本發明專利技術實施例提供一種數據分類方法，包括：獲取待處理數據；將所述待處理數據輸入訓練好的分類模型中，通過所述分類模型的第一出口網絡得到所述待處理數據的第一分類結果；若所述第一分類結果的置信度小于預設置信度，則通過所述分類模型的第二出口網絡得到所述待處理數據的第二分類結果，其中，所述第二出口網絡在所述分類模型中的深度大于所述第一出口網絡在所述分類模型中的深度；基于所述第二分類結果或置信度大于所述預設置信度的所述第一分類結果，得到所述待處理數據的分類結果。本發明專利技術提高了數據分類的計算速度，使得分類模型的實時性得到提高。類模型的實時性得到提高。類模型的實時性得到提高。
【技術實現步驟摘要】
數據分類方法、裝置、電子設備及存儲介質
[0001]本專利技術涉及數據分類
，尤其涉及一種數據分類方法、裝置、電子 設備及存儲介質。
技術介紹
[0002]在傳統的深度學習應用當中，對于實時性的要求并沒有過多的考慮。往往 復雜的模型能夠具備更加優良的識別準確度，但是對于自動駕駛等高實時性要 求的領域而言，既要保證深度學習模型的準確度，又要保證深度學習模型計算 速率。在這種情況下，深度學習模型的部署則會面臨著計算速率的挑戰。傳統 網絡需要依次經過網絡的每一層，從而最終輸出經過網絡計算的結果，這導致 了傳統網絡存在計算程序多，計算速度慢，實時性低的問題。
技術實現思路
[0003]本專利技術實施例提供一種數據分類方法，旨在解決傳統網絡存在計算程序多， 計算速度慢，實時性低的問題。通過將待處理數據輸入到訓練好的分類模型中， 通過分類模型中位于淺層的第一出口網絡進行預輸出，得到第一分類結果，在 第一分類結果不滿足預設置信度的情況下，才會通過更深層的第二出口網絡來 輸出第二分類結果，這樣，可以通過第一出口網絡在淺層時輸出滿足預設置信 度的分類，此時，只需要對待處理數據進行淺層計算，從減少待處理數據的計 算程序，進而提高了分類模型的計算速度，使得分類模型的實時性得到提高。
[0004]第一方面，本專利技術實施例提供一種數據分類方法，包括以下步驟：
[0005]獲取待處理數據；
[0006]將所述待處理數據輸入訓練好的分類模型中，通過所述分類模型的第一出 口網絡得到所述待處理數據的第一分類結果；
[0007]若所述第一分類結果的置信度小于預設置信度，則通過所述分類模型的第 二出口網絡得到所述待處理數據的第二分類結果，其中，所述第二出口網絡在 所述分類模型中的深度大于所述第一出口網絡在所述分類模型中的深度；
[0008]基于所述第二分類結果或置信度大于所述預設置信度的所述第一分類結 果，得到所述待處理數據的分類結果。
[0009]進一步的，在所述獲取待處理數據之前，所述方法還包括：
[0010]獲取待訓練模型，所述待訓練模型包括第二出口網絡；
[0011]通過第一數據集對所述待訓練模型進行第一訓練，得到第一模型；
[0012]基于所述第一模型，得到所述分類模型。
[0013]進一步的，所述基于所述第一分類模型，得到所述分類模型的步驟包括：
[0014]在所述第一模型的不同深度添加第一出口網絡，得到第二模型，所述第一 出口網絡的輸入參數與所述第一模型在對應深度的輸出參數相同；
[0015]基于所述第二模型，得到所述分類模型。
[0016]進一步的，所述基于所述第二模型，得到所述分類模型的步驟包括：
[0017]通過第二數據集對所述第二模型進行第二訓練，得到所述分類模型。
[0018]進一步的，所述通過第二數據集對所述第二模型進行第二訓練，得到所述 分類模型的步驟包括：
[0019]在訓練過程中，計算所述第一出口網絡與第二出口網絡的整體損失函數；
[0020]根據所述整體損失函數對所述第二模型進行反向傳播，以調整所述第二模 型的參數；
[0021]迭代訓練到預設的終止條件，得到所述分類模型。
[0022]進一步的，在將所述待處理數據輸入訓練好的分類模型中，通過所述分類 模型的第一出口網絡得到所述待處理數據的第一分類結果的步驟之后，所述方 法還包括：
[0023]根據所述第一出口網絡的損失函數值，計算所述第一分類結果的置信度。
[0024]進一步的，在所述若所述第一分類結果的置信度小于預設置信度，則通過 所述分類模型的第二出口網絡得到所述待處理數據的第二分類結果的步驟之 后，所述方法還包括：
[0025]若所述第二分類結果的置信度小于所述預設置信度，則從所述第二分類結 果與所述第一分類結果中選擇置信度最大的分類結果作為所述待處理數據的 分類結果。
[0026]第二方面，本專利技術實施例提供一種數據分類裝置，裝置包括：
[0027]獲取模塊，用于獲取待處理數據；
[0028]第一處理模塊，用于將所述待處理數據輸入訓練好的分類模型中，通過所 述分類模型的第一出口網絡得到所述待處理數據的第一分類結果；
[0029]第二處理模塊，用于若所述第一分類結果的置信度小于預設置信度，則通 過所述分類模型的第二出口網絡得到所述待處理數據的第二分類結果，其中， 所述第二出口網絡在所述分類模型中的深度大于所述第一出口網絡在所述分 類模型中的深度；
[0030]第三處理模塊，基于所述第二分類結果或置信度大于所述預設置信度的所 述第一分類結果，得到所述待處理數據的分類結果。
[0031]第三方面，本專利技術實施例提供一種電子設備，包括：存儲器、處理器及存 儲在存儲器上并可在處理器上運行的計算機程序，處理器執行計算機程序時實 現本專利技術實施例提供的數據分類方法中的步驟。
[0032]第四方面，本專利技術實施例提供一種計算機可讀存儲介質，計算機可讀存儲 介質上存儲有計算機程序，計算機程序被處理器執行時實現專利技術實施例提供的 數據分類方法中的步驟。
[0033]本專利技術實施例中，獲取待處理數據；將所述待處理數據輸入訓練好的分類 模型中，通過所述分類模型的第一出口網絡得到所述待處理數據的第一分類結 果；若所述第一分類結果的置信度小于預設置信度，則通過所述分類模型的第 二出口網絡得到所述待處理數據的第二分類結果，其中，所述第二出口網絡在 所述分類模型中的深度大于所述第一出口網絡在所述分類模型中的深度；基于 所述第二分類結果或置信度大于所述預設置信度的所述第一分類結果，得到所 述待處理數據的分類結果。通過將待處理數據輸入到訓練好的分類模型中，通 過分類模型中位于淺層的第一出口網絡進行預輸出，得到第一分類結
果，在第 一分類結果不滿足預設置信度的情況下，才會通過更深層的第二出口網絡來輸 出第二分類結果，這樣，可以通過第一出口網絡在淺層時輸出滿足預設置信度 的分類，此時，只需要對待處理數據進行淺層計算，從減少待處理數據的計算 程序，進而提高了分類模型的計算速度，使得分類模型的實時性得到提高。
附圖說明
[0034]為了更清楚地說明本專利技術實施例或現有技術中的技術方案，下面將對實施 例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述 中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付 出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0035]圖1是本專利技術實施例提供的一種數據分類方法的流程圖；
[0036]圖2是本專利技術實施列提供的一種深度神經網絡模型；
[0037]圖3是本專利技術實施例提供的另一種深度神經網絡模型；
[0038]圖4是本專利技術實施例提供的一種數據分類裝置的結構示意圖；
[0039]圖5是本專利技術實施例提供的一種電子設備的結構示意圖。
具體實施方式
[00本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種數據分類方法，其特征在于，包括以下步驟：獲取待處理數據；將所述待處理數據輸入訓練好的分類模型中，通過所述分類模型的第一出口網絡得到所述待處理數據的第一分類結果；若所述第一分類結果的置信度小于預設置信度，則通過所述分類模型的第二出口網絡得到所述待處理數據的第二分類結果，其中，所述第二出口網絡在所述分類模型中的深度大于所述第一出口網絡在所述分類模型中的深度；基于所述第二分類結果或置信度大于所述預設置信度的所述第一分類結果，得到所述待處理數據的分類結果。2.如權利要求1所述的方法，其特征在于，在所述獲取待處理數據之前，所述方法還包括：獲取待訓練模型，所述待訓練模型包括第二出口網絡；通過第一數據集對所述待訓練模型進行第一訓練，得到第一模型；基于所述第一模型，得到所述分類模型。3.如權利要求2所述的方法，其特征在于，所述基于所述第一分類模型，得到所述分類模型的步驟包括：在所述第一模型的不同深度添加第一出口網絡，得到第二模型，所述第一出口網絡的輸入參數與所述第一模型在對應深度的輸出參數相同；基于所述第二模型，得到所述分類模型。4.如權利要求3所述的方法，其特征在于，所述基于所述第二模型，得到所述分類模型的步驟包括：通過第二數據集對所述第二模型進行第二訓練，得到所述分類模型。5.如權利要求4所述的方法，其特征在于，所述通過第二數據集對所述第二模型進行第二訓練，得到所述分類模型的步驟包括：在訓練過程中，計算所述第一出口網絡與第二出口網絡的整體損失函數；根據所述整體損失函數對所述第二模型進行反向傳播，以調整所述第二模型的參數；迭代訓練到預設的終止條件，得到所述分類模型。6.如權利要求5所述的方法，其特征在于...
【專利技術屬性】
技術研發人員：陳濟洲，鄭彬，王東會，彭果，
申請(專利權)人：湖南北云科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。