[发明专利]一种分类模型的训练方法、分类方法及相关装置

权利要求书

1.一种分类模型的训练方法，其特征在于，包括：

获取原始训练样本集；

对所述原始训练样本集中的训练样本进行塔克分解还原，得到新的训练样本；

通过所述新的训练样本对预先构建的深度神经网络进行训练，得到分类模型，其中，所述深度神经网络中设置有去噪模块。

2.根据权利要求1所述的分类模型的训练方法，其特征在于，对所述原始训练样本集中的训练样本进行塔克分解还原，得到新的训练样本，包括：

获取用于进行塔克分解还原的分解秩；

基于所述分解秩，将所述原始训练样本集中的训练样本进行塔克分解，得到各训练样本对应的三个因子矩阵和一个核心张量；

将同一训练样本的三个所述因子矩阵、所述核心张量的模式积相乘，并将得到的乘积作为该训练样本对应的新的训练样本。

3.根据权利要求1所述的分类模型的训练方法，其特征在于，所述原始训练样本集对应多个分类结果。

4.根据权利要求1所述的分类模型的训练方法，其特征在于，所述深度神经网络包括残差网络，所述去噪模块为非局部均值去噪模块；

所述残差网络的残差块中设置有所述非局部均值去噪模块。

5.一种分类方法，其特征在于，包括：

获取待分类数据和预设的分类模型，其中，所述预设的分类模型是通过如权利要求1至4中任一项所述的分类模型的训练方法训练得到的；

将所述待分类数据输入至所述分类模型，得到所述待分类数据对应的分类结果。

6.一种分类模型的训练装置，其特征在于，包括：

获取单元，用于获取原始训练样本集；

操作单元，用于对所述原始训练样本集中的训练样本进行塔克分解还原，得到新的训练样本；

训练单元，用于通过所述新的训练样本对预先构建的深度神经网络进行训练，得到分类模型，其中，所述深度神经网络中设置有去噪模块。

7.根据权利要求6所述的分类模型的训练装置，其特征在于，所述操作单元包括：

获取子单元，用于获取用于进行塔克分解还原的分解秩；

分解子单元，用于基于所述分解秩，将所述原始训练样本集中的训练样本进行塔克分解，得到各训练样本对应的三个因子矩阵和一个核心张量；

还原子单元，用于将同一训练样本的三个所述因子矩阵、所述核心张量的模式积相乘，并将得到的乘积作为该训练样本对应的新的训练样本。

8.一种分类装置，其特征在于，包括：

获取单元，用于获取待分类数据和预设的分类模型，其中，所述预设的分类模型是通过如权利要求1至4中任一项所述的分类模型的训练方法训练得到的；

分类单元，用于将所述待分类数据输入至所述分类模型，得到所述待分类数据对应的分类结果。

9.一种分类模型的训练设备，其特征在于，所述分类模型的训练设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1至4中任一项所述的分类模型的训练方法。

10.一种存储介质，其特征在于，所述存储介质用于存储程序代码，所述程序代码用于执行权利要求1至4中任一项所述的分类模型的训练方法。