图像分类网络的训练方法、图像分类方法、设备及介质

技术领域

本说明书涉及神经网络技术领域，尤其是涉及一种图像分类网络的训练方法、图像分类方法、设备及介质。

背景技术

图像分类任务是工业计算机视觉领域比较常见得到任务。随着深度学习技术的发展，人们对工业计算机视觉领域中图像分类网络的精度和鲁棒性要求越来越高。但是目前工业生产的一些行业中，会存在采集的样本数量少，导致训练时的精度曲线不平滑，从而影响图像分类网络的精度及鲁棒性。因此针对这种情况，亟需一种训练方法来提升图像分类网络的精度和鲁棒性。

发明内容

本说明书旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本说明书的一个目的在于提出一种图像分类网络的训练方法，能够根据样本数据的难度对其进行分组，利用分组后的样本数据组对图像分类网络进行多轮训练，使得训练完成得到的目标图像分类网络的精度和鲁棒性得到了提升。

本说明书第二个目的在于提出一种图像分类网络的训练装置。

本说明书第三个目的在于提出一种图像分类方法。

本说明书第四个目的在于提出一种电子设备。

本说明书第五个目的在于提出一种计算机可读存储介质。

为达上述目的，本说明书第一方面实施例提出了一种图像分类网络的训练方法。该训练方法包括：确定样本数据的难度值；基于难度值和预设比例对样本数据进行分组，获得多个样本数据组；其中，各个所述样本数据组中样本数据的难度值范围不同；基于多个样本数据组对预先构建的图像分类网络进行至少两轮训练，以得到目标图像分类网路；其中，在每轮训练中，采用的样本集不同，后一轮训练采用的样本集中样本数据组的数量大于前一轮训练采用的样本集中样本数据组的数量；所述样本集至少包括一个样本数据组。

根据本说明书实施例的图像分类网络的训练方法，首先确定出样本数据的难度值，根据难度值和预设比例对样本数据进行分组，得到多个样本数据组。每个样本数据组中样本数据的难度值范围是不同的。利用样本数据组对构建的图像分类网络进行多轮训练，后一轮训练采用的样本集中样本数据组的数量大于前一轮训练的样本集中的样本数据组的数量。多轮训练后可以得到目标图像分类网络。本说明书的实施例能够通过对图像分类网络对多轮训练，逐步提高图像分类网络的精度，也使得图像分类网络的鲁棒性得到提升。

在本说明书的一些实施例中，前一轮训练好的图像分类网络作为后一轮的待训练图像分类网络，且在前一轮训练的图像分类网络收敛时，进行后一轮的图像分类网络的训练，直至将最后一轮训练好的图像分类网络作为目标图像分类网路。

在本说明书的一些实施例中，基于多个样本数据组对预先构建的图像分类网络进行至少两轮训练，包括：以多个样本数据组中的第一样本数据组作为第一样本集对图像分类网络进行第一轮训练，并在所述第一样本集中增加一个不同于所述第一样本数据组的样本数据组，以对第一轮训练好的图像分类网络进行下一轮训练，以此类推，直至以多个样本数据组构成的样本集对上一轮训练好的图像分类网络进行最后一轮训练。

在本说明书的一些实施例中，后一轮训练采用的样本集中新增加的样本数据组的难度值大于前一轮训练采用的样本集中样本数据组的难度值。

在本说明书的一些实施例中，样本数据包括良性样本数据和不良样本数据。基于难度值和预设比例对样本数据进行分组，包括：根据难度值分别对良性样本数据和不良样本数据进行排序；基于预设比例分别对排序后的良性样本数据和不良样本数据进行分组，得到第一预设数量的良性样本数据组和第一预设数量的不良样本数据组。

在本说明书的一些实施例中，在对样本数据进行分组之后，训练方法还包括：确定第一预设数量的良性样本数据组中，样本数据的平均难度值达到第一预设值的目标良性样本数据组；确定第一预设数量的不良样本数据组中，样本数据的平均难度值达到第二预设值的目标不良样本数据组；分别对目标良性样本数据组和目标不良样本数据组进行数据增广。

在本说明书的一些实施例中，确定样本数据的难度值，包括：基于样本数据对预先构建的图像分类网络进行初始训练，得到初始图像分类网络；根据初始图像分类网络确定样本数据的损失值，并以损失值作为样本数据的难度值。

在本说明书的一些实施例中，对预先构建的图像分类网络进行至少两轮训练的阶段包括第一训练阶段和第二训练阶段。其中，训练方法还包括：设置第二训练阶段的学习率小于第一训练阶段的学习率，且第一训练阶段中每轮训练的学习率相等。

为达上述目的，本说明书第二方面实施例提出了一种图像分类网络的训练装置，该装置包括：难度值确定模块，用于确定样本数据的难度值。分组模块，用于基于难度值和预设比例对所述样本数据进行分组，获得多个样本数据组；其中，各个所述样本数据组中样本数据的难度值范围不同。训练模块，用于基于多个样本数据组对预先构建的图像分类网络进行至少两轮训练，以得到目标图像分类网路。其中，在每轮训练中，采用的样本集不同，后一轮训练采用的样本集中样本数据组的数量大于前一轮训练采用的样本集中样本数据组的数量；所述样本集至少包括一个样本数据组。

根据本说明书实施例的图像分类网络的训练装置，首先确定出样本数据的难度值，根据难度值和预设比例对样本数据进行分组，得到多个样本数据组。每个样本数据组中样本数据的难度值范围不同。利用样本数据组对构建的图像分类网络进行多轮训练，后一轮训练采用的样本集中样本数据组的数量大于前一轮训练的样本集中的样本数据组的数量。多轮训练后可以得到目标图像分类网络。本说明书的实施例能够通过对图像分类网络对多轮训练，逐步提高图像分类网络的精度，也使得图像分类网络的鲁棒性得到提升。

为达上述目的，本说明书第三方面实施例提出了一种图像分类方法，该图像分类方法包括：获取待分类图像；将待分类图像输入预先训练好的目标图像分类网络，获得分类结果。其中，目标图像分类网络根据上述任一项实施例的方法训练得到。

根据本说明书实施例的图像分类方法，获取待分类图像，将待分类图像输入到训练好的目标图像分类网络中进行处理，可得到待分类图像所属类别。本说明书实施例的目标图像分类网络是根据难度值分组后的样本数据，进行多轮训练得到的，其精度和鲁棒性得到了提升。

为达上述目的，本说明书第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述任一项实施例的图像分类网络的训练方法或图像分类方法。

根据本说明书实施例的计算机可读存储介质，在该计算机程序被处理器执行时，能够通过对图像分类网络对多轮训练，逐步提高图像分类网络的精度，也使得图像分类网络的鲁棒性得到提升。

为达上述目的，本说明书第五方面实施例提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现上述任一项实施例的图像分类网络的训练方法或图像分类方法。

根据本说明书实施例的电子设备，在处理器执行计算机程序时，能够通过对图像分类网络对多轮训练，逐步提高图像分类网络的精度，也使得图像分类网络的鲁棒性得到提升。

本说明书附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本说明书的实践了解到。

附图说明

图1是本说明书实施例的图像分类网络的训练方法的流程图。

图2是本说明书一个实施例的图像分类网络训练的示意图。

图3是本说明书一个实施例的样本数据处理的流程图。

图4是本说明书实施例的图像分类方法的流程图。

图5是本说明书实施例的图像分类网络的训练装置的结构框图。

图6是本说明书实施例的电子设备的结构框图。

具体实施方式

下面详细描述本说明书的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本说明书，而不能理解为对本说明书的限制。

在工业计算机视觉领域中，图像分类是比较常见的任务类型。然而，在目前一些行业的工业生产中，例如3C行业，其能够采集的数据量较少，且数据质量参差不齐。在这种情况下，由于样本数量较少，在训练图像分类模型时，其精度曲线波动较大，不够平滑，从而影响图像分类网络的精度和鲁棒性。但是，随着深度学习的发展，在工业计算机视觉领域中，人们对图像分类网络的精度要求越来越高。因此，针对上述情况，亟需一种训练方法来提高图像分类网络的精度以及鲁棒性。

参考图1，本说明书的实施例提出了一种图像分类网络的训练方法。该训练方法包括：

S110，确定样本数据的难度值。

S120，基于难度值和预设比例对样本数据进行分组，获得多个样本数据组。其中，各个所述样本数据组中样本数据的难度值范围不同。

S130，基于多个样本数据组对预先构建的图像分类网络进行至少两轮训练，以得到目标图像分类网路。

其中，在每轮训练中，采用的样本集不同，后一轮训练采用的样本集中样本数据组的数量大于前一轮训练采用的样本集中样本数据组的数量；样本集至少包括一个样本数据组。

在一些情况中，预先构建的图像分类网络可以为图像二分类网络，也可以为图像多分类网络，具体地可依据实际分类需求进行图像分类网络的构建。在构建图像分类模型时，可以构建新的卷积层和全连接层以形成图像分类网络；也可以现有技术中的图像分类模型为基础，对相关连接层或卷积层进行改进以得到本说明书实施例的图像分类网络。无论通过什么方式构建的图像分类网络，在样本数据量不足够多的情况下，均有可能达不到预设的训练效果。因此本说明书实施例针对样本数据和训练过程做了改进，以提高图像分类网络的精度和鲁棒性。

具体地，首先对获取的样本数据进行处理，确定样本数据难度值。样本数据可以为若干图像。确定样本数据难度值难度值可以表示样本数据所展示的图像是否是容易识别其类别的。在样本数据的数据量相对较多时，可以采用现有技术中已训练好的图像分类模型来对所有样本数据进行难度值的确定。在样本数据的数据量相对较少时，可采用本说明书实施例构建的初始图像分类网络来确定样本数据的难度值。根据模型或网络对样本数据进行处理后得到的一些相关数据或参数，例如损失值，来确定该样本数据的难度值。

继而，根据确定出的难度值和预设比例对样本数据进行分组，得到多个样本数据组。每个样本数据组中样本数据的难度值范围是不同的。每个样本数据组中所包括的样本数据的数量可以不同。示例性地，若所有样本数据的难度值范围为[0,1]，其中，难度值为0时表示样本数据的识别难度最小；难度值为1表示样本数据的识别难度最大。在进行分组时，可将难度值在[0,0.5]范围内的样本数据分配到一个样本数据组中；将难度值在[0.5,0.8]范围内的样本数据分配到一个样本数据组中；将难度值在[0.8,1]范围内的样本数据分配到一个样本数据组中。最终可得到三个样本数据组。

其中，为了保证能够在对图像分类网络的多轮训练中，逐步提高图像分类网络的精度。可以将难度值小的样本数据组中所包含的样本数据占所有样本数据的比例，大于难度值大的样本数据组中所包括的样本数据占所有样本数据的比例。

示例性地，假设需将样本数据分为三个样本数据组。预设比例可设置为6:3:1。首先按照样本数据的难度值对样本数据，按照难度值由小至大的顺利进行排序。将排序后的样本数据前百分之60的样本数据分为一个样本数据组。将排序后的最后百分之10的样本数据分为一个样本数据组。将剩余百分之30的样本数据分为一个样本数据组。

基于多个样本数据组对预先构建的图像分类网络进行至少两轮训练。在本说明书的实施例中，对图像分类网络进行训练的轮次与样本数据组的数量相同。示例性地，若分组后得到三个样本数据组，则对图像分类网络进行三轮训练即可。

每轮训练中采用的样本集不同，后一轮训练采用的样本集中样本数据组的数量大于前一轮训练采用的样本集中样本数据组的数量。示例性地。分组后得到n个样本数据组。对图像分类网络进行第一轮训练时，可采用其中一个样本数据组进行训练。在第一轮训练结束后，在第一轮样本集中增加一个样本数据组作为第二轮训练的样本集，以此类推，直至以所有样本数据组作为样本集对图像分类网络进行最后一个轮次的训练，得到满足精度需求的目标图像分类网络。

需要说明的是，在对图像分类网络进行训练时，可以根据实际精度需求或网络构建方式，选择训练的参数。示例性地，若图像分类网络是通过对现有技术中的模型的某一全连接层进行改进构建的，则可选择只训练改进的全连接层的参数。若对网络分类模型的精度要求较高，则可选择训练图像分类网络的所有参数。虽然训练所有参数的方式过程较慢，但可以使图像分类网络取得较高的性能。在其他的一些情况中，若固定浅层参数不变，则可选择训练深层的部分参数，来获得目标图像分类网络。

根据本说明书的实施例的图像分类网络的训练方法，通过将样本数据进行分组，以利用多组样本数据组对构建的图像分类网络进行多轮训练。每进入下一轮训练便增加一个样本数据组，以逐步提高图像分类网络的精度，最终得到达到精度需求的目标图像分类网络。本说明书实施例的训练方法，在样本数据有限的情况下，能够通过多轮训练，不断选取最优网络，逐轮加入样本数据组来对图像分类网络进行参数微调，达到提高图像分类模型的精度和鲁棒性的目的。

在本说明书的一些实施例中，前一轮训练好的图像分类网络作为后一轮的待训练图像分类网络，且在前一轮训练的图像分类网络收敛时，进行后一轮的图像分类网络的训练，直至将最后一轮训练好的图像分类网络作为所述目标图像分类网路。

具体地，为了能够在对构建的图像分类网络进行多轮训练后，获得精度最高的目标图像分类网络，可在多轮训练中，将前一轮训练好的图像分类网络作为下一轮训练的待训练图像分类网络。通过这种方式，可以在每轮训练中根据新的样本集对需调整的参数进行进一步的优化，直至最后一轮训练的图像分类网络收敛后，将最后一轮训练好的图像分类网络作为目标图像分类网络。

在本说明书的一些实施例中，基于多个样本数据组对预先构建的图像分类网络进行至少两轮训练，包括：以多个样本数据组中的第一样本数据组作为第一样本集对图像分类网络进行第一轮训练，并在第一样本集中增加一个不同于第一样本数据组的样本数据组，以对第一轮训练好的图像分类网络进行下一轮训练，以此类推，直至以多个样本数据组构成的样本集对上一轮训练好的图像分类网络进行最后一轮训练。

具体地，参见图2所示的图像分类网络训练示意图。在对样本数据进行分组后，得到4个样本数据组Index1、Index2、Index3和Index4。在第一轮训练中，采用样本数据组Index1作为第一样本集对构建的图像分类网络进行训练。在第一轮训练的图像分类网络收敛时，将该轮次训练好的的图像分类网络作为第二轮训练的待训练图像分类网络。将第一样本集中增加样本数据组Index2作为第二轮次训练的样本集，对第一轮训练好的图像分类网络进行训练。在第三轮训练的图像分类网络收敛时，将第二轮训练好的图像分类网络作为第三轮训练的待训练图像分类网络。通过上述方式直至，将四个样本数据组作为样本集，对第三轮训练好的图像分类网络进行第四轮训练，在第四轮训练的图像分类网络收敛后，完成对构建的图像分类网络的训练。并将第四轮训练好的图像分类网络作为目标图像分类网络。

在本说明书的一些实施例中，后一轮训练采用的样本集中新增加的样本数据组的难度值大于前一轮训练采用的样本集中样本数据组的难度值。

在一些情况中，由于初始建立的模型更容易根据简单样本进行学习。在经过不断的学习之后，能够基于难样本进行参数优化。因此，本说明书实施例中，在进行后一轮训练时，所增加的样本数据组中样本数据的难度值要高于前一轮训练所采用的样本集中样本数据的难度值。示例性地，图2所示的训练示意图中，样本数据组Index1中样本数据的难度值小≤样本数据组Index2中样本数据的难度值≤样本数据组Index3中样本数据的难度值≤样本数据组Index4中样本数据的难度值。

在本说明书的一些实施例中，样本数据包括良性样本数据和不良样本数据。基于难度值和预设比例对样本数据进行分组，包括：根据难度值分别对良性样本数据和不良样本数据进行排序。基于预设比例分别对排序后的良性样本数据和不良样本数据进行分组，得到第一预设数量的良性样本数据组和第一预设数量的不良样本数据组。

在一些情况中，在利用预设的分类器对样本数据进行难度值确定时，预设的分类器会基于预设的一些条件，判断出样本数据属于良性样本数据还是不良样本数据。良性样本数据即通俗意义中的OK类样本数据，表示该样本数据对于该分类器属于测试通过的好样本。不良样本数据即通俗意义中的NG类样本数据，表示该样本数据对于预设分类器属于测试不通过的坏样本。

在样本数据包括良性样本数据和不良样本数据的情况下，对样本数据进行分组可以包括：区分出样本数据中的良性样本数据和不良样本数据，分别对良性样本数据和不良样本数据进行分组。具体地，根据难度分别将良性样本数据和不良样本数据，按照难度值由小到大的顺序进行排序。基于相同的预设比例，分别对排序后的良性样本数据和不良样本数据进行分组，得到第一预设数量的良性样本数据组和第一预设数量的不良样本数据组。

在本说明书的一些实施例中，在对样本数据进行分组之后，训练方法还包括：确定第一预设数量的良性样本数据组中，样本数据的平均难度值达到第一预设值的目标良性样本数据组。确定第一预设数量的不良样本数据组中，样本数据的平均难度值达到第二预设值的目标不良样本数据组。分别对目标良性样本数据组和目标不良样本数据组进行数据增广。

在一些情况中，在样本数据量不足够多时，其中包括的难度值较高的样本数据也是较少的。此时为了能够进一步提高目标图像分类网络的精度，可选择对难样本数据进行适度的数据增广，使难样本数据在数量上增多，多样性更丰富。

具体地，分别确定每个样本数据组的样本数据的平均难度值。在第一预设数量的良性样本数据组中，确定出平均难度值达到第一预设值的良性样本数据组作为目标样本数据组。同样地，在第一预设数量的不良样本数据组中，确定出平均难度值达到第二预设值的不良样本数据组作为目标不良样本数据组。分别对目标良性样本数据组和目标不良样本数据组进行数据增广。一般情况下，可通过第一预设值确定出平均难度值最大的目标良性样本数据组，通过第二预设值确定出平均难度值最大的目标不良样本数据组。分别将平均难度值最大的目标良性样本数据组和平均难度值最大的不良样本数据组进行增广。也可根据数据特点，通过第一预设值和第二预设值确定出两组或三组良性样本数据组和不良样本数据组，进行数据增广。

通常情况下，由于在对图像分类网络进行训练时，良性样本数据组和不良样本数据组是对应作为样本集对图像分类网络进行训练的。因此目标良性样本数据组的数量和不良样本数据组的数量是相同的。若确定只对平均难度最大的一组良性样本数据组进行数据增广时，对应的，也只对平均难度最大的一组不良样本数据组进行数据增广。

示例性地，在对样本数据进行分组时，将良性样本数据和不良样本数据各分成了三组。分别对平均难度值最大的目标良性样本数据组和平均难度值最大的不良样本数据组进行数据增广，均增广为原样本数据组的两倍。增广后的样本数据可单独作为一个样本数据组存放。则进行数据增广后，良性样本数据组和不良样本数据组均变成了四组。在对图像分类网络训练时，首先采用平均难度值最小的良性样本数据组和平均难度值最小的不良样本数据组作为样本集对图像分类网络进行第一轮次的训练。在第一轮训练的图像分类网络收敛后，确定第一轮训练好的图像分类网络作为第二轮待训练的图像分类网络，同时向样本集中增加一个良性样本数据组和一个不良样本数据组作为第二轮训练的样本集。其中，增加的良性样本数据组是剩余良性样本数据组中平均难度值最小的，增加的不良样本数据组也是剩余不良样本数据组中平均难度值最小的。但新增的良性样本数据组的平均难度值是大于第一轮训练所采用的良性样本数据组的平均难度值的；新增的不良样本数据组的平均难度值是大于第一轮训练所采用的不良样本数据组的平均难度值的。以新增样本数据组后的样本集对待训练图像分类网络进行第二轮训练。以此类推，直至，利用四个良性样本数据组和四个不良样本数据组作为样本集，对待训练的图像分类网络进行第四轮的训练。在第四轮训练的图像分类网络收敛后，确定训练好的图像分类网络作为目标图像分类网络。

在本说明书的一些实施例中，确定样本数据的难度值，包括：基于样本数据对预先构建的图像分类网络进行初始训练，得到初始图像分类网络。根据初始图像分类网络确定样本数据的损失值，并以损失值作为样本数据的难度值。

在一些情况中，由于不同图像分类模型对样本数据的难易程度感知不同，为了能够提高本说明书实施例所构建的图像分类网络的精度和鲁棒性，可以直接以构建的图像分类网络来确定样本数据的难度值。

由于最初构建的图像分类网络在识别分类能力非常差，因此可先利用所有样本数据进行几轮训练，再利用训练后的图像分类网络来确定样本数据的难度值。具体地，首先基于样本数据对预先构建的图像分类网络进行初始训练，得到初始图像分类网络。初始训练的轮次无需过多，且样本数据无需做排序分组等处理。将样本数据再次输入值初始图像分类网络中进行处理，得到每个样本数据的损失值。由于损失值越小，可以表示该样本越容易识别。因此可以将样本数据的损失值直接作为样本数据的难度值。

在本说明书的一些实施例中，参考图3的示意图，对样本数据的处理过程可以包括：基于样本数据对预先构建的图像分类网络进行初始训练，得到初始图像分类网络。根据初始图像分类网络确定样本数据的损失值，并以损失值作为样本数据的难度值。基于难度值和预设比例对样本数据进行分组，获得多个样本数据组。对多个样本数据组中的目标样本数据组进行数据增广。

在本说明书的一些实施例中，对预先构建的图像分类网络进行至少两轮训练的阶段包括第一训练阶段和第二训练阶段。其中，训练方法还包括：设置第二训练阶段的学习率小于第一训练阶段的学习率，且第一训练阶段中每轮训练的学习率相等。

将输出误差反向传播给网络参数，以此来拟合样本的输出，本质上是最优化的一个过程，逐步趋向于最优解，但是每一次更新参数利用多少误差，就需要通过一个参数来确定，这个参数就是学习率，也称步长。学习率作为监督学习以及深度学习中重要的超参，其决定着目标函数能否收敛到局部最小值以及何时收敛到局部最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。

由于图像分类网络在训练初期精度还比较低，属于粗拟合阶段，因此需使学习率随着训练轮次的增加而减小，来更快的达到损失的最小值，保证收敛的损失值是图像分类网络的全局最优解。因此可将对预先构建的图像分类网络的训练过程分为两个阶段，设置第二训练阶段的学习率低于第一训练阶段的学习率，以逐步获取图像分类网络的最小损失值。因本说明书实施例针对的是样本数据不足够多的情况，因此可将第一训练阶段中每个轮次训练的学习率设置为相同的。

对应上述实施例，本说明书的实施例还提出来一种图像分类方法。如图4所示，该图像分类方法包括：

S410，获取待分类图像。

S420，将待分类图像输入预先训练好的目标图像分类网络，获得分类结果。

其中，目标图像分类网络根据上述任一项实施例的方法训练得到。

需要说明的是，本实施例的图像分类方法中未披露的目标图像分类网络的训练细节，请参照本说明书实施例中图像分类网络的训练方法的实施例中所披露的细节，此处不再赘述。

根据本说明书实施例的图像分类方法，获取待分类图像，将待分类图像输入到训练好的目标图像分类网络中进行处理，可得到待分类图像所属类别。本说明书实施例的目标图像分类网络是根据难度值分组后的样本数据，进行多轮训练得到的，其精度和鲁棒性得到了提升。

对应上述实施例，本说明书实施例还提出了一种图像分类网络的训练装置。如图5所示，该训练装置包括：难度值确定模块510，用于确定样本数据的难度值。分组模块520，用于基于难度值和预设比例对样本数据进行分组，获得多个样本数据组；其中，各个所述样本数据组中样本数据的难度值范围不同。训练模块530，用于基于多个样本数据组对预先构建的图像分类网络进行至少两轮训练，以得到目标图像分类网路。其中，在每轮训练中，采用的样本集不同，后一轮训练采用的样本集中样本数据组的数量大于前一轮训练采用的样本集中样本数据组的数量；所述样本集至少包括一个样本数据组。

需要说明的是，本实施例的图像分类网络的训练装置中未披露的细节，请参照本说明书实施例中图像分类网络的训练方法的实施例中所披露的细节，此处不再赘述。

根据本说明书实施例的图像分类网络的训练装置，首先确定出样本数据的难度值，根据难度值和预设比例对样本数据进行分组，得到多个样本数据组。利用样本数据组对构建的图像分类网络进行多轮训练，后一轮训练采用的样本集中样本数据组的数量大于前一轮训练的样本集中的样本数据组的数量。多轮训练后可以得到目标图像分类网络。本说明书的实施例能够通过对图像分类网络对多轮训练，逐步提高图像分类网络的精度，也使得图像分类网络的鲁棒性得到提升。

对应上述实施例，本说明书实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述任一项实施例的图像分类网络的训练方法或图像分类方法。

根据本说明书实施例的计算机可读存储介质，在该计算机程序被处理器执行时，能够通过对图像分类网络对多轮训练，逐步提高图像分类网络的精度，也使得图像分类网络的鲁棒性得到提升。

对应上述实施例，本说明书的实施例还提供了一种电子设备。

图6是根据本说明书一个实施例的电子设备的结构框图，如图6所示，该电子设备600包括存储器604、处理器602及存储在存储器604上并可在处理器602上运行的计算机程序606，处理器602执行计算机程序时，实现上述任一项实施例的图像分类网络的训练方法或图像分类方法。

根据本说明书实施例的电子设备，在处理器执行计算机程序时，能够通过对图像分类网络对多轮训练，逐步提高图像分类网络的精度，也使得图像分类网络的鲁棒性得到提升。

需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本说明书的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本说明书的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本说明书和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本说明书的限制。

此外，本说明书实施例中所使用的“第一”、“第二”等术语，仅用于描述目的，而不可以理解为指示或者暗示相对重要性，或者隐含指明本实施例中所指示的技术特征数量。由此，本说明书实施例中限定有“第一”、“第二”等术语的特征，可以明确或者隐含地表示该实施例中包括至少一个该特征。在本说明书的描述中，词语“多个”的含义是至少两个或者两个及以上，例如两个、三个、四个等，除非实施例中另有明确具体的限定。

在本说明书中，除非实施例中另有明确的相关规定或者限定，否则实施例中出现的术

语“安装”、“相连”、“连接”和“固定”等应做广义理解，例如，连接可以是固定连5接，也可以是可拆卸连接，或成一体，可以理解的，也可以是机械连接、电连接等；当然，

还可以是直接相连，或者通过中间媒介进行间接连接，或者可以是两个元件内部的连通，或者两个元件的相互作用关系。对于本领域的普通技术人员而言，能够根据具体的实施情况理解上述术语在本说明书中的具体含义。

在本说明书中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”0可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，

第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、

“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

5尽管上面已经示出和描述了本说明书的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本说明书的限制，本领域的普通技术人员在本说明书的范围内可以对上述实施例进行变化、修改、替换和变型。