识别模型确定方法及装置制造方法及图纸

技术编号:15502255 阅读:163 留言:0更新日期:2017-06-03 23:14
本公开是关于一种识别模型确定方法及装置。该方法包括:将任意N个样本均输入初始的识别模型,获取各样本的识别结果,根据每个样本的标定结果及该样本的识别结果,确定该样本的权重值,根据各样本的标定结果、识别结果及权重值确定N个样本的损失函数,根据损失函数及随机梯度下降方法获取更新后的识别模型,再将任意N个样本输入更新后的识别模型,确定各样本的识别结果,根据每个样本的标定结果、识别结果及权重值确定其更新后的权重值,根据每个样本的标定结果、识别结果及每个样本的更新后的权重值确定更新后的损失函数,重复此步骤,直至更新后的损失函数收敛,采用收敛的损失函数确定最终的识别模型,从而,提高了确定识别模型的效率。

Identification model and method and device

The present disclosure relates to an identification model, a method of determining and a device. The method comprises the following steps: any N samples were input initial recognition model, obtain the sample recognition results, according to the calibration results of each sample and the sample identification results, determine the weight of the sample value, according to the calibration results, the sample identification results and determine the weight value of the loss function N samples, according to the the identification model of loss function and stochastic gradient descent method to get updated, then the identification model of arbitrary N sample input updated, determine the sample identification results, according to the calibration results, each sample identification results and determine the weight value of the updated weights, weights according to the calibration results, each sample identification the results of each sample and the updated values to determine the loss function is updated, this step is repeated until the convergence loss function is updated, the convergence of the loss function The number of final identification models is determined, thereby improving the efficiency of the identified identification model.

【技术实现步骤摘要】
识别模型确定方法及装置
本公开涉及机器视觉技术,尤其涉及一种识别模型确定方法及装置。
技术介绍
随着计算机技术的发展,可以通过机器学习的方法确定识别模型,再采用该识别模型对图像中的目标物体或文字进行识别。相关技术中,采用以下方法确定识别模型:对样本集进行标定,确定标定结果,确定一个初始的识别模型,再将样本集中的每个样本输入该初始的识别模型,确定识别结果,根据标定结果及识别结果确定损失函数,再根据损失函数对初始的识别模型进行更新,获取更新后的模型,重复上述步骤,直至损失函数收敛,最终会确定一个识别模型。
技术实现思路
为克服相关技术中存在的问题,本公开提供一种识别模型确定方法及装置。根据本公开实施例的第一方面,提供一种识别模型确定方法,包括:将样本集中的任意N个样本均输入初始的识别模型,获取所述N个样本中的每个样本的识别结果;根据预先获取的每个样本的标定结果及每个样本的识别结果,确定每个样本的权重值;根据每个样本的标定结果、识别结果及权重值确定所述N个样本的损失函数;根据所述损失函数及随机梯度下降方法对所述初始的识别模型进行更新,获取更新后的识别模型,从所述样本集中再次选择任意N个样本输入所述更新后的识别模型,确定所述N个样本中的每个样本的识别结果,根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的权重值确定其更新后的权重值,根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的更新后的权重值确定更新后的损失函数,重复此步骤,直至更新后的损失函数收敛;采用收敛的损失函数确定最终的识别模型。结合第一方面,在第一方面的第一种可能的实现方式中,所述根据预先获取的每个样本的标定结果及每个样本的识别结果,确定每个样本的权重值,包括:若样本的识别结果与标定结果一致,则确定所述样本的权重值为预设权重初始值;若样本的识别结果与标定结果不一致,则确定所述样本的权重值为所述预设权重初始值乘以第一预设参数;其中,所述预设参数为大于1的数。结合第一方面,在第一方面的第二种可能的实现方式中,所述根据预先获取的每个样本的标定结果及每个样本的识别结果,确定每个样本的权重值,包括:若样本的识别结果与标定结果一致,则确定所述样本的权重值为预设权重初始值乘以第二预设参数;其中,所述第二预设参数为小于1的数;若样本的识别结果与标定结果一致,则确定所述样本的权重值为所述预设权重初始值除以所述第二预设参数。结合第一方面或第一方面的第一种可能的实现方式或第一方面的第二种可能的实现方式,在第一方面的第三种可能的实现方式中,所述根据每个样本的标定结果、识别结果及权重值确定所述N个样本的损失函数,包括:根据样本的标定结果及样本的识别结果确定所述样本的初始损失函数;根据所述样本的初始损失函数及所述样本的权重值确定所述样本的最终损失函数;将每个样本的最终损失函数进行相加,确定所述N个样本的损失函数。结合第一方面的第三种可能的实现方式,在第一方面的第四种可能的实现方式中,所述根据所述样本的初始损失函数及所述样本的权重值确定所述样本的最终损失函数,包括:将所述样本的初始损失函数乘以所述样本的权重值获取所述样本的最终损失函数。结合第一方面,在第一方面的第五种可能的实现方式中,所述根据所述损失函数及随机梯度下降方法对所述初始的识别模型进行更新,获取更新后的识别模型,包括:根据所述损失函数及随机梯度下降方法确定所述初始的识别模型中各初始参数对应的梯度值;根据所述初始的识别模型中的各所述初始参数的学习力及各所述初始参数对应的梯度值确定所述初始的识别模型中各更新后的参数;用各所述更新后的参数替换各所述初始参数获取所述更新后的识别模型。结合第一方面的第一种可能的实现方式,在第一方面的第六种可能的实现方式中,所述根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的权重值确定其更新后的权重值,包括:若样本的采用更新后的识别模型得到的识别结果与标定结果一致,则确定所述样本的更新后的权重值为上一次确定的权重值;若样本的采用更新后的识别模型得到的识别结果与标定结果不一致,则确定所述样本的更新后的权重值为上一次确定的权重值乘以所述第一预设参数。结合第一方面的第二种可能的实现方式,在第一方面的第七种可能的实现方式中,所述根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的权重值确定其更新后的权重值,包括:若样本的采用更新后的识别模型得到的识别结果与标定结果一致,则确定所述样本的更新后的权重值为上一次确定的权重值乘以所述第二预设参数;若样本的采用更新后的识别模型得到的识别结果与标定结果不一致,则确定所述样本的更新后的权重值为上一次确定的权重值除以所述第二预设参数。根据本公开实施例的第二方面,提供一种识别模型确定装置,包括:获取模块,被配置为将样本集中的任意N个样本均输入初始的识别模型,获取所述N个样本中的每个样本的识别结果;第一确定模块,被配置为根据预先获取的每个样本的标定结果及根据所述获取模块获取的每个样本的识别结果,确定每个样本的权重值;第二确定模块,被配置为根据每个样本的标定结果、根据所述获取模块获取的识别结果及根据所述第一确定模块确定的权重值确定所述N个样本的损失函数;第三确定模块,被配置为根据所述第二确定模块确定的损失函数及随机梯度下降方法对所述初始的识别模型进行更新,获取更新后的识别模型,从所述样本集中再次选择任意N个样本输入所述更新后的识别模型,确定所述N个样本中的每个样本的识别结果,根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的权重值确定其更新后的权重值,根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的更新后的权重值确定更新后的损失函数,重复此步骤,直至更新后的损失函数收敛;第四确定模块,被配置为采用收敛的损失函数确定最终的识别模型。结合第二方面,在第二方面的第一种可能的实现方式中,所述第一确定模块包括:第一确定子模块,被配置为当样本的识别结果与标定结果一致时,确定所述样本的权重值为预设权重初始值;第二确定子模块,被配置为当样本的识别结果与标定结果不一致时,确定所述样本的权重值为所述预设权重初始值乘以第一预设参数;其中,所述预设参数为大于1的数。结合第二方面,在第二方面的第二种可能的实现方式中,所述第一确定模块包括:第三确定子模块,被配置为当样本的识别结果与标定结果一致时,确定所述样本的权重值为预设权重初始值乘以第二预设参数;其中,所述第二预设参数为小于1的数;第四确定子模块,被配置为当样本的识别结果与标定结果一致时,确定所述样本的权重值为所述预设权重初始值除以所述第二预设参数。结合第二方面或第二方面的第一种可能的实现方式或第二方面的第二种可能的实现方式,在第二方面的第三种可能的实现方式中,所述第二确定模块包括:第五确定子模块,被配置为根据样本的标定结果及样本的识别结果确定所述样本的初始损失函数;第六确定子模块,被配置为根据所述第五确定子模块确定的样本的初始损失函数及所述样本的权重值确定所述样本的最终损失函数;第七确定子模块,被配置为将所述第六确定子模块确定的每个样本的最终损失函数进行相加,确定所述N个样本的损失函数。结合本文档来自技高网...
识别模型确定方法及装置

【技术保护点】
一种识别模型确定方法,其特征在于,包括:将样本集中的任意N个样本均输入初始的识别模型,获取所述N个样本中的每个样本的识别结果;根据预先获取的每个样本的标定结果及每个样本的识别结果,确定每个样本的权重值;根据每个样本的标定结果、识别结果及权重值确定所述N个样本的损失函数;根据所述损失函数及随机梯度下降方法对所述初始的识别模型进行更新,获取更新后的识别模型,从所述样本集中再次选择任意N个样本输入所述更新后的识别模型,确定所述N个样本中的每个样本的识别结果,根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的权重值确定其更新后的权重值,根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的更新后的权重值确定更新后的损失函数,重复此步骤,直至更新后的损失函数收敛;采用收敛的损失函数确定最终的识别模型。

【技术特征摘要】
1.一种识别模型确定方法,其特征在于,包括:将样本集中的任意N个样本均输入初始的识别模型,获取所述N个样本中的每个样本的识别结果;根据预先获取的每个样本的标定结果及每个样本的识别结果,确定每个样本的权重值;根据每个样本的标定结果、识别结果及权重值确定所述N个样本的损失函数;根据所述损失函数及随机梯度下降方法对所述初始的识别模型进行更新,获取更新后的识别模型,从所述样本集中再次选择任意N个样本输入所述更新后的识别模型,确定所述N个样本中的每个样本的识别结果,根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的权重值确定其更新后的权重值,根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的更新后的权重值确定更新后的损失函数,重复此步骤,直至更新后的损失函数收敛;采用收敛的损失函数确定最终的识别模型。2.根据权利要求1所述的方法,其特征在于,所述根据预先获取的每个样本的标定结果及每个样本的识别结果,确定每个样本的权重值,包括:若样本的识别结果与标定结果一致,则确定所述样本的权重值为预设权重初始值;若样本的识别结果与标定结果不一致,则确定所述样本的权重值为所述预设权重初始值乘以第一预设参数;其中,所述预设参数为大于1的数。3.根据权利要求1所述的方法,其特征在于,所述根据预先获取的每个样本的标定结果及每个样本的识别结果,确定每个样本的权重值,包括:若样本的识别结果与标定结果一致,则确定所述样本的权重值为预设权重初始值乘以第二预设参数;其中,所述第二预设参数为小于1的数;若样本的识别结果与标定结果一致,则确定所述样本的权重值为所述预设权重初始值除以所述第二预设参数。4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据每个样本的标定结果、识别结果及权重值确定所述N个样本的损失函数,包括:根据样本的标定结果及样本的识别结果确定所述样本的初始损失函数;根据所述样本的初始损失函数及所述样本的权重值确定所述样本的最终损失函数;将每个样本的最终损失函数进行相加,确定所述N个样本的损失函数。5.根据权利要求4所述的方法,其特征在于,所述根据所述样本的初始损失函数及所述样本的权重值确定所述样本的最终损失函数,包括:将所述样本的初始损失函数乘以所述样本的权重值获取所述样本的最终损失函数。6.根据权利要求1所述的方法,其特征在于,所述根据所述损失函数及随机梯度下降方法对所述初始的识别模型进行更新,获取更新后的识别模型,包括:根据所述损失函数及随机梯度下降方法确定所述初始的识别模型中各初始参数对应的梯度值;根据所述初始的识别模型中的各所述初始参数的学习力及各所述初始参数对应的梯度值确定所述初始的识别模型中各更新后的参数;用各所述更新后的参数替换各所述初始参数获取所述更新后的识别模型。7.根据权利要求2所述的方法,其特征在于,所述根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的权重值确定其更新后的权重值,包括:若样本的采用更新后的识别模型得到的识别结果与标定结果一致,则确定所述样本的更新后的权重值为上一次确定的权重值;若样本的采用更新后的识别模型得到的识别结果与标定结果不一致,则确定所述样本的更新后的权重值为上一次确定的权重值乘以所述第一预设参数。8.根据权利要求3所述的方法,其特征在于,所述根据每个样本的标定结果、采用所述更新后的识别模型得到的识别结果及每个样本的权重值确定其更新后的权重值,包括:若样本的采用更新后的识别模型得到的识别结果与标定结果一致,则确定所述样本的更新后的权重值为上一次确定的权重值乘以所述第二预设参数;若样本的采用更新后的识别模型得到的识别结果与标定结果不一致,则确定所述样本的更新后的权重值为上一次确定的权重值除以所述第二预设参数。9.一种识别模型确定装置,其特征在于,包括:获取模块,被配置为将样本集中的任意N个样本均输入初始的识别模型,获取所述N个样本中的每个样本的识别结果;第一确定模块,被配置为根据预先获取的每个样本的标定结果及根据所述获取模块获取的每个样本的识别结果,确定每个样本的权重值;第二确定模块,被配置为根据每个样本的标定结果、根据所述获取模块获取的识别结果及根据所述第一确定模块确定的权重值确定所述N个样本的损失函数;第三确定模块,被配置为根据所述第二确定模块确定的损失函数及随机梯度下降方法对所述初始的识别...

【专利技术属性】
技术研发人员:陈志军
申请(专利权)人:北京小米移动软件有限公司
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1