CN109948804A - 跨平台拖拽式深度学习建模与训练方法及装置 - Google Patents

Abstract

本发明公开了一种跨平台拖拽式深度学习建模与训练方法及装置，其中，方法包括：根据目标应用场景采集训练数据；通过在线标注获取预处理后图像，并通过拖拽不同算法模块组合训练模型，以生成初始解决方案模型；根据训练请求训练所述初始解决方案模型，以得到最终解决方案模型，并展示训练结果。根据本发明实施例的方法，可以通过综合性的针对整体解决方案的建模，生成解决方案模型，简单易实现。

Description

跨平台拖拽式深度学习建模与训练方法及装置

技术领域

本发明涉及机器学习技术领域，特别涉及一种跨平台拖拽式深度学习建模与训练方法。

背景技术

相关技术，可视化软件平台包括数据预处理、特征提取以实现模型训练等功能。具体地，以单机或C/S架构为主，采用C++、JavaScript、Java编程语言进行操作，也可以用简单脚本语言自动进行进程操作，并且在界面中，用户可以将一些图形化算法组件拖拽到可视化界面中，建立图形化算法之间的数据流向，进而进行模型训练。在相关技术中，可视化工具中机器学习一般通过提取原始数据的特征，并且选择合适的算法，从而最终实现模型训练。

然而，相关技术存在如下缺陷：

1、上述可视化工具中机器学习算法模型多为解决某一单一问题的单一模型；

2、一旦是基于C/S架构，则需下载指定客户端应用，更新周期长，跨平台成本高；

3、多使用指定及常用的机器学习算法，但是针对特定需求的独立算法的兼容性不强，算法拓展性不佳；

4、多个软件客户端界面描述均用专业术语，一般分析人员无法轻松使用，而是需要较长学习周期；

5、软件平台数据来源主要为主流的大数据分析平台，但多个软件客户端在此兼容性方面存在比较大的差异，导致对数据进行过滤、去重、拆分、合并，实现数据可视化展现，并实现了数据的特征抽取、管理和复用的操作存在困难。

发明内容

本发明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，本发明的一个目的在于提出一种跨平台拖拽式深度学习建模与训练方法，该方法可以通过综合性的针对整体解决方案的建模，生成解决方案模型，简单易实现。

本发明的另一个目的在于提出一种跨平台拖拽式深度学习建模与训练装置。

为达到上述目的，本发明一方面实施例提出了一种跨平台拖拽式深度学习建模与训练方法，包括以下步骤：根据目标应用场景采集训练数据；通过在线标注获取预处理后图像，并通过拖拽不同算法模块组合训练模型，以生成初始解决方案模型；根据训练请求训练所述初始解决方案模型，以得到最终解决方案模型，并展示训练结果。

本发明实施例的跨平台拖拽式深度学习建模与训练方法，可以通过综合性的针对整体解决方案的建模，生成解决方案模型，不但可以跨平台操作，建模过程可视化，降低操作人员难度，从而实现了人工算法的普及化，利于推广，而且可以实现算法组合逻辑的可视化验证，即可以根据应用场景快速建模和快速验证，以及实现标注、建模、训练一体化，有效提升使用体验，简单易实现。

另外，根据本发明上述实施例的跨平台拖拽式深度学习建模与训练方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述通过在线标注获取预处理后图像，包括：上传至云端对应文件夹后，将所述训练数据链接对应进入适用不同场景及运用的标注工具网页端，以利用所述目标应用场景对应的标注工具进行适应算法标注。

进一步地，在本发明的一个实施例中，所述通过拖拽不同算法模块组合训练模型，包括：通过拖拽组件自定义组合的方式，并利用多个深度学习模型以构建模型间相互关系，创建所述初始解决方案模型。

进一步地，在本发明的一个实施例中，在得到所述最终解决方案模型之前，还包括：验证算法组合逻辑的正确性；根据调整参数与设置指示将对所述最终解决方案模型进行微调。

另外，在本发明的一个实施例中，还包括：在训练完成后，根据模型功能导出和/或部署所述最终解决方案模型。

为达到上述目的，本发明另一方面实施例提出了一种跨平台拖拽式深度学习建模与训练方法，包括：采集模块，用于根据目标应用场景采集训练数据；获取模块，用于通过在线标注获取预处理后图像，并通过拖拽不同算法模块组合训练模型，以生成初始解决方案模型；训练模块，用于根据训练请求训练所述初始解决方案模型，以得到最终解决方案模型，并展示训练结果。

本发明实施例的跨平台拖拽式深度学习建模与训练装置，可以通过综合性的针对整体解决方案的建模，生成解决方案模型，不但可以跨平台操作，建模过程可视化，降低操作人员难度，从而实现了人工算法的普及化，利于推广，而且可以实现算法组合逻辑的可视化验证，即可以根据应用场景快速建模和快速验证，以及实现标注、建模、训练一体化，有效提升使用体验，简单易实现。

另外，根据本发明上述实施例的跨平台拖拽式深度学习建模与训练装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述获取模块包括：标注单元，用于上传至云端对应文件夹后，将所述训练数据链接对应进入适用不同场景及运用的标注工具网页端，以利用所述目标应用场景对应的标注工具进行适应算法标注。

进一步地，在本发明的一个实施例中，所述获取模块包括：创建单元，用于通过拖拽组件自定义组合的方式，并利用多个深度学习模型以构建模型间相互关系，创建所述初始解决方案模型。

进一步地，在本发明的一个实施例中，还包括：验证模块，用于验证算法组合逻辑的正确性；调整模块，用于根据调整参数与设置指示将对所述最终解决方案模型进行微调。

另外，在本发明的一个实施例中，还包括：处理模块，用于在训练完成后，根据模型功能导出和/或部署所述最终解决方案模型。

本发明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，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的跨平台拖拽式深度学习建模与训练方法的流程图；

图2为根据本发明一个实施例的跨平台拖拽式深度学习建模与训练方法的示意图；

图3为根据本发明实施例的跨平台拖拽式深度学习建模与训练装置的方框示意图。

具体实施方式

下面详细描述本发明的实施例，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，旨在用于解释本发明，而不能理解为对本发明的限制。

下面在描述根据本发明实施例提出的跨平台拖拽式深度学习建模与训练方法及装置之前，先来简单描述一下机器学习的重要性。

具体地，机器学习是一个入门门槛相对比较高的技术领域，提供一个方便高效的可视化工具，对于降低用户的机器学习学习成本、提升工作效率尤为重要。

目前机器学习领域大量的工作都是通过编程的方式实施，并且调用复杂的支撑库。譬如R、Python以及深度学习库caffe、tensorflow等，这些机器学习开发工具都具有较高的门槛，学习曲线比较陡，不适合一般的业务人员和分析人员。本发明提出了一种有效的拖曳式深度学习建模与训练方法，降低操作人员实施难度。

现有可视化工具中机器学习算法模型多为单一模型，用于解决某一单一问题，且目前机器学习领域现有的可视化工具多为客户端软件且大多依赖于具体的操作系统，如Windows、Linux、Mac操作系统，种类多样、操作复杂、更新方式各自不同，需客户自己维护，对于不熟悉某一操作系统的用户而言，难度较大。

本发明正是基于上述问题，而提出了一种跨平台拖拽式深度学习建模与训练方法和一种跨平台拖拽式深度学习建模与训练装置。

下面参照附图描述根据本发明实施例提出的跨平台拖拽式深度学习建模与训练方法及装置，首先将参照附图描述根据本发明实施例提出的跨平台拖拽式深度学习建模与训练方法。

图1是本发明实施例的跨平台拖拽式深度学习建模与训练方法的流程图。

如图1所示，该跨平台拖拽式深度学习建模与训练方法包括以下步骤：

在步骤S101中，根据目标应用场景采集训练数据。

可以理解的是，如图2所示，本发明实施例首先可以离线/在线获取图像，其中，针对特殊需求可利用部署的工业相机采集所需图像，传回本地数据库后将图像分类到各个文件夹中，生成分类的真值，数据不仅可自主采集也可来源自主流大数据分析平台提供之数据，采集的方式可以为多种，在此不做具体限制，从而可以根据各种复杂变化的应用场景，自定义采集，丰富开发训练的数据库，为后期快速建模，进行模型训练提供数据支持。

在步骤S102中，通过在线标注获取预处理后图像，并通过拖拽不同算法模块组合训练模型，以生成初始解决方案模型。

其中，在本发明的一个实施例中，通过在线标注获取预处理后图像，包括：上传至云端对应文件夹后，将训练数据链接对应进入适用不同场景及运用的标注工具网页端，以利用目标应用场景对应的标注工具进行适应算法标注。

具体地，如图2所示，本发明实施例其次可以进行数据标注，其中，数据采集并上传至云端对应文件夹后，通过点选，链接对应进入适用不同场景及运用的标注工具网页端，利用不同的标注工具进行适应算法标注，从而通过在线标注得到更适用算法的预处理后图像。

进一步地，在本发明的一个实施例中，通过拖拽不同算法模块组合训练模型，包括：通过拖拽组件自定义组合的方式，并利用多个深度学习模型以构建模型间相互关系，创建初始解决方案模型。

也就是说，数据标注完成后，进入模型构建阶段，通过拖拽组件自定义组合的方式，创建解决方案模型(综合利用多个深度学习模型，通过构建良好的模型间相互关系，生成一体化的综合解决方案，此模型即为解决方案模型)，完成之后进行后台算法调用，快速进行训练，从而通过拖拽不同算法模块组合训练模型，使得建模过程可视化，降低操作人员难度，且可根据不同应用场景，将不同算法灵活组合，复合式解决特殊难题，无需编写任何代码就能利用深度学习工具建模训练。

在步骤S103中，根据训练请求训练初始解决方案模型，以得到最终解决方案模型，并展示训练结果。

在本发明的实施例中，本发明实施例综合性的针对整体解决方案的建模以生成解决方案模型，其支出综合利用多个深度学习模型，通过构建模型间的有效结构关系，生成一体化的深度学习解决方案模型，而且基于云端的可跨多个操作平台(Windows、Linux、Mac)的网页版建模，无需安装，操作简易，后期更新由云端统一维护。

进一步地，在本发明的一个实施例中，在得到最终解决方案模型之前，还包括：验证算法组合逻辑的正确性；根据调整参数与设置指示将对最终解决方案模型进行微调。

另外，在本发明的一个实施例中，还包括：在训练完成后，根据模型功能导出和/或部署最终解决方案模型。

可以理解的是，本发明实施例最后进行训练及部署，其中，模型组建之后点击训练按钮，进行后台训练，随着模型的改进及快速训练，在云端的训练能快速生成结果，供操作人员实时查看。训练完成后，生成的模型可依功能部署到位，从而快速训练，并验证算法组合逻辑的正确性，且可通过调整参数及设置将连接训练部分对模型进行微调，进而进一步完善生成的模型。

综上，本发明实施例可以基于B/S架构，系统集成数据平台、标注检查工具、模型构建、训练、导出部署等功能，使得用户无须在安装客户端等平台工具，通过浏览器进行算法模块拖拽即可针对不用应用场景之特定问题将多个深度学习模型复合使用生成一体化解决方案模型，完成机器学习模型的构建和训练，简化复杂机器学习算法的使用成本，快速完成算法组合的逻辑正确性验证，将有效模型成功部署，帮助企业有效降低机器学习的应用曲线和落地成本，尤其是在工业领域数字化、智能化、无人化的建设前景下，不但可以克服复杂环境，而且直观、简易而有效的生成模型，有利于人工智能的大范围工业普及和应用，具有较大的理论和实践价值，实现人工智能建模和训练的普及化，具有较强的实用推广价值。

根据本发明实施例的跨平台拖拽式深度学习建模与训练方法，可以通过综合性的针对整体解决方案的建模，生成解决方案模型，不但可以跨平台操作，建模过程可视化，降低操作人员难度，从而实现了人工算法的普及化，利于推广，而且可以实现算法组合逻辑的可视化验证，即可以根据应用场景快速建模和快速验证，以及实现标注、建模、训练一体化，有效提升使用体验，简单易实现。

其次参照附图描述根据本发明实施例提出的跨平台拖拽式深度学习建模与训练装置。

图3是本发明实施例的跨平台拖拽式深度学习建模与训练装置。

如图3所示，该跨平台拖拽式深度学习建模与训练装置10包括：采集模块100、获取模块200和训练模块300。

其中，采集模块100用于根据目标应用场景采集训练数据。获取模块200用于通过在线标注获取预处理后图像，并通过拖拽不同算法模块组合训练模型，以生成初始解决方案模型。训练模块300用于根据训练请求训练初始解决方案模型，以得到最终解决方案模型，并展示训练结果。本发明实施例的装置10可以通过综合性的针对整体解决方案的建模，生成解决方案模型，简单易实现。

进一步地，在本发明的一个实施例中，获取模块200包括：标注单元。其中，标注单元用于上传至云端对应文件夹后，将训练数据链接对应进入适用不同场景及运用的标注工具网页端，以利用目标应用场景对应的标注工具进行适应算法标注。

进一步地，在本发明的一个实施例中，获取模块200包括：创建单元。其中，创建单元用于通过拖拽组件自定义组合的方式，并利用多个深度学习模型以构建模型间相互关系，创建初始解决方案模型。

进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：验证模块和调整模块。其中，验证模块用于验证算法组合逻辑的正确性。调整模块用于根据调整参数与设置指示将对最终解决方案模型进行微调。

另外，在本发明的一个实施例中，本发明实施例的装置10还包括：处理模块。其中，处理模块用于在训练完成后，根据模型功能导出和/或部署最终解决方案模型。

需要说明的是，前述对跨平台拖拽式深度学习建模与训练方法实施例的解释说明也适用于该实施例的跨平台拖拽式深度学习建模与训练装置，此处不再赘述。

根据本发明实施例的跨平台拖拽式深度学习建模与训练装置，可以通过综合性的针对整体解决方案的建模，生成解决方案模型，不但可以跨平台操作，建模过程可视化，降低操作人员难度，从而实现了人工算法的普及化，利于推广，而且可以实现算法组合逻辑的可视化验证，即可以根据应用场景快速建模和快速验证，以及实现标注、建模、训练一体化，有效提升使用体验，简单易实现。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

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发明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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

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

Claims (10)

1.一种跨平台拖拽式深度学习建模与训练方法，其特征在于，包括以下步骤：

根据目标应用场景采集训练数据；

通过在线标注获取预处理后图像，并通过拖拽不同算法模块组合训练模型，以生成初始解决方案模型；以及

根据训练请求训练所述初始解决方案模型，以得到最终解决方案模型，并展示训练结果。

2.根据权利要求1所述的跨平台拖拽式深度学习建模与训练方法，其特征在于，所述通过在线标注获取预处理后图像，包括：

上传至云端对应文件夹后，将所述训练数据链接对应进入适用不同场景及运用的标注工具网页端，以利用所述目标应用场景对应的标注工具进行适应算法标注。

3.根据权利要求1或2所述的跨平台拖拽式深度学习建模与训练方法，其特征在于，所述通过拖拽不同算法模块组合训练模型，包括：

通过拖拽组件自定义组合的方式，并利用多个深度学习模型以构建模型间相互关系，创建所述初始解决方案模型。

4.根据权利要求1所述的跨平台拖拽式深度学习建模与训练方法，其特征在于，在得到所述最终解决方案模型之前，还包括：

验证算法组合逻辑的正确性；

根据调整参数与设置指示将对所述最终解决方案模型进行微调。

5.根据权利要求1-4任一项所述的跨平台拖拽式深度学习建模与训练方法，其特征在于，还包括：

在训练完成后，根据模型功能导出和/或部署所述最终解决方案模型。

6.一种跨平台拖拽式深度学习建模与训练装置，其特征在于，包括：

采集模块，用于根据目标应用场景采集训练数据；

获取模块，用于通过在线标注获取预处理后图像，并通过拖拽不同算法模块组合训练模型，以生成初始解决方案模型；以及

训练模块，用于根据训练请求训练所述初始解决方案模型，以得到最终解决方案模型，并展示训练结果。

7.根据权利要求6所述的跨平台拖拽式深度学习建模与训练装置，其特征在于，所述获取模块包括：

标注单元，用于上传至云端对应文件夹后，将所述训练数据链接对应进入适用不同场景及运用的标注工具网页端，以利用所述目标应用场景对应的标注工具进行适应算法标注。

8.根据权利要求6或7所述的跨平台拖拽式深度学习建模与训练装置，其特征在于，所述获取模块包括：

创建单元，用于通过拖拽组件自定义组合的方式，并利用多个深度学习模型以构建模型间相互关系，创建所述初始解决方案模型。

9.根据权利要求6所述的跨平台拖拽式深度学习建模与训练装置，其特征在于，还包括：

验证模块，用于验证算法组合逻辑的正确性；

调整模块，用于根据调整参数与设置指示将对所述最终解决方案模型进行微调。

10.根据权利要求6-9任一项所述的跨平台拖拽式深度学习建模与训练装置，其特征在于，还包括：

处理模块，用于在训练完成后，根据模型功能导出和/或部署所述最终解决方案模型。