的基础上，步骤102之前，所述的方法还可以包括:
[0108]在步骤104中，获取训练样本集，训练样本集中包括各个场景对应的训练图片。
[0109]本示例中，为了保证训练效果，训练样本集中各个场景对应的训练图片的数量可以大于第一预设数量。例如，聚会场景对应的训练图片的数量可以为10万张，风景场景对应的训练图片的数量可以为10万张，沙滩场景对应的训练图片的数量可以为10万张，其他场景对应的训练图片的数量可以为20万张，或者更多。
[0110]在步骤105中，随机将各个场景对应的训练图片输入到初始图片场景识别模型中，对初始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，得到图片场景识别丰吴型O
[0111]本示例中，服务器可以随机将每张训练图片输入到初始图片场景识别模型中，将初始图片场景识别模型输出的场景分类结果与输入的训练图片对应的场景进行比对来确定是否需要对当前图片场景识别模型中各层隐层节点之间的特征系数进行调整。但这样的训练方式往往可能存在这样的问题:根据前一张训练图片对图片场景识别模型中各层隐层节点之间的特征系数进行正向调整后，可能根据后一张训练图片对图片场景识别模型中各层隐层节点之间的特征系数进行反相调整，导致需要频繁地对图片场景识别模型中各层隐层节点之间的特征系数进行调整。
[0112]为此，本示例中，服务器还可以将一批训练图片依次输入到初始图片场景识别模型中，根据初始图片场景识别模型输出的这一批训练图片的场景分类结果来确定是否需要对当前图片场景识别模型中各层隐层节点之间的特征系数进行调整。然后再将下一批训练图片依次输入到初始图片场景识别模型中。
[0113]本示例性实施例中，通过获取训练样本集，训练样本集中包括各个场景对应的训练图片，随机将各个场景对应的训练图片输入到初始图片场景识别模型中，对初始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，得到图片场景识别模型，提高了图片场景识别模型正确识别待处理图片的可能性。
[0114]上述示例性实施例训练得到图片场景识别模型后，图片场景识别模型的分类正确率不一定满足预设阈值，因此，为了使图片场景识别模型的分类正确率满足预设阈值，结合参考图4，在步骤105之后，服务器还可以进行以下步骤:
[0115]在步骤106中，获取测试样本集，测试样本集中包括各个场景对应的测试图片。
[0116]本示例中，为了提高测试效果，测试样本集中包括的各个场景对应的测试图片的数量可以大于第二预设数量。例如，聚会场景对应的测试图片的数量可以为I万张，风景场景对应的测试图片的数量可以为I万张，沙滩场景对应的测试图片的数量可以为I万张，其他场景对应的测试图片的数量可以为2万张，或者更多。
[0117]在步骤107中，采用图片场景识别模型分别对测试样本集中的各个场景对应的测试图片进行识别，得到各个测试图片对应的场景分类结果。
[0118]在步骤108中，根据各个测试图片对应的场景分类结果，确定图片场景识别模型对应的分类正确率。
[0119]本示例中，若测试图片对应的场景分类结果与该测试图片对应的场景相同，则分类正确；若测试图片对应的场景分类结果与该测试图片对应的场景不同，则分类错误；将场景分类正确的测试图片的数量与测试图片的总数量的比值确定为图片场景识别模型的分类正确率。
[0120]在步骤109中，若分类正确率小于预设阈值，则迭代执行如下处理，直到达到最大迭代次数或分类正确率大于预设阈值为止:
[0121]更新训练样本集；
[0122]根据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，迭代本次迭代对应的更新后图片场景识别模型；
[0123]根据更新的测试样本集对本次迭代对应的更新后图片场景识别模型进行分类正确率测试，确定对应的分类正确率。
[0124]在步骤110中，确定各次迭代对应的分类正确率中的最大分类正确率。
[0125]在步骤111中，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。
[0126]本示例性实施例中，通过获取测试样本集，测试样本集中包括各个场景对应的测试图片，采用图片场景识别模型分别对测试样本集中的各个场景对应的测试图片进行识另IJ，获取图片场景识别模型对应的分类正确率，在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。
[0127]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，如图5所示，在图3所示示例性实施例的基础上，为了提高图片场景识别模型对输入的图片的处理速度，可以将待处理图片的尺寸设定为预设尺寸。因此，在步骤102之前，所述的方法还可以包括:
[0128]在步骤112中，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。
[0129]本示例中，例如，服务器可以根据需要对预设尺寸进行设置。例如，可以为224像素乘以224像素等。
[0130]需要进行说明的是，对应的，可以在步骤105之前和步骤107之前，对各个场景对应的训练图片和测试图片按照上述处理方式进行同样的处理。
[0131]对应的，步骤102可以包括步骤1021、采用图片场景识别模型对预设尺寸图片进行识别，得到待处理图片对应的场景。
[0132]本示例性实施例中，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。
[0133]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，如图6所示，在图1所示示例性实施例的基础上，所述的方法还可以包括:
[0134]在步骤113中，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。
[0135]在步骤114中，采用各个类相册对应的场景对类相册进行标记。
[0136]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，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。
[0137]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，如图7所示，在图6所示示例性实施例的基础上，所述的方法还可以包括:
[0138]在步骤115中，针对各个类相册，根据类相册中每张待处理图片对应的时间和/或地理位置，对类相册中的每张待处理图片进行分类存储，得到类相册对应的至少一个子类相册。
[0139]在步骤116中，采用各个子类相册对应的时间和/或地理位置对子类相册进行标记。
[0140]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，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，根据类相册中每张待处理图片对应的时间和/或地理位置，对类相册中的每张待处理图片进行分类存储，得到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。
[0141 ] 下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
[0142]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，该图片场景判定装置可以通过软件、硬件或者两者的结合实现上述方法。该图片场景判定装置可以包括:
[0143]第一获取模块81，被配置为获取用户终端的图库，图库中包括至少一张待处理图片;
[0144]第一识别模块82，被配置为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；
[0145]第一标记模块83，被配置为采用待处理图片对应的场景对待处理图片进行标记。
[0146]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。
[0147]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。
[0148]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