识别模型的参数获取方法、装置、电子设备及存储介质与流程
本发明涉及数据处理技术领域，尤其涉及一种识别模型的参数获取方法、装置、电子设备及计算机可读存储介质。
背景技术：
随着人工智能的兴起，越来越多的技术人员利用带有标签的数据训练搭建好的模型，以获取需要的模型参数，进而利用模型参数让模型实现特定的功能。但一个模型的训练往往需要海量的带有标签的数据，人工手动对这些数据进行标记不仅标记效率低下且在标记过程中会出现大量错误的标签，即噪声标签，而利用带有噪声标签的数据对模型进行训练无法获取精确的模型参数。
因此如何利用这些带有噪声标签的数据来训练模型以获取更加精准的模型参数，成为了人们越来越关注的重点。
技术实现要素：
本发明提供一种识别模型的参数获取方法、装置、电子设备及计算机可读存储介质，其主要目的在于提供一种提高获取到的模型参数的精确度的方法。
为实现上述目的，本发明提供的一种识别模型的参数获取方法，包括：
获取包含噪声标签的训练数据集，对所述训练数据集进行数据标准化处理，得到标准数据集；
基于多层深度神经网络建立识别模型，利用所述标准数据集对所述识别模型进行训练，得到包含初始化参数的标准识别模型；
构建所述标准数据集的噪声概率转移矩阵；
基于所述噪声概率转移矩阵构建损失函数；
利用所述损失函数计算所述标准识别模型的更新参数，将所述更新参数替换为所述初始化参数。
可选地，所述对所述训练数据集进行数据标准化处理，包括下述一种或几种的组合：
去除所述训练数据集中的唯一属性值；
对所述训练数据集进行缺失值填充；
对所述训练数据集进行数据归一化。
可选地，所述对所述训练数据集进行数据归一化，包括：
利用如下标准化算法对所述训练数据集进行数据归一化：
其中，x为数据归一化后的标准数据，sold为所述训练数据集中的数据，smax为sold取值的最大值，smin为sold取值的最小值。
可选地，所述噪声概率转移矩阵，包括：
q∈[0,1]c×c
其中，c的大小与标准数据集中标准数据的数量相同。
可选地，所述损失函数包括前向损失函数，所述前向损失函数为：
其中，qt为所述噪声概率转移矩阵的转置矩阵，ψ为所述识别模型的误差因子，h为所述多层深度神经网络，
可选地，所述损失函数还包括后向损失函数，所述后项损失函数为：
其中，l→(h)为所述后向损失函数的损失值，y为所述标准数据集中任一标准数据x的预设标准标签，
可选地，所述利用所述损失函数计算所述标准识别模型的更新参数，包括：
获取所述标准数据集中标准数据的预设标准标签，以及所述标准识别模型对所述标准数据集中标准数据的预测标签；
利用损失函数计算所述预测标签与所述标准标签之间的差异值；
当所述差异值在预设阈值区间内时，利用梯度下降算法计算所述标准识别模型的更新参数；
当所述差异值大于所述阈值区间的上限时，利用所述损失函数计算所述标准标签为噪声标签的概率值；
当所述概率值小于预设概率阈值时，利用梯度下降算法计算所述标准识别模型的更新参数。
为了解决上述问题，本发明还提供一种识别模型的参数获取装置，所述装置包括：
训练数据获取模块，用于获取包含噪声标签的训练数据集，对所述训练数据集进行数据标准化处理，得到标准数据集；
识别模型构建模块，用于基于多层深度神经网络建立识别模型，利用所述标准数据集对所述识别模型进行训练，得到包含初始化参数的标准识别模型；
转移矩阵构建模块，用于构建所述标准数据集的噪声概率转移矩阵；
损失函数构建模块，用于基于所述噪声概率转移矩阵构建损失函数；
模型参数更新模块，用于利用所述损失函数计算所述标准识别模型的更新参数，将所述更新参数替换为所述初始化参数。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的识别模型的参数获取方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述中任意一项所述的识别模型的参数获取方法。
本发明实施例通过获取包含噪声标签的训练数据集之后，对训练数据集进行标准化处理，提高对训练数据进行处理的效率；在得到包含初始化参数的标准识别模型之后，构建所述标准数据集的噪声概率转移矩阵，利于提高根据所述噪声转移矩阵构建出的损失函数对模型的适用性，以便于后续利用损失函数训练出更加精确的模型参数；基于所述噪声概率转移矩阵构建损失函数，利用损失函数计算标准识别模型的更新参数，从而能够得到更准确的模型参数，实现提高获取模型参数的精确性的目的。因此本发明提出的识别模型的参数获取方法、装置及计算机可读存储介质，可以提供一种提高获取模型参数的精确度的方法。
附图说明
图1为本发明一实施例提供的识别模型的参数获取方法的流程示意图；
图2为本发明一实施例提供的识别模型的参数获取装置的模块示意图；
图3为本发明一实施例提供的实现识别模型的参数获取方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的识别模型的参数获取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述识别模型的参数获取方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种识别模型的参数获取方法。参照图1所示，为本发明一实施例提供的识别模型的参数获取方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，识别模型的参数获取方法包括：
s1、获取包含噪声标签的训练数据集，对所述训练数据集进行数据标准化处理，得到标准数据集。
本发明实施例中，所述包含噪声标签的训练数据集是指训练数据集中存在一些数据，但数据的预设标准标签与数据的内容不对应，即预设标准标签是噪声标签的数据。
本发明实施例可利用具有数据抓取功能的python语句从区块链节点中获取所述训练数据集，也可从数据库中获取所述训练数据集。
较佳地，所述训练数据集存储于区块链的不同节点中，利用区块链的高数据吞吐性，可提高获取所述训练数据集的效率。
具体地，所述对所述训练数据集进行数据标准化处理，包括下述一种或几种的组合：
去除所述训练数据集中的唯一属性值；
对所述训练数据集进行缺失值填充；对所述训练数据集进行数据归一化。
详细地，所述唯一属性值包括但不限于：数据id，数据编号。
由于唯一属性值并不能刻画数据的分布规律，反而会增加数据的内容，使得对数据进行处理时需要占用更多额外的计算资源，降低数据处理的效率，因此，本发明实施例中将训练数据集中的唯一数据进行删除，提高后续数据处理的效率。
较佳地，本发明实施例利用高维映射的方法，将所述训练数据集中的数据映射至预构建的高维空间，再将缺失的数据利用独热编码技术进行数据填充。利用高位空间的多维度性，可提高对所述训练数据集中缺失数据查找的效率，利用独热编码技术可提高数据填充的准确率。
具体地，本发明实施例利用如下标准化算法对所述训练数据集进行数据归一化：
其中，x为数据归一化后的标准数据，sold为所述训练数据集中的数据，smax为sold取值的最大值，smin为sold取值的最小值。
需要强调的是，smax和smin是预先设定的，用于限定所述训练数据集中数据的范围。
当完成所述数据标准化处理后，得到所述标准数据集。
s2、基于多层深度神经网络建立识别模型，利用所述标准数据集对所述识别模型进行训练，得到包含初始化参数的标准识别模型。
本发明实施例中，所述多层深度神经网络为：
h＝(h(n)·h(n-1)·…·h(1))
其中，h(n)表示所述多层深度神经网络第n层的网络结构。
当所述多层深度神经网络经过softmax函数进行激活后，可输出标准数据x与x对应的预设标准标签y的联合分布p(x,y)的预测值
所述softmax函数是一种激活函数，用于将多层深度神经网络的输出结果变换成预设形式，本发明实施例中，将所述多层深度神经网络的输出结果变换成概率形式(即
具体地，本发明实施例将所述标准数据集输入至所述识别模型，利用所述标准数据集对所述识别模型进行训练，得到所述识别模型的初始化参数，确定包含初始化参数识别模型为标准识别模型。
进一步地，本发明实施例中，在基于多层深度神经网络建立识别模型之前，所述方法还包括：
构建特征空间：
构建所述特征空间对应的标签空间：
另外，对于所述特征空间中存储的标准数据x与其在标签空间中对应的预设标准标签y的联合分布为p(x,y)：
p(x,y)＝p(y|x)p(x)
其中，p(x)为标准数据集中任一标准数据x在所述特征空间出现的频率，p(y|x)为标准数据x出现时其预设标准标签在所述标签空间的频率。
本实施例中，构建所述特征空间和所述标签空间并计算标准数据x与其在标签空间中对应的标签y的联合分布为p(x,y)，可将标准数据集中的标准数据与标准数据对应的标签之间的关系更好的展现出来，提高数据处理的效率。
s3、构建所述标准数据集的噪声概率转移矩阵。
本发明实施例中，所述标准数据集的噪声概率转移矩阵可表示为：
q∈[0,1]c×c
其中，c的大小与标准数据集中标准数据的数量相同。
所述噪声概率转移矩阵表示噪声标签在数据中的分布。
具体的，所述噪声概率转移矩阵q中第i行、第j列的元素表示出现噪声标签的概率。
详细地，本发明实施例中，所述标准数据集的噪声概率转移矩阵如下：
其中，q为所述噪声概率转移矩阵，α为所述标准数据集中任一标准数据，βi为α对应的预设标准标签，
s4、基于所述噪声概率转移矩阵构建损失函数。
本发明实施例中，所述损失函数包括但不限于：后向损失函数和前项损失函数。
具体地，所述前向损失函数为：
其中，qt为所述噪声概率转移矩阵的转置矩阵，ψ为所述识别模型的误差因子，h为所述多层深度神经网络，
具体地，所述后项损失函数为：
其中，l→(h)为所述后向损失函数的损失值，y为所述标准数据集中任一标准数据x的预设标准标签，
所述后向损失函数用于计算所述标准数据x在标签空间中对应的标签为噪声标签的概率值，即所述标准数据x的预设标准标签出现错误的可能性。
s5、利用所述损失函数计算所述标准识别模型的更新参数，将所述更新参数替换为所述初始化参数。
本发明实施例中，所述利用所述损失函数计算所述标准识别模型的更新参数，包括：
获取所述标准数据集中标准数据的预设标准标签，以及所述标准识别模型对所述标准数据集中标准数据的预测标签；
利用损失函数计算所述预测标签与所述标准标签之间的差异值；
当所述差异值在预设阈值区间内时，利用梯度下降算法计算所述标准识别模型的更新参数；
当所述差异值大于所述阈值区间的上限时，利用所述损失函数计算所述标准标签为噪声标签的概率值；
当所述概率值小于预设概率阈值时，利用梯度下降算法计算所述标准识别模型的更新参数。
本发明实施例中，所述损失函数为前向损失函数和/或后向损失函数。
本发明实施例中，当所述差异值在预设阈值区间内时，说明标准识别模型的识别结果出现错误，则利用梯度下降算法对所述标准识别模型的参数进行更新，以提高所述标准识别模型的精确度。
本实施例中，所述梯度下降算法包括但不限于批量梯度下降算法、随机梯度下降算法和小批量梯度下降算法。
当所述差异值大于所述阈值区间的上限时，可能并不是由于标准识别模型的识别错误导致差异值大于所述阈值区间的上限。实际应用中，由于所述噪音标签的存在，标准数据的预设标准标签出现错误，也会导致预设标准标签和预测标签的差异值大于阈值区间的上限。因此，当所述差异值大于所述阈值区间的上限时，本发明实施例利用损失函数计算标准数据的预设标准标签为噪声标签的概率值，当所述概率值小于预设概率阈值时，说明所述标准识别模型的识别结果出现错误，则利用梯度下降算法计算所述标准识别模型的更新参数。
进一步地，当所述概率值大于或等于所述概率阈值时，本发明实施例对所述标准数据的预设标准标签进行修正。
进一步地，本发明实施例利用所述更新参数对所述初始化参数进行替换，初始化参数被替换后即可得到最终的识别模型，最终的识别模型可用于对输入数据进行识别，所述输入数据包括但不限于图像数据。
本发明实施例通过获取包含噪声标签的训练数据集之后，对训练数据集进行标准化处理，提高对训练数据进行处理的效率；在得到包含初始化参数的标准识别模型之后，构建所述标准数据集的噪声概率转移矩阵，利于提高根据所述噪声转移矩阵构建出的损失函数对模型的适用性，以便于后续利用损失函数训练出更加精确的模型参数；基于所述噪声概率转移矩阵构建损失函数，利用损失函数计算标准识别模型的更新参数，从而能够得到更准确的模型参数，实现提高获取模型参数的精确性的目的。因此本发明提出的识别模型的参数获取方法，可以提供一种提高获取模型参数的精确度的方法。
如图2所示，是本发明识别模型的参数获取装置的模块示意图。
本发明所述识别模型的参数获取装置100可以安装于电子设备中。根据实现的功能，所述识别模型的参数获取装置可以包括训练数据获取模块101、识别模型构建模块102、转移矩阵构建模块103、损失函数构建模块104和模型参数更新模块105。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述训练数据获取模块101，用于获取包含噪声标签的训练数据集，对所述训练数据集进行数据标准化处理，得到标准数据集；
所述识别模型构建模块102，用于基于多层深度神经网络建立识别模型，利用所述标准数据集对所述识别模型进行训练，得到包含初始化参数的标准识别模型；
所述转移矩阵构建模块103，用于构建所述标准数据集的噪声概率转移矩阵；
所述损失函数构建模块104，用于基于所述噪声概率转移矩阵构建损失函数；
所述模型参数更新模块105，用于利用所述损失函数计算所述标准识别模型的更新参数，将所述更新参数替换为所述初始化参数。
详细地，所述识别模型的参数获取装置各模块的具体实施方式如下：
所述训练数据获取模块101，用于获取包含噪声标签的训练数据集，对所述训练数据集进行数据标准化处理，得到标准数据集。
本发明实施例中，所述包含噪声标签的训练数据集是指训练数据集中存在一些数据，但数据的预设标准标签与数据的内容不对应，即预设标准标签是噪声标签的数据。
本发明实施例可利用具有数据抓取功能的python语句从区块链节点中获取所述训练数据集，也可从数据库中获取所述训练数据集。
较佳地，所述训练数据集存储于区块链的不同节点中，利用区块链的高数据吞吐性，可提高获取所述训练数据集的效率。
具体地，所述训练数据获取模块101对所述训练数据集进行数据标准化处理，包括下述一种或几种的组合：
去除所述训练数据集中的唯一属性值；
对所述训练数据集进行缺失值填充；
对所述训练数据集进行数据归一化。
详细地，所述唯一属性值包括但不限于：数据id，数据编号。
由于唯一属性值并不能刻画数据的分布规律，反而会增加数据的内容，使得对数据进行处理时需要占用更多额外的计算资源，降低数据处理的效率，因此，本发明实施例中将训练数据集中的唯一数据进行删除，提高后续数据处理的效率。
较佳地，本发明实施例利用高维映射将所述训练数据集中的数据映射至预构建的高维空间，再将缺失的数据利用独热编码技术进行数据填充。利用高位空间的多维度性，可提高对所述训练数据集中缺失数据查找的效率，利用独热编码技术可提高数据填充的准确率。
具体地，本发明采用如下标准化算法对所述训练数据集进行数据归一化：
其中，x为数据归一化后的标准数据，sold为所述训练数据集中的数据，smax为sold取值的最大值，smin为sold取值的最小值。
需要强调的是，smax和smin是预先设定的，用于限定所述训练数据集中数据的范围。
当完成所述数据标准化处理后，得到所述标准数据集。
所述识别模型构建模块102，用于基于多层深度神经网络建立识别模型，利用所述标准数据集对所述识别模型进行训练，得到包含初始化参数的标准识别模型。
本发明实施例中，所述多层深度神经网络为：
h＝(h(n)·h(n-1)·…·h(1))
其中，h(n)表示所述多层深度神经网络第n层的网络结构。
当所述多层深度神经网络经过softmax函数进行激活后，可输出标准数据x与x对应的预设标准标签y的联合分布p(x,y)的预测值
所述softmax函数是一种激活函数，用于将多层深度神经网络的输出结果变换成预设形式，本发明实施例中，将所述多层深度神经网络的输出结果变换成概率形式(即
具体地，本发明实施例将所述标准数据集输入至所述识别模型，利用所述标准数据集对所述识别模型进行训练，得到所述识别模型的初始化参数，确定包含初始化参数识别模型为标准识别模型。
进一步地，本发明实施例中，在基于多层深度神经网络建立识别模型之前，还包括：
构建特征空间：
构建所述特征空间对应的标签空间：
另外，对于所述特征空间中存储的标准数据x与其在标签空间中对应的预设标准标签y的联合分布为p(x,y)：
p(x,y)＝p(y|x)p(x)
其中，p(x)为标准数据集中任一标准数据x在所述特征空间出现的频率，p(y|x)为标准数据x出现时其预设标准标签在所述标签空间的频率。
本实施例中，构建所述特征空间和所述标签空间并计算标准数据x与其在标签空间中对应的标签y的联合分布为p(x,y)，可将标准数据集中的标准数据与标准数据对应的标签之间的关系更好的展现出来，提高数据处理的效率。
所述转移矩阵构建模块103，用于构建所述标准数据集的噪声概率转移矩阵。
本发明实施例中，所述标准数据集的噪声概率转移矩阵可表示为：
q∈[0,1]c×c
其中，c的大小与标准数据集中标准数据的数量相同。
所述噪声概率转移矩阵表示噪声标签在数据中的分布。
具体的，所述噪声概率转移矩阵q中第i行、第j列的元素表示出现噪声标签的概率。
详细地，本发明实施例中，所述标准数据集的噪声概率转移矩阵如下：
其中，q为所述噪声概率转移矩阵，α为所述标准数据集中任一标准数据，βi为α对应的预设标准标签，
所述损失函数构建模块104，用于基于所述噪声概率转移矩阵构建损失函数。
本发明实施例中，所述损失函数包括但不限于：后向损失函数和前项损失函数。
具体地，所述前向损失函数为：
其中，qt为所述噪声概率转移矩阵的转置矩阵，ψ为所述识别模型的误差因子，h为所述多层深度神经网络，
具体地，所述后项损失函数为：
其中，l→(h)为所述后向损失函数的损失值，y为所述标准数据集中任一标准数据x的预设标准标签，
所述后向损失函数用于计算所述标准数据x在标签空间中对应的标签为噪声标签的概率值，即所述标准数据x的预设标准标签出现错误的可能性。
所述模型参数更新模块105，用于利用所述损失函数计算所述标准识别模型的更新参数，将所述更新参数替换为所述初始化参数。
本发明实施例中，所述模型参数更新模块105利用所述损失函数计算所述标准识别模型的更新参数，包括：
获取所述标准数据集中标准数据的预设标准标签，以及所述标准识别模型对所述标准数据集中标准数据的预测标签；
利用损失函数计算所述预测标签与所述标准标签之间的差异值；
当所述差异值在预设阈值区间内时，利用梯度下降算法计算所述标准识别模型的更新参数；
当所述差异值大于所述阈值区间的上限时，利用所述损失函数计算所述标准标签为噪声标签的概率值；
当所述概率值小于预设概率阈值时，利用梯度下降算法计算所述标准识别模型的更新参数。
本发明实施例中，所述损失函数为前向损失函数和/或后向损失函数。
本发明实施例中，当所述差异值在预设阈值区间内时，说明标准识别模型的识别结果出现错误，则利用梯度下降算法对所述标准识别模型的参数进行更新，以提高所述标准识别模型的精确度。
本实施例中，所述梯度下降算法包括但不限于批量梯度下降算法、随机梯度下降算法和小批量梯度下降算法。
当所述差异值大于所述阈值区间的上限时，可能并不是由于标准识别模型的识别错误导致差异值大于所述阈值区间的上限。实际应用中，由于所述噪音标签的存在，标准数据的预设标准标签出现错误，也会导致预设标准标签和预测标签的差异值大于阈值区间的上限。因此，当所述差异值大于所述阈值区间的上限时，本发明实施例利用损失函数计算标准数据的预设标准标签为噪声标签的概率值，当所述概率值小于预设概率阈值时，说明所述标准识别模型的识别结果出现错误，则利用梯度下降算法计算所述标准识别模型的更新参数。
进一步地，当所述概率值大于或等于所述概率阈值时，本发明实施例对所述标准数据的预设标准标签进行修正。
进一步地，本发明实施例利用所述更新参数对所述初始化参数进行替换，初始化参数被替换后即可得到最终的识别模型，最终的识别模型可用于对输入数据进行识别，所述输入数据包括但不限于图像数据。
本发明实施例通过获取包含噪声标签的训练数据集之后，对训练数据集进行标准化处理，提高对训练数据进行处理的效率；在得到包含初始化参数的标准识别模型之后，构建所述标准数据集的噪声概率转移矩阵，利于提高根据所述噪声转移矩阵构建出的损失函数对模型的适用性，以便于后续利用损失函数训练出更加精确的模型参数；基于所述噪声概率转移矩阵构建损失函数，利用损失函数计算标准识别模型的更新参数，从而能够得到更准确的模型参数，实现提高获取模型参数的精确性的目的。因此本发明提出的识别模型的参数获取装置，可以提供一种提高获取模型参数的精确度的方法。
如图3所示，是本发明实现识别模型的参数获取方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如识别模型的参数获取程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如识别模型的参数获取程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(controlunit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行识别模型的参数获取程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的识别模型的参数获取程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取包含噪声标签的训练数据集，对所述训练数据集进行数据标准化处理，得到标准数据集；
基于多层深度神经网络建立识别模型，利用所述标准数据集对所述识别模型进行训练，得到包含初始化参数的标准识别模型；
构建所述标准数据集的噪声概率转移矩阵；
基于所述噪声概率转移矩阵构建损失函数；
利用所述损失函数计算所述标准识别模型的更新参数，将所述更新参数替换为所述初始化参数。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！