[发明专利]分类模型训练方法、装置、计算设备及存储介质

权利要求书

1.一种分类模型训练方法，其特征在于，包括：

将训练样本输入分类模型，得到所述训练样本属于每个类别的预测概率分布，所述预测概率分布为所述分类模型预测的所述训练样本属于每个类别的预测概率；

根据所述预测概率分布与所述训练样本的实际标签分布，计算目标损失，所述实际标签分布为所述训练样本属于每个类别的实际概率，所述目标损失用于指示所述分类模型的预测概率分布与实际标签分布之间的误差；

根据所述预测概率分布中负类的预测概率分布，计算惩罚项，所述惩罚项用于指示所述预测概率分布中负类的离散程度；

将所述目标损失与所述惩罚项之和记为总损失，根据所述总损失更新所述分类模型参数，得到训练好的分类模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述预测概率分布中负类的预测概率分布，计算惩罚项，包括：

获取所述预测概率分布中负类的预测概率分布；

根据所述负类的预测概率分布计算所述负类的预测概率分布的方差；

根据分类标签数、正类标签数以及所述负类的预测概率分布的方差，确定所述惩罚项。

3.根据权利要求1所述的方法，其特征在于，所述根据所述预测概率分布中负类的预测概率分布，计算惩罚项，包括：

获取所述预测概率分布中负类的预测概率分布；

根据所述负类的预测概率分布计算所述负类的预测概率分布的极差，所述极差为所述负类的预测概率分布中最大预测概率与最小预测概率之差；

根据所述负类的预测概率分布的极差，确定所述惩罚项。

4.根据权利要求2或3所述的方法，其特征在于，所述根据所述预测概率分布与所述训练样本的所述实际标签分布，计算目标损失包括：

根据预测概率分布中第i个类别的预测概率与所述第i个类别的实际概率，计算交叉熵损失作为所述目标损失，其中，i的取值为1到N，N为分类标签数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述总损失更新所述分类模型参数，得到训练好的分类模型包括：

基于所述总损失进行反向传播，计算所述分类模型中多个网络层的梯度；

基于所述多个网络层的梯度，对所述多个网络层进行参数更新，得到所述训练好的分类模型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述总损失更新所述分类模型参数，得到训练好的分类模型之后，还包括：

将待预测样本输入到所述训练好的分类模型，得到所述待预测样本属于每个类别的预测概率分布；

将预测概率高于预设阈值的类别作为所述待预测样本的标签。

7.一种分类模型训练装置，其特征在于，包括训练单元和处理单元：

所述训练单元，用于将训练样本输入分类模型，得到所述训练样本属于每个类别的预测概率分布，所述预测概率分布为所述分类模型预测的所述训练样本属于每个类别的预测概率；

所述处理单元，用于根据所述预测概率分布与所述训练样本的实际标签分布，计算目标损失，所述实际标签分布为所述训练样本属于每个类别的实际概率，所述目标损失用于指示所述分类模型预测概率分布与实际标签分布之间的误差；

根据所述预测概率分布中负类的预测概率分布，计算惩罚项，所述惩罚项用于指示所述预测概率分布中负类的离散程度；

将所述目标损失与所述惩罚项之和记为总损失，根据所述总损失更新所述分类模型参数。

8.一种神经网络处理器，其特征在于，所述神经网络处理器包括用于实现权利要求1至6任一项所述的方法。

9.一种计算设备，其特征在于，包括处理器和存储器；所述存储器用于存储指令，所述处理器用于执行所述指令，当所述处理器执行所述指令时，所述计算设备执行如权利要求1至6任一项所述的方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。