本發明涉及互聯網技術領域，具體涉及一種確定業務參數的方法、建立圖像分類模型的方法及裝置。

背景技術：

當前很多業務與業務參數都是直接相關的，業務參數直接影響到業務申請是否能夠成功。業務提供方在為用戶分配業務時會根據已有的業務參數來評估是否為該用戶分配業務。

但目前，在業務提供方有業務參數記錄的人只占總人口的一小部分，絕大多數人沒有業務參數記錄，業務提供方無法對無業務參數記錄的用戶做出判斷，導致業務提供方所提供的業務很難被廣泛推廣。

技術實現要素：

為了解決現有技術中無法得到絕大多數人的業務參數的問題，本發明實施例提供一種確定業務參數的方法，可以根據用戶的應用頭像進行業務參數的確定，從而提高了業務參數確定的廣泛度和業務推廣的廣泛度。本發明實施例還提供了相應的裝置。

本發明第一方面提供一種確定業務參數的方法，包括：

獲取待確定業務參數的用戶的應用頭像；

采用具有圖像分類功能的卷積神經網絡CNN模型對所述應用頭像進行歸類處理，得到所述應用頭像的多個類別標簽；

確定所述多個類別標簽中每個類別標簽對應的數值，得到所述應用頭像的頭像數值，所述頭像數值用于參與確定所述業務參數；

其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機RBM和總圖像樣本對初始的CNN模型進行基于無監督學習的逐層訓練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標簽后，使用被貼上類別標簽的少量圖像樣本進行微調得到的，所述總圖像樣本為大量用戶的應用頭像。

本發明第二方面提供一種建立圖像分類模型的方法，包括：

獲取總圖像樣本和初始的卷積神經網絡CNN模型，所述總圖像樣本為大量用戶的應用頭像；

采用受限玻爾茲曼機RBM和所述總圖像樣本對所述初始的CNN模型進行基于無監督學習的逐層訓練，得到用于圖像分類的初始特征權值；

用第一部分圖像樣本對所述初始特征權值進行微調，得到具有圖像分類功能的CNN模型；其中，所述第一部分圖像樣本為所述總圖像樣本中的一小部分，所述第一部分圖像樣本在從所述總圖像樣本中抽取后被貼上類別標簽。

本發明第三方面提供一種確定業務參數的裝置，包括：

獲取單元，用于獲取待確定業務參數的用戶的應用頭像；

歸類單元，用于采用具有圖像分類功能的卷積神經網絡CNN模型對所述獲取單元獲取的所述應用頭像進行歸類處理，得到所述應用頭像的多個類別標簽；

確定單元，用于確定所述歸類單元歸類后得到的所述多個類別標簽中每個類別標簽對應的數值，得到所述應用頭像的頭像數值，所述頭像數值用于參與確定所述業務參數；

其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機RBM和總圖像樣本對初始的CNN模型進行基于無監督學習的逐層訓練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標簽后，使用被貼上類別標簽的少量圖像樣本進行微調得到的，所述總圖像樣本為大量用戶的應用頭像。

本發明第四方面提供一種建立圖像分類模型的裝置，包括：

獲取單元，用于獲取總圖像樣本和初始的卷積神經網絡CNN模型，所述總圖像樣本為大量用戶的應用頭像；

計算單元，用于采用受限玻爾茲曼機RBM和所述獲取單元獲取的總圖像樣本對所述初始的CNN模型進行基于無監督學習的逐層訓練，得到用于圖像分類的初始特征權值；

調整單元，用于用第一部分圖像樣本對所述計算單元得到的初始特征權值進行微調，得到具有圖像分類功能的CNN模型；其中，所述第一部分圖像樣本為所述總圖像樣本中的一小部分，所述第一部分圖像樣本在從所述總圖像樣本中抽取后被貼上類別標簽。

本發明實施例采用獲取待確定業務參數的用戶的應用頭像；采用具有圖像分類功能的卷積神經網絡CNN模型對所述應用頭像進行歸類處理，得到所述應用頭像的多個類別標簽；確定所述多個類別標簽中每個類別標簽對應的數值，得到所述應用頭像的頭像數值，所述頭像數值用于參與確定所述業務參數；其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機RBM和總圖像樣本對初始的CNN模型進行基于無監督學習的逐層訓練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標簽后，使用被貼上類別標簽的少量圖像樣本進行微調得到的，所述總圖像樣本為大量用戶的應用頭像。與現有技術中無法得到絕大多數人的業務參數相比，本發明實施例提供的確定業務參數的方法，可以根據用戶的應用頭像進行業務參數的確定，從而提高了業務參數確定的廣泛度和業務推廣的廣泛度。例如：現有技術中無法評估絕大多數人的可信度，而本申請所提供的方案可以用戶的應用頭像進行可信度的評估，得到用戶的信用評分，從而提高了用戶信用評分的廣泛度。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發明實施例中建立圖像分類模型的方法的一實施例示意圖；

圖2是本發明實施例中CNN模型的結構示意圖；

圖3是本發明實施例中建立圖像分類模型的方法的另一實施例示意圖；

圖4是本發明實施例中確定業務參數的方法的一實施例示意圖；

圖5是本發明實施例中確定業務參數的裝置的一實施例示意圖；

圖6是本發明實施例中確定業務參數的裝置的另一實施例示意圖；

圖7是本發明實施例中建立圖像分類模型的方法的一實施例示意圖；

圖8是本發明實施例中建立圖像分類模型的方法的另一實施例示意圖；

圖9是本發明實施例中確定業務參數的裝置的另一實施例示意圖；

圖10是本發明實施例中建立圖像分類模型的方法的另一實施例示意圖。

實施方式

本發明實施例提供一種確定業務參數的方法，可以根據用戶的應用頭像進行可信度評估，從而提高了用戶可信度評估的廣泛度。以下分別進行詳細說明。

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

在描述本發明實施例之前，先對本發明實施例中涉及到的名詞做初步的介紹：

卷積神經網絡(convolutional neural networks，CNN)模型：一種深度學習模型，通過卷積運算來提取特征，卷積核通過機器自動學習得到。

受限玻爾茲曼機(restricted Boltzmann machine，RBM)一種神經網絡模型，通過最小化能量函數來訓練參數，可預訓練深度學習模型。

單標簽分類：一種分類方法，為每個樣本計算一個標簽，其中這個標簽屬于一個互斥的標簽集合。

多標簽分類：一種分類方法，為每個樣本同時計算多個標簽。

無監督學習:一種訓練方法，有訓練樣本，但是沒有訓練標簽。

有監督學習:一種訓練方法，有訓練樣本和訓練標簽。

半監督學習：一種訓練方法，有訓練樣本，但只有一部分有訓練標簽。

隨著各種社交應用的廣泛普及，在避免涉及用戶隱私的情況下，可以選擇用戶的應用頭像來分析用戶的信用情況，例如：QQ頭像、微信頭像、支付寶頭像和微博頭像等，應用頭像是大家都可見的，不涉及到用戶隱私，而且，用戶頭像是用戶根據自己的興趣愛好和主觀意愿自己設置的，這是一種主動的行為，一定程度上反映了用戶的心理。需要說明的是，本發明實施例的方案不限于社交應用，所有可以公開的用戶應用頭像都可以用作本發明實施例。

本發明實施例中，通過挖掘用戶的應用頭像來評估用戶的可信度，也就是給用戶的信用評分。當然，確定用戶信用評分的因素可以很多，不限于只有應用頭像，應用頭像可以只是參與用戶信用評分中的一項，將諸多因素的可信度評估結果做綜合處理，就可以得到一個可靠的用戶信用評分。

本發明實施例中，基于用戶的應用頭像來確定業務參數，實際上該業務參數是能反應用戶可信度的參數。本發明實施例中的能反應用戶可信度的業務參數可以理解為是用戶的信用評分。本發明實施例中的可信度評估和用戶信用評分只是表達方式不同，實際上原理是相同的。

基于RBM對CNN進行無監督的深度訓練的過程可以是：把圖像樣本輸入到CNN模型，然后進行逐層訓練，其中把上一層的輸出當成下一層的輸入，在逐層訓練時，把輸入當成標簽，通過最小化重構誤差，來完成這層的訓練，因為實際上沒有標簽信息，所以是一種無監督學習方法，這種模型最后得到的是目標的特征，沒有標簽信息。

基于有監督訓練的訓練過程可以是：把樣本和樣本標簽作為模型的輸入進行訓練，通過最優化目標函數完成訓練，這種模型能得到目標的標簽結果。

無監督的訓練，不需要為圖像標注標簽，但是訓練出來的結果沒有標簽信息，不準確，有監督的訓練，需要標注大量的圖像標簽，又導致工作繁瑣，且容易出錯。

針對以上傳統方法及其缺點，本發明實施例提供了一種基于應用圖像建立圖像分類模型的方法，并基于該圖像分類模型確定業務參數的方法。

參閱圖1，本發明實施例中建立圖像分類模型的方法的一實施例包括：

101、獲取總圖像樣本和初始的卷積神經網絡CNN模型，所述總圖像樣本為大量用戶的應用頭像。

102、采用受限玻爾茲曼機RBM和所述總圖像樣本對所述初始的CNN模型進行基于無監督學習的逐層訓練，得到用于圖像分類的初始特征權值。

本發明實施例中初始特征權值為圖像特征的量化值。

103、用第一部分圖像樣本對所述初始特征權值進行微調，得到具有圖像分類功能的CNN模型；其中，所述第一部分圖像樣本為所述總圖像樣本中的一小部分，所述第一部分圖像樣本在從所述總圖像樣本中抽取后被貼上類別標簽。

微調的過程就是建立初始特征權值與類別標簽的對應關系的過程。

微調的方法可以有兩種，一種為：所述用第一部分圖像樣本對所述初始特征權值進行微調，可以包括：

對所述第一部分圖像樣本進行有監督學習的逐層訓練，提取出所述第一部分圖像樣本中的特征權值和所述第一部分圖像樣本的類別標簽；

將所述初始特征權值與所述第一部分圖像樣本的類別標簽建立關聯，得到具有圖像分類功能的CNN模型。

本方案中，只為總圖像樣本中一小部分圖像樣本貼上類別標簽，可以降低工作繁瑣度，而且還能解決完全沒有標簽的情況下無法實現圖像歸類的問題，這樣，本發明實施例提供的方法，可以提高圖像歸類的效率。

另一種為：所述用第一部分圖像樣本對所述初始特征權值進行微調時，所述方法還可以包括：

對第二部分圖像樣本進行有監督學習的逐層訓練，提取出所述第二部分圖像樣本中的特征權值和所述第二部分圖像樣本的類別標簽，所述第二部分圖像樣本的類別標簽為所述初始的CNN模型中輸出層輸出的概率最高的類別標簽，所述第二部分圖像樣本為所述總圖像樣本中除去所述第一部分圖像樣本的剩余圖像樣本；

將所述初始特征權值與所述第二部分圖像樣本的類別標簽建立關聯。

本方案中，只為總圖像樣本中一小部分圖像樣本貼上類別標簽，可以降低工作繁瑣度，而且針對總圖像樣本中未貼標簽的圖像樣本，可以采用輸出層輸出的概率最高的類別標簽作為該圖像的類別標簽，這樣，相對于上一種只依靠一小部分帶類別標簽的圖像樣本進一步提高了圖像分類的準確度。

另外，考慮到應用頭像好多都是用戶上傳的自拍照片，代表同一類別的照片因為光亮度的不同，使得Softmax層分類時產生了誤分類，可能會被分到不同的類別中，因此，本發明實施例中，在CNN模型中設置了亮度歸一化層，例如：如圖2所示，在Softmax層之前加入一個亮度歸一化層。這樣，所述用第一部分圖像樣本對所述初始特征權值進行微調之前，所述方法還可以包括：

對所述第一部分圖像樣本進行亮度歸一化處理；

所述用第一部分圖像樣本對所述初始特征權值進行微調，可以包括：

用亮度歸一化處理后的第一部分圖像樣本對所述初始特征權值進行微調。

下面結合圖3，對本發明實施例中建立圖像分類模型的過程做進一步介紹：

201、建立一個初始的CNN模型，然后基于原始的總圖像樣本用RBM對初始的CNN模型進行基于無監督學習的逐層訓練，得到用于圖像分類的初始特征權值。

202、從原始的總圖像樣本中隨機抽取出少量的圖像樣本A和大量的圖像樣本B。

203、針對少量的圖像樣本A可以用自定義的類別標簽對樣本A進行多標簽標注，多標簽標注即一個樣本同時標注多個類別標簽。

根據經驗知識自定義一些對信用評分有用的類別標簽，在選取標簽時，可以定義若干個大類標簽集合{A,B,C,…}，每個大類里有多個小類，比如大類A的小類標簽集合為{a1,a2,a3,…}等。

舉例來說，大標簽集合中的A可以為圖像內容種類，B可以為圖像像素，當然大類標簽還可以有其他的標簽，本處不一一列舉。小類標簽集合中a1可以為動物，a2可以為人物，a3可以為卡通，…，B的小類中可以包含模糊和清晰。其他大類的小類本處不一一列舉。

用自定義的類別標簽對樣本A進行多標簽標注。每個樣本的類別標簽必須包含所有大類，但對于每一個大類，它有且只有一個小類；例如：一圖像樣本的標簽可以為A-a1、B-b1…，也就是圖像內容種類的人物、圖像像素模糊…，“…”表示對其他種類標簽不做一一列舉。

204、利用無標簽的圖像樣本B和有標簽的圖像樣本A在初始特征權值的基礎上進行基于有監督學習的微調，其中無標簽的樣本B使用輸出層概率最高的類當作其標簽，這樣得到的訓練好的CNN模型即為具有圖像分類功能的CNN模型。

其中無標簽的樣本B使用輸出層概率最高的類當作其標簽。

即

其中f′(x)為輸出層的輸出，y′_i為無標簽的樣本B的第i個標簽，在微調階段，CNN的代價函數如下：

其中C為總體代價函數，n為有標簽的圖像樣本A的總數，S為標簽的數目，λ為有標簽樣本和無標簽樣本的平衡因子，n′為無標簽樣本B的總數，為第m個樣本A的第i個標簽，為第m個樣本A的輸出層的第i個輸出，為第m個樣本B的第i個標簽，為第m個樣本B的輸出層的第i個輸出，L為交叉熵。CNN模型如圖2所示。考慮到有大量應用頭像的圖片來自于用戶的手機或者網絡攝像頭自拍照片，這些代表同一個場景的圖片可能會因為光照不同，使得Softmax層分類時產生了誤分類，被分到了不同的類別，為了克服這一問題。如圖2所示，在Softmax層之前加入一個亮度歸一化層，可以用Luminance Norm層來表示亮度歸一化層。

Luminance Norm層的前向公式可以表達為：

對于訓練好的具有圖像分類功能的CNN模型，在確定業務參數時，只需要輸入用戶的應用頭像。

關于基于具有圖像分類功能的CNN模型確定戶業務參數的過程可以參閱圖4所示的實施例進行理解。

參閱圖4，本發明實施例提供的確定業務參數的方法的一實施例包括：

301、獲取待確定業務參數的用戶的應用頭像。

302、采用具有圖像分類功能的卷積神經網絡CNN模型對所述應用頭像進行歸類處理，得到所述應用頭像的多個類別標簽。

其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機RBM和總圖像樣本對初始的CNN模型進行基于無監督學習的逐層訓練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標簽后，使用被貼上類別標簽的少量圖像樣本進行微調得到的，所述總圖像樣本為大量用戶的應用頭像。

303、確定所述多個類別標簽中每個類別標簽對應的數值，得到所述應用頭像的頭像數值，所述頭像數值用于參與確定所述業務參數。

類別標簽會對應一個數值，這個可以預先設定，例如：在圖像內容類別標簽里面，把動物定義為0，任務定義為1，卡通定義為2。把像素標簽里面，清晰定義為0，模糊定義為1。其他類別標簽中的變量也可以做類似的定義。

這樣的，針對一個應用頭像我們就能得到一系列的值，比如，圖像內容的結果是3，像素結果是1，…，這樣，就可以按次序確定應用頭像的評分數值為：3，1，…。

本發明實施例采用獲取待確定業務參數的用戶的應用頭像；采用具有圖像分類功能的卷積神經網絡CNN模型對所述應用頭像進行歸類處理，得到所述應用頭像的多個類別標簽；確定所述多個類別標簽中每個類別標簽對應的數值，得到所述應用頭像的頭像數值，所述頭像數值用于參與確定所述業務參數；其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機RBM和總圖像樣本對初始的CNN模型進行基于無監督學習的逐層訓練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標簽后，使用被貼上類別標簽的少量圖像樣本進行微調得到的，所述總圖像樣本為大量用戶的應用頭像。與現有技術中無法得到絕大多數人的業務參數相比，本發明實施例提供的確定業務參數的方法，可以根據用戶的應用頭像進行業務參數的確定，從而提高了業務參數確定的廣泛度和業務推廣的廣泛度。例如：現有技術中無法評估絕大多數人的可信度，而本申請所提供的方案可以用戶的應用頭像進行可信度的評估，得到用戶的信用評分，從而提高了用戶信用評分的廣泛度。

可選地，在上述圖1對應的實施例的基礎上，本發明實施例提供的確定業務參數的方法的一可選實施例中，所述采用具有圖像分類功能的卷積神經網絡CNN模型對所述應用頭像進行歸類處理，得到所述應用頭像的多個類別標簽，可以包括：

采用具有圖像分類功能的卷積神經網絡CNN模型計算得到所述應用頭像的多個特征值；

根據所述多個特征值，以及預先建立的特征權值與類別標簽的對應關系確定每個特征值對應的類別標簽，得到所述應用頭像的多個類別標簽。

可選地，在上述圖1對應的實施例的基礎上，本發明實施例提供的確定業務參數的方法的一可選實施例中，所述確定所述多個類別標簽中每個類別標簽對應的數值，得到所述應用頭像的評分數值之后，所述方法還可以包括：

向信用評分總模型輸出所述應用頭像的評分數值，以使所述應用頭像的評分數值用于所述用戶的信用評分。

本發明實施例中，將應用頭像的評分數值為：3，1，…輸入到信用評分總模型，即可以得到該用戶的總和信用評分。

參閱圖5，本發明實施例提供的確定業務參數的裝置40的一實施例包括：

獲取單元401，用于獲取待確定業務參數的用戶的應用頭像；

歸類單元402，用于采用具有圖像分類功能的卷積神經網絡CNN模型對所述獲取單元401獲取的所述應用頭像進行歸類處理，得到所述應用頭像的多個類別標簽；

其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機RBM和總圖像樣本對初始的CNN模型進行基于無監督學習的逐層訓練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標簽后，使用被貼上類別標簽的少量圖像樣本進行微調得到的，所述總圖像樣本為大量用戶的應用頭像；

確定單元403，用于確定所述歸類單元402歸類后得到的所述多個類別標簽中每個類別標簽對應的數值，得到所述應用頭像的頭像數值，所述頭像數值用于參與確定所述業務參數。

本發明實施例獲取單元401獲取待確定業務參數的用戶的應用頭像；歸類單元402采用具有圖像分類功能的卷積神經網絡CNN模型對所述獲取單元401獲取的所述應用頭像進行歸類處理，得到所述應用頭像的多個類別標簽，確定單元403確定所述歸類單元402歸類后得到的所述多個類別標簽中每個類別標簽對應的數值，得到所述應用頭像的頭像數值，所述頭像數值用于參與確定所述業務參數，其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機RBM和總圖像樣本對初始的CNN模型進行基于無監督學習的逐層訓練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標簽后，使用被貼上類別標簽的少量圖像樣本進行微調得到的，所述總圖像樣本為大量用戶的應用頭像與現有技術中無法得到絕大多數人的業務參數相比，本發明實施例提供的確定業務參數的方法，可以根據用戶的應用頭像進行業務參數的確定，從而提高了業務參數確定的廣泛度和業務推廣的廣泛度。例如：現有技術中無法評估絕大多數人的可信度，而本申請所提供的方案可以用戶的應用頭像進行可信度的評估，得到用戶的信用評分，從而提高了用戶信用評分的廣泛度。

可選地，在上述圖5對應的實施例的基礎上，發明實施例提供的確定業務參數的裝置40的一可選實施例中，

所述歸類單元402用于：

采用具有圖像分類功能的卷積神經網絡CNN模型計算得到所述應用頭像的多個特征值；

根據所述多個特征值，以及預先建立的特征權值與類別標簽的對應關系確定每個特征值對應的類別標簽，得到所述應用頭像的多個類別標簽。

可選地，在上述圖5對應的實施例的基礎上，參閱圖6，本發明實施例提供的確定業務參數的裝置40的另一可選實施例中，所述裝置50還包括：

輸出單元404，用于向信用評分總模型輸出所述確定單元403確定的所述應用頭像的評分數值，以使所述應用頭像的評分數值用于所述用戶的信用評分。

圖5或圖6對應的確定業務參數的裝置40的實施例或可選實施例都可以參閱圖4部分的相關描述進行理解，本處不再重復贅述。

參閱圖7，本發明實施例提供的建立圖像分類模型的裝置50的一實施例包括：

獲取單元501，用于獲取總圖像樣本和初始的卷積神經網絡CNN模型，所述總圖像樣本為大量用戶的應用頭像；

計算單元502，用于采用受限玻爾茲曼機RBM和所述獲取單元501獲取的總圖像樣本對所述初始的CNN模型進行基于無監督學習的逐層訓練，得到用于圖像分類的初始特征權值；

調整單元503，用于用第一部分圖像樣本對所述計算單元502的到的所述初始特征權值進行微調，得到具有圖像分類功能的CNN模型；其中，所述第一部分圖像樣本為所述總圖像樣本中的一小部分，所述第一部分圖像樣本在從所述總圖像樣本中抽取后被貼上類別標簽。

本發明實施例中，獲取單元501，用于獲取總圖像樣本和初始的卷積神經網絡CNN模型，所述總圖像樣本為用戶的應用頭像；計算單元502，用于采用受限玻爾茲曼機RBM和所述獲取單元501獲取的總圖像樣本對所述初始的CNN模型進行基于無監督學習的逐層訓練，得到用于圖像分類的初始特征權值；調整單元503，用于用第一部分圖像樣本對所述計算單元502的到的所述初始特征權值進行微調，得到具有圖像分類功能的CNN模型；其中，所述第一部分圖像樣本為所述總圖像樣本中的一小部分，所述第一部分圖像樣本在從所述總圖像樣本中抽取后被貼上類別標簽。本發明實施例提供的建立圖像分類模型的裝置50只為總圖像樣本中一小部分圖像樣本貼上類別標簽，可以降低工作繁瑣度，而且還能解決完全沒有標簽的情況下無法實現圖像歸類的問題，這樣，本發明實施例提供的方法，可以提高圖像歸類的效率。

可選地，在上述圖7對應的實施例的基礎上，本發明實施例提供的建立圖像分類模型的裝置50的第一個可選實施例中，

所述調整單元503用于：

對所述第一部分圖像樣本進行有監督學習的逐層訓練，提取出所述第一部分圖像樣本中的特征權值和所述第一部分圖像樣本的類別標簽；

將所述初始特征權值與所述第一部分圖像樣本的類別標簽建立關聯，得到具有圖像分類功能的CNN模型。

可選地，在上述圖7對應的實施例的基礎上，本發明實施例提供的建立圖像分類模型的裝置50的第二個可選實施例中，

所述調整單元503還用于：

對第二部分圖像樣本進行有監督學習的逐層訓練，提取出所述第二部分圖像樣本中的特征權值和所述第二部分圖像樣本的類別標簽，所述第二部分圖像樣本的類別標簽為所述初始的CNN模型中輸出層輸出的概率最高的類別標簽，所述第二部分圖像樣本為所述總圖像樣本中除去所述第一部分圖像樣本的剩余圖像樣本；

將所述初始特征權值與所述第二部分圖像樣本的類別標簽建立關聯。

可選地，在上述圖7對應的實施例、裝置50的第一個或第二個的基礎上，參閱圖8，本發明實施例提供的建立圖像分類模型的裝置50的第三個可選實施例中，所述裝置50還包括亮度處理單元504，

所述亮度處理單元504，用于對所述第一部分圖像樣本進行亮度歸一化處理；

所述調整單元503，用于用所述亮度處理單元504亮度歸一化處理后的第一部分圖像樣本對所述初始特征權值進行微調。

圖7或圖8對應的建立圖像分類模型的裝置50的實施例或任一可選實施例都可以參閱圖1至圖3中的相關描述進行理解，本處不再重復贅述。

圖9是本發明實施例提供的確定業務參數的裝置40的結構示意圖。所述確定業務參數的裝置40包括處理器410、存儲器450和輸入/輸出I/O設備430，存儲器450可以包括只讀存儲器和隨機存取存儲器，并向處理器410提供操作指令和數據。存儲器450的一部分還可以包括非易失性隨機存取存儲器(NVRAM)。

在一些實施方式中，存儲器450存儲了如下的元素，可執行模塊或者數據結構，或者他們的子集，或者他們的擴展集:

在本發明實施例中，通過調用存儲器450存儲的操作指令(該操作指令可存儲在操作系統中)，

獲取待確定業務參數的用戶的應用頭像；

采用具有圖像分類功能的卷積神經網絡CNN模型對所述應用頭像進行歸類處理，得到所述應用頭像的多個類別標簽；

確定所述多個類別標簽中每個類別標簽對應的數值，得到所述應用頭像的頭像數值，所述頭像數值用于參與確定所述業務參數；

其中，所述具有圖像分類功能的CNN模型是采用受限玻爾茲曼機RBM和總圖像樣本對初始的CNN模型進行基于無監督學習的逐層訓練，再在所述總圖像樣本中的少量圖像樣本被貼上類別標簽后，使用被貼上類別標簽的少量圖像樣本進行微調得到的，所述總圖像樣本為大量用戶的應用頭像。

本發明實施例提供的確定業務參數的裝置40可以根據用戶的應用頭像進行業務參數的確定，從而提高了業務參數確定的廣泛度和業務推廣的廣泛度。例如：現有技術中無法評估絕大多數人的可信度，而本申請所提供的方案可以用戶的應用頭像進行可信度的評估，得到用戶的信用評分，從而提高了用戶信用評分的廣泛度。

處理器410控制確定業務參數的裝置40的操作，處理器410還可以稱為CPU(Central Processing Unit，中央處理單元)。存儲器450可以包括只讀存儲器和隨機存取存儲器，并向處理器410提供指令和數據。存儲器450的一部分還可以包括非易失性隨機存取存儲器(NVRAM)。的應用中確定業務參數的裝置40的各個組件通過總線系統520耦合在一起，其中總線系統520除包括數據總線之外，還可以包括電源總線、控制總線和狀態信號總線等。但是為了清楚說明起見，在圖中將各種總線都標為總線系統520。

上述本發明實施例揭示的方法可以應用于處理器410中，或者由處理器410實現。處理器410可能是一種集成電路芯片，具有信號的處理能力。在實現過程中，上述方法的各步驟可以通過處理器410中的硬件的集成邏輯電路或者軟件形式的指令完成。上述的處理器410可以是通用處理器、數字信號處理器(DSP)、專用集成電路(ASIC)、現成可編程門陣列(FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。可以實現或者執行本發明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。結合本發明實施例所公開的方法的步驟可以直接體現為硬件譯碼處理器執行完成，或者用譯碼處理器中的硬件及軟件模塊組合執行完成。軟件模塊可以位于隨機存儲器，閃存、只讀存儲器，可編程只讀存儲器或者電可擦寫可編程存儲器、寄存器等本領域成熟的存儲介質中。該存儲介質位于存儲器450，處理器410讀取存儲器450中的信息，結合其硬件完成上述方法的步驟。

可選地，處理器410用于：

采用具有圖像分類功能的卷積神經網絡CNN模型計算得到所述應用頭像的多個特征值；

根據所述多個特征值，以及預先建立的特征權值與類別標簽的對應關系確定每個特征值對應的類別標簽，得到所述應用頭像的多個類別標簽。

可選地，輸入/輸出I/O設備430還用于向信用評分總模型輸出所述應用頭像的評分數值，以使所述應用頭像的評分數值用于所述用戶的信用評分。

圖10是本發明實施例提供的建立圖像分類模型的裝置50的結構示意圖。所述建立圖像分類模型的裝置50包括處理器510、存儲器550和輸入/輸出I/O設備530，存儲器550可以包括只讀存儲器和隨機存取存儲器，并向處理器510提供操作指令和數據。存儲器550的一部分還可以包括非易失性隨機存取存儲器(NVRAM)。

在一些實施方式中，存儲器550存儲了如下的元素，可執行模塊或者數據結構，或者他們的子集，或者他們的擴展集:

在本發明實施例中，通過調用存儲器550存儲的操作指令(該操作指令可存儲在操作系統中)，

獲取總圖像樣本和初始的卷積神經網絡CNN模型，所述總圖像樣本為大量用戶的應用頭像；

采用受限玻爾茲曼機RBM和所述總圖像樣本對所述初始的CNN模型進行基于無監督學習的逐層訓練，得到用于圖像分類的初始特征權值；

用第一部分圖像樣本對所述初始特征權值進行微調，得到具有圖像分類功能的CNN模型；其中，所述第一部分圖像樣本為所述總圖像樣本中的一小部分，所述第一部分圖像樣本在從所述總圖像樣本中抽取后被貼上類別標簽。

本發明實施例提供的建立圖像分類模型的裝置50只為總圖像樣本中一小部分圖像樣本貼上類別標簽，可以降低工作繁瑣度，而且還能解決完全沒有標簽的情況下無法實現圖像歸類的問題，這樣，本發明實施例提供的方法，可以提高圖像歸類的效率。

處理器510控制建立圖像分類模型的裝置50的操作，處理器510還可以稱為CPU(Central Processing Unit，中央處理單元)。存儲器550可以包括只讀存儲器和隨機存取存儲器，并向處理器510提供指令和數據。存儲器550的一部分還可以包括非易失性隨機存取存儲器(NVRAM)。的應用中建立圖像分類模型的裝置50的各個組件通過總線系統520耦合在一起，其中總線系統520除包括數據總線之外，還可以包括電源總線、控制總線和狀態信號總線等。但是為了清楚說明起見，在圖中將各種總線都標為總線系統520。

上述本發明實施例揭示的方法可以應用于處理器510中，或者由處理器510實現。處理器510可能是一種集成電路芯片，具有信號的處理能力。在實現過程中，上述方法的各步驟可以通過處理器510中的硬件的集成邏輯電路或者軟件形式的指令完成。上述的處理器510可以是通用處理器、數字信號處理器(DSP)、專用集成電路(ASIC)、現成可編程門陣列(FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。可以實現或者執行本發明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。結合本發明實施例所公開的方法的步驟可以直接體現為硬件譯碼處理器執行完成，或者用譯碼處理器中的硬件及軟件模塊組合執行完成。軟件模塊可以位于隨機存儲器，閃存、只讀存儲器，可編程只讀存儲器或者電可擦寫可編程存儲器、寄存器等本領域成熟的存儲介質中。該存儲介質位于存儲器550，處理器510讀取存儲器550中的信息，結合其硬件完成上述方法的步驟。

可選地，處理器510用于：

對所述第一部分圖像樣本進行有監督學習的逐層訓練，提取出所述第一部分圖像樣本中的特征權值和所述第一部分圖像樣本的類別標簽；

將所述初始特征權值與所述第一部分圖像樣本的類別標簽建立關聯，得到具有圖像分類功能的CNN模型。

可選地，處理器510用于：

對第二部分圖像樣本進行有監督學習的逐層訓練，提取出所述第二部分圖像樣本中的特征權值和所述第二部分圖像樣本的類別標簽，所述第二部分圖像樣本的類別標簽為所述初始的CNN模型中輸出層輸出的概率最高的類別標簽，所述第二部分圖像樣本為所述總圖像樣本中除去所述第一部分圖像樣本的剩余圖像樣本；

將所述初始特征權值與所述第二部分圖像樣本的類別標簽建立關聯。

可選地，處理器510還用于：

對所述第一部分圖像樣本進行亮度歸一化處理；

用亮度歸一化處理后的第一部分圖像樣本對所述初始特征權值進行微調。

本領域普通技術人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通過程序來指令相關的硬件來完成，該程序可以存儲于一計算機可讀存儲介質中，存儲介質可以包括：ROM、RAM、磁盤或光盤等。

以上對本發明實施例所提供的確定業務參數的方法、建立圖像分類模型的方法以及裝置進行了詳細介紹，本文中應用了個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發明的方法及其核心思想；同時，對于本領域的一般技術人員，依據本發明的思想，在實施方式及應用范圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本發明的限制。