[发明专利]神经网络模型处理方法、装置、设备及可读存储介质

权利要求书

1.一种图像识别方法，其特征在于，包括：获取神经网络模型多轮历史学习过程中的历史学习数据，所述历史学习数据包括多组权重值以及与所述权重值对应的收敛损失值；所述收敛损失值包括距离损失值或交叉熵损失值；

根据所述历史学习数据中的最优权重为所述神经网络模型的下一轮学习过程设置初始权重；所述最优权重为多轮历史学习过程中的历史学习数据中数值最小的收敛损失值对应的权重；或者，所述最优权重为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对应的权重值；

通过训练集中的待训练图像数据对已设置初始权重的所述神经网络模型进行训练，获得训练完毕的神经网络模型；所述待训练图像数据包括待训练图像对应的数据值以及识别结果；所述训练集中的每一待训练图像数据均包括数据值和对所述图像对应的识别结果；所述历史学习数据是采用历史图像对所述神经网络模型进行训练后获得的；其中，所述训练集中的待训练图像数据用于对所述神经网络模型进行迭代训练，直至所述神经网络模型所输出的预测结果与所述图像对应的识别结果之间的距离或交叉熵不再改变，训练完毕；

接收待识别图像；

根据所述训练完毕的神经网络模型对所述待识别图像进行识别，获得图像识别结果。

2.根据权利要求1所述的方法，其特征在于，所述获取神经网络模型多轮历史学习过程中的历史学习数据，包括：

针对每一所述历史学习过程，接收权重调整请求，根据所述权重调整请求对当前学习过程的权重值进行调整；

记录所述权重值以及所述权重值对应的收敛损失值的数值和/或变化趋势。

3.根据权利要求2所述的方法，其特征在于，在所述根据所述历史学习数据中的最优权重为所述神经网络模型的下一轮学习过程设置初始权重之前，还包括：

确定所述多轮历史学习过程中的历史学习数据中数值最小的收敛损失值；

将所述数值最小的收敛损失值对应的权重值作为所述最优权重。

4.根据权利要求2所述的方法，其特征在于，在所述根据所述历史学习数据中的最优权重为所述神经网络模型的下一轮学习过程设置初始权重，还包括：

确定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对应的权重值；

将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对应的权重值作为所述最优权重。

5.根据权利要求1所述的方法，其特征在于，所述通过训练集中的待训练图像数据对已设置初始权重的所述神经网络模型进行训练，获得训练完毕的神经网络模型之后，还包括：

将当前学习过程中的权重值以及所述权重值对应的收敛损失值添加至所述历史学习数据。

6.一种图像识别装置，其特征在于，包括：

历史学习数据获取模块，用于获取神经网络模型多轮历史学习过程中的历史学习数据，所述历史学习数据包括多组权重值以及与所述权重值对应的收敛损失值；所述收敛损失值包括距离损失值或交叉熵损失值；

初始权重设置模块，用于根据所述历史学习数据中的最优权重为所述神经网络模型的下一轮学习过程设置初始权重；所述最优权重为多轮历史学习过程中的历史学习数据中数值最小的收敛损失值对应的权重；或者，所述最优权重为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对应的权重值；

训练模块，用于通过训练集中的待训练图像数据对已设置初始权重的所述神经网络模型进行训练，获得训练完毕的神经网络模型；所述待训练图像数据包括待训练图像对应的数据值以及识别结果；所述训练集中的每一待训练图像数据均包括数据值和对所述图像对应的识别结果；所述历史学习数据是采用历史图像对所述神经网络模型进行训练后获得的；其中，所述训练集中的待训练图像数据用于对所述神经网络模型进行迭代训练，直至所述神经网络模型所输出的预测结果与所述图像对应的识别结果之间的距离或交叉熵不再改变，训练完毕；

接收模块，用于接收待识别图像；

识别模块，用于根据所述训练完毕的神经网络模型对所述待识别图像进行识别，获得图像识别结果。