Μ层特征系数和训练后的后Ν-Μ层特征系数构成的优化后的人脸识别模型。由于优化后的人脸识别模型是基于干净的训练样本训练获得的，更加准确、可靠。
[0047]可选的，所述训练模块包括:
[0048]分批处理子模块，被配置为对所述编码后的第二训练样本集中的各编码后特征向量进行随机分批处理，获得各批训练样本子集；
[0049]训练子模块，被配置为依次以每批训练样本子集对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练，获得经全部各批训练样本子集训练后得到的后Ν-Μ层特征系数。
[0050]其中，所述训练子模块被配置为:
[0051]依次以当前一批训练样本子集中的各编码后特征向量为输入，迭代执行如下处理，直到所述全部各批训练样本子集都被执行为止:
[0052]以当前一批训练样本子集中的各编码后特征向量为输入对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练，得到与所述当前一批训练样本子集中的各编码后特征向量分别对应的第一输出分类标号；
[0053]根据预设距离度量方式，确定所述当前一批训练样本子集中的各编码后特征向量分别对应的第一原始分类标号与对应的第一输出分类标号间的距离；
[0054]根据各所述距离，确定所述当前一批训练样本子集对应的分类误差率；
[0055]在所述分类误差率大于预设阈值时，调整经所述当前一批训练样本子集中的各编码后特征向量对所述原始人脸识别模型的后Ν-Μ层特征系数进行训练后得到的后Ν-Μ层特征系数；
[0056]更新所述当前一批训练样本子集为所述当前一批训练样本子集的下一批训练样本子集。
[0057]通过上述分批迭代的方式对原始人脸识别模型的后Ν-Μ层特征系数进行训练，使得训练样本随机性较强，并且避免反复调整后Ν-Μ层特征系数，使得训练效率得到提高。
[0058]进一步地，所述装置还包括:
[0059]第三获取模块，被配置为获取测试样本集，并确定测试样本集中的各测试人脸图像对应的第二原始分类标号，所述测试样本集中的各测试人脸图像与所述第二训练样本集中的各样本人脸图像不同；
[0060]测试模块，被配置为根据所述测试样本集对更新后的人脸识别模型进行准确度测试，确定所述更新后的人脸识别模型的准确度，所述更新后的人脸识别模型中包括所述前Μ层特征系数和所述经全部各批训练样本子集训练后得到的后Ν-Μ层特征系数。[0061 ] 其中，所述测试模块包括:
[0062]测试子模块，被配置为分别将所述各测试人脸图像输入到所述更新后的人脸识别模型中，获得所述更新后的人脸识别模型输出的各测试人脸图像分别对应的第二输出分类标号;
[0063]第一确定子模块，被配置为根据预设距离度量方式，确定所述各测试人脸图像对应的第二原始分类标号与对应的第二输出分类标号间的距离；
[0064]第二确定子模块，被配置为根据各所述距离，确定所述更新后的人脸识别模型的准确度。
[0065]通过采用上述测试样本集对训练获得的更新人脸识别模型进行准确度测试，能够及时发现该人脸识别模型的性能优劣。
[0066]进一步地，所述装置还包括:
[0067]迭代处理模块，被配置为在所述准确度小于预设准确度阈值时，迭代执行如下处理，直到达到最大迭代次数或准确度大于预设准确度阈值为止:
[0068]更新所述第二训练样本集；
[0069]根据更新后的第二训练样本集对前一次迭代对应的更新后人脸识别模型中的后N-M层特征系数进行训练，得到本次迭代对应的更新后人脸识别模型；
[0070]根据更新的测试样本集对本次迭代对应的更新后人脸识别模型进行准确度测试，确定对应的准确度。
[0071]进一步地，所述装置还包括:
[0072]第一确定模块，被配置为确定各次迭代对应的准确度中的最大准确度；
[0073]第二确定模块，被配置为确定与所述最大准确度对应的更新后人脸识别模型为目标人脸识别模型。
[0074]通过多次迭代训练、测试的过程，能够保证获得的目标人脸识别模型具有最佳的准确性。
[0075]根据本公开实施例的第三方面，提供一种人脸识别模型训练装置，包括:
[0076]处理器；
[0077]被配置为存储处理器可执行指令的存储器；
[0078]其中，所述处理器被配置为:
[0079]获取原始人脸识别模型，所述原始人脸识别模型是使用第一训练样本集对卷积神经网络进行训练后得到的，所述原始人脸识别模型中包括N层特征系数，N多2 ;
[0080]获取第二训练样本集，并确定第二训练样本集中的各样本人脸图像对应的第一原始分类标号，所述各样本人脸图像是存储于云端人脸相册中的人脸图像；
[0081]采用所述原始人脸识别模型的前Μ层特征系数对所述第二训练样本集中的各样本人脸图像进行编码，获得编码后的第二训练样本集；其中，所述编码后的第二训练样本集中包括与各样本人脸图像分别对应的各编码后特征向量以及与各编码后特征向量分别对应的第一原始分类标号，Ν多Μ多1 ;
[0082]根据所述编码后的第二训练样本集对所述原始人脸识别模型的后N-Μ层特征系数进行训练，获得训练后的后N-Μ层特征系数。
[0083]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0084]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0085]图1是根据一示例性实施例示出的一种人脸识别模型训练方法实施例一的流程图；
[0086]图2是卷积神经网络的网络结构示意图；
[0087]图3是根据一示例性实施例示出的一种人脸识别模型训练方法实施例二的流程图；
[0088]图4是根据一示例性实施例示出的一种人脸识别模型训练方法实施例三的流程图；
[0089]图5是根据一示例性实施例示出的一种人脸识别模型训练方法实施例四的流程图；
[0090]图6是根据一示例性实施例示出的一种人脸识别模型训练装置实施例一的框图；
[0091]图7是根据一示例性实施例示出的一种人脸识别模型训练装置实施例二的框图；
[0092]图8是根据一示例性实施例示出的一种人脸识别模型训练装置实施例三的框图；
[0093]图9是根据一示例性实施例示出的一种人脸识别模型训练装置实施例四的框图；
[0094]图10是根据一示例性实施例示出的一种人脸识别模型训练装置的框图；
[0095]图11是根据一示例性实施例示出的另一种人脸识别模型训练装置的框图。
[0096]通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
【具体实施方式】
[0097]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0098]图1是根据一示例性实施例示出的一种人脸识别模型训练方法实施例一的流程图，如图1所示，该人脸识别模型训练方法包括以下步骤:
[0099]在步骤101中，获取原始人脸识别模型，所述原始人脸识别模型是使用第一训练样本集对卷积神经网络进行训练后得到的，所述原始人脸识别模型中包括N层特征系数，N彡2。
[0100]本实施例中，采用卷积神经网络构建人脸识别模型。卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。
[0101]卷积神经网络的网络结构如图2所示，卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。本实施例中，假设基于卷积神经网络获得的人脸识别模型具有N层结构，相邻两层隐层节点间的各个连接的权重系数由第一训练样本集训练确定，为描述方便，本公开实施例中将隐层节点间的连接的权重系数称为特征系数，从而，人脸识别模型具有N层特征系数。
[0102]本实施例中，使用第一训练样本集对卷积神经网络进行训练，得到原始人脸识别模型。其中，第一训练样本集由“线下数据”组成，比如是在网络上随机搜索获得的各人脸图像。因此，第一训练样本集中包含的各样本人脸图像中可能具有比较大的噪声，使得基于该第一训练样本集训练获得的原始人脸识别模型的准确性有待提高。
[0103]在步骤102中，获取第二训练样本集，并确定第二训练样本集中的各样本人脸图像对应的第一原始分类标号，所述各样本人脸图像是存储于云端人脸相册中的人脸图像。
[0104]本实施例中，为了对上述原始人脸识别模型进行优化，采用由“线上数据”构成的第二训练样本集。具体来说，“线上数据”是指第二训练样本集中的各样本人脸图像是存储于云端人脸相册中的人脸图像。其中，人脸相册是对某用户存储在云相册中的照片进行按人脸分类整理得到的。由于各用户上传存储到云端的照片一般都是经过其筛选选出的比较清晰的质量比较好的照片，因此，第二训练样本集中的各样本人脸图像的质量良好，具有更少的噪声。
[0105]由于第二训练样本集中的各样本人脸图像是从各用户的人脸相册中获得的，而这些样本人脸图像作为用户的隐私数据，如果直接用于人脸识别模型的训练，可能导致用户隐私数据的泄露，对用户产生不利影响。因此，本实施例中，为了采用质量更佳的样本对原始人脸识别模型进行优化，同时，避免用户隐私数据的泄露