[发明专利]卷积神经网络模型的训练方法及装置

说明书

本公开是关于一种卷积神经网络模型的训练方法及装置，属于图像处理技术领域，该方法包括：通过待训练的卷积神经网络模型对存储的多个训练图像分别进行识别处理，得到多个预测类别概率向量。对于该多个训练图像中的每个训练图像，确定该训练图像的预测类别概率向量与初始类别概率向量之间的差值，得到该训练图像的类别概率误差向量。由于该初始类别概率向量中包括多个初始类别概率是基于预设扰动概率、该训练图像的真实类别以及对应类别的类别比例确定得到，如此，在基于多个训练图像的类别概率误差向量和该多个训练图像对卷积神经网络模型进行训练时能够加快算法收敛速度，从而保证了训练后的卷积神经网络模型对图像识别的准确性。

技术领域

本公开涉及图像处理技术领域，尤其涉及一种卷积神经网络模型的训练方法及装置。

背景技术

随着图像处理技术的快速发展，卷积神经网络模型在图像识别方面得到了广泛的应用，譬如，如果将一张待识别的图像输入至已完成训练的卷积神经网络模型中，通过该卷积神经网络模型可以识别出该图像的类别。例如，将一张“猫”的图像输入至已完成训练的卷积神经网络模型中，通过该卷积神经网络模型可以识别出该图像的类别为“猫”。为了能够成功实现图像识别，通常需要预先基于大量的训练图像对卷积神经网络模型进行训练，例如，预先基于大量的动物训练图像对卷积神经网络模型进行训练。目前，如何对卷积神经网络模型进行训练以保证图像识别的准确性成为本领域研究的热点。

发明内容

为克服相关技术中存在的问题，本公开提供一种卷积神经网络模型的训练方法及装置。

第一方面，提供一种卷积神经网络模型的训练方法，所述方法包括：

通过待训练的卷积神经网络模型对存储的多个训练图像分别进行识别处理，得到多个预测类别概率向量，每个预测类别概率向量中包括多个预测类别概率，每个预测类别概率为对应的训练图像属于多个预设类别中每个预设类别的概率；

对于所述多个训练图像中的每个训练图像，确定所述训练图像的预测类别概率向量与初始类别概率向量之间的差值，得到所述训练图像的类别概率误差向量，所述初始类别概率向量中包括多个初始类别概率，所述多个初始类别概率是基于预设扰动概率、所述训练图像的真实类别以及对应类别的类别比例确定得到；

基于所述多个训练图像的类别概率误差向量和所述多个训练图像，对所述卷积神经网络模型进行训练。

可选地，确定所述训练图像的预测类别概率向量与初始类别概率向量之间的差值之前，还包括：

对于所述多个预设类别中的每个预设类别，确定所述预设类别的类别比例；

基于所述预设扰动概率、所述训练图像的真实类别以及所述预设类别的类别比例，通过如下公式确定与所述预设类别对应的初始类别概率；

P(k)＝λ*δ_y(k)+(1-λ)*p₀(k)；

其中，所述P(k)表示与所述预设类别对应的初始类别概率，λ表示所述预设扰动概率，所述p₀(k)表示所述预设类别的类别比例，其中，当所述训练图像的真实类别与所述预设类别相同时，所述δ_y(k)为1，当所述训练图像的真实类别与所述预设类别不同时，所述δ_y(k)为0。

可选地，基于所述多个训练图像的类别概率误差向量和所述多个训练图像，对所述卷积神经网络模型进行训练，包括：

确定所述多个训练图像的类别概率误差向量的平均类别概率误差向量；

基于所述平均类别概率误差向量和所述多个训练图像，对所述卷积神经网络模型进行训练。

可选地，基于所述平均类别概率误差向量和所述多个训练图像，对所述卷积神经网络模型进行训练，包括：