模型训练、回归分析的方法、装置、存储介质和设备制造方法及图纸

本申请提供一种模型训练、回归分析的方法、装置、存储介质和设备，方法包括：利用待训练的回归模型确定样本图像的权重分布；用第一损失函数和第二损失函数对权重分布执行损失计算，得到第一损失值和第二损失值，第一损失函数为对权重分布中与真实值对应的权重进行计算的熵损失函数；第二损失函数为对权重分布中每一个权重和真实值进行计算的加权求和损失函数；对第一损失值和第二损失值运算得到模型损失值；若模型损失值不符合模型收敛条件，根据模型损失值更新待训练的回归模型的参数，再次训练直至符合模型收敛条件为止。模型损失值既约束各个备选值加权求和的结果，也能控制各备选值的权重集中在真实值附近，提高训练好的回归模型的准确度。

【技术实现步骤摘要】
模型训练、回归分析的方法、装置、存储介质和设备
本专利技术涉及深度学习
，特别涉及一种模型训练、回归分析的方法、装置、存储介质和设备。
技术介绍
回归分析是基于深度学习的图像分析领域的一项重要分支。对图像进行回归分析，主要是指，利用预先构建的深度学习模型处理图像，得到该图像在一个具有连续的取值范围的待测指标上的预测值。例如，图像中的人物或车辆的年龄预测就是对图像的回归分析的一种应用，其中人像或车辆的年龄就是需要预测的待测指标，利用预先构建的深度学习模型处理图像，可以确定出图像中人像或车辆的年龄的预测值。一般的，用于实现回归分析任务的深度学习模型可以称为回归模型。目前，针对回归模型进行训练时一般采用加权求和损失函数计算每次更新后的模型损失值，然后基于模型损失值更新模型参数。加权求和损失函数中，模型损失值由待测指标的取值范围内各个备选值按权重分布中对应的权重加权求和的结果，与图像在待测指标上的真实值(预先标注得到)之间的偏差决定，权重分布则取决于回归模型输出的图像特征。加权求和损失函数只能约束各个备选值加权求和的结果，而无法控制取值范围内备选值的权重的整体分布情况。这就导致利用加权求和损失函数训练完成的回归模型在用于实际预测时，可能出现部分相对于真实值偏差较大的备选值具有过高的权重，使得最终的预测结果的误差较大，准确度较低。
技术实现思路
基于上述现有技术的缺点，本申请提供一种模型训练、回归分析的方法、装置、存储介质和设备，以提供一种具有更高的准确度的回归分析模型。本申请第一方面提供一种模型训练的方法，包括：获取训练样本；其中，所述训练样本包括样本图像，以及预先标注的所述样本图像的待测指标的真实值；利用待训练的回归模型对所述样本图像进行识别，得到所述样本图像的图像特征，并根据所述图像特征确定所述样本图像的权重分布；其中，所述权重分布用于指示所述样本图像的待测指标的预测值；所述权重分布包括所述待测指标的取值范围内每一个备选值的权重；利用第一损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第一损失值，并利用第二损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第二损失值；其中，所述第一损失函数为利用所述权重分布中与所述真实值对应的权重进行计算的熵损失函数；所述第二损失函数为利用所述权重分布包含的每一个权重和所述真实值进行计算的加权求和损失函数；对所述第一损失值和所述第二损失值进行运算，得到所述回归模型的模型损失值；若所述模型损失值不符合预设的模型收敛条件，根据所述模型损失值计算得到参数更新值；并利用所述参数更新值更新模型参数；其中，所述模型参数指代所述待训练的回归模型的参数；返回执行所述利用待训练的回归模型对所述样本图像进行识别，得到所述样本图像的图像特征步骤，直至所述模型损失值符合所述模型收敛条件为止。可选的，所述对所述第一损失值和所述第二损失值进行运算，得到所述回归模型的模型损失值，包括：计算所述第一损失值和第一系数的乘积，得到修正后的第一损失值；计算所述第二损失值和第二系数的乘积，得到修正后的第二损失值；将所述修正后的第一损失值与所述修正后的第二损失值之和确定为所述待训练的回归模型的模型损失值。可选的，所述对所述第一损失值和所述第二损失值进行运算，得到所述回归模型的模型损失值，包括：将所述第一损失值与所述第二损失值相加，得到所述回归模型的模型损失值。可选的，所述利用第一损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第一损失值，包括：对所述权重分布中与所述真实值对应的权重进行对数运算，得到所述待训练的回归模型的第一损失值；所述利用第二损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第二损失值，包括：将所述待测指标的取值范围内的每一个备选值，按照所述权重分布中对应的权重进行加权求和，得到所述样本图像的待测指标的预测值；对所述预测值和所述真实值的偏差进行平方运算，得到所述待训练的回归模型的第二损失值。本申请第二方面提供一种回归分析的方法，包括：获取待识别图像；利用完成训练的回归模型对所述待识别图像进行识别，得到所述待识别图像的图像特征，并根据所述图像特征确定所述待识别图像的权重分布；其中，所述回归模型利用本申请第一方面任意一项所提供的模型训练的方法训练得到；根据所述待识别图像的权重分布，确定出所述待识别图像在预先指定的待测指标上的预测值。本申请第三方面提供一种模型训练的装置，包括：获取单元，用于获取训练样本；其中，所述训练样本包括样本图像，以及预先标注的所述样本图像的待测指标的真实值；识别单元，用于利用待训练的回归模型对所述样本图像进行识别，得到所述样本图像的图像特征，并根据所述图像特征确定所述样本图像的权重分布；其中，所述权重分布用于指示所述样本图像的待测指标的预测值；所述权重分布包括所述待测指标的取值范围内每一个备选值的权重；计算单元，用于利用第一损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第一损失值，并利用第二损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第二损失值；其中，所述第一损失函数为利用所述权重分布中与所述真实值对应的权重进行计算的熵损失函数；所述第二损失函数为利用所述权重分布包含的每一个权重和所述真实值进行计算的加权求和损失函数；合并单元，用于对所述第一损失值和所述第二损失值进行运算，得到所述回归模型的模型损失值；更新单元，用于若所述模型损失值不符合预设的模型收敛条件，根据所述模型损失值计算得到参数更新值；并利用所述参数更新值更新模型参数；其中，所述模型参数指代所述待训练的回归模型的参数；所述识别单元，用于返回执行所述利用待训练的回归模型对所述样本图像进行识别，得到所述样本图像的图像特征步骤，直至所述模型损失值符合所述模型收敛条件为止。可选的，所述合并单元对所述第一损失值和所述第二损失值进行运算，得到所述回归模型的模型损失值时，具体用于：将所述第一损失值与所述第二损失值相加，得到所述回归模型的模型损失值。本申请第四方面提供一种回归分析的装置，包括：获取单元，用于获取待识别图像；识别单元，用于利用完成训练的回归模型对所述待识别图像进行识别，得到所述待识别图像的图像特征，并根据所述图像特征确定所述待识别图像的权重分布；其中，所述回归模型利用本申请第一方面任意一项所提供的模型训练的方法训练得到；确定单元，用于根据所述待识别图像的权重分布，确定出所述待识别图像在预先指定的待测指标上的预测值。本申请第五方面提供一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，具体用于实现本申请第一方面任意一项所提供的模型训练的方法，或者用于实现本申请第二方面所提供的回归分析的方法。本申请第六方面提供一种电子设备，包括存储本文档来自技高网...

【技术保护点】
1.一种模型训练的方法，其特征在于，包括：/n获取训练样本；其中，所述训练样本包括样本图像，以及预先标注的所述样本图像的待测指标的真实值；/n利用待训练的回归模型对所述样本图像进行识别，得到所述样本图像的图像特征，并根据所述图像特征确定所述样本图像的权重分布；其中，所述权重分布用于指示所述样本图像的待测指标的预测值；所述权重分布包括所述待测指标的取值范围内每一个备选值的权重；/n利用第一损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第一损失值，并利用第二损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第二损失值；其中，所述第一损失函数为利用所述权重分布中与所述真实值对应的权重进行计算的熵损失函数；所述第二损失函数为利用所述权重分布包含的每一个权重和所述真实值进行计算的加权求和损失函数；/n对所述第一损失值和所述第二损失值进行运算，得到所述回归模型的模型损失值；/n若所述模型损失值不符合预设的模型收敛条件，根据所述模型损失值计算得到参数更新值；并利用所述参数更新值更新模型参数；其中，所述模型参数指代所述待训练的回归模型的参数；/n返回执行所述利用待训练的回归模型对所述样本图像进行识别，得到所述样本图像的图像特征步骤，直至所述模型损失值符合所述模型收敛条件为止。/n...

【技术特征摘要】
1.一种模型训练的方法，其特征在于，包括：
获取训练样本；其中，所述训练样本包括样本图像，以及预先标注的所述样本图像的待测指标的真实值；
利用待训练的回归模型对所述样本图像进行识别，得到所述样本图像的图像特征，并根据所述图像特征确定所述样本图像的权重分布；其中，所述权重分布用于指示所述样本图像的待测指标的预测值；所述权重分布包括所述待测指标的取值范围内每一个备选值的权重；
利用第一损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第一损失值，并利用第二损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第二损失值；其中，所述第一损失函数为利用所述权重分布中与所述真实值对应的权重进行计算的熵损失函数；所述第二损失函数为利用所述权重分布包含的每一个权重和所述真实值进行计算的加权求和损失函数；
对所述第一损失值和所述第二损失值进行运算，得到所述回归模型的模型损失值；
若所述模型损失值不符合预设的模型收敛条件，根据所述模型损失值计算得到参数更新值；并利用所述参数更新值更新模型参数；其中，所述模型参数指代所述待训练的回归模型的参数；
返回执行所述利用待训练的回归模型对所述样本图像进行识别，得到所述样本图像的图像特征步骤，直至所述模型损失值符合所述模型收敛条件为止。


2.根据权利要求1所述的方法，其特征在于，所述对所述第一损失值和所述第二损失值进行运算，得到所述回归模型的模型损失值，包括：
计算所述第一损失值和第一系数的乘积，得到修正后的第一损失值；
计算所述第二损失值和第二系数的乘积，得到修正后的第二损失值；
将所述修正后的第一损失值与所述修正后的第二损失值之和确定为所述待训练的回归模型的模型损失值。


3.根据权利要求1所述的方法，其特征在于，所述对所述第一损失值和所述第二损失值进行运算，得到所述回归模型的模型损失值，包括：
将所述第一损失值与所述第二损失值相加，得到所述回归模型的模型损失值。


4.根据权利要求1所述的方法，其特征在于，所述利用第一损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第一损失值，包括：
对所述权重分布中与所述真实值对应的权重进行对数运算，得到所述待训练的回归模型的第一损失值；
所述利用第二损失函数对所述权重分布执行损失计算，得到所述待训练的回归模型的第二损失值，包括：
将所述待测指标的取值范围内的每一个备选值，按照所述权重分布中对应的权重进行加权求和，得到所述样本图像的待测指标的预测值；
对所述预测值和所述真实值的偏差进行平方运算，得到所述待训练的回归模型的第二损失值。


5.一种回归分析的方法，其特征在于，包括：
获取待识别图像；
利用完成训练的回归模型对所述待识别图像进行识别，得到所述待识别图像的图像特征，并根据所述图像特征确定所述待识别图像的权重分布；其中，所述回归模型...

【专利技术属性】
技术研发人员：岳凯宇，侯瑶淇，周峰，
申请(专利权)人：北京爱笔科技有限公司，
类型：发明
国别省市：北京;11