一种分类模型训练方法、装置、电子设备、介质和程序制造方法及图纸

本发明专利技术公开了一种分类模型训练方法、装置、电子设备、介质和程序，其中，该方法包括：获取目标模型的训练集，其中，所述训练集的训练数据具有多级标签，所述多级标签的标签层级至少为两层；基于所述训练集内各所述标签层级的训练数据对所述目标模型进行递进训练；根据所述目标模型的损失函数值以及损失阈值完成所述目标模型的训练。本发明专利技术实施例，通过不同标签层级的训练数据对目标模型进行递进训练，可保障模型学习到层级之间的关联关系，可提升目标模型多级分类的准确性，可在不更改模型结构的基础上，提升模型对多级分类任务的适配性，可提升模型分类的准确率。

【技术实现步骤摘要】

本专利技术涉及计算机应用，尤其涉及一种分类模型训练方法、装置、电子设备、介质和程序。

技术介绍

1、在深度学习领域，分类任务已经较为成熟，其准确率可以达到90％,当前已经无法通过对模型的优化来继续提升准确率。而在分类任务中，存在一种多级别的分类任务，以图像识别为例，需要将食物图像分类为蔬菜、肉类、主食类等，并且在蔬菜、肉类、主食类等大类下还可以包括一些系列的子类别，蔬菜可以细分为青菜、瓜果，而青菜又可以细分为生菜、上海青等具体细类。这种多级别分类的主要特点是总体类别数量较多，导致现有的分类方法依据的分类模型往往将上述多级分类任务视为一个分类任务，不同级别分类过程无差异，导致不同级别的分类特征被忽略，导致分类效果不佳，目前亟需一种分类模型的训练方法，使得训练过程贴合多级分类任务的多层级的特征，从而提升多级分类任务执行的准确率。

技术实现思路

1、本专利技术提供了一种分类模型训练方法、装置、电子设备、介质和程序，以解决多级别模型训练效果不佳的问题，可提升模型的分类准确率，辅助实现多级分类任务的准确处理。

<本文档来自技高网...

【技术保护点】

1.一种分类模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述方法，其特征在于，所述基于所述训练集内各所述标签层级的训练数据对所述目标模型进行递进训练，包括：

3.根据权利要求2所述方法，其特征在于，所述根据所述当前层级和所述训练集内确定当前训练数据，包括：

4.根据权利要求3所述方法，其特征在于，所述将所述多级标签内具有所述子级标签项以及所述当前标签项的所述训练数据作为所述当前训练数据，包括：

5.根据权利要求1所述方法，其特征在于，所述根据所述目标模型的损失函数值以及损失阈值完成所述目标模型的训练，包括：

6....

【技术特征摘要】

1.一种分类模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述方法，其特征在于，所述基于所述训练集内各所述标签层级的训练数据对所述目标模型进行递进训练，包括：

3.根据权利要求2所述方法，其特征在于，所述根据所述当前层级和所述训练集内确定当前训练数据，包括：

4.根据权利要求3所述方法，其特征在于，所述将所述多级标签内具有所述子级标签项以及所述当前标签项的所述训练数据作为所述当前训练数据，包括：

5.根据权利要求1所述方法，其特征在于，所述根据所述目标模型的损失函数值以及损失阈值完成所述目标模型的训练，包括：

6.根...

【专利技术属性】
技术研发人员：王江鹏，毛晓蛟，章勇，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：