记录中所述图像识别模型对包含所述环境场景的用户图像在预设的策略数据库中查找与所述环境场景具根据所述图像增强策略对所述用户图像进行图像增强处理，以生成将所述用户图像与所述增强图像分别输入至所述图像识别模型的不比对图像识别模型计算得到的所述用户图像的分类结果与所述增强图像的分类结果3将所述第一向量差值进行反向传播以矫正所述图像识别模型中计算所述标定特征向量与所述用户图像的特征向将所述第二向量差值进行反向传播以矫正所述图像识别模型中处理模块，用于将所述用户图像输入至预设的图像识别模型中，以获取所述图读取模块，用于读取所述图像识别模型输出的分类结果并显示所述分执行模块，用于根据所述验证信息对所述图像识别模型进行训练，以使10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理4这一重要特点看作是解决自动控制中控制器适应能力这个难题的关键5行识别。括历史记录中所述图像识别模型对包含所述环境场景的用户图像[0018]当所述分类准确率小于所述准确率阈值时，确认所述环境场景未训练至收敛状[0024]比对图像识别模型计算得到的所述用户图像的分类结果与所述增强图像的分类所述用户图像的分类结果与所述增强图像的分类6模型对所述用户图像进行识别。[0049]第三执行子模块，用于根据所述图像增强策略对所述用户图像进行图像增强处7[0058]第六执行子模块，用于当所述验证信息表征的验证结果在预设的特征数据库中查找与所述验证分类结果具有映射所述处理器执行上述所述神经网络模型的训练方[0066]图2为本发明实施例根据用户图像表征的环境场景确认用户图像是否进行识别的[0067]图3为本发明实施例通过历史记录判断用户图像表征的环境场景是否参与训练的[0069]图5为本发明实施例通过增强图像的分类结果控制用户分类结果输出的流程示意[0070]图6为本发明实施例根据增强图像对图像识别模型的权重参数进行调整的流程示89[0085]本实施方式中，图像识别模型能够为已经训练至收敛状态的卷积神经网络模型[0086]图像识别模型在训练时，采用大量的与其设定的分类类果即图像识别模型对用户图像的识别结果。不同类型的图像识别模型输出的分类结果不[0089]图像识别模型输出用户图像的分类结果后，用户终端读取该输入用户对该用户图像的正确认知作为验证[0095]通过上述的步骤过程，反复循环迭代的对图像识别模型甄别特征转化为目标用户独有的特征，以此提高图像识别模型针对目标用户识别准确率。用户图像所处的环境类别进行识别，以判断当前用户图像表征的环境场景是否进行训练。[0101]本实施方式中，环境分类模型能够为已经训练至收敛状态的卷积神经网络模型[0104]环境分类模型对用户图像进行分类后，读取该环境分类模型输出的环境分类结[0112]S1121、以所述环境分类结果为检索条件在预设的历史分类信息数据库中进行查息中包括历史记录中所述图像识别模型对包含所述环境场景场景的类别为聚类节点，统计图像识别模型针对各个环境场景的用户图像的分类准确率，[0115]将当前用户图像对应的环境场景对应的分类准确率与预设的准确率阈值进行比[0121]S1131、在预设的策略数据库中查找与所述环境场景具有映射关系的图像增强策加为随机抽取策略数据库的背景元素进行增加。第二类为用户图像的环境场景较为复杂，例如在室外环境或者背景颜色组成较为复杂，如背景像素值包括三种以上的像素值组成[0127]S1211、将所述用户图像与所述增强图像分别输入至所述图像识别模型的不同通[0130]S1212、比对图像识别模型计算得到的所述用户图像的分类结果与所述增强图像[0131]比对图像识别模型计算得到的用户图像的分类结果与增强图像的分类结果是否据增强图像对图像识别模型的权重参数进行调述用户图像的特征向量与所述增强图像的特征向量之间的第一图像识别装置提取的特征向量与正确的特征向量[0139]S1222、将所述第一向量差值进行反向传播以矫正所述图像识别模型中的权重参图像的特征向量与第一向量差值相乘得到权重的梯度，梯度乘上一个梯度参数(例如，像的卷积通道提取的增强图像特征向量趋向于提取[0141]通过上述的步骤过程，反复循环迭代的对图像识别模型直至对增强图像的分类结果与用户图像的分类结存储有设定的用户图像的标定特征向量，标定特征向量为正确的具有参考性的特征向量。像或者人身图像的标定特征向量，验证分类结果则为目标用户输入的用户图像正确的名第二向量差值的数值表明图像识别装置提取的特征向量与正确的特征向[0149]S1413、将所述第二向量差值进行反向传播以矫正所述图像识别模型中的权重参图像的特征向量与第二向量差值相乘得到权重的梯度，梯度乘上一个梯度参数(例如，[0151]通过上述的步骤过程，反复循环迭代的对图像识别模型境分类的神经网络模型；第一读取子模块用于读取所述环境分类模型输出的环境分类结户图像进行识别。对子模块用于比对图像识别模型计算得到的所述用户图像的分类结果与所述增强图像的一计算子模块用于计算所述标定特征向量与所述用户图像的特征向量之间的第二向量差[0166]计算机设备通过在对快速模型进行训练时，无需对参与训练的样本图像进行标间的距离(欧式距离和/或余弦距离)并进行反向传播，采用这种方法将神经网络模型的训步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或