模型训练、图像检测、图像分类方法和装置与流程

1.本技术涉及计算机技术领域，具体涉及图像处理技术领域，尤其涉及一种模型训练、图像检测、图像分类方法和装置。


背景技术：

2.现有的对抗样本的检测方法是基于对抗样本与自然样本在中间层特征上具有非常不同的分布。因此，检测器可以建立在分布的一些统计数据上，例如，feinman等人将样本的核密度估计为它与自然样本的接近程度并由此来检测对抗样本；lee等人通过多元高斯模型对自然样本的分布进行建模。
3.现有的对抗样本的防御方法通常基于对抗训练及其变体来实现。这些变体使用对抗性样本来增强训练集。另一种对抗性防御方法是训练生成模型以在将样本送到分类器之前从样本中去除对抗性扰动(如果有)。


技术实现要素：

4.本技术实施例提供了一种模型训练方法、装置、设备以及存储介质。
5.根据第一方面，本技术实施例提供了一种模型训练方法，该方法包括：获取样本图像集；基于初始数据生成模型的目标函数与初始分类模型的交叉熵损失函数，构建目标损失函数；基于目标损失函数和样本图像集，对初始类别解耦模型中的初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型。
6.根据第二方面，本技术实施例提供了一种图像检测方法，该方法包括：响应于获取到目标样本图像，基于类别解耦模型中的数据生成模型及目标样本图像的图像信息，确定目标样本图像的类别必要信息，其中，类别解耦模型是如上述第一方面任一实现方式描述的方法得到的类别解耦模型；基于类别必要信息、类别解耦模型中的分类模型和核密度检测器，确定目标样本图像的核密度；根据核密度及预设的核密度阈值，确定目标样本图像是否为对抗样本。
7.根据第三方面，本技术实施例提供了一种图像分类方法，该方法包括：响应于确定目标样本图像为对抗样本，基于类别解耦模型中的数据生成模型，确定对抗样本的类别冗余信息，其中，类别解耦模型是如上述第一方面任一实现方式描述的方法得到的类别解耦模型；基于对抗样本的类别冗余信息，进行分类。
8.根据第四方面，本技术实施例提供了一种模型训练装置，该装置包括：第一获取模块，被配置成获取样本图像集；构建函数模块，被配置成基于初始数据生成模型的目标函数与初始分类模型的交叉熵损失函数，构建目标损失函数；训练模型模块，被配置成基于目标损失函数和所述样本图像集，对初始类别解耦模型中的初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型。
9.根据第五方面，本技术实施例提供了一种图像检测装置，该装置包括：第二获取模块，被配置成响应于获取到目标样本图像，基于类别解耦模型中的数据生成模型及目标样
本图像的图像信息，确定目标样本图像的类别必要信息，其中，类别解耦模型是如上述第一方面任一实现方式描述的方法得到的类别解耦模型；确定密度模块，被配置成基于类别必要信息、类别解耦模型中的分类模型和核密度检测器，确定目标样本图像的核密度；确定样本模块，被配置成根据核密度及预设的核密度阈值，确定目标样本图像是否为对抗样本。
10.根据第六方面，本技术实施例提供了一种图像分类装置，该装置包括：确定信息模块，被配置成响应于确定目标样本图像为对抗样本，基于类别解耦模型中的数据生成模型，确定对抗样本的类别冗余信息，其中，类别解耦模型是如上述第一方面任一实现方式描述的方法得到的类别解耦模型；分类图像模块，被配置成基于对抗样本的类别冗余信息，进行分类。
11.根据第七方面，本技术实施例提供了一种电子设备，该电子设备包括一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被该一个或多个处理器执行，使得一个或多个处理器实现如第一方面、第二方面或第三方面中任一实现方式描述的方法。
12.根据第六方面，本技术实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面、第二方面或第三方面中任一实现方式描述的方法。
13.本技术通过获取样本图像集；基于初始数据生成模型的目标函数与初始分类模型的交叉熵损失函数，构建目标损失函数；基于目标损失函数和样本图像集，对初始类别解耦模型中的初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型，即通过生成模型和分类器互相竞争输入的信息，生成模型只提取和类别融合的信息，而剩下的信息就是和类别有关的，从而实现了类别信息的解耦。
14.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
15.图1是本技术可以应用于其中的示例性系统架构图；
16.图2是根据本技术的模型训练方法的一个实施例的流程图；
17.图3是根据本技术的模型训练方法的一个应用场景的示意图；
18.图4是根据本技术的模型训练方法的又一个实施例的流程图；
19.图5是根据本技术的图像检测方法的又一个实施例的流程图；
20.图6是根据本技术的图像分类方法的又一个实施例的流程图；
21.图7是根据本技术的模型训练装置的一个实施例的示意图；
22.图8是根据本技术的图像检测装置的一个实施例的示意图；
23.图9是根据本技术的图像分类装置的一个实施例的示意图；
24.图10是适于用来实现本技术实施例的服务器的计算机系统的结构示意图。
具体实施方式
25.以下结合附图对本技术的示范性实施例做出说明，其中包括本技术实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识
到，可以对这里描述的实施例做出各种改变和修改，而不会背离本技术的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
26.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
27.图1示出了可以应用本技术的模型训练方法的实施例的示例性系统架构100。
28.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
29.终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如，图像识别类应用、通讯类应用等。
30.终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于手机和笔记本电脑。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供模型训练的服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
31.服务器105可以是提供各种服务的服务器，例如，获取样本图像集；基于初始数据生成模型的目标函数与初始分类模型的交叉熵损失函数，构建目标损失函数；基于目标损失函数和样本图像集，对初始类别解耦模型中的初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型。
32.需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供训练模型的服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
33.需要指出的是，本公开的实施例所提供的模型训练方法可以由服务器105执行，也可以由终端设备101、102、103执行，还可以由服务器105和终端设备101、102、103彼此配合执行。相应地，模型训练的装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器105中，也可以全部设置于终端设备101、102、103中，还可以分别设置于服务器105和终端设备101、102、103中。
34.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
35.图2示出了可以应用于本技术的模型训练方法的实施例的流程示意图200。在本实施例中，模型训练方法包括以下步骤：
36.步骤201，获取样本图像集。
37.在本实施例中，执行主体(如图1中所示的服务器105或终端设备101、102、103)可以从本地或远端的存储有样本图像的服务器获取样本图像集。
38.其中，样本图像可以是包括任意目标对象的图像，例如，包括植物的图像、包括动物的图像等等，本技术对此不作限定。
39.步骤202，基于初始类别解耦模型中的初始数据生成模型的目标函数与初始分类
模型的交叉熵损失函数，构建目标损失函数。
40.在本实施例中，执行主体可以可根据初始数据生成模型的目标函数与初始分类模型的交叉熵损失函数确定目标损失函数。
41.其中，初始数据生成模型和初始分类模型包含于初始类别解耦模型，初始数据生成模型用于提取样本图像的类别冗余信息，初始分类模型用于根据样本图像的类别必要信息进行分类，类别必要信息用于指示图像分类的基本信息，样本图像的类别必要信息和类别冗余信息共同组成样本图像的图像信息，即类别必要信息为样本图像的图像信息与样本图像的类别冗余信息的差值。
42.具体地，样本图像的图像信息为x，执行主体将样本图像输入初始类别解耦模型，采用初始类别解耦模型中的初始数据生成模型g(x)来捕获样本图像类别冗余信息，g(x)目的是重构x。进一步地，将类别必要信息输入初始分类模型d(
·
),d(
·
)用于预测x的类别。联合地训练g(x)和d(
·
)，重构和分类互相竞争x中的输入像素，互相抑制冗余信息进入彼此。
43.这里，初始数据生成模型可以是现有技术或未来发展技术中的用于提取样本图像的类别冗余信息的神经网络模型，例如，gan(generative adversarial network，生成对抗网络)、vae(variational autoencoder，变分自编码器)等，本技术对此不作限定。
44.其中，初始分类模型可以是现有技术或未来发展技术中的用于分类的未经训练的深度学习模型(deep neural network，dnn)或未训练完成的深度学习模型，本技术对此不作限定。
45.步骤203，基于目标损失函数和样本图像集，对初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型。
46.在本实施例中，执行主体可根据初始数据生成模型的目标函数与初始分类模型的交叉熵损失函数确定目标损失函数，进而根据目标损失函数和样本图像集，对初始数据生成模型和初始分类模型进行训练，响应于确定目标损失函数满足预设条件，得到训练完成的类别解耦模型。
47.在一些可选的方式中，初始数据生成模型基于变分自编码器vae生成。
48.在本实现方式中，初始数据生成模型基于vae生成，vae相当于在ae(auto-encoder，自编码器)重构损失的基础上,加入一个kl散度的正则化项，ae，用于完成输入样本的重构，vae相对gan训练更加容易，更加稳定。
49.具体地，初始数据生成模型g(x)由以下两部分组成：
50.(1)一个参数为φ并且生成后验概率为q
φ
(z|x)的隐空间变量z；
51.(2)一个参数为θ的数据似然p
θ
(x|z)。分类网络d(
·
)基于x-g(x)来预测x的类别，它的参数为ω。
52.通过以下包含了初始数据生成模型的目标函数lg(φ,θ)和交叉熵损失ld(ω)的目标函数来联合训练g(
·
)和d(
·
)：
53.54.其中，是z的先验，d
kl
(
·
‖
·
)衡量了p
θ
(x|z)和q
φ
(z|x)之间的kl散度。初始数据生成模型中存在超参数β：β控制了初始数据生成模型的中特征解耦的强度。
55.该实现方式通过基于变分自编码器vae生成初始数据生成模型，进而根据对初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型，有效提升了训练得到的类别解耦模型的可靠性。
56.继续参见图3，图3是根据本实施例的模型训练的方法的应用场景的一个示意图。
57.在图3的应用场景中，执行主体301可以采用有线或无线的方式获取样本图像集302；基于初始数据生成模型的目标函数303与初始分类模型的交叉熵损失函数304，构建目标损失函数305，其中，初始数据生成模型用于提取样本图像的类别冗余信息，初始分类模型用于根据样本图像的类别必要信息，得到样本图像的类别，类别必要信息为样本图像的图像信息与样本图像的类别冗余信息的差值，初始数据生成模型和所述初始分类模型包含于初始类别解耦模型；基于目标损失函数和样本图像集，对初始类别解耦模型中的初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型306。
58.本公开的模型训练的方法，通过获取样本图像集；基于初始数据生成模型的目标函数与初始分类模型的交叉熵损失函数，构建目标损失函数；基于目标损失函数和样本图像集，对初始类别解耦模型中的初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型，实现了类别信息的解耦。
59.进一步参考图4，其示出了图2所示的模型训练方法的又一个实施例的流程400。在本实施例中，流程400，可包括以下步骤：
60.步骤401，获取样本图像集。
61.在本实施例中，步骤401的实现细节和技术效果，可以参考对步骤201的描述，在此不再赘述。
62.步骤402，基于初始数据生成模型的目标函数、初始分类模型的交叉熵损失函数及目标参数，构建目标损失函数。
63.在本实施例中，执行主体可根据初始数据生成模型的目标函数、初始分类模型的交叉熵损失函数及目标参数构建目标损失函数。
64.其中，目标参数用于指示目标函数和交叉熵损失函数在目标损失函数中的权重。
65.具体地，执行主体可通过以下包含了初始数据生成模型的目标函数lg(φ,θ)、初始分类模型的交叉熵损失ld(ω)和目标参数γ的目标函数来联合训练g(
·
)和d(
·
)：
[0066][0067]
其中，是z的先验，d
kl
(
·
‖
·
)衡量了p
θ
(x|z)和q
φ
(z|x)之间的kl散度。初始数据生成模型中有两个超参数：β控制了中特征解耦的强度，而γ控制了重构任务(通过g(x))和分类任务(通过d(x-g(x)))的权重。
[0068]
步骤403，基于目标损失函数和样本图像集，对初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型。
[0069]
在本实施例中，步骤403的实现细节和技术效果，可以参考对步骤203的描述，在此
不再赘述。
[0070]
从图4中可以看出，本实施例主要突出了基于初始数据生成模型的目标函数、初始分类模型的交叉熵损失函数及目标参数，构建目标损失函数，基于目标损失函数和样本图像集，对初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型，有助于进一步提升训练得到的类别解耦模型的准确性和可靠性。
[0071]
继续参考图5，示出了根据本技术的图像检测方法的一个实施例的流程500。该图像检测方法，包括以下步骤：
[0072]
步骤501，响应于获取到目标样本图像，基于类别解耦模型中的数据生成模型及目标样本图像的图像信息，确定目标样本图像的类别必要信息。
[0073]
在本实施例中，执行主体可通过有线或无线连接方式获取目标样本图像，进而将目标样本图像输入类别解耦模型中的数据生成模型，得到目标样本图像的类别冗余信息。进而，根据目标样本图像的图像信息与类别冗余信息的差值，确定目标样本图像的类别必要信息。
[0074]
具体地，目标样本图像的图像信息为x，执行主体将样本图像输入类别解耦模型中的输出生成模型，得到g(x)，目标样本图像的类别必要信息为r(x)＝x-g(x)。
[0075]
这里，类别解耦模型是如图2对应的实施例描述的方法得到的类别解耦模型，这里不再赘述。
[0076]
其中，无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
[0077]
步骤502，基于类别必要信息、类别解耦模型中的分类模型和核密度检测器，确定目标样本图像的核密度。
[0078]
在本实施例中，执行主体可根据目标样本图像的类别必要信息、类别解耦模型中的分类模型及核密度检测器，确定目标样本图像的核密度。
[0079]
其中，核密度检测器由lee等人用自然样本x的中间层特征构建，为分类器，代表l
th
层输出。
[0080]
具体地，目标样本图像的类别必要信息为r(x)＝x-g(x)，核密度检测器为核密度表示为k(r(x)，d
l
(r(x)))。
[0081]
步骤503，根据核密度及预设的核密度阈值，确定目标样本图像是否为对抗样本。
[0082]
在本实施例中，执行主体在确定目标样本图像的核密度后，可将目标样本图像的核密度与预设的核密度阈值进行比较，若目标样本图像的核密度低于预设的核密度阈值，则可确定目标样本图像为对抗样本。
[0083]
其中，预设的核密度阈值可根据经验和实际需求设定，本技术对此不作限定。
[0084]
需要指出的是，该方法为现有对抗性检测方法的补充，可应用于改进现有的对抗性检测方法。
[0085]
由于对抗噪声主要分布在系数的类别相关的部分，本公开实施例提供的图像检测方法，通过响应于获取到目标样本图像，基于类别解耦模型中的数据生成模型确定目标样本图像的类别必要信息，其中，类别解耦模型是如图2实施例描述的方法得到的类别解耦模
型，基于类别必要信息，确定目标样本图像的核密度，根据核密度及预设的核密度阈值，确定目标样本图像是否为对抗样本，即基于类别有关信息进行对抗样本的检测，有助于提升对对抗样本进行检测的效率和性能。
[0086]
继续参考图6，示出了根据本技术的图像分类方法的一个实施例的流程600。该图像分类方法，包括以下步骤：
[0087]
步骤601，响应于确定目标样本图像为对抗样本，基于类别解耦模型中的数据生成模型，确定对抗样本的类别冗余信息。
[0088]
在本实施例中，执行主体在通过有线或无线连接方式获取目标样本图像，并确定目标样本图像为对抗样本后，可将目标样本图像输入类别解耦模型中的数据生成模型，得到目标样本图像的类别冗余信息。
[0089]
具体地，给定对抗攻击在x上训练的分类器生成的对抗样本x
′
，使用数据生成模型生成的g(x
′
)以进行鲁棒分类，g(x
′
)类中的信息较少受到攻击的扭曲。
[0090]
这里，类别解耦模型是如图2对应的实施例描述的方法得到的类别解耦模型，这里不再赘述。
[0091]
其中，无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
[0092]
步骤602，基于对抗样本的类别冗余信息，进行分类。
[0093]
在本实施例中，执行主体在获取到对抗样本的类别冗余信息，可根据对抗样本的类别冗余信息采用现有技术或未来发展技术中的分类模型进行分类，得到目标样本图像的分类结果。
[0094]
由于类别冗余的部分仍然包含一部分类别信息，但这部分信息又很难被对抗噪声干扰到，本公开实施例提供的图像分类方法，通过响应于确定目标样本图像为对抗样本，基于类别解耦模型中的数据生成模型，确定对抗样本的类别冗余信息，其中，类别解耦模型是如图2实施例描述的方法得到的类别解耦模型，基于对抗样本的类别冗余信息，进行分类，即基于类别冗余部分进行分类，也即实现对对抗样本的防御，有助于提升对对抗样本进行分类的鲁棒性。
[0095]
进一步参考图7，作为对上述各图所示方法的实现，本技术提供了一种模型训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0096]
如图7所示，本实施例的模型训练装置700包括：第一获取模块701、构建函数模块702、训练模型模块70。
[0097]
其中，第一获取模块701，可被配置成获取获取样本图像集。
[0098]
构建函数模块702，可被配置成基于初始数据生成模型的目标函数与初始分类模型的交叉熵损失函数，构建目标损失函数。
[0099]
训练模型模块703，可被配置成基于目标损失函数和所述样本图像集，对初始类别解耦模型中的初始数据生成模型和初始分类模型进行训练，得到训练完成的类别解耦模型。
[0100]
在本实施例的一些可选的方式中，构建函数模块进一步被配置成：基于初始数据
生成模型的目标函数、初始分类模型的交叉熵损失函数及目标参数，构建目标损失函数。
[0101]
在本实施例的一些可选的方式中，初始数据生成模型基于变分自编码器vae生成。
[0102]
进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种图像检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0103]
如图8所示，本实施例的图像检测装置800包括：第二获取模块801、确定密度模块802和确定样本模块803。
[0104]
其中，第二获取模块801，可被配置成响应于获取到目标样本图像，基于类别解耦模型中的数据生成模型及目标样本图像的图像信息，确定目标样本图像的类别必要信息。
[0105]
确定密度模块802，可被配置成基于类别必要信息、类别解耦模型中的分类模型和核密度检测器，确定目标样本图像的核密度。
[0106]
确定样本模块803，可被配置成根据核密度及预设的核密度阈值，确定目标样本图像是否为对抗样本。
[0107]
进一步参考图9，作为对上述各图所示方法的实现，本公开提供了一种图像检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0108]
如图9所示，本实施例的图像检测装置900包括：确定信息模块901和分类图像模块902。
[0109]
其中，确定信息模块901，可被配置成响应于确定目标样本图像为对抗样本，基于类别解耦模型中的数据生成模型，确定对抗样本的类别冗余信息。
[0110]
分类图像模块902，可被配置成基于对抗样本的类别冗余信息，进行分类。
[0111]
根据本技术的实施例，本技术还提供了一种电子设备和一种可读存储介质。
[0112]
如图10所示，是根据本技术实施例的模型训练的方法的电子设备的框图。
[0113]
1000是根据本技术实施例的模型训练的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本技术的实现。
[0114]
如图10所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器1001为例。
[0115]
存储器1002即为本技术所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本技术所提供的模
型训练的方法。本技术的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本技术所提供的模型训练的方法。
[0116]
存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本技术实施例中的模型训练的方法对应的程序指令/模块(例如，附图7所示的第一获取模块701、构建函数模块702、训练模型模块703)。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的模型训练的方法。
[0117]
存储器1002可以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、至少一个功能所需要的应用程序；存储数据区可存储模型训练的的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至模型训练的的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0118]
模型训练的方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。
[0119]
输入装置1003可接收输入的数字或字符信息，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
[0120]
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0121]
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
[0122]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来
将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0123]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0124]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
[0125]
根据本技术实施例的技术方案，实现了类别信息的解耦。
[0126]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本技术公开的技术方案所期望的结果，本文在此不进行限制。
[0127]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。