分类正确率。
[0054]进一步地，所述的装置还包括:
[0055]第二确定模块，被配置为确定各次迭代对应的分类正确率中的最大分类正确率；
[0056]第三确定模块，被配置为确定与所述最大分类正确率对应的更新后图片场景识别模型为目标图片场景识别模型。
[0057]本公开实施例提供的技术方案可以包括以下有益效果:通过获取测试样本集，所述测试样本集中包括各个场景对应的测试图片，采用所述图片场景识别模型分别对所述测试样本集中的各个场景对应的测试图片进行识别，获取所述图片场景识别模型对应的分类正确率，在所述分类正确率小于预设阈值时，采用更新后的训练样本集对前一次迭代对应的图片场景识别模型中各层隐层节点之间的特征系数进行训练，直至达到最大迭代次数或分类正确率大于预设阈值为止，确定各次迭代对应的分类正确率中的最大分类正确率，确定与最大分类正确率对应的更新后图片场景识别模型为目标图片场景识别模型，从而提高了图片场景识别模型的分类正确率，提高了图片场景识别模型正确识别待处理图片的可能性。
[0058]进一步地，所述的装置还包括:
[0059]处理模块，被配置为按照预设尺寸对所述待处理图片进行归一化处理，得到与所述待处理图片对应的预设尺寸图片；
[0060]对应的，第一识别模块包括:
[0061]识别单元，被配置为采用图片场景识别模型对所述预设尺寸图片进行识别，得到所述待处理图片对应的场景。
[0062]本公开实施例提供的技术方案可以包括以下有益效果:通过按照预设尺寸对待处理图片进行归一化处理，得到与待处理图片对应的预设尺寸图片，采用图片场景识别模型对预设尺寸图片进行识别，得到所述待处理图片对应的场景，对待处理图片尺寸的归一化处理，提高图片场景识别模型对待处理图片的识别速度，从而提高了待处理图片识别的效率。
[0063]进一步地，所述的装置还包括:
[0064]第一存储模块，被配置为根据每张待处理图片对应的场景，对用户终端的图库中的每张待处理图片进行分类存储，得到至少一个类相册；
[0065]第二标记模块，被配置为采用各个类相册对应的场景对所述类相册进行标记。
[0066]本公开实施例提供的技术方案可以包括以下有益效果:通过获取用户终端的图库，所述图库中包括至少一张待处理图片，采用图片场景识别模型分别对所述待处理图片进行识别，确定所述待处理图片对应的场景，采用所述待处理图片对应的场景对所述待处理图片进行标记，根据每张待处理图片对应的场景，对用户终端的图库中的每张待处理图片进行分类存储，得到至少一个类相册，采用各个类相册对应的场景对所述类相册进行标记，以便用户查看各个类相册，提高用户对图库的使用体验。
[0067]进一步地，所述的装置还包括:
[0068]第二存储模块，被配置为针对各个类相册，根据所述类相册中每张待处理图片对应的时间和/或地理位置，对所述类相册中的每张待处理图片进行分类存储，得到所述类相册对应的至少一个子类相册；
[0069]第三标记模块，被配置为采用各个子类相册对应的时间和/或地理位置对所述子类相册进行标记。
[0070]本公开实施例提供的技术方案可以包括以下有益效果:通过获取用户终端的图库，所述图库中包括至少一张待处理图片，采用图片场景识别模型分别对所述待处理图片进行识别，确定所述待处理图片对应的场景，采用所述待处理图片对应的场景对所述待处理图片进行标记，根据每张待处理图片对应的场景，对用户终端的图库中的每张待处理图片进行分类存储，得到至少一个类相册，针对各个类相册，根据所述类相册中每张待处理图片对应的时间和/或地理位置，对所述类相册中的每张待处理图片进行分类存储，得到所述类相册对应的至少一个子类相册，采用各个子类相册对应的时间和/或地理位置对所述子类相册进行标记，以便用户查看各个类相册或者子类相册，提高用户对图库的使用体验。
[0071]根据本公开实施例的第三方面，提供一种服务器，包括:
[0072]处理组件；
[0073]用于存储所述处理组件的可执行指令的存储器；
[0074]其中，所述处理组件被配置为，
[0075]获取用户终端的图库，所述图库中包括至少一张待处理图片；
[0076]采用图片场景识别模型分别对所述待处理图片进行识别，确定所述待处理图片对应的场景；
[0077]采用所述待处理图片对应的场景对所述待处理图片进行标记。
[0078]本公开实施例提供的技术方案可以包括以下有益效果:通过获取用户终端的图库，所述图库中包括至少一张待处理图片，采用图片场景识别模型分别对所述待处理图片进行识别，确定所述待处理图片对应的场景，采用所述待处理图片对应的场景对所述待处理图片进行标记，以便在用户查看时，根据待处理图片对应的场景对图库中的待处理图片进行分类并提供给用户，提高用户对图库的使用体验。
[0079]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0080]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0081]图1是根据一示例性实施例示出的一种图片场景判定方法的流程图；
[0082]图2为卷积神经网络的网络结构；
[0083]图3是根据另一示例性实施例示出的一种图片场景判定方法的流程图；
[0084]图4是根据另一示例性实施例示出的一种图片场景判定方法的流程图；
[0085]图5是根据另一示例性实施例示出的一种图片场景判定方法的流程图；
[0086]图6是根据另一示例性实施例示出的一种图片场景判定方法的流程图；
[0087]图7是根据另一示例性实施例示出的一种图片场景判定方法的流程图；
[0088]图8是根据一示例性实施例示出的一种图片场景判定装置的框图；
[0089]图9是根据另一示例性实施例示出的一种图片场景判定装置的框图；
[0090]图10是根据另一示例性实施例示出的一种图片场景判定装置的框图；
[0091]图11是根据另一示例性实施例示出的一种图片场景判定装置的框图；
[0092]图12是根据另一示例性实施例示出的一种图片场景判定装置的框图；
[0093]图13是根据另一示例性实施例示出的一种图片场景判定装置的框图；
[0094]图14是根据一示例性实施例示出的一种服务器的框图。
[0095]通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
【具体实施方式】
[0096]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0097]图1是根据一示例性实施例示出的一种图片场景判定方法的流程图，该图片场景判定方法可以由图片场景判定装置执行，图片场景判定装置具体可以为手机终端、PAD等智能终端对应的服务器或者服务器上安装的应用程序app。图片场景判定装置还可以为手机终端、PAD等智能终端或者智能终端上安装的应用程序app。本示例性实施例示出的图片场景判定方法可以包括如下几个步骤:
[0098]在步骤101中，获取用户终端的图库，图库中包括至少一张待处理图片。
[0099]本示例中，服务器获取用户终端的图库之前，用户终端可以通过手动方式或自动方式将图库更新或上传至云服务器。
[0100]在步骤102中，采用图片场景识别模型分别对待处理图片进行识别，确定待处理图片对应的场景。
[0101]本实施例中，采用卷积神经网络构建图片场景识别模型。卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。
[0102]卷积神经网络的网络结构如图2所示，卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。本实施例中，假设基于卷积神经网络获得的敏感图片识别模型具有N层结构，相邻两层隐层节点间的各个连接的权重系数由训练样本集训练确定，为描述方便，本公开实施例中将隐层节点间的连接的权重系数称为特征系数，从而，敏感图片识别模型具有N层特征系数。
[0103]本示例中，图片场景识别模型的输入为待处理图片，输出可以为待处理图片的场景分类结果，待处理图片对应的场景可以包括:聚会场景、风景场景、沙滩场景、其他场景等等。将待处理图片输入到图片场景识别模型中，就可以根据输出的待处理图片的场景分类结果确定待处理图片对应的场景是上述场景中的哪一种。
[0104]在步骤103中，采用待处理图片对应的场景对待处理图片进行标记。
[0105]本示例中，待处理图片可以不局限于用户终端的图库中的图片，也可以为通过其他方式或其他来源获取到的图片，此处对待处理图片的获取方式不做限定，可以根据需要进行设置。
[0106]本示例性实施例中，通过获取用户终端的图库，图库中包括至少一张待处理图片，采用图片场景识别模型分别对待处理图片进行识别，确定待处理图片对应的场景，采用待处理图片对应的场景对待处理图片进行标记，以便在用户查看时，根据待处理图片对应的场景对图库中的待处理图片进行分类并提供给用户，提高用户对图库的使用体验。
[0107]图3是根据另一示例性实施例示出的一种图片场景判定方法的流程图，如图3所示，在图1所示示例性实施例