图像识别神经网络的训练方法和装置、图像识别方法与流程

1.本发明涉及图像识别领域，具体而言，涉及一种图像识别神经网络的训练方法和装置、图像识别方法。


背景技术：

2.宫颈细胞判读一般参考一种描述性诊断tbs(the bethesda system，简称tbs)，tbs中列举出各种类型的宫颈细胞供医生报告，其中，包括asc
‑
us(非典型鳞状细胞，不能明确意义)，lsil(低度鳞状上皮内病变)，asch(非典型鳞状细胞，倾向于高度病变)，hsil(高度鳞状上皮内病变)等。近期基于深度学习的技术广泛应用于医疗辅助诊断，在宫颈细胞判读上的应用主要是识别不同类别的宫颈细胞，从而用于后续的辅助诊断任务。
3.目前主流的宫颈细胞分类方法通过深度学习网络，如convolutional neural network(cnn)卷积神经网络，提取宫颈细胞特征后，再输出多类别的logits，然后通过softmax得到各个类别的预测概率值，一般采用交叉熵损失函数来训练cnn网络。
4.这类方法假设各个类别是互斥的，在只考虑少数类别，如鳞病变下的ascus，lsil，asch和hsil等四种类别时一般是适用的。但下面三种情况这类方式就不适用了。第一：考虑tbs报告中所有类别时，这种互斥假设就不成立了，如非典型腺细胞(agc)这个类别下面还有几个子类别：非典型腺细胞/非特异和非典型腺细胞/倾向瘤变等等。部分情况下医生只会判读到非典型腺细胞这个大类，判读信息充足时医生会判读到下面的子类。第二：基于tbs报告中的结构化分类，医生在判读子类时，一般会先考虑大类，再考虑这个大类下面子类，有一个条件顺序的考虑过程，比如先考虑是不是agc，在考虑在是agc的条件下是agc各个子类的概率。第三：当医生判读的结果是一种中间节点类别，如判读为腺癌这个类别时，但是不确定是子宫颈管腺癌还是子宫内膜腺癌，这种情况下子宫颈管腺癌和子宫内膜腺癌的概率应该是比较接近的。无法准确获取细胞的分类。
5.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种图像识别神经网络的训练方法和装置、图像识别方法，以至少解决现有技术中，对目标图像分类精度较低的技术问题。
7.根据本发明实施例的一个方面，提供了一种图像识别神经网络的训练方法，包括：将目标样本图像输入到待训练的图像识别神经网络，得到所述图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，所述多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在所述目标树中对应的节点归属于同一个上级节点；根据所述多组预测概率值以及所述目标树中与所述多组预测识别结果对应的节点之间的关系，确定所述图像识别神经网络的目标损失函数的取值；对所述图像识别神经网络中的网络参数进行调整，使得所述目标损失函数的取值满足预设的损失条件。
8.根据本发明实施例的另一方面，还提供了一种图像识别神经网络的训练装置，包括：第一输出单元，用于将目标样本图像输入到待训练的图像识别神经网络，得到所述图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，所述多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在所述目标树中对应的节点归属于同一个上级节点；第一确定单元，用于根据所述多组预测概率值以及所述目标树中与所述多组预测识别结果对应的节点之间的关系，确定所述图像识别神经网络的目标损失函数的取值；调整单元，用于对所述图像识别神经网络中的网络参数进行调整，使得所述目标损失函数的取值满足预设的损失条件。
9.根据本发明实施例的又一方面，还提供了一种图像识别方法，包括：将待识别的目标图像输入到目标图像识别神经网络，得到所述目标图像识别神经网络输出的多组目标预测概率值，其中，每组目标预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，所述目标图像识别神经网络是使用目标样本图像对待训练的图像识别神经网络进行训练得到的神经网络，所述多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在所述目标树中对应的节点归属于同一个上级节点，在结束对所述图像识别神经网络进行训练时，所述图像识别神经网络的目标损失函数的取值满足所述预设的损失条件，所述目标损失函数的取值是根据所述图像识别神经网络输出的所述多组预测概率值以及所述目标树中与所述多组预测识别结果对应的节点之间的关系确定的取值；根据所述多组目标预测概率值，确定所述多组预测识别结果中的预测识别结果的预测概率值。
10.根据本发明实施例的又一方面，还提供了一种图像识别装置，包括第二输出单元，用于将待识别的目标图像输入到目标图像识别神经网络，得到所述目标图像识别神经网络输出的多组目标预测概率值，其中，每组目标预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，所述目标图像识别神经网络是使用目标样本图像对待训练的图像识别神经网络进行训练得到的神经网络，所述多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在所述目标树中对应的节点归属于同一个上级节点，在结束对所述图像识别神经网络进行训练时，所述图像识别神经网络的目标损失函数的取值满足所述预设的损失条件，所述目标损失函数的取值是根据所述图像识别神经网络输出的所述多组预测概率值以及所述目标树中与所述多组预测识别结果对应的节点之间的关系确定的取值；第二确定单元，用于根据所述多组目标预测概率值，确定所述多组预测识别结果中的预测识别结果的预测概率值。
11.根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述图像识别神经网络的训练方法。
12.根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述图像识别方法。
13.根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的图像
识别神经网络的训练方法。
14.根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的图像识别方法。
15.在本发明实施例中，通过将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点；根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的目标损失函数的取值；对图像识别神经网络中的网络参数进行调整，使得目标损失函数的取值满足预设的损失条件，达到了根据多组预测概率值以及目标树中与所述多组预测识别结果得到目标损失函数，根据目标损失函数调整待训练的图像识别神经网络，得到目标图像识别神经网络的，根据该目标图像识别神经网络识别目标图像，根据识别结果对目标图像进行分类目的，进而解决了现有技术中，对目标图像分类精度较低的技术问题。
附图说明
16.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1是根据本发明实施例的一种可选的图像识别神经网络的训练方法的应用环境的示意图；
18.图2是根据本发明实施例的一种可选的图像识别神经网络的训练方法的流程图；
19.图3是根据本发明实施例的一种可选的宫颈细胞分类图；
20.图4是根据本发明实施例的一种可选的宫颈细胞结构化分组示意图；
21.图5是根据本发明实施例的一种可选的宫颈细胞结构化分类网络结构图；
22.图6是根据本发明实施例的一种可选的宫颈细胞分类标签示意图；
23.图7是根据本发明实施例的一种可选的图像识别方法的流程图；
24.图8是根据本发明实施例的一种可选的图像识别神经网络的训练装置的结构示意图；
25.图9是根据本发明实施例的一种可选的图像识别装置的结构示意图；
26.图10是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
27.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
28.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.根据本发明实施例的一个方面，提供了一种图像识别神经网络的训练方法，可选地，作为一种可选的实施方式，上述图像识别神经网络的训练方法可以但不限于应用于如图1所示的环境中。终端设备102、网络104以及服务器106。
30.服务器106将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点；根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的目标损失函数的取值；对图像识别神经网络中的网络参数进行调整，使得目标损失函数的取值满足预设的损失条件，达到了根据多组预测概率值以及目标树中与所述多组预测识别结果得到目标损失函数，根据目标损失函数调整待训练的图像识别神经网络，得到目标图像识别神经网络的，根据该目标图像识别神经网络识别目标图像，根据识别结果对目标图像进行分类目的，进而解决了现有技术中，对目标图像分类精度较低的技术问题。
31.需要说明的是，上述图像识别神经网络的训练方法可以包括但不限于通过终端设备102执行，通过服务器106执行，还可以通过终端设备102与服务器106共同执行。
32.可选地，在本实施例中，上述终端设备可以是配置有目标客户端的终端设备，可以包括但不限于以下至少之一：手机(如android手机、ios手机等)、笔记本电脑、平板电脑、掌上电脑、mid(mobile internet devices，移动互联网设备)、pad、台式电脑、智能电视等。目标客户端可以是视频客户端、图像客户端、浏览器客户端等。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、wifi及其他实现无线通信的网络。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
33.可选地，作为一种可选的实施方式，如图2所示，上述图像识别神经网络的训练方法包括：
34.步骤s202，将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点。
35.步骤s204，根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的目标损失函数的取值。
36.步骤s206，对图像识别神经网络中的网络参数进行调整，使得目标损失函数的取值满足预设的损失条件。
37.可选的，在本实施例中，上述图像识别神经网络的训练方法可以包括但不限于应用于癌症细胞图像的训练，基于训练好的图像识别神经网络可以包括但不限于应用于多层次多类别的宫颈细胞分类，图像中细胞的概率以及具体癌症细胞的概率。如图像中的细胞是宫颈细胞的概率是0.8，该癌症细胞是子宫内膜腺癌细胞的概率是0.9。
38.其中，本实施例中上述图像识别神经网络的训练方法还可以应用图像中待识别对象存在目标树的对象，如图像中待识别的细胞，是子宫内膜腺癌细胞，该子宫内膜腺癌细胞属于非典型腺细胞类别下的细胞，非典型腺细胞是属于腺细胞异常下的细胞类，腺细胞异常属于宫颈细胞类。
39.在相关技术中，直接可以获取图像中细胞是子宫内膜腺癌细胞的概率，不能应用在多层次多类别的宫颈细胞分类任务上。本实施例中，训练好的图像识别神经网络可以用于在多层次多类别的宫颈细胞分类任务上，如图3所示，宫颈细胞分类图。本实施例中方案可以得到图像中的细胞是：宫颈细胞
‑
腺细胞异常
‑
腺癌
‑
子宫内膜腺癌细胞。
40.在本实施例中，上述目标样本图像可以包括但不限于包括细胞图像。将目标样本图像输入待训练的图像识别神经网络中，可以输入多组预设概率值。结合图3所示，目标样本图像是细胞图像的情况下，将该细胞图像输入至待训练的图像识别神经网络中，可以得到8组预测概率值，每组预测概率值包括多个值，其中，第一组预测概率值包括：正常细胞的预测概率值、麟状上皮细胞异常预测概率值、腺细胞异常预测概率值、生物性病原体预测概率值、其他概率值，5个预测概率值，即第一组预测概率值包括5个概率值；第二组预测概率值包括：无明确意义的非典型细胞的改变asc
‑
us的预测概率值、低度麟状上皮内病变lsil的预测概率值、不典型麟状上皮细胞asc
‑
u的预测概率值、高度麟状上皮内病变hsil的预测概率值、麟状细胞癌抗原scc的预测概率值，5个预测概率值，第三组预测概率值包括：非典型腺细胞/非特异的预测概率值、非典型腺细胞/倾向瘤变的预测概率值、子宫颈管原位腺癌的预测概率值、腺癌的预测概率值，4个预测概率值；第四组预测概率值包括：阴道滴虫的预测概率值、念珠菌的预测概率值、细菌性阴道病的预测概率值、放线菌的预测概率值、疱疹病毒的预测概率值，5个预测概率值；第五组预测概率值包括：子宫内膜细胞的预测概率值、萎缩的预测概率值、化生的预测概率值，3个预测概率值；还包括腺癌分支的第六组对应的2个预测概率值，非典型腺细胞/倾向瘤变分支的第七组对应的2个预测概率值，非典型腺细胞/非特异的预测概率值分支的第八组对应的2个预测概率值。
41.根据宫颈细胞的分类，可以将宫颈细胞结构化分类，如图4所示，宫颈细胞结构化分组示意图，在该结构化分类中，有大类，一级子类和二级子类三个层级；其中大类这个层级中包括正常细胞，鳞状上皮细胞异常，腺细胞异常，微生物病原体和其他类别；一级子类时是大类的展开，如鳞状上皮细胞异常可以分为ascus，lsil，asch，hsil和鳞癌scc这几个类别，腺细胞异常可以分为非典型腺细胞/非特异(agc
‑
nos)，非典型腺细胞/倾向瘤变，原位腺癌(ais)，腺癌(adc)等几个子类别；二级子类是对一级子类的进一步展开，如腺癌adc可以进一步分为子宫颈管腺癌和子宫内膜腺癌。整个结构化分类中，所有的类别分成七个组，对于每一组，都可以应用一个分类器。
42.其中，在本实施例中，对于每一组的分离器，分离器可以根据标记好类别的样本目标图像，判断一个新图像所属的类型。例如，根据对应腺癌的细胞图像的分离器，可以识别出新的细胞图像所属的类别，即分离器可以识别出细胞图像在7组中结果，确定出新的细胞
图像是否是存在病变。
43.在本实施例中，如图5所示，宫颈细胞结构化分类网络结构图，宫颈细胞结构化分类网络设计为包含七个分类的网络，cnn网络输出所有类别的logits后，按照图4分成了七个组，对每组logits归一化，得到对应的softmax，每组内都应用softmax求得组内的预测概率值。
44.其中，确定每一个类别在各个组内的标签，如图6所示，宫颈细胞分类标签示意图。在每个组内，标签是从0开始编号的，如在组二内，ascus的标签是0，lsil的标签是1，agc编号2，后面的类别标签依次类推。按照图3所示，子类除了在本组内需要确定其标签外，在上一层级中也需要确定其标签，比如ascus属于鳞状上皮细胞异常，那么ascus在组一中的标签就为1。最终得到表一所示的每个类别在每个组内的标签。空白代表这个类别不存在于这个组内。
45.其中，一组内的类别标签编号可以包括但不限于按照每个类别的位置进行编号，编号的数值可以是小到大进行编号，编号的数值可以是一位、或多位，每个类别的位置可以按照类别出现的概率从大到下，或从小到大进行排列。出现的概率是历史数据中出现的概率，例如宫颈癌中的腺癌出现的概率最大，则该类别排列第一位置，编号可以是0，依次按照出现的概率从大到下进行排列，以及编号0，1，2
……
n。
46.基于大类分组的概念，应地修改子类别的预测概率值，如对于ascus，我们已经通过softmax计算了ascus在组二内的预测概率值，如0.8，建模这个概率值为判断这个宫颈细胞是鳞细胞病变后再判断其为ascus的条件概率，也即p(ascus丨鳞状上皮细胞异常)＝0.8，根据条件概率公式p(ascus)＝p(ascus丨鳞状上皮细胞异常)*p(鳞状上皮细胞异常)，还需要乘以组一内鳞状上皮细胞异常的预测概率值，如p(鳞状上皮细胞异常)＝0.9，那么p(ascus)＝0.8*0.9＝0.72。再根据这个预测概率值计算ascus在组二内的交叉熵损失。相应地其他组也采用这样的方式计算分类损失，再把这个七个组的分类损失相加得到的总的分类损失(相当于第一损失函数的取值)
47.需要说明的是，交叉熵损失函数组内的标签需要由0，1，2，3的标签需要转成one
‑
hot标签。
48.可选的，在本实施例中，根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的目标损失函数的取值，可以包括：
49.s1，根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的第一损失函数的取值；
50.s2，将图像识别神经网络的目标损失函数的取值确定为等于第一损失函数的取值；或者，根据第一损失函数的取值和第二损失函数的取值，确定图像识别神经网络的目标损失函数的取值，其中，第二损失函数的取值是根据目标树中的一组中间节点对应的预测概率值确定得到的取值，每个中间节点的下级节点对应的预测概率满足预设的不确定性约束条件。
51.需要说明的是，根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的第一损失函数的取值，可以包括：目标树中与多组预测识别结果对应的节点之间的关系，确定多组标签值，其中，多组标签值与多组预测识别结果具有一一对应的关系，多组标签值中的每组标签值为多组预测识别结果中对应的一组
预测识别结果的标签值，一组预测识别结果的标签值与一组预测识别结果的排列位置相关；根据多组标签值以及多组预测概率值，确定图像识别神经网络的第一损失函数的取值。
52.可选的，根据目标树中与多组预测识别结果对应的节点之间的关系，确定多组标签值，可以包括：
53.s1，对于每组预测识别结果，执行以下步骤，其中，在执行以下步骤时，每组预测识别结果被视为当前组预测识别结果：
54.s2，根据目标树中与当前组预测识别结果对应的当前组节点之间的排列关系，确定当前组预测识别结果中的每个预测识别结果的排列位置；
55.s3，根据当前组预测识别结果中的每个预测识别结果的排列位置，确定当前组预测识别结果中的每个预测识别结果对应的标签值，共得到与当前组预测识别结果对应的一组标签值。
56.需要说明的是，根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的第一损失函数的取值，确定目标识别神经网络的第一损失函数的取值，可以包括：根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定多组条件概率值，其中，多组预测概率值与多组条件概率值具有一一对应的关系；根据多组标签值以及多组条件概率值，确定图像识别神经网络的第一损失函数的取值。
57.还需要说明的是，根据多组标签值以及多组条件概率值，确定目标识别神经网络的第一损失函数的取值，可以包括：通过以下公式确定目标识别神经网络的第一损失函数的取值：
[0058][0059]
其中，l
cls
表示第一损失函数的取值，y
ij
表示多组标签值中的第i组标签值中的第j个标签值，p(x
ij
)表示多组条件概率值中的第i组条件概率值中的第j个条件概率值，多组标签值为m组标签值，多组预测概率值为m组预测概率值，多组条件概率值为m组条件概率值，m组条件概率值中的第i组条件概率值中的条件概率值的个数为n
i
，多组预测识别结果为m组预测识别结果，m组预测识别结果中的第i组预测识别结果中的预测识别结果的个数为n
i
，m为大于1的自然数，n
i
为自然数。
[0060]
通过本技术提供的实施例，将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的多组预测概率值，其中，多组预测概率值与多组预测识别结果具有一一对应的关系，每组预测概率值用于表示对应的一组预测识别结果中的各个预测识别结果的预测概率，多组预测识别结果中的预测识别结果具有目标树，对应的一组预测识别结果在目标树中对应的一组节点为同一节点的下级节点；根据多组预测概率值以及目标树中预测识别结果之间的关系，确定目标识别神经网络的第一损失函数的取值；根据第一损失函数的取值，确定目标识别神经网络的目标损失函数的取值；在目标损失函数的取值不满足预设的损失条件的情况下，对图像识别神经网络中的网络参数进行调整，达到了根据多组预测概率值以及目标树中与所述多组预测识别结果得到目标损失函数，根据目标损失函数调整待训练的图像识别神经网络，得到目标图像识别神经网络的，根据该目标图像识别神经网络识别目标图像，根据识别结果对目标图像进行分类目的，进而解决了现有
技术中，对目标图像分类精度较低的技术问题。
[0061]
可选的，上述方法还可以包括：根据多组预测概率值中与目标树中的一组中间节点对应的预测概率值，确定第二损失函数的取值。
[0062]
其中，根据多组预测概率值中与目标树中的一组中间节点对应的预测概率值，确定第二损失函数的取值，可以包括：根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定多组条件概率值，其中，多组预测概率值与多组条件概率值具有一一对应的关系。
[0063]
其中，在本实施例中，可以通过以下公式确定第二损失函数的取值：
[0064][0065]
其中，l
entropy
表示第二损失函数的取值，p(x
ij
)表示m组条件概率值中的第i组条件概率值中的第j个条件概率值，m组条件概率值为多组条件概率值中与目标树中的m个中间节点的m组下级节点对应的条件概率值，n
i
表示m组条件概率值中的第i组条件概率值中的条件概率值的个数，m为自然数。
[0066]
其中，上述预测识别结果之间的关系可以表示该节点是否有上级节点或节点集合，还可以表示是不是同一个节点的下级节点，如图3所示，当前节点是子宫内膜胰腺癌，可以包括：腺癌、腺细胞异常集合。当前节点是腺细胞异常，则该节点不存在上级节点。
[0067]
可选的，上述方法还可以包括：在目标树中确定出一组中间节点，其中，一组中间节点中的每个中间节点的下级节点对应的一组预测概率值中的任意两个之间的差值小于第一预设阈值。
[0068]
在本实施例中，一组中间节点中的每个中间节点的下级节点对应的一组预测概率值中可以满足任意两个之间的差值都小于预设阈值，或可以最大和最小之间的差值小于预设阈值。如下级节点对应的一组预测概率值包括3个预测概率值，如0.7、0.2、0.1，需要满足0.7与0.1的差值满足小于预先阈值0.7，或者任意两个阈值差值小于预设阈值，0.7与0.1之间的产值小于0.8、0.7与0.2之间的差值小于0.8、0.2与0.1之间的差值小于0.8。
[0069]
可选的，在本实施例中，根据第一损失函数的取值和第二损失函数的取值，确定图像识别神经网络的目标损失函数的取值，可以包括：通过以下公式确定图像识别神经网络的目标损失函数的取值：
[0070]
l
total_loss
＝l
cls
‑
λ
×
l
entropy
[0071]
其中，l
total_loss
表示目标损失函数的取值，l
cls
表示第一损失函数的取值，l
entropy
表示第二损失函数的取值，λ表示预设的权重值。
[0072]
需要说明的是，根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定多组条件概率值，可以包括：通过以下公式确定多组条件概率值中的第i组条件概率值中的第j个条件概率值p(x
ij
)：
[0073][0074]
其中，p(x
ij
)表示多组预测概率值中的第i组预测概率值中的第j个预测概率值，p
′
(x
ij
)表示多组预测概率值中与当前节点的上级节点集合对应的预测概率值的乘积，当前节
点为目标树中与第i组预测概率值中的第j个预测概率值对应的节点，上级节点集合包括目标树中当前节点的直接上级节点和间接上级节点。
[0075]
在本实施例中，根节点(宫颈细胞)不算是上级节点，换句话说，第一组预测的概率值对应的节点(正常细胞，鳞状上皮细胞异常，腺细胞异常，生物性病原体)，没有上级节点或节点集合)。如，当前节点子宫内膜胰癌包括上级节点集合(胰癌，胰细胞异常)，则当前节点子宫内膜胰癌的条件概率等于腺癌的概率0.9乘于腺细胞异常的概率0.8，确定子宫内膜胰癌的条件概率为0.72。
[0076]
可选的，上述方法还可以包括：在目标损失函数的取值满足损失条件的情况下，结束对图像识别神经网络进行的训练，其中，结束训练时的图像识别神经网络被确定为目标图像识别神经网络；将待识别的目标图像输入到目标图像识别神经网络，得到目标图像识别神经网络输出的多组目标预测概率值，其中，每组目标预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率；根据多组目标预测概率值，确定多组预测识别结果中的预测识别结果的预测概率值。
[0077]
在本实施例中，用户可以根据预测概率值确定图像中细胞的分类。即该图像中的细胞类别可以是具体的a条件下的b细胞。
[0078]
可选的，根据多组目标预测概率值，确定多组预测识别结果中的预测识别结果的预测概率值，可以包括：
[0079]
s1，将多组预测识别结果中的每个预测识别结果的预测概率值，确定为等于多组目标预测概率值中对应的目标预测概率值。
[0080]
s2，将多组预测识别结果中与第一类型的节点对应的预测识别结果的预测概率值，确定为等于多组目标预测概率值中与第一类型的节点对应的目标预测概率值，其中，第一类型的节点在目标树中不具有上级节点；将多组预测识别结果中与第二类型的节点对应的预测识别结果的预测概率值，确定为等于当前预测概率值与上级预测概率值的乘积，其中，第二类型的节点在目标树中具有上级节点集合，上级节点集合包括目标树中第二类型的节点的直接上级节点和间接上级节点，当前预测概率值为多组目标预测概率值中与第二类型的节点对应的目标预测概率值，上级预测概率值包括多组目标预测概率值中与上级节点集合对应的目标预测概率值。
[0081]
s3，将多组预测识别结果中与第三类型的节点对应的预测识别结果的预测概率值标识为不确定的概率值，其中，第三类型的节点为目标树中归属于同一个节点的下级节点，与第三类型的节点对应的预测识别结果的预测概率值中任意两个之间的差值小于第二预设阈值。
[0082]
在本实施例中，上述第二预设阈值可以根据预设条件取值为0.4，0.6，在本实施例中，不做具体限定。
[0083]
可选的，将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的多组预测概率值，可以包括：将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的m组预测概率值，其中，多组预测概率值为m组预测概率值，m为大于1的自然数，m组预测概率值中的每组预测概率值用于表示m组预测识别结果中对应的一组预测识别结果中的各个预测识别结果的预测概率，对应的一组预测识别结果在目标树中对应的一组节点为同一节点的下级节点。
[0084]
可选地，作为一种可选的实施方式，如图7所示，图像识别方法包括：
[0085]
步骤s702，将待识别的目标图像输入到目标图像识别神经网络，得到目标图像识别神经网络输出的多组目标预测概率值，其中，每组目标预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，目标图像识别神经网络是使用目标样本图像对待训练的图像识别神经网络进行训练得到的神经网络，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点，在结束对图像识别神经网络进行训练时，图像识别神经网络的目标损失函数的取值满足预设的损失条件，目标损失函数的取值是根据图像识别神经网络输出的多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系确定的取值。
[0086]
步骤s704，根据多组目标预测概率值，确定多组预测识别结果中的预测识别结果的预测概率值。
[0087]
通过本技术提供的实施例，将待识别的目标图像输入到目标图像识别神经网络，得到目标图像识别神经网络输出的多组目标预测概率值，其中，每组目标预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，目标图像识别神经网络是使用目标样本图像对待训练的图像识别神经网络进行训练得到的神经网络，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点，在结束对图像识别神经网络进行训练时，图像识别神经网络的目标损失函数的取值满足预设的损失条件，目标损失函数的取值是根据图像识别神经网络输出的多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系确定的取值；根据多组目标预测概率值，确定多组预测识别结果中的预测识别结果的预测概率值。达到了根据多组预测概率值以及目标树中与所述多组预测识别结果得到目标损失函数，根据目标损失函数调整待训练的图像识别神经网络，得到目标图像识别神经网络的，根据该目标图像识别神经网络识别目标图像，根据识别结果对目标图像进行分类目的，进而解决了现有技术中，对目标图像分类精度较低的技术问题。
[0088]
可选的，根据多组目标预测概率值，确定多组预测识别结果中的预测识别结果的预测概率值，可以包括：
[0089]
将多组预测识别结果中的每个预测识别结果的预测概率值，确定为等于多组目标预测概率值中对应的目标预测概率值；或者
[0090]
将多组预测识别结果中与第一类型的节点对应的预测识别结果的预测概率值，确定为等于多组目标预测概率值中与第一类型的节点对应的目标预测概率值，其中，第一类型的节点在目标树中不具有上级节点；将多组预测识别结果中与第二类型的节点对应的预测识别结果的预测概率值，确定为等于当前预测概率值与上级预测概率值的乘积，其中，第二类型的节点在目标树中具有上级节点集合，上级节点集合包括目标树中第二类型的节点的直接上级节点和间接上级节点，当前预测概率值为多组目标预测概率值中与第二类型的节点对应的目标预测概率值，上级预测概率值包括多组目标预测概率值中与上级节点集合对应的目标预测概率值；或者
[0091]
将多组预测识别结果中与第三类型的节点对应的预测识别结果的预测概率值标识为不确定的概率值，其中，第三类型的节点为目标树中归属于同一个节点的下级节点，与第三类型的节点对应的预测识别结果的预测概率值中任意两个之间的差值小于第二预设
阈值。
[0092]
其中，第一预设阈值可以取值0.3，0.5等，在本实施例中，不做具体限定。
[0093]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0094]
根据本发明实施例的另一个方面，还提供了一种用于实施上述图像识别神经网络的训练方法的图像识别神经网络的训练装置。如图8所示，该图像识别神经网络的训练装置包括：第一输出单元81、第一确定单元83以及调整单元85。
[0095]
第一输出单元81，用于将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的多组预测概率值，其中每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点。
[0096]
第一确定单元83，用于根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的目标损失函数的取值。
[0097]
调整单元85，用于对图像识别神经网络中的网络参数进行调整，使得目标损失函数的取值满足预设的损失条件。
[0098]
可选的，上述第一确定单元81，可以包括：
[0099]
1)第一确定模块，用于根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的第一损失函数的取值。
[0100]
2)第二确定模块，用于将图像识别神经网络的目标损失函数的取值确定为等于第一损失函数的取值；或者，根据第一损失函数的取值和第二损失函数的取值，确定图像识别神经网络的目标损失函数的取值，其中，第二损失函数的取值是根据目标树中的一组中间节点对应的预测概率值确定得到的取值，每个中间节点的下级节点对应的预测概率满足预设的不确定性约束条件。
[0101]
其中，上述第一确定模块，可以包括：
[0102]
1)第一确定子模块，用于根据目标树中与多组预测识别结果对应的节点之间的关系，确定多组标签值，其中，多组标签值与多组预测识别结果具有一一对应的关系，多组标签值中的每组标签值为多组预测识别结果中对应的一组预测识别结果的标签值，一组预测识别结果的标签值与一组预测识别结果的排列位置相关。
[0103]
2)第二确定子模块，用于根据多组标签值以及多组预测概率值，确定图像识别神经网络的第一损失函数的取值。
[0104]
3)第三确定子模块，用于根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定多组条件概率值，其中，多组预测概率值与多组条件概率值具有一一对应的关系。
[0105]
4)第四确定子模块，用于根据多组标签值以及多组条件概率值，确定图像识别神经网络的第一损失函数的取值。
[0106]
其中，上述第一确定子模块还用于执行如下操作：对于每组预测识别结果，执行以
下步骤，其中，在执行以下步骤时，每组预测识别结果被视为当前组预测识别结果：根据目标树中与当前组预测识别结果对应的当前组节点之间的排列关系，确定当前组预测识别结果中的每个预测识别结果的排列位置；根据当前组预测识别结果中的每个预测识别结果的排列位置，确定当前组预测识别结果中的每个预测识别结果对应的标签值，共得到与当前组预测识别结果对应的一组标签值。
[0107]
需要说明的是，上述第四确定子模块还用于执行如下操作：通过以下公式确定图像识别神经网络的第一损失函数的取值：
[0108][0109]
其中，l
cls
表示第一损失函数的取值，y
ij
表示多组标签值中的第i组标签值中的第j个标签值，p(x
ij
)表示多组条件概率值中的第i组条件概率值中的第j个条件概率值，多组标签值为m组标签值，多组预测概率值为m组预测概率值，多组条件概率值为m组条件概率值，m组条件概率值中的第i组条件概率值中的条件概率值的个数为n
i
，多组预测识别结果为m组预测识别结果，m组预测识别结果中的第i组预测识别结果中的预测识别结果的个数为n
i
，m为大于1的自然数，n
i
为自然数。
[0110]
通过本技术提供的实施例，第一输出单元81将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点；第一确定单元83根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的目标损失函数的取值；调整单元85对图像识别神经网络中的网络参数进行调整，使得目标损失函数的取值满足预设的损失条件。达到了根据目标树得到目标损失函数，根据目标损失函数调整待训练的图像识别神经网络，得到目标图像识别神经网络的，根据该目标图像识别神经网络识别目标图像，根据识别结果对目标图像进行分类目的，进而解决了现有技术中，对目标图像分类精度较低的技术问题。
[0111]
可选的，上述装置还可以包括：第二确定单元，用于根据多组预测概率值中与目标树中的一组中间节点对应的预测概率值，确定第二损失函数的取值。
[0112]
其中，上述第二确定单元，可以包括：第三确定模块，用于根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定多组条件概率值，其中，多组预测概率值与多组条件概率值具有一一对应的关系；通过以下公式确定第二损失函数的取值：
[0113][0114]
其中，l
entropy
表示第二损失函数的取值，p(x
ij
)表示m组条件概率值中的第i组条件概率值中的第j个条件概率值，m组条件概率值为多组条件概率值中与目标树中的m个中间节点的m组下级节点对应的条件概率值，n
i
表示m组条件概率值中的第i组条件概率值中的
条件概率值的个数，m为自然数。
[0115]
可选的，上述装置还可以包括：第三确定单元，用于在目标树中确定出一组中间节点，其中，一组中间节点中的每个中间节点的下级节点对应的一组预测概率值中的任意两个之间的差值小于第一预设阈值。
[0116]
其中，上述第三确定模块，包括第五确定子模块，用于通过以下公式确定图像识别神经网络的目标损失函数的取值：
[0117]
l
total_loss
＝l
cls
‑
λ
×
l
entropy
[0118]
其中，l
total_loss
表示目标损失函数的取值，l
cls
表示第一损失函数的取值，l
entropy
表示第二损失函数的取值，λ表示预设的权重值。
[0119]
需要说明的是，上述第三确定模块，可以包括第六子确定模块，用于通过以下公式确定多组条件概率值中的第i组条件概率值中的第j个条件概率值p(x
ij
)：
[0120][0121]
其中，p(x
ij
)表示多组预测概率值中的第i组预测概率值中的第j个预测概率值，p
′
(x
ij
)表示多组预测概率值中与当前节点的上级节点集合对应的预测概率值的乘积，当前节点为目标树中与第i组预测概率值中的第j个预测概率值对应的节点，上级节点集合包括目标树中当前节点的直接上级节点和间接上级节点。
[0122]
可选的，上述装置还可以包括：训练单元，用于在目标损失函数的取值满足损失条件的情况下，结束对图像识别神经网络进行的训练，其中，结束训练时的图像识别神经网络被确定为目标图像识别神经网络；第二输出单元，用于将待识别的目标图像输入到目标图像识别神经网络，得到目标图像识别神经网络输出的多组目标预测概率值，其中，每组目标预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率；第四确定单元，用于根据多组目标预测概率值，确定多组预测识别结果中的预测识别结果的预测概率值。
[0123]
其中，上述第四确定单元，可以包括：
[0124]
1)第四确定模块，用于将呈目标树的多组预测识别结果中的每个预测识别结果的预测概率值，确定为等于多组目标预测概率值中对应的目标预测概率值。
[0125]
2)第五确定模块，用于将多组预测识别结果中与第一类型的节点对应的预测识别结果的预测概率值，确定为等于多组目标预测概率值中与第一类型的节点对应的目标预测概率值，其中，第一类型的节点在目标树中不具有上级节点；将多组预测识别结果中与第二类型的节点对应的预测识别结果的预测概率值，确定为等于当前预测概率值与上级预测概率值的乘积，其中，第二类型的节点在目标树中具有上级节点集合，上级节点集合包括目标树中第二类型的节点的直接上级节点和间接上级节点，当前预测概率值为多组目标预测概率值中与第二类型的节点对应的目标预测概率值，上级预测概率值包括多组目标预测概率值中与上级节点集合对应的目标预测概率值。
[0126]
3)标识模块，用于将多组预测识别结果中与第三类型的节点对应的预测识别结果的预测概率值标识为不确定的概率值，其中，第三类型的节点为目标树中归属于同一个节点的下级节点，与第三类型的节点对应的预测识别结果的预测概率值中任意两个之间的差
值小于第二预设阈值。
[0127]
可选的，上述第一输出单元81，可以包括：输出模块，用于将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的m组预测概率值，其中，多组预测概率值为m组预测概率值，m为大于1的自然数，m组预测概率值中的每组预测概率值用于表示m组预测识别结果中对应的一组预测识别结果中的各个预测识别结果的预测概率，对应的一组预测识别结果在目标树中对应的一组节点为同一节点的下级节点。
[0128]
根据本发明实施例的另一个方面，还提供了一种用于实施上述图像识别方法的图像识别装置。如图9所示，该图像识别装置包括：第二输出单元91以及第二确定单元95。
[0129]
第二输出单元91，用于将待识别的目标图像输入到目标图像识别神经网络，得到目标图像识别神经网络输出的多组目标预测概率值，其中，每组目标预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，目标图像识别神经网络是使用目标样本图像对待训练的图像识别神经网络进行训练得到的神经网络，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点，在结束对图像识别神经网络进行训练时，图像识别神经网络的目标损失函数的取值满足预设的损失条件，目标损失函数的取值是根据图像识别神经网络输出的多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系确定的取值。
[0130]
第二确定单元95，用于根据多组目标预测概率值，确定多组预测识别结果中的预测识别结果的预测概率值。
[0131]
通过本技术提供的实施例，第二输出单元91将待识别的目标图像输入到目标图像识别神经网络，得到目标图像识别神经网络输出的多组目标预测概率值，其中，每组目标预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，目标图像识别神经网络是使用目标样本图像对待训练的图像识别神经网络进行训练得到的神经网络，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点，在结束对图像识别神经网络进行训练时，图像识别神经网络的目标损失函数的取值满足预设的损失条件，目标损失函数的取值是根据图像识别神经网络输出的多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系确定的取值；第二确定单元95根据多组目标预测概率值，确定多组预测识别结果中的预测识别结果的预测概率值。达到了根据目标树得到目标损失函数，根据目标损失函数调整待训练的图像识别神经网络，得到目标图像识别神经网络的，根据该目标图像识别神经网络识别目标图像，根据识别结果对目标图像进行分类目的，进而解决了现有技术中，对目标图像分类精度较低的技术问题。
[0132]
可选的，上述第二确定单元95，可以包括：
[0133]
第一确定模块，用于将多组预测识别结果中的每个预测识别结果的预测概率值，确定为等于多组目标预测概率值中对应的目标预测概率值。
[0134]
第二确定模块，用于将多组预测识别结果中与第一类型的节点对应的预测识别结果的预测概率值，确定为等于多组目标预测概率值中与第一类型的节点对应的目标预测概率值，其中，第一类型的节点在目标树中不具有上级节点；将多组预测识别结果中与第二类型的节点对应的预测识别结果的预测概率值，确定为等于当前预测概率值与上级预测概率
值的乘积，其中，第二类型的节点在目标树中具有上级节点集合，上级节点集合包括目标树中第二类型的节点的直接上级节点和间接上级节点，当前预测概率值为多组目标预测概率值中与第二类型的节点对应的目标预测概率值，上级预测概率值包括多组目标预测概率值中与上级节点集合对应的目标预测概率值。
[0135]
第三确定模块，用于将多组预测识别结果中与第三类型的节点对应的预测识别结果的预测概率值标识为不确定的概率值，其中，第三类型的节点为目标树中归属于同一个节点的下级节点，与第三类型的节点对应的预测识别结果的预测概率值中任意两个之间的差值小于第二预设阈值。
[0136]
根据本发明实施例的又一个方面，还提供了一种用于实施上述图像识别神经网络的训练方法的电子设备，该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图10所示，该电子设备包括存储器1002和处理器1004，该存储器1002中存储有计算机程序，该处理器1004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
[0137]
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
[0138]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0139]
s1，将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点；
[0140]
s2，根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的目标损失函数的取值；
[0141]
s3，对图像识别神经网络中的网络参数进行调整，使得目标损失函数的取值满足预设的损失条件。
[0142]
可选地，本领域普通技术人员可以理解，图10所示的结构仅为示意，电子装置电子设备也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图10其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图10中所示更多或者更少的组件(如网络接口等)，或者具有与图10所示不同的配置。
[0143]
其中，存储器1002可用于存储软件程序以及模块，如本发明实施例中的图像识别神经网络的训练方法和装置对应的程序指令/模块，处理器1004通过运行存储在存储器1002内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像识别神经网络的训练方法。存储器1002可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1002可进一步包括相对于处理器1004远程设置的存储器，这些远程存储器可以通过网络连接至终端。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。其中，存储器1002具体可以但不限于用于目标样本图像、多组预测概率值、第一损失函数的取值、目标识别神经网络的目标损失函数的取值等信息。作为一种示例，如图10所示，上述存储器1002中可以但不限于包括上述图像识别神经网络的训练装置中的第一输出
单元81、第一确定单元83以及调整单元85。此外，还可以包括但不限于上述图像识别神经网络的训练装置中的其他模块单元，本示例中不再赘述。
[0144]
可选地，上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1006包括一个网络适配器(network interface controller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1006为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0145]
此外，上述电子设备还包括：显示器1008，用于显示上述目标样本图像；和连接总线1010，用于连接上述电子设备中的各个模块部件。
[0146]
在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(p2p，peer to peer)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
[0147]
根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述图像识别神经网络的训练方面或者图像识别神经网络的训练方面的各种可选实现方式中提供的方法。其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0148]
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
[0149]
s1，将目标样本图像输入到待训练的图像识别神经网络，得到图像识别神经网络输出的多组预测概率值，其中，每组预测概率值用于表示多组预测识别结果中的一组预测识别结果的预测概率，多组预测识别结果中的每个预测识别结果对应于目标树中的一个节点，每组预测识别结果在目标树中对应的节点归属于同一个上级节点；
[0150]
s2，根据多组预测概率值以及目标树中与多组预测识别结果对应的节点之间的关系，确定图像识别神经网络的目标损失函数的取值；
[0151]
s3，对图像识别神经网络中的网络参数进行调整，使得目标损失函数的取值满足预设的损失条件。
[0152]
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read
‑
only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0153]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0154]
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一
台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0155]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0156]
在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0157]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0158]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0159]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。