【技术实现步骤摘要】
基于引擎大数据的图片自学习方法、装置、设备及介质
本专利技术涉及计算机软件
，尤其涉及一种基于引擎大数据的图片自学习方法、装置、设备及介质。
技术介绍
图片是人们认识世界的一种重要的方式，图片对于事物的描述更加生动形象具体，用户可以通过图片获取对一个事物直观的信息。同时，图片也是用户进行社交的一种方式，用户可以通过分享自己的活动图片来进行社交。在互联网应用中，图片数据库的自主学习就显得尤为重要，图片的自主学习需要借助搜索引擎的作用，通过搜索引擎大数据来海量获取图片，但是，传统的图片自学习系统往往存在以下缺点：对图片类别无法精准识别，图片库中的图片往往很杂乱；无法根据用户喜好向用户推荐图片；通过搜索引擎获取图片时，往往不能准确抓取需要的图片，浪费了大量资源。所以，如何通过搜索引擎精确抓取图片，并准确实现图片自学习成为了一个亟待解决的问题。上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
有鉴于此，本专利技术提出了一种基于引擎大数据的图片自学习方...
【技术保护点】
1.一种基于引擎大数据的图片自学习方法，其特征在于：包括以下步骤；/nS1，获取本地图片数据库，从该本地图片数据库中提取图片；/nS2，建立神经网络模型，通过神经网络模型对图片进行训练，获取图片的特征值作为第一特征值；/nS3，获取图片的类别，根据图片的类别从网络搜索对应的待添加图片，通过神经网络模型获取待添加图片的特征值作为第二特征值；/nS4，将第二特征值与第一特征值进行比较，当第二特征值满足第一特征值时，将待添加图片加入本地图片数据库。/n
【技术特征摘要】
1.一种基于引擎大数据的图片自学习方法，其特征在于：包括以下步骤；
S1，获取本地图片数据库，从该本地图片数据库中提取图片；
S2，建立神经网络模型，通过神经网络模型对图片进行训练，获取图片的特征值作为第一特征值；
S3，获取图片的类别，根据图片的类别从网络搜索对应的待添加图片，通过神经网络模型获取待添加图片的特征值作为第二特征值；
S4，将第二特征值与第一特征值进行比较，当第二特征值满足第一特征值时，将待添加图片加入本地图片数据库。
2.如权利要求1所述的基于引擎大数据的图片自学习方法，步骤S1中，获取本地图片数据库，从该本地图片数据库中提取图片，其特征在于：还包括以下步骤，遍历图片数据库，获取各图片的类别，根据该类别建立不同的训练组，将不同图片存入不同训练组，统计个类别图片的数量，将各类别图片的数量两两进行比较，筛选出数量最多的图片，并将该图片对应的类别标记为用户偏好类别。
3.如权利要求1所述的基于引擎大数据的图片自学习方法，步骤S2中，建立神经网络模型，通过神经网络模型对图片进行训练，获取图片的特征值作为第一特征值，其特征在于：还包括以下步骤，建立神经网络模型，通过神经网络模型的卷积层提取各训练组中图片的特征值，将该特征值绘制成特征图，根据池化层从特征图中提取主要特征值，通过全连接层函数计算获取第一特征值。
4.如权利要求3所述的基于引擎大数据的图片自学习方法，其特征在于：神经网络模型的卷积层公式为：
其中，训练组中图片的大小为w，卷积核大小为k，步幅为s，补零层数为p，输出特征值为w'。
5.如权利要求3所述的基于引擎大数据的图片自学习方法，步骤S3中，获取图片的类别，根据图片的类别从网络搜索对应的待添加图片，通过神经网络模型获取待添加图片的特征值作为第二特征值，其特征在于：还包括以下步骤，根据图片的类别从网络搜索对应的图片，将这些图片作为待添加图片并根据类别进行存放，通过神经网络模型对该待添加图片进行训练，获取待添加图片的特征值作为第二...
【专利技术属性】
技术研发人员：杜乐，杜小军，
申请(专利权)人：武汉东湖大数据交易中心股份有限公司，
类型：发明
国别省市：湖北;42
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。