图像数据处理方法、装置及可读存储介质制造方法及图纸

本发明专利技术提供的图像数据处理方法、装置及可读存储介质，通过根据预设的至少两个超参数集建立用于待训练的至少两个机器学习算法模型；根据获取的同一图像数据训练集，对各待训练的机器学习算法模型进行训练，获得训练完毕的各机器学习算法模型并确定对应的收敛损失值；根据各机器学习算法模型的超参数集和对应的收敛损失值，确定最优超参数集，建立对应的待训练的最优机器学习算法模型；根据图像数据训练集对待训练的最优机器学习算法模型进行训练，获得训练完毕的最优机器学习算法模型并对待识别图像进行识别，获得图像识别结果，从而有效避免现有技术中根据经验值确定超参数而导致机器学习算法模型对图像识别的识别准确率不高的问题。

【技术实现步骤摘要】
图像数据处理方法、装置及可读存储介质
本专利技术涉及计算机技术，尤其涉及一种图像数据处理方法、装置及可读存储介质。
技术介绍
在图像识别领域，利用机器学习算法模型对图像进行识别成为主流方法。在各类的机器学习算法模型中，其内的超参数能够在很大程度上决定整个机器学习算法模型的训练质量。在现有技术中，机器学习算法模型的超参数是在构建机器学习算法模型的过程中确定和固化的，其一般依托于历史经验值。但是，由于超参数能够在很大程度上决定整个机器学习算法模型的训练质量，一旦超参数无法与机器学习算法模型适配，将严重影响着的机器学习算法模型的收敛结果，进而影响到机器学习算法模型对图像识别的识别准确率。
技术实现思路
针对上述提及的现有的超参数是根据经验值预先设置的，一旦超参数无法与机器学习算法模型适配，将严重影响着的机器学习算法模型的收敛结果，进而影响到机器学习算法模型对图像识别的识别准确率的问题，本专利技术提供了一种图像数据处理方法、装置及可读存储介质。一方面，本专利技术提供的一种图像数据处理方法，包括：根据预设的至少两个超参数集建立用于待训练的至少两个机器学习算法模型，其中，所述机器学习算法模型用于识别本文档来自技高网...

【技术保护点】
1.一种图像数据处理方法，其特征在于，包括：根据预设的至少两个超参数集建立用于待训练的至少两个机器学习算法模型，其中，所述机器学习算法模型用于识别图像；根据获取的同一图像数据训练集，对各待训练的机器学习算法模型进行训练，获得训练完毕的各机器学习算法模型并确定对应的收敛损失值；根据各机器学习算法模型的超参数集和对应的收敛损失值，确定最优超参数集，并建立对应的待训练的最优机器学习算法模型；根据所述图像数据训练集对所述待训练的最优机器学习算法模型进行训练，获得训练完毕的最优机器学习算法模型。

【技术特征摘要】
1.一种图像数据处理方法，其特征在于，包括：根据预设的至少两个超参数集建立用于待训练的至少两个机器学习算法模型，其中，所述机器学习算法模型用于识别图像；根据获取的同一图像数据训练集，对各待训练的机器学习算法模型进行训练，获得训练完毕的各机器学习算法模型并确定对应的收敛损失值；根据各机器学习算法模型的超参数集和对应的收敛损失值，确定最优超参数集，并建立对应的待训练的最优机器学习算法模型；根据所述图像数据训练集对所述待训练的最优机器学习算法模型进行训练，获得训练完毕的最优机器学习算法模型。2.根据权利要求1所述的图像数据处理方法，其特征在于，所述根据各机器学习算法模型的超参数集和对应的收敛损失值，确定最优超参数集，并建立对应的待训练的最优机器学习算法模型，包括：根据各机器学习算法模型对应的收敛损失值确定收敛损失值的变化趋势；根据所述收敛损失值的变化趋势确定各超参数集中最优的各超参数，获得包括最优的各超参数的最优超参数集；根据所述最优超参数集建立待训练的最优机器学习算法模型。3.根据权利要求2所述的图像数据处理方法，其特征在于，所述超参数集中的各超参数包括梯度方向和学习率；所述图像数据处理方法还包括：当所述收敛损失值的变化趋势为下降且降幅超过预设降幅阈值时，梯度方向和学习率为最优。4.根据权利要求2所述的图像数据处理方法，其特征在于，所述超参数集中的各超参数包括树杈尺寸和学习率；所述图像数据处理方法还包括：当所述收敛损失值的变化趋势为下降时，树杈尺寸和学习率为最优。5.一种图像数据处理方法，其特征在于，包括：采集待识别图像；采用训练完毕的最优机器学习算法模型对待识别图像进行识别，获得图像识别结果；其中，所述训练完毕的最优机器学习算法模型是利用权利要求1-4任一项所述的方法获得的。6.一种图像数据处理装置，其特征在于，包括：模型建立模块，用于根据预设的至少两个超参数集建立用于待训练的至少两个机器学习算法模型，其中，所述机器学...

【专利技术属性】
技术研发人员：杨少雄，赵晨，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11