1.一种深度神经网络的解释方法,其特征在于,包括:
输入多个数据至训练好的深度神经网络模型中,得到每一个数据对应的第一预测类别;
当所述第一预测类别为预设目标类别时,将所述第一预测类别对应的目标数据输入至解释因子预测模型中,以得到所述预设目标类别对应的解释因子,所述解释因子预测模型根据预先设定的目标数量和所述预设目标类别的第一预测值训练得到;
统计每一个解释因子的出现次数并排序后,筛选排名最高的所述目标数量个解释因子作为所述预设目标类别的目标解释因子。
2.根据权利要求1所述的方法,其特征在于,还包括预先训练所述解释因子预测模型,包括:
逐个输入样本至所述训练好的深度神经网络模型中,得到每个样本对应的预测类别以及第一预测值;
当所述预测类别为预设目标类别时,将所述预测类别对应的目标样本输入至所述解释因子预测模型中,得到每个解释因子的第二预测值;
根据所述第一预测值、所述第二预测值和所述目标数量构建解释因子标签;
基于所述解释因子标签和所述第二预测值反向传播更新所述解释因子预测模型;
循环执行上述步骤直至所述解释因子预测模型收敛,并将收敛的解释因子预测模型与所述预设目标类别绑定。
3.根据权利要求2所述的方法,其特征在于,所述利用所述第一预测值、所述每个解释因子的第二预测值和所述目标数量构建解释因子标签,包括:
根据所述第一预测值和所述目标数量计算所有的解释因子中取值为1的解释因子的数目w,w=ceil(m×sk),其中,ceil表示向上取整,m表示所述目标数量,sk表示所述第一预测值;
根据所述每个解释因子的第二预测值的大小,将所述第二预测值最大的所述w个解释因子的值设置为1,将其余的解释因子的值设置为0,得到所述解释因子标签。
4.根据权利要求2所述的方法,其特征在于,所述逐个输入样本至所述训练好的深度神经网络模型中之前,还包括:
获取用户预先输入的至少一个预设目标类别,以及每个预设目标类别对应的目标解释因子的目标数量。
5.根据权利要求1所述的方法,其特征在于,所述输入多个数据至训练好的深度神经网络模型中之前,还包括:
获取用户预先输入的至少一个预设目标类别,每个所述预设目标类别均对应有预先训练至收敛状态的解释因子预测模型。
6.根据权利要求1所述的方法,其特征在于,所述将所述第一预测类别对应的目标数据输入至解释因子预测模型中,以得到所述预设目标类别对应的解释因子,包括:
将所述预设目标类别对应的目标数据输入至与所述预设目标类别对应的解释因子预测模型中,得到所述每个解释因子的第二预测值;
将所述第二预测值超过预设阈值的解释因子的值取1,并作为所述预设目标类别对应的解释因子。
7.根据权利要求1所述的方法,其特征在于,所述将所述第一预测类别对应的目标数据输入至解释因子预测模型中之前,还包括:
获取与所述预设目标类别对应的解释因子预测模型。
8.一种深度神经网络的解释装置,其特征在于,包括:
第一输入模块,用于输入多个数据至训练好的深度神经网络模型中,得到每一个数据对应的第一预测类别;
第二输入模块,用于当所述第一预测类别为预设目标类别时,将所述第一预测类别对应的目标数据输入至解释因子预测模型中,以得到所述预设目标类别对应的解释因子,所述解释因子预测模型根据预先设定的目标数量和所述预设目标类别的第一预测值训练得到;
筛选模块,用于统计每一个解释因子的出现次数并排序后,筛选排名最高的所述目标数量个解释因子作为所述预设目标类别的目标解释因子。
9.一种终端,其特征在于,所述终端包括处理器、与所述处理器耦接的存储器,其中,
所述存储器存储有用于实现如权利要求1-7中任一项所述的深度神经网络的解释方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以得到预设目标类别的目标解释因子。
10.一种存储介质,其特征在于,存储有能够实现如权利要求1-7中任一项所述的深度神经网络的解释方法的程序文件。