[发明专利]分类网络训练方法、装置、计算机设备及存储介质

权利要求书

1.一种分类网络训练方法，其特征在于，包括：

获取训练样本集；其中，所述训练样本集包括不同分类标签对应的正确分类样本以及错误分类样本；

按照批处理量大小从所述训练样本集中随机抽取第一样本集；其中，所述第一样本集对应多个第一训练样本；

将每一所述第一训练样本输入至待训练的第一分类网络中进行分类，获取所述每一所述第一训练样本对应的第一损失值；以及，将每一所述第一训练样本输入至待训练的第二分类网络中进行分类，获取每一所述第一训练样本对应的第二损失值；

对所述第一样本集对应的多个第一损失值进行递增顺序排序，并选取所述第一损失值排在前N位的所述第一训练样本作为第二样本集；以及，对所述所述第一样本集对应的多个第二损失值进行递增顺序排序，并选取所述第二损失值排在前N位的所述第一训练样本作为第三样本集；

通过所述第二样本集训练所述第二分类网络；以及，通过所述第三样本集训练所述第一分类网络。

2.如权利要求1所述分类网络训练方法，其特征在于，在所述通过所述第二样本集训练所述第二分类网络；以及，通过所述第三样本集训练所述第一分类网络之后，所述分类网络训练方法还包括：

更新所述N值；

重复执行所述按照批处理量大小从所述训练样本集中随机抽取第一样本集的步骤，直至模型收敛，获取训练好的第一分类网络以及第二分类网络。

3.如权利要求2所述分类网络训练方法，其特征在于，所述更新N值，包括：

按照预设比例更新所述N值；或者，

对所述第一样本集进行随机抽样，并根据得到的随机抽样集中正样本的占比估计所述损失抽样比例。

4.如权利要求1所述分类网络训练方法，其特征在于，在所述通过所述第二样本集训练所述第二分类网络；以及，通过所述第三样本集训练所述第一分类网络之后，所述分类网络训练方法还包括：

更新所述批处理量大小；其中，所述更新后的批处理量大小小于更新前的批处理量大小；

重复执行所述按照批处理量大小从所述训练样本集中随机抽取第一样本集的步骤，直至模型收敛，获取训练好的第一分类网络以及第二分类网络。

5.如权利要求1所述分类网络训练方法，其特征在于，所述第一分类网络与第二分类网络的模型初始化参数不同，模型结构相同；所述第一分类网络以及所述第二分类网络均包括特征提取层以及分类层；所述特征提取层包括多个残差模块，每两个相邻的所述残差模块之间通过注意力机制模块连接。

6.如权利要求5所述分类网络训练方法，其特征在于，所述将每一所述第一训练样本输入至待训练的第一分类网络中进行分类，获取所述每一所述第一训练样本对应的第一损失值，包括：

将每一所述第一训练样本输入至所述残差模块进行特征提取，得到残差模块的输出；

将所述残差模块的输出输入至所述注意力机制模块中进行处理，得到所述注意力机制模块的输出；

将所述注意力机制模块的输出输入至下一残差模块，以使所述下一残差模块对所述注意力机制模块的输出进行特征提取，得到所述残差模块的输出；

重复执行所述所述将所述残差模块的输出输入至所述注意力机制模块中进行处理，得到所述注意力机制模块的输出的步骤，直至得到最后一个残差模块的输出；

将所述最后一个残差模块的输出输入至所述分类器进行分类，得到预测分类结果；

基于所述预测分类结果与所述第一训练样本对应的真实分类标签，以得到每一所述第一训练样本对应的第一损失值。

7.如权利要求1所述分类网络训练方法，其特征在于，所述获取训练样本集，包括：

获取每一所述分类标签对应的多个正确分类样本；

按照预设错误标记比例对多个所述正确标记样本的分类标签进行错误标记，得到每一所述分类标签对应的多个错误分类样本。