CN110908573A - 算法模型训练方法、装置、设备及存储介质 - Google Patents

算法模型训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110908573A
CN110908573A CN201911225779.6A CN201911225779A CN110908573A CN 110908573 A CN110908573 A CN 110908573A CN 201911225779 A CN201911225779 A CN 201911225779A CN 110908573 A CN110908573 A CN 110908573A
Authority
CN
China
Prior art keywords
component
data
canvas
training
dragging
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911225779.6A
Other languages
English (en)
Other versions
CN110908573B (zh
Inventor
魏振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhizhi Heshu Technology Co ltd
Original Assignee
Beijing Mininglamp Software System Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Mininglamp Software System Co ltd filed Critical Beijing Mininglamp Software System Co ltd
Priority to CN201911225779.6A priority Critical patent/CN110908573B/zh
Publication of CN110908573A publication Critical patent/CN110908573A/zh
Application granted granted Critical
Publication of CN110908573B publication Critical patent/CN110908573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04845—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range for image manipulation, e.g. dragging, rotation, expansion or change of colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04847—Interaction techniques to control parameter settings, e.g. interaction with sliders or dials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/0486—Drag-and-drop
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请提供一种算法模型训练方法、装置、设备及存储介质，涉及模型训练技术领域。该方法基于react前端开发组件框架的拖拽组件和画布组件，通过将预设的拖拽组件以及画布组件引入至算法模型训练的主组件中，建立主组件中拖拽组件与画布组件的数据响应式连接，使得主组件可以根据拖拽组件的数据变化，调用画布组件在对应的画布上显示算法模型训练的相关节点。从而使得模型训练的操作性更强，有效提高了模型训练的灵活自主性以及直观性。通过在节点落入画布时完美增加了节点内容信息配置，并且支持右键删除、左键点击查看或修改配置信息，可以使得整个算法训练的流程变得直观、变得布局可控、变得学习成本很低。

Description

算法模型训练方法、装置、设备及存储介质
技术领域
本发明涉及模型训练技术领域，具体而言，涉及一种算法模型训练方法、装置、设备及存储介质。
背景技术
随着科学技术的飞速发展与大数据时代的到来，对海量数据的分析应用变得越来越广泛。然而真正有意义的是，建立在大数据基础上，人们对工作、生活中某些状态的未来发展趋势的预测或预报。通过对算法模型的训练，达到对预测结果的影响因素及其权重的调节与控制，达到结果最优化，成为当今时代的发展的趋势。
现有技术中可以通过表单方式对算法模型进行训练，也可以单独基于Cytoscape组件进行模型节点与关系的展示、删减等操作。
但是，单独基于Cytoscape组件无法实现在react框架下的画布响应式变化。而通过表单配置算法模型训练的方式过于单一，使得模型训练的灵活性较低，直观性较差。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种算法模型训练方法、装置、设备及存储介质，以解决现有技术中存在的算法模型训练灵活性低，直观性较差的问题。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种算法模型训练方法，包括：
将画布组件引入到模型训练的主组件中，并在所述主组件中定义所述画布组件的数据入口；
将预设的拖拽组件引入到所述主组件，并通过所述拖拽组件将拖拽节点的数据传递至所述主组件；所述主组件用于根据所述拖拽节点的数据进行算法模型的训练；
根据所述画布组件的数据入口，将所述拖拽节点的数据从所述主组件传递至所述画布组件；
建立所述主组件与所述画布组件中的数据建立响应式连接，以在所述画布组件对应画布上显示所述算法模型的训练相关的节点。
可选地，所述将预设的拖拽组件引入到所述主组件之前，所述方法还包括：
定义所述拖拽组件中的数据形式，并将鼠标移动事件与所述拖拽组件中对应的拖拽处理函数绑定。
可选地，所述方法还包括：
对所述拖拽组件的坐标和所述鼠标移动事件获取的鼠标移动过程中的坐标进行关联。
可选地，所述通过所述拖拽组件将拖拽节点的数据传递至所述主组件，包括：
采用所述拖拽组件中拖拽结束函数从所述拖拽组件获取所述拖拽节点的数据；
采用添加图像节点函数将所述拖拽节点的数据传递至框架的数据池中；
将所述数据池中的数据传递至所述框架的容器中，并建立所述容器与所述主组件之间的连接，以将数据传递至所述主组件。
可选地，所述方法还包括：
为所述画布组件绑定点击事件，并在所述点击事件中绑定配置框的显示；
若所述点击事件检测到所述画布上针对目标节点的点击操作，则弹出所述目标节点对应的配置框进行显示；
根据所述目标节点对应的配置框获取的配置信息，对训练所述算法模型的所述目标节点的数据进行配置；
将所述配置信息传递至框架的数据池中进行保存。
可选地，所述拖拽节点的数据包括：训练所述算法模型的数据源、所述数据源中选择的训练数据列、所述算法模型的训练算法；
所述主组件用于根据所述算法模型的数据源、所述选择的训练数据列和所述训练算法对所述算法模型进行训练。
可选地，所述算法模型的训练相关的节点包括下述至少一种：所述数据源的选择节点、所述训练数据列的选择节点、所述训练算法的选择节点、所述算法模型的训练节点。
第二方面，本申请实施例还提供一种算法模型训练装置，包括：组件引入模块、数据传递模块、建立模块；
所述组件引入模块，用于将画布组件引入到模型训练的主组件中，并在所述主组件中定义所述画布组件的数据入口；将预设的拖拽组件引入到所述主组件，并通过所述拖拽组件将拖拽节点的数据传递至所述主组件；所述主组件用于根据所述拖拽节点的数据进行算法模型的训练；
所述数据传递模块，用于根据所述画布组件的数据入口，将所述拖拽节点的数据从所述主组件传递至所述画布组件；
所述建立模块，用于建立所述主组件与所述画布组件中的数据建立响应式连接，以在所述画布组件对应画布上显示所述算法模型的训练相关的节点。
可选地，所述装置还包括：绑定模块；
所述绑定模块，用于定义所述拖拽组件中的数据形式，并将鼠标移动事件与所述拖拽组件中对应的拖拽处理函数绑定。
可选地，所述装置还包括：关联模块；
所述关联模块，用于对所述拖拽组件的坐标和所述鼠标移动事件获取的鼠标移动过程中的坐标进行关联。
可选地，所述数据传递模块，具体用于采用所述拖拽组件中拖拽结束函数从所述拖拽组件获取所述拖拽节点的数据；采用添加图像节点函数将所述拖拽节点的数据传递至框架的数据池中；将所述数据池中的数据传递至所述框架的容器中，并建立所述容器与所述主组件之间的连接，以将数据传递至所述主组件。
可选地，装置还包括配置模块；
所述绑定模块，还用于为所述画布组件绑定点击事件，并在所述点击事件中绑定配置框的显示；若所述点击事件检测到所述画布上针对目标节点的点击操作，则弹出所述目标节点对应的配置框进行显示；
所述配置模块，用于根据所述目标节点对应的配置框获取的配置信息，对训练所述算法模型的所述目标节点的数据进行配置；将所述配置信息传递至框架的数据池中进行保存。
可选地，所述拖拽节点的数据包括：训练所述算法模型的数据源、所述数据源中选择的训练数据列、所述算法模型的训练算法；所述主组件用于根据所述算法模型的数据源、所述选择的训练数据列和所述训练算法对所述算法模型进行训练。
可选地，所述算法模型的训练相关的节点包括下述至少一种：所述数据源的选择节点、所述训练数据列的选择节点、所述训练算法的选择节点、所述算法模型的训练节点。
第三方面，本申请实施例还提供一种算法模型训练设备，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所提供的任一算法模型训练方法。
第四方面，本申请实施例还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述第一方面所提供的任一算法模型训练方法。
本申请的有益效果是：
本申请所提供的算法模型训练方法、装置、设备及存储介质中，方法包括：将画布组件引入到模型训练的主组件中，并在主组件中定义画布组件的数据入口；将预设的拖拽组件引入到主组件，并通过拖拽组件将拖拽节点的数据传递至主组件；主组件用于根据拖拽节点的数据进行算法模型的训练；根据画布组件的数据入口，将拖拽节点的数据从主组件传递至画布组件；建立主组件与画布组件中的数据建立响应式连接，以在画布组件对应画布上显示算法模型的训练相关的节点。
基于react前端开发组件框架的拖拽组件和react-cytoscapee画布组件，通过将预设的拖拽组件以及画布组件引入至算法模型训练的主组件中，建立主组件中拖拽组件与画布组件的数据响应式连接，使得主组件可以根据拖拽组件的数据变化，调用画布组件在对应的画布上显示算法模型训练的相关节点。从而使得模型训练的操作性更强，有效提高了模型训练的灵活自主性以及直观性。其次，通过建立主组件与画布组件的响应式变化，大大节省了开发人力维护成本与浏览器运行资源。另外，通过在节点落入画布时完美增加了节点内容信息配置，并且支持右键删除、左键点击查看或修改配置信息，可以使得整个算法训练的流程变得直观、变得布局可控、变得学习成本很低。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，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。
图1为本申请实施例提供的一种算法模型训练方法的流程示意图；
图2为本申请实施例提供的另一种算法模型训练方法的流程示意图；
图3为本申请实施例提供的一种画布上算法模型训练操作显示示意图；
图4为本申请实施例提供的又一种算法模型训练方法的流程示意图；
图5为本申请实施例提供的一种画布中参数配置界面示意图；
图6为本申请实施例提供的一种算法模型训练装置的示意图；
图7为本申请实施例提供的另一种算法模型训练装置的示意图；
图8为本申请实施例提供的又一种算法模型训练装置的示意图；
图9为本申请实施例提供的又一种算法模型训练装置的示意图；
图10为本申请实施例提供的又一种算法模型训练装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
需要说明的是，本申请所提供的方法，基于react前端开发组件框架的拖拽组件和react-cytoscapee画布组件，通过手动拖拽算法训练流程的各个节点，完成算法训练整体流程的搭建。可以实现对算法模型的训练进行自主的、灵活拖拽的、直观的、高性能的操作，提高算法训练自主性而不再只是枯燥的参数配置。
如下通过多个实例对本申请所提供的算法模型训练方法进行示例说明。
图1为本申请实施例提供的一种算法模型训练方法的流程示意图，该方法的执行主体可以为计算机、服务器等具备数据处理功能的设备。如图1所示，该方法可以包括：
S101、将画布组件引入到模型训练的主组件中，并在主组件中定义画布组件的数据入口。
可选地，在本实施例中，主组件可以为建立算法训练模型所对应的主文件。可以通过react框架的npm install(Node Package Managerinstall，节点包管理安装)命令，将画布组件安装到模型训练的主组件中。其中，主组件可以通过对画布组件的函数调用，实现模型训练节点在画布上的展示，以提高模型训练的直观性。
可以通过主组件中定义的画布组件的数据入口，将相关数据导入至画布组件中，从而使得画布组件可以根据相关数据，在画布上展示与相关数据对应的画面。
S102、将预设的拖拽组件引入到主组件，并通过拖拽组件将拖拽节点的数据传递至主组件；主组件用于根据拖拽节点的数据进行算法模型的训练。
可选地，为了使得模型训练的操作性更强，提高模型训练的自主灵活性。本申请中可以定义拖拽组件，以通过在画布上进行模型各个训练节点拖拽的形式，来构建模型训练流程节点。
可选地，将定义好的拖拽组件同样引入主组件中，并将拖拽组件对应的各个拖拽节点的数据传递至主组件中，以使得主组件可以调用拖拽组件在画布上构建模型训练流程，同时可以根据各拖拽节点的数据，对构建好的模型进行模型训练。
在一些实施例中，可以通过在主组件中添加拖拽组件的文件路径，将拖拽组件引入至主组件中，从而使得主组件可以通过保存的拖拽组件的文件路径，从文件路径中获取拖拽组件函数，进行函数调用。
S103、根据画布组件的数据入口，将拖拽节点的数据从主组件传递至画布组件。
在一些实施例中，可以将上述的拖拽节点的数据通过画布组件的数据入口，上传至画布组件中，以建立拖拽组件与画布组件的关联关系，从而可以使得画布组件可以根据拖拽组件的数据变化而在画布上产生相应的画面变化。
S104、建立主组件与画布组件中的数据建立响应式连接，以在画布组件对应画布上显示算法模型的训练相关的节点。
需要说明的是，建立主组件与画布组件的数据响应式连接，也即建立主组件中拖拽组件与画布组件的数据响应式，以使得主组件可以根据拖拽组件的数据变化，调用画布组件在对应的画布上显示算法模型训练的相关节点。通过建立主组件与画布组件的响应式变化，大大节省了开发人力维护成本与浏览器运行资源。
综上所述，本实施例提供的算法模型训练方法，基于react前端开发组件框架的拖拽组件和react-cytoscapee画布组件，通过将预设的拖拽组件以及画布组件引入至算法模型训练的主组件中，建立主组件中拖拽组件与画布组件的数据响应式连接，使得主组件可以根据拖拽组件的数据变化，调用画布组件在对应的画布上显示算法模型训练的相关节点。从而使得模型训练的操作性更强，有效提高了模型训练的灵活自主性以及直观性。
可选地，上述步骤S102中，将预设的拖拽组件引入到主组件之前，方法还可以包括：定义拖拽组件中的数据形式，并将鼠标移动事件与拖拽组件中对应的拖拽处理函数绑定。
在一些实施例中，拖拽功能的实现是用户通过鼠标点击操作来实现的，例如：用户在终端的显示屏上想要将A物体从x位置移动至y位置，用户需要通过鼠标点击长按x位置处的A物体，直到将其移动至y位置，鼠标松开。
可选地，可以定义拖拽组件中的数据形式为坐标形式，将鼠标移动事件与拖拽组件中拖拽处理相关的函数绑定，这样，当接收到用户通过鼠标进行的拖拽操作时，可以调用相关的拖拽函数，根据鼠标的起始位置以及终点位置的坐标信息，确定待拖拽目标在画布中的位置。
以下示例性的列举几种鼠标移动事件与拖拽函数的绑定：鼠标落下时的事件(mousedown)：绑定dragLis拖拽列表函数，函数中定义当前组件移动的起始点，并保存要拖拽节点数据为willAdd，也即，保存数据的一个临时变量名称，为后面给画布上组织数据做准备。鼠标移动时的事件(mousemove)：绑定dragMove拖拽移动函数，以获取鼠标移动过程中的鼠标光标的坐标变化，并将坐标传递给当前组件做组件移动用。鼠标抬起时的时间(mouseup)：绑定dragOff拖拽松开函数，告知拖拽过程结束，来结束当前组件的移动工作，并将组织数据传递到画布组件上。
可选地，本申请方法还可以包括：对拖拽组件的坐标和鼠标移动事件获取的鼠标移动过程中的坐标进行关联。
在一些实施例中，通过将拖拽组件的坐标和鼠标移动事件获取的鼠标移动过程中的坐标进行关联，可以使得拖拽组件实时响应鼠标移动事件，使得拖拽组件的坐标信息可以根据鼠标移动过程中获取到的坐标变化而变化，也即组件会跟随鼠标移动而移动，实现拖拽效果。
图2为本申请实施例提供的另一种算法模型训练方法的流程示意图，可选地，如图2所示，上述步骤S012中，通过拖拽组件将拖拽节点的数据传递至主组件，可以包括：
S201、采用拖拽组件中拖拽结束函数从拖拽组件获取拖拽节点的数据。
可选地，可以采用onDragEnd拖拽结束函数，从拖拽组件获取拖拽节点的数据。拖拽节点的数据可以为拖拽节点对应的坐标信息，也即通过拖拽结束函数，可以获取待拖拽节点(例如模型训练流程中的任一流程节点)在画布中对应的节点位置信息。
S202、采用添加图像节点函数将拖拽节点的数据传递至框架的数据池中。
可选地，可以采用addGraphNode添加图像节点函数，将上述拖拽节点的数据添加至react框架的数据池中。数据池可以理解为react框架的数据库，其可以对框架中不同组件的数据进行存储。
S203、将数据池中的数据传递至框架的容器中，并建立容器与主组件之间的连接，以将数据传递至主组件。
需要说明的是，在将拖拽节点的数据添加到数据池之后，进一步地可以通过一些数据加工处理方法对数据结构进行加工，以使得从拖拽节点获取的数据格式为预设格式，例如将从拖拽节点获取的数据格式转换为画布组件可识别的数据格式。可选地，可以将拖拽节点的数据从数据池中传递至框架容器container中，框架容易可以理解为数据运转中心，在框架容器中通过数据处理操作，对拖拽节点的数据进行加工，待数据加工完成后，再将加工后的拖拽节点的数据通过画布组件的数据入口添加至主组件。
可选地，上述定义的画布组件的数据入口可以为normalizeElements({node:graphNodes,edges:graphEdges})，将从框架容器中传递进来的拖拽节点的数据，通过画布组件的数据入口，绑定到画布组件中，从而实现了拖拽数据在对应的画布中的显示。
可选地，由于模型训练中每个流程节点的类型是不同的，则根据节点类型的不同，需要配置不同节点对应的数据结构并添加至数据池中。另外，不同节点之间是通过线数据进行关联的，故还需要将与任意节点有关的线数据添加至画布组件中，以使得不同节点之间连接关系可以在画布中显示。
图3为本申请实施例提供的一种画布上算法模型训练操作显示示意图。如图3中所示，图左侧包括三个模块：数据、常用操作及算法，对于不同的模块，其对应有子模块，例如常用操作的子模块还可以包括：常用算法连接；算法模块还可以包括：已训练算法及机器学习算法等。同样的，常用算法连接模块还可以包括：选择训练列、算法训练、算法预测等常规操作；而已训练算法模块也可以包括：管杰测试时间、寄递频繁人员等多个已训练好的算法。左侧框中的数据为将要被拖拽到右侧画布上的数据，通过拖拽在react框架中将数据池中的拖拽数据添加到画布组件上。
图中间为拖拽到画布上之后的数据响应式显示算法模型训练的流程步骤。如图3中所示，以手机通话信息作为数据源，对手机通话信息进行训练，对应的算法模型训练的流程可以为：手机通话信息-选择训练列-机器学习算法-算法训练。对于不同数据源的训练，对应的算法模型训练的流程是不同的，可以根据不同需求，拖拽相应的模型训练节点至画布中。
图左侧为与图中间的算法模型训练的流程相对应的各个流程节点的规范化数据格式。
图4为本申请实施例提供的又一种算法模型训练方法的流程示意图，图5为本申请实施例提供的一种画布中参数配置界面示意图。可选地，如图4所示，本申请的方法还可以包括：
S301、为画布组件绑定点击事件，并在点击事件中绑定配置框的显示。
S302、若点击事件检测到画布上针对目标节点的点击操作，则弹出目标节点对应的配置框进行显示。
S303、根据目标节点对应的配置框获取的配置信息，对训练算法模型的目标节点的数据进行配置。
为了实现在画布上对算法模型训练流程节点的配置，可以为画布组件绑定点击事件，并在点击事件中绑定配置框的显示信息。以使得画布组件可以响应用户在画布上的点击操作。通过点击事件，调用配置框显示状态函数，实现配置框的显示或是关闭。
可选地，对于不同的模型训练节点，对应的配置信息可以是不同的。在一些实施例中，可以通过在画布上对构建好的算法模型训练的各个流程节点进行点击操作，以弹出各节点对应的参数配置框，从而进行算法节点参数的配置。如图4所示，对于上述图3中的算法训练节点，可以配置算法训练后算法的名称、算法的应用场景等信息。
通过在节点落入画布时完美增加了节点内容信息配置，并且支持右键删除、左键点击查看或修改配置信息，可以使得整个算法训练的流程变得直观、变得布局可控、变得学习成本很低。
S304、将配置信息传递至框架的数据池中进行保存。
可选地，在对每个模型训练节点完成参数配置后，可以调用updataGraphNode函数对框架中数据池中的节点数据进行更新，并将更新后的节点数据从数据池中传递至框架容器中，在通过框架容器传递至主组件中，然后通过画布组件的数据入口，将更新后的节点数据从主组件中传递至画布组件中，以实现数据与画布(浏览器页面)显示的动态运转。
可选地，如图3中左侧所显示的，上述的拖拽节点的数据可以包括：训练算法模型的数据源、数据源中选择的训练数据列、算法模型的训练算法。主组件用于根据算法模型的数据源、选择的训练数据列和训练算法对算法模型进行训练。
可选地，训练算法模型的数据源可以类似于大的数据库，数据源中可以包括多种类型的数据源，而不限于图3中所示的手机通话信息，也可以为人脸特征信息、车辆特征信息等。上述图3中，与手机通话记录节点连接的选择训练列节点对应的数据可以为从手机通话记录数据中确定的目标数据列，例如：手机通话记录数据包括3行4列，而算法当前需要对第2列的数据进行训练，那么该节点对应的数据即为该第2列所包含的手机通话记录信息。可选的，算法模型的训练算法中包含多种算法，可以选择所需的算法对目标数据进行训练，以得到算法模型。例如图3中选择机器学习算法进行训练。
可选地，算法模型的训练相关的节点包括下述至少一种：数据源的选择节点、训练数据列的选择节点、训练算法的选择节点、算法模型的训练节点。
对应于图3中数据源为手机通讯记录时，算法模型的训练相关的节点可以包括：手机通讯记录、训练数据列、机器学习算法以及算法训练。算法训练节点可以根据从手机通讯记录中获取的训练数据列，采用机器学习算法进行模型训练。若数据源发生变化时，对应的训练数据列以及学习算法也可能发生变化，以构成新的模型训练流程节点。
可选地，训练好的算法可以保存在后台数据库中，用来进行建模中的算法预测，并提供预测结果。也即，可以采用训练好的算法对输入的待预测数据进行预测，得到预测结果。
综上，本申请所提供的算法模型训练方法，方法包括：将画布组件引入到模型训练的主组件中，并在主组件中定义画布组件的数据入口；将预设的拖拽组件引入到主组件，并通过拖拽组件将拖拽节点的数据传递至主组件；主组件用于根据拖拽节点的数据进行算法模型的训练；根据画布组件的数据入口，将拖拽节点的数据从主组件传递至画布组件；建立主组件与画布组件中的数据建立响应式连接，以在画布组件对应画布上显示算法模型的训练相关的节点。基于react前端开发组件框架的拖拽组件和react-cytoscapee画布组件，通过将预设的拖拽组件以及画布组件引入至算法模型训练的主组件中，建立主组件中拖拽组件与画布组件的数据响应式连接，使得主组件可以根据拖拽组件的数据变化，调用画布组件在对应的画布上显示算法模型训练的相关节点。从而使得模型训练的操作性更强，有效提高了模型训练的灵活自主性以及直观性。其次，通过建立主组件与画布组件的响应式变化，大大节省了开发人力维护成本与浏览器运行资源。另外，通过在节点落入画布时完美增加了节点内容信息配置，并且支持右键删除、左键点击查看或修改配置信息，可以使得整个算法训练的流程变得直观、变得布局可控、变得学习成本很低。
下述对用以执行的本申请所提供的算法模型训练方法的装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
图6为本申请实施例提供的一种算法模型训练装置的示意图，该装置可以包括：组件引入模块601、数据传递模块602、建立模块603；
组件引入模块601，用于将画布组件引入到模型训练的主组件中，并在主组件中定义画布组件的数据入口；将预设的拖拽组件引入到主组件，并通过拖拽组件将拖拽节点的数据传递至主组件；主组件用于根据拖拽节点的数据进行算法模型的训练；
数据传递模块602，用于根据画布组件的数据入口，将拖拽节点的数据从主组件传递至画布组件；
建立模块603，用于建立主组件与画布组件中的数据建立响应式连接，以在画布组件对应画布上显示算法模型的训练相关的节点。
可选地，如图7所示，该装置还可以包括：绑定模块604；
绑定模块604，用于定义拖拽组件中的数据形式，并将鼠标移动事件与拖拽组件中对应的拖拽处理函数绑定。
可选地，如图8所示，该装置还包括：关联模块605；
关联模块605，用于对拖拽组件的坐标和鼠标移动事件获取的鼠标移动过程中的坐标进行关联。
可选地，数据传递模块602，具体用于采用拖拽组件中拖拽结束函数从拖拽组件获取拖拽节点的数据；采用添加图像节点函数将拖拽节点的数据传递至框架的数据池中；将数据池中的数据传递至框架的容器中，并建立容器与主组件之间的连接，以将数据传递至主组件。
可选地，如图9所示，该装置还可以包括配置模块606；
绑定模块604，还用于为画布组件绑定点击事件，并在点击事件中绑定配置框的显示；若点击事件检测到画布上针对目标节点的点击操作，则弹出目标节点对应的配置框进行显示；
配置模块606，用于根据目标节点对应的配置框获取的配置信息，对训练算法模型的目标节点的数据进行配置；将配置信息传递至框架的数据池中进行保存。
可选地，拖拽节点的数据包括：训练算法模型的数据源、数据源中选择的训练数据列、算法模型的训练算法；主组件用于根据算法模型的数据源、选择的训练数据列和训练算法对算法模型进行训练。
可选地，算法模型的训练相关的节点包括下述至少一种：数据源的选择节点、训练数据列的选择节点、训练算法的选择节点、算法模型的训练节点。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图10为本申请实施例提供的又一种算法模型训练装置的示意图，该装置可以集成于设备或者设备的芯片，该设备可以是具备算法模型训练功能的计算设备或服务器。
该算法模型训练装置包括：存储器901、处理器902。存储器901和处理器902通过总线连接。
存储器901用于存储程序，处理器902调用存储器901存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，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，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。
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。
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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种算法模型训练方法，其特征在于，包括：
将画布组件引入到模型训练的主组件中，并在所述主组件中定义所述画布组件的数据入口；
将预设的拖拽组件引入到所述主组件，并通过所述拖拽组件将拖拽节点的数据传递至所述主组件；所述主组件用于根据所述拖拽节点的数据进行算法模型的训练；
根据所述画布组件的数据入口，将所述拖拽节点的数据从所述主组件传递至所述画布组件；
建立所述主组件与所述画布组件中的数据建立响应式连接，以在所述画布组件对应画布上显示所述算法模型的训练相关的节点。
2.根据权利要求1所述的方法，其特征在于，所述将预设的拖拽组件引入到所述主组件之前，所述方法还包括：
定义所述拖拽组件中的数据形式，并将鼠标移动事件与所述拖拽组件中对应的拖拽处理函数绑定。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对所述拖拽组件的坐标和所述鼠标移动事件获取的鼠标移动过程中的坐标进行关联。
4.根据权利要求1所述的方法，其特征在于，所述通过所述拖拽组件将拖拽节点的数据传递至所述主组件，包括：
采用所述拖拽组件中拖拽结束函数从所述拖拽组件获取所述拖拽节点的数据；
采用添加图像节点函数将所述拖拽节点的数据传递至框架的数据池中；
将所述数据池中的数据传递至所述框架的容器中，并建立所述容器与所述主组件之间的连接，以将数据传递至所述主组件。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
为所述画布组件绑定点击事件，并在所述点击事件中绑定配置框的显示；
若所述点击事件检测到所述画布上针对目标节点的点击操作，则弹出所述目标节点对应的配置框进行显示；
根据所述目标节点对应的配置框获取的配置信息，对训练所述算法模型的所述目标节点的数据进行配置；
将所述配置信息传递至框架的数据池中进行保存。
6.根据权利要求1-5中任一所述的方法，其特征在于，所述拖拽节点的数据包括：训练所述算法模型的数据源、所述数据源中选择的训练数据列、所述算法模型的训练算法；
所述主组件用于根据所述算法模型的数据源、所述选择的训练数据列和所述训练算法对所述算法模型进行训练。
7.根据权利要求6所述的方法，其特征在于，所述算法模型的训练相关的节点包括下述至少一种：所述数据源的选择节点、所述训练数据列的选择节点、所述训练算法的选择节点、所述算法模型的训练节点。
8.一种算法模型训练装置，其特征在于，包括：组件引入模块、数据传递模块、建立模块；
所述组件引入模块，用于将画布组件引入到模型训练的主组件中，并在所述主组件中定义所述画布组件的数据入口；将预设的拖拽组件引入到所述主组件，并通过所述拖拽组件将拖拽节点的数据传递至所述主组件；所述主组件用于根据所述拖拽节点的数据进行算法模型的训练；
所述数据传递模块，用于根据所述画布组件的数据入口，将所述拖拽节点的数据从所述主组件传递至所述画布组件；
所述建立模块，用于建立所述主组件与所述画布组件中的数据建立响应式连接，以在所述画布组件对应画布上显示所述算法模型的训练相关的节点。
9.一种算法模型训练设备，其特征在于，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的算法模型训练方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述权利要求1-7任一项所述的算法模型训练方法。
CN201911225779.6A 2019-12-03 2019-12-03 算法模型训练方法、装置、设备及存储介质 Active CN110908573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911225779.6A CN110908573B (zh) 2019-12-03 2019-12-03 算法模型训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911225779.6A CN110908573B (zh) 2019-12-03 2019-12-03 算法模型训练方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110908573A true CN110908573A (zh) 2020-03-24
CN110908573B CN110908573B (zh) 2021-07-06

Family

ID=69822241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911225779.6A Active CN110908573B (zh) 2019-12-03 2019-12-03 算法模型训练方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110908573B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821149A (zh) * 2021-08-23 2021-12-21 浪潮软件股份有限公司 一种公墓排布及选定的方法及工具

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106020811A (zh) * 2016-05-13 2016-10-12 乐视控股（北京）有限公司 算法模型的开发方法和装置
CN107103050A (zh) * 2017-03-31 2017-08-29 海通安恒（大连）大数据科技有限公司 一种大数据建模平台及方法
CN107169575A (zh) * 2017-06-27 2017-09-15 北京天机数测数据科技有限公司 一种可视化机器学习训练模型的建模系统和方法
US20170316114A1 (en) * 2016-04-29 2017-11-02 Accenture Global Solutions Limited System architecture with visual modeling tool for designing and deploying complex models to distributed computing clusters
CN107608742A (zh) * 2017-10-12 2018-01-19 南京中新赛克科技有限责任公司 一种自助式分析挖掘工具中算子任务调度方法
CN108665071A (zh) * 2017-03-27 2018-10-16 苏宁云商集团股份有限公司 一种交互式机器学习实验展示方法及系统
CN109388663A (zh) * 2018-08-24 2019-02-26 中国电子科技集团公司电子科学研究院 一种面向社会安全领域的大数据智能分析平台
US20190163694A1 (en) * 2017-11-27 2019-05-30 Baidu Usa Llc System and method for visually searching and debugging conversational agents of electronic devices
CN110232162A (zh) * 2019-05-29 2019-09-13 北京中亦安图科技股份有限公司 一种基于html5的流程定义方法及系统
CN110362306A (zh) * 2018-04-11 2019-10-22 阿里巴巴集团控股有限公司 图形化算法组件的自定义方法、模型生成方法及装置
CN110515690A (zh) * 2019-08-29 2019-11-29 北京明略软件系统有限公司 节点布局方法及装置、存储介质、电子装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170316114A1 (en) * 2016-04-29 2017-11-02 Accenture Global Solutions Limited System architecture with visual modeling tool for designing and deploying complex models to distributed computing clusters
CN106020811A (zh) * 2016-05-13 2016-10-12 乐视控股（北京）有限公司 算法模型的开发方法和装置
CN108665071A (zh) * 2017-03-27 2018-10-16 苏宁云商集团股份有限公司 一种交互式机器学习实验展示方法及系统
CN107103050A (zh) * 2017-03-31 2017-08-29 海通安恒（大连）大数据科技有限公司 一种大数据建模平台及方法
CN107169575A (zh) * 2017-06-27 2017-09-15 北京天机数测数据科技有限公司 一种可视化机器学习训练模型的建模系统和方法
CN107608742A (zh) * 2017-10-12 2018-01-19 南京中新赛克科技有限责任公司 一种自助式分析挖掘工具中算子任务调度方法
US20190163694A1 (en) * 2017-11-27 2019-05-30 Baidu Usa Llc System and method for visually searching and debugging conversational agents of electronic devices
CN110362306A (zh) * 2018-04-11 2019-10-22 阿里巴巴集团控股有限公司 图形化算法组件的自定义方法、模型生成方法及装置
CN109388663A (zh) * 2018-08-24 2019-02-26 中国电子科技集团公司电子科学研究院 一种面向社会安全领域的大数据智能分析平台
CN110232162A (zh) * 2019-05-29 2019-09-13 北京中亦安图科技股份有限公司 一种基于html5的流程定义方法及系统
CN110515690A (zh) * 2019-08-29 2019-11-29 北京明略软件系统有限公司 节点布局方法及装置、存储介质、电子装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANXIN WANG ET AL.: "ClusterViz: A Cytoscape APP for Cluster Analysis of Biological Network", 《: IEEE/ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS》 *
杨淼 等: "基于Cytoscape的miRNA调控网络的构建与研究", 《中国医学装备》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821149A (zh) * 2021-08-23 2021-12-21 浪潮软件股份有限公司 一种公墓排布及选定的方法及工具

Also Published As

Publication number Publication date
CN110908573B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN109446570B (zh) 业务流程展示方法、装置、计算机设备以及存储介质
US9696972B2 (en) Method and apparatus for updating a web-based user interface
CN102262529B (zh) 集成执行环境中的事件处理
US20180285149A1 (en) Task management interface
CN102422264B (zh) 事件识别
CN104246659A (zh) 可实例化的手势对象
CN106133698A (zh) 用于用户模式崩溃报告的框架
US10387161B2 (en) Techniques for capturing state information and performing actions for threads in a multi-threaded computing environment
US20140156849A1 (en) Map-reduce workflow processing apparatus and method, and storage media storing the same
WO2019241037A1 (en) Predictive application functionality surfacing
CN109302321A (zh) 服务器、业务需求处理系统、方法和监控系统
CN109766196A (zh) 一种任务调度方法、装置及设备
CN110908573B (zh) 算法模型训练方法、装置、设备及存储介质
CN103677519A (zh) 一种收藏多媒体资源的方法、终端及服务器
US20230117081A1 (en) Providing a user-centric application
CN105324795B (zh) 合并图形操作
US10275525B2 (en) Method and system for mining trends around trending terms
CN101394405A (zh) 一种数据请求处理的方法和装置
US20180143747A1 (en) User interface device and method for displaying screen of user interface device
US10198150B2 (en) Cross database data selection and correlation interface
CN102339221A (zh) 一种基于Windows CE平台的应用程序界面处理方法
CN111796733B (zh) 图像显示方法、图像显示装置和电子设备
CN113901033A (zh) 数据迁移方法、装置、设备及介质
CN109150993B (zh) 一种获取网络请求切面的方法、终端装置及存储介质
CN113296913A (zh) 基于单集群的数据处理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220602

Address after: 15, second floor, east side of clean coal workshop, No. 68, Shijingshan Road, Shijingshan District, Beijing 100043 (cluster registration)

Patentee after: Beijing Zhizhi Heshu Technology Co.,Ltd.

Address before: No.310, building 4, courtyard 8, Dongbei Wangxi Road, Haidian District, Beijing

Patentee before: MININGLAMP SOFTWARE SYSTEMS Co.,Ltd.

TR01 Transfer of patent right