[发明专利]训练分类模型的方法和装置

权利要求书

1.训练分类模型的方法，包括：

获取训练样本以及对各训练样本标注的类别标签，所述训练样本包括噪声样本；

利用所述训练样本训练分类模型；

其中在训练所述分类模型的过程中采用改进的交叉熵损失函数，所述改进的交叉熵损失函数用以降低对所述噪声样本的学习权重。

2.根据权利要求1所述的方法，其中，所述改进的交叉熵损失函数中对训练样本的学习权重由该训练样本在所有类别上的概率最高值确定，所述学习权重与所述概率最高值负相关。

3.根据权利要求1或2所述的方法，其中，所述改进的交叉熵损失函数由训练样本被标注的类别标签、类别权重、对训练样本的学习权重以及所述分类模型输出的该训练样本属于各类别的概率确定。

4.根据权利要求3所述的方法，其中，所述改进的交叉熵损失函数采用改进的focalloss，采用以下方式确定：

其中，L_focal为改进的focal loss，所述y_i为对训练样本标注的是否属于第i个类别的标签，α_t为预设的类别权重，n为类别的总数量，p_i为分类模型针对训练样本输出的属于第i个类别的概率，γ为超参；在y_i＝1的情况下p_i,t＝p_i，否则p_i,t＝1-p_i。

5.根据权利要求1所述的方法，其中，在训练所述分类模型的过程中，利用所述改进的交叉熵损失函数的值进行反向传播，更新所述分类模型的模型参数。

6.训练分类模型的装置，包括：

样本获取单元，被配置为获取训练样本以及对各训练样本标注的类别标签，所述训练样本包括噪声样本；

模型训练单元，被配置为利用所述训练样本训练分类模型；其中在训练所述分类模型的过程中采用改进的交叉熵损失函数，所述改进的交叉熵损失函数用以降低对所述噪声样本的学习权重。

7.根据权利要求6所述的装置，其中，所述改进的focal loss中对训练样本的学习权重由该训练样本在所有类别上的概率最高值确定，所述学习权重与所述概率最高值负相关。

8.根据权利要求6或7所述的装置，其中，所述改进的交叉熵损失函数由训练样本被标注的类别标签、类别权重、对训练样本的学习权重以及所述分类模型输出的该训练样本属于各类别的概率确定。

9.根据权利要求8所述的装置，其中，所述改进的交叉熵损失函数采用改进的focalloss，采用以下方式确定：

其中，L_focal为改进的focal loss，所述y_i为对训练样本标注的是否属于第i个类别的标签，α_t为预设的类别权重，n为类别的总数量，p_i为分类模型针对训练样本输出的属于第i个类别的概率，γ为超参；在y_i＝1的情况下p_i,t＝p_i，否则p_i,t＝1-p_i。

10.根据权利要求6所述的装置，其中，所述模型训练单元，具体被配置为在训练所述分类模型的过程中，利用所述改进的交叉熵损失函数的值进行反向传播，更新所述分类模型的模型参数。

11.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-5中任一项所述的方法。