神经网络训练及图像处理的方法、装置、设备及存储介质与流程

1.本公开涉及文字识别技术领域，具体而言，涉及一种神经网络训练及图像处理的方法、装置、设备及存储介质。


背景技术：

2.随着图像技术的迅速发展和市场需求的逐渐扩大，图像文字识别技术受到了广泛关注。图像文字识别即是将文字图像转换为一系列符号的过程，这些符号可以由计算机表示和处理。但目前用于进行文字图像识别的模型一经训练后，往往难以适用于多种使用场景，导致模型功能单一，难以适配多样化的场景需求。


技术实现要素：

3.本公开实施例至少提供一种神经网络训练及图像处理的方法、装置、设备及存储介质。
4.第一方面，本公开实施例提供了一种神经网络训练的方法，所述方法包括：
5.获取至少两种类型的训练样本；
6.基于所述至少两种类型中不同类型的训练样本之间的目标采样比例，从获取的所述至少两种类型的训练样本中读取多次训练中每次训练用的目标训练样本；其中，每次读取的所述不同类型的目标训练样本的数量符合所述目标采样比例；
7.基于读取的所述目标训练样本，训练目标神经网络，所述目标神经网络用于对不同类型的待识别图像进行识别。
8.采用上述神经网络训练的方法，在获取到不同类型的训练样本的情况下，可以基于不同类型的训练样本之间的目标采样比例，从获取的不同类型的训练样本中读取每次训练用的目标训练样本，进而基于读取的目标训练样本，训练目标神经网络。由于不同类型的训练样本之间的目标采样比例可以很好的控制不同类型的训练样本的选取数量，这一定程度上可以降低直接混合数据量差距比较大的训练样本对特征学习的影响，提升了目标神经网络的识别精度。
9.在一种可能的实施方式中，所述基于所述至少两种类型中不同类型的训练样本之间的目标采样比例，从获取的所述至少两种类型的训练样本中读取多次训练中每次训练用的目标训练样本，包括：
10.基于不同类型的训练样本之间的目标采样比例，以及每次训练所需的训练样本数量，确定与每种类型的训练样本对应的采样数量；
11.按照确定的所述采样数量，从获取的每种类型的训练样本中读取训练样本。
12.这里，基于目标采样比例以及每次训练所需的训练样本数量，可以确定与每种类型的训练样本对应的采样数量，目标采样比例占比越大，所对应的采样数量也就越多，目标采样比例占比越小，所对应的采样数量也就越小，这样所读取的训练样本可以满足每次训练的需求。
13.在一种可能的实施方式中，按照如下步骤确定每次训练所需的训练样本数量：
14.确定不同类型的训练样本对应的训练样本总量以及训练总次数；
15.基于所述训练样本总量以及训练总次数，确定每次训练所需的训练样本数量。
16.在一种可能的实施方式中，按照如下步骤确定不同类型的训练样本之间的目标采样比例：
17.在接收到训练任务的情况下，从训练配置文件中读取针对不同类型的训练样本设置的采样比例范围；
18.在每次训练中，从所述采样比例范围中选取所述目标采样比例。
19.这里，可以基于训练配置文件中有关采样比例范围的配置来实现各次训练过程中的目标采样比例，也即，一次配置可以完成整个训练过程中的样本选取操作，在确保了识别精度的同时，还提升了识别的效率。
20.在一种可能的实施方式中，所述在每次训练中，从所述采样比例范围中选取所述目标采样比例，包括：
21.在完成一次训练后，在所述采样比例范围内，基于预设调整步长对上一次训练使用的目标采样比例进行调整，得到本次训练使用的目标采样比例。
22.在一种可能的实施方式中，所述获取至少两种类型的训练样本，包括：
23.基于训练样本的类型与预先配置的各个存储文件之间的对应关系，从各个存储文件中读取对应类型的训练样本。
24.这里，可以基于训练样本的类型与存储文件之间的对应关系，实现训练样本的获取，在一种类型对应一个存储文件的情况下，可以快速的实现样本获取，进一步提升网络训练的效率。
25.在一种可能的实施方式中，所述待识别图像包括文字图像，所述目标训练样本包括目标图像样本；所述基于读取的所述目标训练样本，训练目标神经网络，包括：
26.针对每种类型的目标图像样本，将该目标图像样本作为待训练的神经网络的输入，将针对该目标图像样本的预先标注文字作为待训练的目标神经网络的输出，训练用于对不同类型的文字图像进行识别的目标神经网络。
27.第二方面，本公开实施例还提供了一种图像处理的方法，所述方法包括：
28.获取待识别图像；
29.将所述待识别图像输入到利用第一方面及其各种方式任一所述的方法训练得到的目标神经网络中，输出图像处理结果。
30.第三方面，本公开实施例还提供了一种神经网络训练的装置，所述装置包括：
31.获取模块，用于获取至少两种类型的训练样本；
32.读取模块，用于基于所述至少两种类型中不同类型的训练样本之间的目标采样比例，从获取的所述至少两种类型的训练样本中读取多次训练中每次训练用的目标训练样本；其中，每次读取的所述不同类型的目标训练样本的数量符合所述目标采样比例；
33.训练模块，用于基于读取的所述目标训练样本，训练目标神经网络，所述目标神经网络用于对不同类型的待识别图像进行识别。
34.第四方面，本公开实施例还提供了一种图像处理的装置，所述装置包括：
35.获取模块，用于获取待识别图像；
36.处理模块，用于将所述待识别图像输入到利用第一方面及其各种方式任一所述的方法训练得到的目标神经网络中，输出图像处理结果。
37.第五方面，本公开实施例还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如第一方面及其各种实施方式任一所述的神经网络训练的方法的步骤或者如第二方面所述的图像处理的方法的步骤。
38.第六方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面及其各种实施方式任一所述的神经网络训练的方法的步骤或者如第二方面所述的图像处理的方法的步骤。
39.关于上述装置、电子设备、及计算机可读存储介质的效果描述参见上述方法的说明，这里不再赘述。
40.为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
41.为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
42.图1示出了本公开实施例所提供的一种神经网络训练的方法的流程图；
43.图2示出了本公开实施例所提供的一种神经网络训练的装置的示意图；
44.图3示出了本公开实施例所提供的一种图像处理的装置的示意图；
45.图4示出了本公开实施例所提供的一种电子设备的示意图；
46.图5示出了本公开实施例所提供的另一种电子设备的示意图。
具体实施方式
47.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开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公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
48.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
49.本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至
少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
50.经研究发现，按照视觉特征的不同，可以将文字图像划分为不同的类型，例如可以是带有印刷文字的图像、带有手写文字的图像，还可以是带有自然场景文字的图像。在实际的应用场景中，一张文字图像(例如答题卷图像)上可能既带有印刷文字又带有手写文字。这需要所训练的文字识别模型对各种类型均具有较高的识别精度。
51.结合已有的适配单一应用场景的文字识别方案，可以将各种类型的文字图像作为训练样本，混合后进行文字识别模型的训练。然而，由于不同类型的文字图像的数据量很可能存在较大的差异，采用直接混合训练的方式将导致较少数据量的文字图像不能很好的进行特征学习，从而导致识别精度较低。
52.基于上述研究，本公开提供了一种神经网络训练及图像处理的方法、装置、设备及存储介质，以提升识别精度。
53.为便于对本实施例进行理解，首先对本公开实施例所公开的一种神经网络训练的方法进行详细介绍，本公开实施例所提供的神经网络训练的方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该神经网络训练的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
54.参见图1所示，为本公开实施例提供的神经网络训练的方法的流程图，方法包括步骤s101～s103：
55.s101：获取至少两种类型的训练样本。
56.s102：基于至少两种类型中不同类型的训练样本之间的目标采样比例，从获取的至少两种类型的训练样本中读取多次训练中每次训练用的目标训练样本；其中，每次读取的不同类型的目标训练样本的数量符合目标采样比例。
57.s103：基于读取的目标训练样本，训练目标神经网络，目标神经网络用于对不同类型的待识别图像进行识别。
58.为了便于理解本公开实施例提供的神经网络训练的方法，接下来首先对该方法的应用场景进行详细描述。上述神经网络训练的方法主要可以应用于需要完成各种类型的训练样本之间的混合训练的应用领域中，所对应的应用领域不同，这里的训练样本也不同。例如，可以应用于文字识别领域，训练样本对应为文字图像，可以包括印刷文字图像、手写文字图像、自然场景文字图像等。接下来多以文字识别领域进行示例说明。
59.考虑到不同类型的文字图像存在较大的差异，直接将各种类型的文字图像进行混合后训练将很大可能性会导致具有不同数据量的文字图像类型之间存在不同的识别精度。在经过多轮神经网络训练的情况下，对于数据量较大的文字图像类型而言往往由于可以学习到更为丰富的图像特征而具有较高的识别精度，对于数据量较小的文字图像类型而言往往由于无法很好的学习到图像特征具有较低的识别精度。
60.其中，文字图像类型(也即s101所指的训练样本的类型)指的是包含有文字的图像的类型，这里的文字可以是印刷类文字、手写类文字、自然场景类文字等，不同的文字可以
对应不同的文字图像类型。实例性的，文字图像类型可以指向生成文字图像的方式或获取文字图像的渠道等，在此对于文字图像类型的具体种类、数量等不予限定。
61.需要说明的是，有关文字图像的识别精度不仅会受到数据量的影响，还可能受到图像处理难度的影响，例如，相对印刷文字图像而言，由于存在的个性化手写方式将导致文字图像处理难度较大。除此之外，识别精度还会受到各种因素的影响，在此不再赘述。
62.为了对不同类型的文字图像均有较高的识别精度，这里需要精细地控制训练时所使用的不同类型的文字图像的数量。因而，本公开实施例提供了一种基于不同类型的训练样本之间的目标采样比例来读取每次训练用的目标训练样本，进而基于读取的目标训练样本，训练目标神经网络的方案。
63.其中，本公开实施例中不同类型的训练样本对应至少两种类型的训练样本，在具体应用中，可以从不同的存储文件中读取得到。
64.本公开实施例中，可以将不同类型的训练样本对应存储在不同的存储文件中，例如，针对不同的存储文件设置有不同的文件搜索路径，针对同一类型的训练样本可以记录在同一个文件搜索路径下，针对不同类型的训练样本可以记录在不同的文件搜索路径下。这样，在需要不同类型的训练样本的情况下，可以基于数据读取器从不同的存储文件读取相应类型的训练样本。
65.在具体应用中，有关目标采样比例可以是基于不同的应用场景预先设置的，也可以是在一种特定的应用场景下，针对每次训练预先设置的。除此之外，还可以是在有关采样比例范围以及预设调整步长的约束下自动生成的。本公开实施例对此不做具体的限制。
66.在实际应用中，可以将目标采样比例作为训练任务中的固定参数，例如，可以在每次训练过程中均采用1:1、1:2等这一基于应用场景需求提前设置好的采样比例。还可以将目标采样比例作为训练任务中的半自动参数，例如，基于数据量的大小等影响训练次数的因素，预先设置每达到预先设定的训练次数对采样比例进行一次调整，比如，每经过10次训练调整一个新的采样比例。还可以将目标采样比例作为训练任务中的全自动参数，例如，每经过1次训练调整一个新的采样比例。
67.本公开实施例中，在确定不同类型的训练样本之间的目标采样比例的情况下，可以基于这一目标采样比例从获取的不同类型的训练样本中读取每次训练用的目标训练样本。这里所读取到的目标训练样本的数量是符合目标采样比例的。
68.这里仍以文字识别为例，共计三种类型的训练样本，分别是10000张印刷文字图像、500张手写文字图像、3000张自然场景文字图像。假设三种类型的文字图像之间的目标采样比例是1:1:1的情况下，这里所读取的三种类型的目标训练样本的数量可以均是300张，假设三种类型的文字图像之间的目标采样比例是3:1:2的情况下，这里所读取的三种类型的目标训练样本的数量可以分别对应300张、100张和200张。
69.基于读取出的各种类型的目标训练样本，可以训练用于对不同类型的待识别图像进行识别的目标神经网络。
70.这里的目标神经网络训练的可以是文字图像与图像上的文字之间的对应关系。在进行目标神经网络的训练之前，可以预先对训练样本进行文字标注以根据上述对应关系训练得到目标神经网络的网络参数值，这样，将待识别图像输入到训练好的目标神经网络即可以实现对待识别图像进行识别，例如，在待识别图像上即包括印刷文字又包括书写文字
的情况下，可以同时对印刷文字和书写文字进行高精度的识别。
71.本公开实施例提供的神经网络训练的方法可以按照如下步骤确定目标训练样本：
72.步骤一、基于不同类型的训练样本之间的目标采样比例，以及每次训练所需的训练样本数量，确定与每种类型的训练样本对应的采样数量；
73.步骤二、按照确定的采样数量，从获取的每种类型的训练样本中读取训练样本。
74.这里，针对不同次训练所需的训练样本数量可以相同也可以不同。在具体应用中，随着训练次数的增加，所需的训练样本数量可以呈比例增加。
75.本公开实施例中，针对每次训练而言，在确定该次训练所需的训练样本数量的情况下，基于不同类型的训练样本之间的目标采样比例可以确定与每种类型的训练样本对应的采样数量。这里仍以共计三种类型的文本图像的文字识别为例，分别是10000张印刷文字图像、500张手写文字图像、3000张自然场景文字图像。假设在当前次训练所需的训练样本数量为1000张，三种类型的文字图像之间的目标采样比例是1:1:1的情况下，所确定选取的三种类型的目标训练样本可以是333张。
76.在实际应用中，各次训练所需的训练样本数量通常可以相同，这主要是为了尽可能的降低由于训练样本数量不均衡对不同轮次训练之间的性能评估所带来的不同影响。这里，可以首先确定不同类型的训练样本对应的训练样本总量以及训练总次数，进而基于训练样本总量以及训练总次数，确定每次训练所需的训练样本数量。
77.这里仍以文字识别为例，在确定共计13500张训练样本的情况向下，若共计训练10次，这每次训练所需的训练样本数量为1350张。
78.为了获得更高的识别精度，这里可以采用采样比例范围实现目标采样比例的搜索，具体可以通过如下步骤实现：
79.步骤一、在接收到训练任务的情况下，从训练配置文件中读取针对不同类型的训练样本设置的采样比例范围；
80.步骤二、在每次训练中，从采样比例范围中选取目标采样比例。
81.本公开实施例中，由于训练配置文件随着训练任务的展开而自动调用。通过读取训练配置文件中设置的采样比例范围可以确定每次训练选取的目标采样比例。
82.在应用中，上述采样比例范围可以是与各次训练的目标采样比例对应设置的，还可以是设置有最小采样比例和最大采样比例，各次训练的目标采样比例可以是随机从上述最小采样比例和最大采样比例之间选取的，除此之外，还可以是结合预设调整步长设置完成的。
83.这里，基于最小采样比例和最大采样比例可以确定对应的采样比例范围，有关采样比例范围和预设调整步长可以是结合不同的训练需求来确定的。例如，在意图实现针对某一种特定类型样本的高识别率的情况下，可以将采样比例范围偏向这一特定类型样本，再如，在意图实现针对整体样本的较高识别率的情况下，可以将采样比例范围平均指向各个类型样本。
84.以具有两种类型的训练样本为例，在意图实现针对第一种类型的训练样本的高识别率的情况下，可以设置的采样比例范围为(0.6，0.9)，在意图实现整体样本的较高识别率的情况下，可以设置的采样比例范围为(0.4，0.6)。
85.有关预设调整步长越小，一定程度上可以使得所训练得到的神经网络的精度更
高，然而会耗费更多的计算量，本公开实施例可以在兼顾精度和计算量的情况下，对调整步长进行设置。例如，可以设置调整步长为0.1，在采样比例范围为(0.6，0.9)的情况下，可以从0.6这一最小采样比例，依次按照步长递增，直至遍历到最大采样比例；再如，可以设置调整步长为0.01，具体的遍历过程与上述描述过程类似，在此不再赘述。
86.在具体应用中，每完成一次训练后，可以在采样比例范围内，基于预设调整步长对上一次训练使用的目标采样比例进行调整，得到本次训练使用的目标采样比例。
87.为了便于理解上述结合预设调整步长实现目标采样比例的调整以进行目标神经网络训练的过程，接下来可以以两种类型的训练样本为例进行说明。
88.这里，可以将训练配置文件中设置的针对两种类型的训练样本的最小采样比例(如0.4)作为首次训练对应的目标采样比例，从获取的两种类型的训练样本中读取首次训练用的目标训练样本，并基于读取的目标训练样本，进行首次训练目标神经网络的步骤；在完成首次训练的情况下，基于预设调整步长对最小采样比例进行调整，得到调整后的采样比例，并作为下一次训练对应的目标采样比例；然后再循环按照下一次训练对应的目标采样比例从获取的两种类型的训练样本中读取下一次训练用的目标训练样本，并基于读取的目标训练样本，进行下一次训练目标神经网络的步骤，直至达到最大采样比例(如0.9)。
89.这里，基于读取的不同类型的目标训练样本，可以训练得到目标神经神经网络。在待识别图像是文字图像的情况下，目标训练样本可以是目标图像样本，这样，针对每种类型的目标图像样本，将该目标图像样本作为待训练的神经网络的输入，将针对该目标图像样本的预先标注文字作为待训练的目标神经网络的输出，训练用于对不同类型的文字图像进行识别的目标神经网络。
90.可知的是，本公开实施例中的目标神经网络训练的是输入的图像与标注文字之间的对应关系，基于这一对应关系可以确定出目标神经网络的网络参数，进而实现有关不同类型的文字图像的高精度识别。
91.在训练得到目标神经网络的情况下，本公开实施例可以将获取的待识别图像输入到训练得到的目标神经网络中，可以输出图像处理结果，这里的图像处理结果可以是从待识别图像中识别得到的文字内容。
92.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
93.基于同一发明构思，本公开实施例中还提供了与方法对应的装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
94.参照图2所示，为本公开实施例提供的一种神经网络训练的装置的示意图，装置包括：获取模块201、读取模块202、训练模块203；其中，
95.获取模块201，用于获取至少两种类型的训练样本；
96.读取模块202，用于基于至少两种类型中不同类型的训练样本之间的目标采样比例，从获取的至少两种类型的训练样本中读取多次训练中每次训练用的目标训练样本；其中，每次读取的不同类型的目标训练样本的数量符合目标采样比例；
97.训练模块203，用于基于读取的目标训练样本，训练目标神经网络，目标神经网络
用于对不同类型的待识别图像进行识别。
98.采用上述神经网络训练的装置，在获取到不同类型的训练样本的情况下，可以基于不同类型的训练样本之间的目标采样比例，从获取的不同类型的训练样本中读取每次训练用的目标训练样本，进而基于读取的目标训练样本，训练目标神经网络。由于不同类型的训练样本之间的目标采样比例可以很好的控制不同类型的训练样本的选取数量，这一定程度上可以降低直接混合数据量差距比较大的训练样本对特征学习的影响，提升了目标神经网络的识别精度。
99.在一种可能的实施方式中，读取模块202，用于按照以下步骤基于至少两种类型中不同类型的训练样本之间的目标采样比例，从获取的至少两种类型的训练样本中读取多次训练中每次训练用的目标训练样本：
100.基于至少两种类型中不同类型的训练样本之间的目标采样比例，以及每次训练所需的训练样本数量，确定与每种类型的训练样本对应的采样数量；
101.按照确定的采样数量，从获取的每种类型的训练样本中读取训练样本。
102.在一种可能的实施方式中，读取模块202，用于按照如下步骤确定每次训练所需的训练样本数量：
103.确定不同类型的训练样本对应的训练样本总量以及训练总次数；
104.基于训练样本总量以及训练总次数，确定每次训练所需的训练样本数量。
105.在一种可能的实施方式中，读取模块202，用于按照如下步骤确定不同类型的训练样本之间的目标采样比例：
106.在接收到训练任务的情况下，从训练配置文件中读取针对不同类型的训练样本设置的采样比例范围；
107.在每次训练中，从采样比例范围中选取目标采样比例。
108.在一种可能的实施方式中，读取模块202，用于按照以下步骤在每次训练中，从采样比例范围中选取目标采样比例：
109.在完成一次训练后，在采样比例范围内，基于预设调整步长对上一次训练使用的目标采样比例进行调整，得到本次训练使用的目标采样比例。
110.在一种可能的实施方式中，获取模块201，用于按照以下步骤获取至少两种类型的训练样本：
111.基于训练样本的类型与预先配置的各个存储文件之间的对应关系，从各个存储文件中读取对应类型的训练样本。
112.在一种可能的实施方式中，待识别图像包括文字图像，目标训练样本包括目标图像样本；训练模块203，用于按照以下步骤基于读取的目标训练样本，训练目标神经网络：
113.针对每种类型的目标图像样本，将该目标图像样本作为待训练的神经网络的输入，将针对该目标图像样本的预先标注文字作为待训练的目标神经网络的输出，训练用于对不同类型的文字图像进行识别的目标神经网络。
114.参照图3所示，为本公开实施例提供的一种图像处理的装置的示意图，装置包括：获取模块301、处理模块302；其中，
115.获取模块301，用于获取待识别图像；
116.处理模块302，用于将待识别图像输入到利用上述神经网络训练的方法训练得到
的目标神经网络中，输出图像处理结果。
117.关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
118.本公开实施例还提供了一种电子设备，如图4所示，为本公开实施例提供的电子设备结构示意图，包括：处理器401、存储器402、和总线403。存储器402存储有处理器401可执行的机器可读指令(比如，图2中的装置中获取模块201、读取模块202、训练模块203对应的执行指令等)，当电子设备运行时，处理器401与存储器402之间通过总线403通信，机器可读指令被处理器401执行时执行如下处理：
119.获取至少两种类型的训练样本；
120.基于至少两种类型中不同类型的训练样本之间的目标采样比例，从获取的至少两种类型的训练样本中读取多次训练中每次训练用的目标训练样本；其中，每次读取的不同类型的目标训练样本的数量符合目标采样比例；
121.基于读取的目标训练样本，训练目标神经网络，目标神经网络用于对不同类型的待识别图像进行识别。
122.本公开实施例还提供了另一种电子设备，如图5所示，为本公开实施例提供的电子设备结构示意图，包括：处理器501、存储器502、和总线503。存储器502存储有处理器501可执行的机器可读指令(比如，图3中的装置中获取模块301、处理模块302对应的执行指令等)，当电子设备运行时，处理器501与存储器502之间通过总线503通信，机器可读指令被处理器501执行时执行如下处理：
123.获取待识别图像；
124.将待识别图像输入到利用上述神经网络训练的方法训练得到的目标神经网络中，输出图像处理结果。
125.本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
126.本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的方法的步骤，具体可参见上述方法实施例，在此不再赘述。
127.其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
128.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，装置或单元的间接耦合或通信连接，
可以是电性，机械或其它的形式。
129.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。
130.另外，在本公开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。
131.所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
132.最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。