CN111126626A - 一种训练方法、装置、服务器、平台及存储介质 - Google Patents
一种训练方法、装置、服务器、平台及存储介质 Download PDFInfo
- Publication number
- CN111126626A CN111126626A CN201911347139.2A CN201911347139A CN111126626A CN 111126626 A CN111126626 A CN 111126626A CN 201911347139 A CN201911347139 A CN 201911347139A CN 111126626 A CN111126626 A CN 111126626A
- Authority
- CN
- China
- Prior art keywords
- training
- configuration
- client
- database
- machine learning
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 391
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000010801 machine learning Methods 0.000 claims abstract description 196
- 230000008569 process Effects 0.000 claims abstract description 63
- 238000012360 testing method Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 37
- 230000004913 activation Effects 0.000 claims description 25
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种训练方法、装置、服务器、平台及存储介质,其中训练方法包括:在训练配置过程中,向客户端发送多个配置提示信息;其中,一个配置提示信息用于在一个训练配置环节,提示客户端确定训练配置环节的训练配置信息,训练配置过程包括多个训练配置环节;获取客户端反馈的多个配置确定信息,其中,一个配置确定信息用于指示客户端确定的一个训练配置环节的训练配置信息;训练配置信息至少包括:训练使用的目标数据库及目标机器学习模型,目标数据库至少包括训练样本;根据目标数据库训练目标机器学习模型,以得到训练后的目标机器学习模型。本发明实施例能够降低机器学习的入门门槛和局限性,使得机器学习能够被更多的用户使用。
Description
技术领域
本发明实施例涉及机器学习技术领域,具体涉及一种训练方法、装置、服务器、平台及存储介质。
背景技术
机器学习是以机器(如计算机等具有数据处理能力的设备)为工具,利用机器学习模型模拟人类的学习行为,从而对机器学习模型进行训练,使得机器学习模型具备新功能的技术,其在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等众多场景下存在广泛应用。
机器学习主要分为机器学习模型训练过程和应用过程,在机器学习模型训练过程,可利用数据对机器学习模型进行训练,从而使得机器学习模型具备新功能;在机器学习模型应用过程,可利用训练后的机器学习模型,在计算机视觉、语音识别等具体应用场景下进行应用。
可见,训练机器学习模型是机器学习的重要过程,然而训练机器学习模型需要用户(如技术人员)具有较高的专业知识,用户往往需要花费大量时间学习机器学习知识,才能掌握训练机器学习模型的技能,这使得机器学习的入门门槛较高,导致机器学习存在一定的局限性。
发明内容
有鉴于此,本发明实施例提供一种训练方法、装置、服务器、平台及存储介质,以降低机器学习的入门门槛和局限性。
为实现上述目的。本发明实施例提供如下技术方案:
一种训练方法,应用于服务器,所述方法包括:
在训练配置过程中,向客户端发送多个配置提示信息;其中,一个所述配置提示信息用于在一个训练配置环节,提示所述客户端确定所述训练配置环节的训练配置信息,所述训练配置过程包括多个训练配置环节;
获取所述客户端反馈的多个配置确定信息,其中,一个所述配置确定信息用于指示所述客户端确定的一个所述训练配置环节的训练配置信息;所述训练配置信息至少包括:训练使用的目标数据库及目标机器学习模型,所述目标数据库至少包括训练样本;
根据所述目标数据库训练所述目标机器学习模型,以得到训练后的目标机器学习模型。
本发明实施例还提供一种训练装置,包括:
配置提示模块,用于在训练配置过程中,向客户端发送多个配置提示信息;其中,一个所述配置提示信息用于在一个训练配置环节,提示所述客户端确定所述训练配置环节的训练配置信息,所述训练配置过程包括多个训练配置环节;
配置确定模块,用于获取所述客户端反馈的多个配置确定信息,其中,一个所述配置确定信息用于指示所述客户端确定的一个所述训练配置环节的训练配置信息;所述训练配置信息至少包括:训练使用的目标数据库及目标机器学习模型,所述目标数据库至少包括训练样本;
训练执行模块,用于根据所述目标数据库训练所述目标机器学习模型,以得到训练后的目标机器学习模型。
本发明实施例还提供一种服务器,包括至少一个存储器和至少一个处理器,所述存储器存储程序,所述处理器调用所述程序,以执行上述任一项所述的训练方法。
本发明实施例还提供一种平台,包括如上述所述的服务器,记录多个机器学习模型的模型库及多个数据库,一个机器学习模型对应至少一个数据库。
本发明实施例还提供一种存储介质,所述存储介质存储执行上述任一项所述的训练方法的程序。
使用本发明实施例提供的训练方法,服务器可在训练配置过程中,向客户端发送多个配置提示信息,其中,一个所述配置提示信息用于在一个训练配置环节,提示所述客户端确定所述训练配置环节的训练配置信息;从而,服务器可获取到所述客户端反馈的多个配置确定信息,其中,一个所述配置确定信息用于指示所述客户端确定的一个所述训练配置环节的训练配置信息,所述训练配置信息至少包括:训练使用的目标数据库及目标机器学习模型;进而,服务器可基于所述目标数据库训练所述目标机器学习模型,以得到训练后的目标机器学习模型,实现机器学习模型的训练。
可见,在本发明实施例提供的训练方法中,服务器可在多个训练配置环节,向客户端发送配置提示信息,使得客户端可在配置提示信息的提示下,确定训练配置环节的训练配置信息;从而服务器获取到客户端确定的训练配置环节的训练配置信息后,可确定目标数据库,目标机器学习模型等训练配置信息,进而服务器能够根据所述目标数据库训练所述目标机器学习模型,实现训练机器学习模型。本发明实施例可在多个训练配置环节,向客户端发送配置提示信息,以提示客户端确定训练配置环节的训练配置信息,这使得客户端可基于提示确定训练机器学习模型所需的训练配置信息,训练配置信息的确定过程极为便捷、高效,且使用客户端的用户不需要具有较高的专业知识,也能够在配置提示信息的提示下确定训练配置信息,因此,本发明实施例能够降低机器学习的入门门槛和局限性,使得机器学习能够被更多的用户使用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通用户来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为训练学习模型的阶段示例图;
图2为本发明实施例提供的训练方法的流程图;
图3为训练配置过程的示例图;
图4为客户端进行提示的显示界面示例图;
图5为本发明实施例提供的服务器向客户端发送多个配置提示信息的流程图;
图6为本发明实施例提供的服务器向所述客户端发送数据库配置提示信息的流程图;
图7为本发明实施例提供的客户端上传目标数据库的流程图;
图8为目标数据库的结构示例图;
图9为本发明实施例提供的服务器确定目标机器学习模型的流程图;
图10为本发明实施例提供的服务器确定客户端自定义的目标机器学习模型的流程图;
图11为第一层网络结构为全连接层时,确定目标机器学习模型的流程图;
图12为第一层网络结构为卷积连接层时,确定目标机器学习模型的流程图;
图13为通过机器学习模型进行预测的流程图;
图14为本发明实施例提供的训练装置的框图;
图15为服务器的框图。
具体实施方式
由背景技术可知,机器学习(Machine Learning,ML)是专门研究计算机怎样模拟或实现人类的学习行为,以使得计算机获取新的知识或技能,并不断改善自身性能的技术。深度学习是机器学习的一个分支,深度学习所使用的机器学习模型主要以神经网络模型为主,是一种以神经网络模型为架构,对数据进行表征学习的技术。
无论深度学习,还是其他形式的机器学习技术,均涉及到对机器学习模型的训练;在训练机器学习模型的过程中,需要用户掌握训练机器学习模型的专业知识,这无疑使得用户需要消耗大量的时间与精力掌握专业知识,导致机器学习的入门门槛较高;为此,本发明实施例提供一种改进的机器学习模型训练方法,以在训练机器学习模型的训练配置过程中,对用户进行提示,并基于提示后的用户反馈,来确定训练机器学习模型的训练配置信息,从而便捷、高效的实现机器学习模型的训练配置,降低机器学习门槛,使得机器学习能够被更多的用户使用。
基于此,本发明实施例提供的一种训练方法,服务器可在训练配置过程中,向客户端发送多个配置提示信息,其中,一个所述配置提示信息用于在一个训练配置环节,提示所述客户端确定所述训练配置环节的训练配置信息;从而,服务器可获取到所述客户端反馈的多个配置确定信息,其中,一个所述配置确定信息用于指示所述客户端确定的一个所述训练配置环节的训练配置信息,所述训练配置信息至少包括:训练使用的目标数据库及目标机器学习模型;进而,服务器可基于所述目标数据库训练所述目标机器学习模型,以得到训练后的目标机器学习模型,实现机器学习模型的训练,从而高效、便捷的实现机器学习模型的训练,降低机器学习门槛。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例一种可选的实现方式中,如图1所示,训练机器学习模型可以分为训练配置过程和训练执行过程;训练配置过程主要用于确定训练机器学习模型所使用的训练配置信息,训练配置过程可以包括多个训练配置环节,可以通过确定该多个训练配置环节分别对应的训练配置信息,以实现确定训练机器学习模型所使用的训练配置信息;训练执行过程主要用于基于训练配置过程确定的训练配置信息,执行机器学习模型的训练;训练配置过程一般需要用户具有较高的机器学习知识,才能实现训练配置信息的准确、高效确定,这无疑对更多用户使用机器学习技术带来了阻碍,导致机器学习的门槛较高;
基于此,本发明实施例可在训练配置过程,通过向用户使用的客户端发送配置提示信息,以提示用户如何在训练配置过程实现训练配置信息的确定,从而用户可在具有提示的情况下反馈确定的训练配置信息,使得本发明实施例可基于用户反馈的训练配置信息实现机器学习模型的训练执行;本发明实施例可在训练配置过程,通过向用户进行提示的方式,来实现确定训练配置信息,这样用户可以在不需较多机器学习知识的情况下,使用机器学习技术,实现降低机器学习的入门门槛和局限性的目的。
在一种可选的实施例中,图2为本发明实施例所示的一种训练方法的流程图,如图2所示,该方法可以由服务器和客户端交互实现,服务器可以是网络平台的服务设备,该网络平台可以是为用户提供机器学习模型训练服务的互联网平台;客户端可以是用户的用户端,例如用户使用的个人计算机、笔记本电脑、智能手机等用户设备;参照图2,本发明实施例提供的训练方法可以包括如下步骤:
S1.在训练配置过程中,服务器向客户端发送多个配置提示信息。
其中,一个所述配置提示信息用于在一个训练配置环节,提示所述客户端确定所述训练配置环节的训练配置信息,所述训练配置过程包括多个训练配置环节。
在本发明实施例中,机器学习模型的训练配置过程可以分为多个训练配置环节,一个训练配置环节可以认为是对机器学习模型的一项训练信息进行配置;示例的,如图3所示,图3示出了机器学习模型的训练配置过程的示例,机器学习模型的训练配置过程可以包括:数据库配置环节,应用场景配置环节和模型配置环节等;数据库训练配置环节主要实现确定训练机器学习模型所使用的目标数据库;应用场景配置环节主要实现确定机器学习模型应用的目标应用场景;模型配置环节主要实现确定训练所使用的目标机器学习模型,如训练使用的目标机器学习模型的类型、结构等。
本发明实施例可在训练配置过程的多个训练配置环节,由服务器向客户端发送各训练配置环节的配置提示信息,以提示客户端对各训练配置环节的训练配置信息进行确定,使得用户在训练配置过程中可基于提示实现对机器学习模型的训练配置。
S2.客户端根据获取的配置提示信息展示相应的提示内容,响应用户对提示内容的操作,确定各个配置提示信息相应的配置确定信息。
客户端获取配置提示信息后,可将配置提示信息相应的提示内容进行展示,以便用户基于提示内容确定相应的配置确定信息,例如客户端在获得到应用场景配置环节对应的配置提示信息时,可展示应用场景配置环节的提示内容,从而用户可基于该提示内容,确定应用场景配置环节对应的配置确定信息。
示例的,以应用场景配置环节的提示为例,图4示出了客户端展示的提示内容的示例,图4中展示了客户端的显示界面,在一种可选实现中,该显示界面可以展示可供用户选择的多个应用场景,例如图4中所示的人脸识别、数字识别、图像识别等应用场景,从而用户可从该多个应用场景中选择目标应用场景,以用户选择的目标应用场景为人脸识别为例,则用户可点击人脸识别,实现在应用场景配置环节确定人脸识别为目标应用场景。其他训练配置环节的配置提示信息的展示可同理实现,当然,由用户通过选择决定配置确定信息仅是一种可选方式,用户也可能自定义配置确定信息。
在本发明实施例中,一个所述配置确定信息可对应一个配置提示信息,用于指示所述客户端确定的一个训练配置环节的训练配置信息。
S3.客户端向服务器反馈各个配置提示信息相应的配置确定信息,一个所述配置确定信息用于指示所述客户端确定的一个所述训练配置环节的训练配置信息;所述训练配置信息至少包括:训练使用的目标数据库及目标机器学习模型,所述目标数据库至少包括训练样本。
相应的,基于步骤S3,服务器可获取到所述客户端反馈的多个配置确定信息,其中,一个所述配置确定信息用于指示所述客户端确定的一个所述训练配置环节的训练配置信息,由于在机器学习模型的训练执行过程中,训练使用的数据库和机器学习模型的类型或结构是必须配置的内容,因此本发明实施例中,所确定的配置确定信息应至少包括:训练使用的目标数据库及目标机器学习模型。
在本发明一种可选的实施例中,所述目标数据库应包括训练样本,在发明其他的实施例中,所述目标数据库不仅包括训练样本,还可以包括测试样本。
S4.服务器根据所述目标数据库训练所述目标机器学习模型,以得到训练后的目标机器学习模型。
基于前述步骤,客户端可在服务器的提示下,至少实现对目标数据库和目标机器学习模型的配置,从而服务器可根据所述目标数据库训练所述目标机器学习模型,以得到训练后的目标机器学习模型。
可选的,所述根据目标数据库训练所述目标机器学习模型可以为,基于目标数据库中的训练样本,对目标机器学习模型进行迭代训练,从而在训练结束后,使得目标机器学习模型具有某种新功能,该新功能一般与配置的目标应用场景相匹配。
基于本发明实施例提供的训练方法,服务器可在多个训练配置环节,向客户端发送配置提示信息,使得客户端可在配置提示信息的提示下,确定训练配置环节的训练配置信息;从而服务器获取到客户端确定的训练配置环节的训练配置信息后,可确定目标数据库,目标机器学习模型等训练配置信息,进而服务器能够根据所述目标数据库训练所述目标机器学习模型,实现训练机器学习模型。本发明实施例可在多个训练配置环节,向客户端发送配置提示信息,以提示客户端确定训练配置环节的训练配置信息,这使得客户端可基于提示确定训练机器学习模型所需的训练配置信息,训练配置信息的确定过程极为便捷、高效,且使用客户端的用户不需要具有较高的专业知识,也能够在配置提示信息的提示下确定训练配置信息,因此,本发明实施例能够降低机器学习的入门门槛和局限性,使得机器学习能够被更多的用户使用。
作为一种可选实现,机器学习的训练配置过程所包括的多个训练配置环节可以至少例如:数据库配置环节,应用场景配置环节和模型配置环节;以该多个训练配置环节为例,可选的,站在服务器的角度,服务器向客户端发送多个配置提示信息的流程可以如图5所示,包括:
S11.在所述数据库配置环节,向所述客户端发送数据库配置提示信息,所述数据库配置提示信息用于提示所述客户端确定所述目标数据库。
数据库配置环节为训练配置过程的一个环节,主要用于配置机器学习模型所使用的目标数据库。本发明实施例可在数据库配置环节,向所述客户端发送数据库配置提示信息,以提示用户配置机器学习模型所使用的目标数据库。
可选的,数据库配置提示信息可以为从预设的多个数据库中选择目标数据库的提示信息;在另一种可选实现中,数据库配置提示信息也可以是提示客户端自行设置目标数据库的提示信息,客户端可将本地数据库作为目标数据库。
可选的,本发明实施例预设的数据库例如FERET人脸数据库、CMU Multi-PIE人脸数据库、YALE人脸数据库、ORL人脸数据库、MNIST手写数字数字识别数据库、AISHELL-ASR0009-OS1语音识别数据库、LibriSpeech语音识别数据库、VoxForge语音识别数据库、TIMIT语音识别数据库、LabelMe图像处理数据库、ImageNet图像处理数据库、TinyImage图像处理数据库、PASCAL VOC图像处理数据库、CIFAR图像处理数据库等,一般而言,不同的应用场景需要使用不同的数据库。
可选的,当客户端将自行设置的本地数据库作为目标数据库时,客户端需要将自行设置的本地数据库上传至服务器。
S12.在所述应用场景配置环节,向所述客户端发送应用场景配置提示信息,所述应用场景配置提示信息用于提示所述客户端确定目标应用场景。
应用场景配置环节是训练配置过程的一个环节,主要用于配置机器学习模型所用于的目标应用场景。本发明实施例可在应用场景配置环节,向所述客户端发送应用场景配置提示信息,以提示用户配置机器学习模型所使用的目标应用场景。
可选的,应用场景配置提示信息可以是提示用户从多个设定的应用场景中选择应用场景的提示信息,多个设定的应用场景例如人脸识别,数字识别或者图像识别等场景。在其他可选的实施例中,也可是客户端自定义应用场景。
S13.在所述模型配置环节,向所述客户端发送模型配置提示信息,所述模型配置提示信息用于提示所述客户端确定所述目标机器学习模型。
模型配置环节是训练配置过程的一个环节,主要用于配置机器学习模型所使用的目标机器学习模型。本发明实施例可在模型配置环节,向所述客户端发送模型配置提示信息,以提示用户配置机器学习模型所使用的目标机器学习模型。
可选的,模型配置提示信息可以为从预设的多个机器学习模型中选择目标机器学习模型的提示信息;在另一种可选实现中,模型配置提示信息也可以是提示客户端自行设置目标机器学习模型的提示信息。
在一种可选实现方式中,在人脸识别应用场景中,用户可选择的常用的机器学习模型例如:LFA(Local Face Analysis,局部人脸分析)模型,PCA(principal componentanalysis,主成分分析)模型,SVM(Support Vector Machine,支持向量机)模型,神经网络模型;神经网络模型包括VGG(Visual Geometry Group,视觉几何组)和CNN(CascadedConvolutional Networks,级联卷积网络)等。
又如在图像识别场景中,用户可选择的常用的机器学习模型例如:SIFT(Scaleinvariant feature transform,尺度不变特征变换算法)模型,SURF
(Speeded Up Robust Features,加速鲁棒特征)模型,角点检测Harris算法模型,特征点检测FAST算法模型,ORB(ORiented Brief,定向简介)算法模型,FREAK(Fast RetinaKeypoint,特征点匹配)算法模型。
再如基于语音识别场景,用户可选择的常用的机器学习模型例如:DTW(Dynamictime warping,动态时间规整)模型、hmm(Hidden Markov model,隐马尔可夫模型)模型、VQ(Vector quantization,矢量量化技术)模型等。
可选的,上述所述的应用场景配置环节可以位于所述模型配置环节之前,所述数据库配置环节可以位于所述模型配置环节之前。在本发明另一种可选的实施例中,所述应用场景配置环节可以位于所述模型配置环节之前,所述数据库配置环节位于所述模型配置环节之后。当然,所述数据库配置环节和所述模型配置环节的顺序可根据实际情况调整,本发明实施例并不局限。
可选的,在用户从多个数据库中选择目标数据库的场景下,服务器向所述客户端发送数据库配置提示信息的可选流程可以如图6所示,该流程可以包括:
S21.向所述客户端至少发送预设的多个数据库标识及数据库选择提示信息,所述数据库选择提示信息用于提示所述客户端从所述多个数据库标识中选择目标数据库标识;其中,一个数据库标识用于标识所述服务器预设的一个数据库,所述服务器对于一个应用场景预设有至少一个数据库。
可选的,数据库标识为对数据库进行表示的标识信息,不同的数据库可以具有不同的数据库标识(例如数据库名称),以实现区分不同的数据库;服务器向客户端发送预设的多个数据库标识和数据库选择提示信息,从而可提示客户端根据自己的需求,从预设的多个数据库标识中选择目标数据库标识,该目标数据库标识对应的数据库为目标数据库。
在本发明一种可选的实施方式中,所述服务器对于一个应用场景可以设定一个数据库,在本发明可选的其他实现方式中,对于一个应用场景也可以设定多个数据库。
S22.获取所述客户端从所述多个数据库标识中选择的目标数据库标识,所述目标数据库标识用于标识所述目标数据库。
可选的,在确定目标数据库后,为实现对目标机器学习模型的训练,本发明实施例还可确定目标数据库中训练目标机器学习模型所使用的训练样本和测试样本;在可选实现中,客户端可针对所述目标数据库定义训练样本和测试样本,从而服务器可在根据所述目标数据库训练所述目标机器学习模型之前,获取所述客户端针对所述目标数据库定义的训练样本和测试样本。
在可选实现中,所述训练样本对应有多个训练数据类型,所述测试样本对应有多个测试数据类型;所述多个训练数据类型的第一数量及所述多个测试数据类型的第二数量均不大于预设全类型数量,且均不小于预设类型数量下限;所述训练样本的训练数据的数量大于所述第一数量,且为所述第一数量的倍数,一个所述训练数据类型对应有多个训练数据;所述测试样本的测试数据的数量大于所述第二数量,且为所述第二数量的倍数,一个所述测试数据类型对应有多个测试数据;
可选的,在MNIST手写数据库中,训练数据类型,训练标签,测试数据类型,测试标签均为系统默认值,例如:训练数据类型60000个,训练标签60000个,测试数据类型10000个,测试标签10000个。
可选的,所述多个训练数据类型的第一数量及所述多个测试数据类型的第二数量均不大于预设全类型数量,且均不小于预设类型数量下限的可选实现方式例如:在MNIST手写数据集中,存在0-9个预设全类型,即10个预设全类型数量,且所述预设类型数量下限设置为2。则多个训练数据类型的第一数量及所述多个测试数据类型的第二数量小于等于10,大于2。
可选的,在本发明一种可选的实施例中,所述训练样本的训练数据的数量大于所述第一数量,且为所述第一数量的倍数,一个所述训练数据类型对应有多个训练数据,则能够保证每一训练数据类型的样本数量基本一致,达到较好的训练效果。
在本发明其它可选的实施例中,所述测试样本的测试数据的数量大于所述第二数量,且为所述第二数量的倍数,一个所述测试数据类型对应有多个测试数据,则能够保证每一测试数据类型的样本数量基本一致,达到较好的测试效果。
需要说明的是,训练数据是用于实现对机器学习模型执行训练的数据,测试数据是对训练后的机器学习模型进行测试的数据,以验证机器学习模型训练后的效果。
可选的,在用户自定义目标数据库的情况下,客户端可以向服务器上传目标数据库,请参见图7,图7示出了客户端上传目标数据库的一种可选的实现方式,具体如下:
S31.向所述客户端发送目标数据库上传提示信息。
在用户自行上传目标数据库的情况下,服务器可向客户端发送上传目标数据的提示信息。
S32.获取所述客户端上传的目标数据库。
在一种可选实现中,为便于服务器的数据整理,客户端上传的目标数据库可以为树状数据结构;可选的,所述树状数据结构可以包括:根节点,归属于所述根节点的训练样本和测试样本,归属于所述训练样本的多个训练数据类型,归属于一个所述训练数据类型的多个训练数据,归属于所述测试样本的多个测试数据类型,归属于所述测试数据类型的多个测试数据;其中,所述训练数据和所述测试数据对应所述树状数据结构的叶子节点。
在本发明实施例一种可选的实施方式中,请参见图8,图8示出了客户端上传的目标数据库的结构图。
如图8所示,Own为根节点,Trainsamples为训练样本,Testsamples为测试样本,Trainsamples(训练样本)与Testsamples(测试样本)归属于own(根节点),且Trainsamples下具有多个训练数据类型,以图中Trainsamples下的class1、...class n进行表示,其中class表示数据类型,Trainsamples的一个class下具有多个归属于该class的训练数据,以图中s1至sn表示;相应的,Testsamples分别具有多个测试数据类型,以图中Testsamples下的class1、...class n进行表示,Testsamples的一个class下具有多个归属于该class的测试数据;从图中可以看出训练数据和测试数据均为的叶子结点。
可选的,在确定目标应用场景后,用户可从服务器预设的多个机器学习模型中确定目标机器学习模型,图9示出了服务器确定目标机器学习模型的一种可选的实现方式,其步骤可以如下:
S41.服务器向所述客户端发送所述目标应用场景对应的至少一个模型标识,一个所述模型标识用于标识所述目标应用场景预设的一个机器学习模型。
可选的,在所述目标应用场景中对应有各个模型,所述任一个模型均存在一个模型标识。
在本发明一种可选的实施方式中,所述目标应用场景中的机器学习模型可以为一个,在本发明其他可选的实施方式中,所述目标应用场景中的机器学习模型也可以为多个,可根据要求进行调整。
S42.服务器获取所述客户端从所述至少一个模型标识中选择的目标模型标识,所述目标模型标识用于标识所述目标机器学习模型。
在一种可选的实施例中,客户端可根据自身的需要确定所述机器学习模型,具体的,可从若干个机器学习模型标识中选取一个模型标识,所选取的模型标识对应的机器学习模型为目标机器学习模型。
在本发明其他可选的实施例中,客户端也可自定义目标机器学习模型,图10示出了服务器确定所述客户端自定义的目标机器学习模型一种可选的实施方式,具体步骤可以包括:
S51.服务器获取所述客户端自定义的第一层网络结构,至少一层中间层网络结构及输出层;其中,所述第一层网络结构和至少一层中间层网络结构中,相邻层的网络结构之间定义有池化层。
S52.服务器获取所述客户端定义的配置学习参数。
可选的,所述客户端定义的配置学习参数可以为,通过服务器设置对学习参数进行更改。
在本发明的一种可选的实施例中,可通过定义优化器optimizer,所述优化器的字符串标识符可通过BGD,SGD,rmsprop或adagrad等进行标识,定义损失函数loss,所述损失函数loss为模型试图最小化的目标函数,现有损失函数的字符串标识符可通过categorical_crossentropy或mean_squared_error,squared_hinge进行标识,定义评估标准metrics,所述评估标准metrics可通过accuracy进行确定。
在本发明一种可选的实施方式中,参见图11,图11示出了第一层网络结构为全连接层时,确定目标机器学习模型的流程图,其步骤具体可以为:
S61.获取所述客户端自定义的全连接层的神经元个数,激活函数,及输入样本大小,所述输入样本的大小与所述训练样本的大小一致。
可选的,所述全连接层的神经元个数为正整数。
其中,所述激活函数用于将数据特征进行两两组合,进行三三组合或者其它的组合,一般为线性激活,即a(x)=x,通常所述激活函数有sigmoid函数,tanh函数,relu函数等函数。
可选的,步骤S61可以认为是所述客户端定义的第一层网络结构的可选实现,客户端还可对训练样本的样本大小进行定义,所述训练样本的维度可以为一维,两维...n维,所述n维为整数维,例如训练样本为一张图片,可以定义为(100,100,3)的三维结构,即所述训练样本长为100,宽为100,通道为3,其中,若所述训练样本维度不进行特殊设定,则所述训练样本默认维度为一维。
S62.对于任一层中间层网络结构,获取所述客户端自定义的全连接层的神经元个数及激活函数。
其中,上述中间层网络结构可以由所述全连接层的神经元个数,激活函数构成,所述神经元个数与所述激活函数与上述描述相同,这里不再进行赘述。
可选的,所述中间层网络结构可以有一个或多个。
在本发明实施例可选的实现方式中,所述第一层网络结构与所述中间层中间还定义有池化层,所述池化层位于任一相邻两层网络层之间。
可选的,所述池化层定义可通过所述池化因子进行确定,在本发明一种可选的实施例中,所述池化因子可以为0.5。
S63.获取所述客户端定义的全连接网络结构,所述全连接网络结构的神经元个数及激活函数。
可选的,所述神经元个数为客户端目的输出的数量,在本发明一种可选的实现方式,例如MNIST手写数字库,个数可以为10,即0-9个预设类别数。
可选的,所述激活函数可以为softmax函数。
在另一种可选的实现方式中,第一层网络结构也可以为卷积连接层,参见图12,图12示出了第一层网络结构为卷积连接层时,确定目标机器学习模型的流程图,其步骤可以包括:
S71.获取所述客户端自定义的卷积连接层的卷积滤波器的个数,卷积核大小,激活函数及输入样本大小。
可选的,所述卷积连接层的卷积滤波器的个数与所述卷积核的大小均为正整数。
其中,所述激活函数用于将数据特征进行两两组合,进行三三组合或者其它的组合,一般为线性激活,即a(x)=x,通常所述激活函数有sigmoid函数,tanh函数,relu函数等函数。
S72.对于任一层中间层网络结构,获取所述客户端自定义的卷积连接层的卷积滤波器的个数,卷积核大小及激活函数。
S73.获取所述客户端定义的全连接网络结构,所述全连接网络结构的神经元个数及激活函数。
可选的,在所述根据所述目标数据库训练所述目标机器学习模型之时,还可以包括,向所述客户端发送训练过程信息,所述训练过程信息包括如下至少一项:训练预计时间,预计剩余时间,训练的正确率,训练损失,训练错误信息。
可选的,在训练错误,和/或训练完成得到训练后的目标机器学习模型时,服务器还可向所述客户端发送相应通知信息,以通知所述训练过程中出现的错误信息,和/或训练完成的信息。
可选的,服务器还可保存训练后的目标机器学习模型,和/或,基于所述客户端的目标机器学习模型下载请求,将训练后的目标机器学习模型发送给所述客户端。
在上述目标机器学习模型训练结束后,本发明实施例还可利用训练后的目标机器学习模型进行预测,参见图13,图13示出了通过机器学习模型进行预测的流程图。
S81.获取所述客户端发送的预测请求,所述预测请求用于请求所述服务器利用所述训练后的目标机器学习模型,对预测数据进行预测。
S82.利用所述训练后的目标机器学习模型,对预测数据进行预测,得到预测结果。
S83.将所述预测结果发送给所述客户端。
本发明实施例中,服务器可在多个训练配置环节,向客户端发送配置提示信息,使得客户端可在配置提示信息的提示下,确定训练配置环节的训练配置信息,方便调整训练配置过程中信息的更改,客户端拥有对整体过程更加直观的感受;服务器获取到客户端确定的训练配置环节的训练配置信息后,可确定目标数据库,目标机器学习模型等训练配置信息,进而服务器能够根据所述目标数据库训练所述目标机器学习模型,实现训练机器学习模型,训练配置信息的确定过程极为便捷、高效,且使用客户端的用户不需要具有较高的专业知识,也能够在配置提示信息的提示下确定训练配置信息,降低了机器学习的门槛;本发明实施例中可向所述客户端发送训练过程信息,所述训练过程信息包括:训练预计时间,预计剩余时间,训练的正确率,训练损失,训练错误信息,且训练过程信息能够在服务器平台上实时显示,客户端可根据自己的时间合理安排训练的工作进度,提高训练效率。
下面对本发明实施例提供的训练装置进行介绍,下文描述的训练装置可以认为是服务器为实现本发明实施例提供的训练方法,所需设置的功能模块。下文描述的训练装置的内容,可与上文描述的训练方法的内容相互对应参照。
可选的,图14示出了本发明实施例提供的训练装置的一种可选框图,训练装置可以是终端设备,也可以是服务器设备;参见图14,该训练装置可以包括:该流程可以包括:
配置提示模块101,用于在训练配置过程中,向客户端发送多个配置提示信息;其中,一个所述配置提示信息用于在一个训练配置环节,提示所述客户端确定所述训练配置环节的训练配置信息,所述训练配置过程包括多个训练配置环节;
配置确定模块201,用于获取所述客户端反馈的多个配置确定信息,其中,一个所述配置确定信息用于指示所述客户端确定的一个所述训练配置环节的训练配置信息;所述训练配置信息至少包括:训练使用的目标数据库及目标机器学习模型,所述目标数据库至少包括训练样本;
训练执行模块301,用于根据所述目标数据库训练所述目标机器学习模型,以得到训练后的目标机器学习模型。
可选的,所述多个训练配置环节至少包括:数据库配置环节,应用场景配置环节和模型配置环节;所述配置提示模块101,用于在训练配置过程中,向客户端发送多个配置提示信息包括:
在所述数据库配置环节,向所述客户端发送数据库配置提示信息,所述数据库配置提示信息用于提示所述客户端确定所述目标数据库;
及,在所述应用场景配置环节,向所述客户端发送应用场景配置提示信息,所述应用场景配置提示信息用于提示所述客户端确定目标应用场景;
及,在所述模型配置环节,向所述客户端发送模型配置提示信息,所述模型配置提示信息用于提示所述客户端确定所述目标机器学习模型。
可选的,配置确定模块201,用于所述获取所述客户端反馈的多个配置确定信息包括:
获取所述客户端基于所述数据库配置提示信息所反馈的数据库配置确定信息,所述数据库配置确定信息用于指示所述客户端确定的所述目标数据库;
及,获取所述客户端基于所述应用场景配置提示信息所反馈的应用场景确定信息,所述应用场景确定信息用于指示所述客户端确定的所述目标应用场景;
及,获取所述客户端基于所述模型配置提示信息所反馈的模型配置确定信息,所述模型配置确定信息用于指示所述客户端确定的所述目标机器学习模型。
可选的,所述应用场景配置环节位于所述模型配置环节之前,所述数据库配置环节位于所述模型配置环节之前或者之后。
可选的,所述配置提示模块101,用于所述向所述客户端发送数据库配置提示信息包括:
向所述客户端至少发送预设的多个数据库标识及数据库选择提示信息,所述数据库选择提示信息用于提示所述客户端从所述多个数据库标识中选择目标数据库标识;其中,一个数据库标识用于标识所述服务器预设的一个数据库,所述服务器对于一个应用场景预设有至少一个数据库;
所述配置确定模块201,用于获取所述客户端基于所述数据库配置提示信息所反馈的数据库配置确定信息包括:
获取所述客户端从所述多个数据库标识中选择的目标数据库标识,所述目标数据库标识用于标识所述目标数据库。
可选的,本发明实施例提供的装置还可用于:在所述根据所述目标数据库训练所述目标机器学习模型之前,获取所述客户端针对所述目标数据库定义的训练样本和测试样本。
可选的,所述训练样本对应有多个训练数据类型,所述测试样本对应有多个测试数据类型;所述多个训练数据类型的第一数量及所述多个测试数据类型的第二数量均不大于预设全类型数量,且均不小于预设类型数量下限;所述训练样本的训练数据的数量大于所述第一数量,且为所述第一数量的倍数,一个所述训练数据类型对应有多个训练数据;所述测试样本的测试数据的数量大于所述第二数量,且为所述第二数量的倍数,一个所述测试数据类型对应有多个测试数据。
可选的,所述配置提示模块101,用于向所述客户端发送数据库配置提示信息包括:
向所述客户端发送目标数据库上传提示信息;
所述配置确定模块201,用于获取所述客户端基于所述数据库配置提示信息所反馈的数据库配置确定信息包括:
获取所述客户端上传的目标数据库。
可选的,所述目标数据库为树状数据结构,所述树状数据结构包括:根节点,归属于所述根节点的训练样本和测试样本,归属于所述训练样本的多个训练数据类型,归属于一个所述训练数据类型的多个训练数据,归属于所述测试样本的多个测试数据类型,归属于所述测试数据类型的多个测试数据;其中,所述训练数据和所述测试数据对应所述树状数据结构的叶子节点。
可选的,所述配置提示模块101,用于向所述客户端发送模型配置提示信息包括:
向所述客户端发送所述目标应用场景对应的至少一个模型标识,一个所述模型标识用于标识所述目标应用场景预设的一个机器学习模型;
所述配置确定模块201,用于获取所述客户端基于所述模型配置提示信息所反馈的模型配置确定信息包括:
获取所述客户端从所述至少一个模型标识中选择的目标模型标识,所述目标模型标识用于标识所述目标机器学习模型。
可选的,所述配置提示模块101,用于向所述客户端发送模型配置提示信息包括:
向所述客户端发送自定义目标机器学习模型的提示信息;
所述配置确定模块201,用于获取所述客户端基于所述模型配置提示信息所反馈的模型配置确定信息包括:
获取所述客户端自定义的目标机器学习模型。
可选的,所述配置确定模块201,用于获取所述客户端自定义的目标机器学习模型包括:
获取所述客户端自定义的第一层网络结构,至少一层中间层网络结构及输出层;其中,所述第一层网络结构和至少一层中间层网络结构中,相邻层的网络结构之间定义有池化层;
获取所述客户端定义的配置学习参数。
可选的,所述配置确定模块201,用于获取所述客户端自定义的第一层网络结构包括:
获取所述客户端自定义的全连接层的神经元个数,激活函数,及输入样本大小,所述输入样本的大小与所述训练样本的大小一致;
或,获取所述客户端自定义的卷积连接层的卷积滤波器的个数,卷积核大小,激活函数及输入样本大小。
可选的,所述配置确定模块201,用于获取所述客户端自定义的至少一层中间层网络结构包括:
对于任一层中间层网络结构,获取所述客户端自定义的全连接层的神经元个数及激活函数;
或,对于任一层中间层网络结构,获取所述客户端自定义的卷积连接层的卷积滤波器的个数,卷积核大小及激活函数。
可选的,所述配置确定模块201,用于获取所述客户端自定义输出层包括:
获取所述客户端定义的全连接网络结构,所述全连接网络结构的神经元个数及激活函数。
可选的,本发明实施例提供的装置还可用于:
在所述根据所述目标数据库训练所述目标机器学习模型之时,向所述客户端发送训练过程信息,所述训练过程信息包括如下至少一项:训练预计时间,预计剩余时间,训练的正确率,训练损失,训练错误信息。
可选的,本发明实施例提供的装置还可用于:
在训练错误,和/或训练完成得到训练后的目标机器学习模型时,向所述客户端发送相应通知信息。
可选的,本发明实施例提供的装置还可用于:
保存训练后的目标机器学习模型,和/或,基于所述客户端的目标机器学习模型下载请求,将训练后的目标机器学习模型发送给所述客户端。
可选的,本发明实施例提供的装置还可用于:
获取所述客户端发送的预测请求,所述预测请求用于请求所述服务器利用所述训练后的目标机器学习模型,对预测数据进行预测;
利用所述训练后的目标机器学习模型,对预测数据进行预测,得到预测结果;
将所述预测结果发送给所述客户端。
本发明实施例还提供一种服务器,该服务器可通过装载上述所述的训练装置,以实现本发明实施例提供的训练方法。可选的,该服务器的一种可选硬件结构可以如图15所示,包括:至少一个处理器01,至少一个通信接口02,至少一个存储器03和至少一个通信总线04;
在本发明实施例中,处理器01、通信接口02、存储器03通过通信总线04完成相互间的通信;
处理器01可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器03可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,存储器03存储有程序,处理器01调用存储器03所存储的程序,执行本发明实施例提供的训练方法。
本发明实施例还提供一种平台,包括如上述所述的服务器,记录多个机器学习模型的模型库及多个数据库,一个机器学习模型对应至少一个数据库。
本发明实施例还提供一种存储介质,该存储介质可以存储执行本发明实施例提供的训练方法的程序。
上文描述了本发明实施例提供的多个实施例方案,各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用,从而延伸出多种可能的实施例方案,这些均可认为是本发明实施例披露、公开的实施例方案。
虽然本发明实施例披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (23)
1.一种训练方法,其特征在于,应用于服务器,所述方法包括:
在训练配置过程中,向客户端发送多个配置提示信息;其中,一个所述配置提示信息用于在一个训练配置环节,提示所述客户端确定所述训练配置环节的训练配置信息,所述训练配置过程包括多个训练配置环节;
获取所述客户端反馈的多个配置确定信息,其中,一个所述配置确定信息用于指示所述客户端确定的一个所述训练配置环节的训练配置信息;所述训练配置信息至少包括:训练使用的目标数据库及目标机器学习模型,所述目标数据库至少包括训练样本;
根据所述目标数据库训练所述目标机器学习模型,以得到训练后的目标机器学习模型。
2.根据权利要求1所述的训练方法,其特征在于,所述多个训练配置环节至少包括:数据库配置环节,应用场景配置环节和模型配置环节;所述在训练配置过程中,向客户端发送多个配置提示信息包括:
在所述数据库配置环节,向所述客户端发送数据库配置提示信息,所述数据库配置提示信息用于提示所述客户端确定所述目标数据库;
及,在所述应用场景配置环节,向所述客户端发送应用场景配置提示信息,所述应用场景配置提示信息用于提示所述客户端确定目标应用场景;
及,在所述模型配置环节,向所述客户端发送模型配置提示信息,所述模型配置提示信息用于提示所述客户端确定所述目标机器学习模型。
3.根据权利要求2所述的训练方法,其特征在于,所述获取所述客户端反馈的多个配置确定信息包括:
获取所述客户端基于所述数据库配置提示信息所反馈的数据库配置确定信息,所述数据库配置确定信息用于指示所述客户端确定的所述目标数据库;
及,获取所述客户端基于所述应用场景配置提示信息所反馈的应用场景确定信息,所述应用场景确定信息用于指示所述客户端确定的所述目标应用场景;
及,获取所述客户端基于所述模型配置提示信息所反馈的模型配置确定信息,所述模型配置确定信息用于指示所述客户端确定的所述目标机器学习模型。
4.根据权利要求3所述的训练方法,其特征在于,所述应用场景配置环节位于所述模型配置环节之前,所述数据库配置环节位于所述模型配置环节之前或者之后。
5.根据权利要求3-4任一项所述的训练方法,其特征在于,所述向所述客户端发送数据库配置提示信息包括:
向所述客户端至少发送预设的多个数据库标识及数据库选择提示信息,所述数据库选择提示信息用于提示所述客户端从所述多个数据库标识中选择目标数据库标识;其中,一个数据库标识用于标识所述服务器预设的一个数据库,所述服务器对于一个应用场景预设有至少一个数据库;
所述获取所述客户端基于所述数据库配置提示信息所反馈的数据库配置确定信息包括:
获取所述客户端从所述多个数据库标识中选择的目标数据库标识,所述目标数据库标识用于标识所述目标数据库。
6.根据权利要求5所述的训练方法,其特征在于,在所述根据所述目标数据库训练所述目标机器学习模型之前,所述方法还包括:
获取所述客户端针对所述目标数据库定义的训练样本和测试样本。
7.根据权利要求6所述的训练方法,其特征在于,所述训练样本对应有多个训练数据类型,所述测试样本对应有多个测试数据类型;所述多个训练数据类型的第一数量及所述多个测试数据类型的第二数量均不大于预设全类型数量,且均不小于预设类型数量下限;所述训练样本的训练数据的数量大于所述第一数量,且为所述第一数量的倍数,一个所述训练数据类型对应有多个训练数据;所述测试样本的测试数据的数量大于所述第二数量,且为所述第二数量的倍数,一个所述测试数据类型对应有多个测试数据。
8.根据权利要求3-4任一项所述的训练方法,其特征在于,所述向所述客户端发送数据库配置提示信息包括:
向所述客户端发送目标数据库上传提示信息;
所述获取所述客户端基于所述数据库配置提示信息所反馈的数据库配置确定信息包括:
获取所述客户端上传的目标数据库。
9.根据权利要求8所述的训练方法,其特征在于,所述目标数据库为树状数据结构,所述树状数据结构包括:根节点,归属于所述根节点的训练样本和测试样本,归属于所述训练样本的多个训练数据类型,归属于一个所述训练数据类型的多个训练数据,归属于所述测试样本的多个测试数据类型,归属于所述测试数据类型的多个测试数据;其中,所述训练数据和所述测试数据对应所述树状数据结构的叶子节点。
10.根据权利要求3-4任一项所述的训练方法,其特征在于,所述向所述客户端发送模型配置提示信息包括:
向所述客户端发送所述目标应用场景对应的至少一个模型标识,一个所述模型标识用于标识所述目标应用场景预设的一个机器学习模型;
所述获取所述客户端基于所述模型配置提示信息所反馈的模型配置确定信息包括:
获取所述客户端从所述至少一个模型标识中选择的目标模型标识,所述目标模型标识用于标识所述目标机器学习模型。
11.根据权利要求3-4任一项所述的训练方法,其特征在于,所述向所述客户端发送模型配置提示信息包括:
向所述客户端发送自定义目标机器学习模型的提示信息;
所述获取所述客户端基于所述模型配置提示信息所反馈的模型配置确定信息包括:
获取所述客户端自定义的目标机器学习模型。
12.根据权利要求11所述的训练方法,其特征在于,所述获取所述客户端自定义的目标机器学习模型包括:
获取所述客户端自定义的第一层网络结构,至少一层中间层网络结构及输出层;其中,所述第一层网络结构和至少一层中间层网络结构中,相邻层的网络结构之间定义有池化层;
获取所述客户端定义的配置学习参数。
13.根据权利要求12所述的训练方法,其特征在于,所述获取所述客户端自定义的第一层网络结构包括:
获取所述客户端自定义的全连接层的神经元个数,激活函数,及输入样本大小,所述输入样本的大小与所述训练样本的大小一致;
或,获取所述客户端自定义的卷积连接层的卷积滤波器的个数,卷积核大小,激活函数及输入样本大小。
14.根据权利要求12所述的训练方法,其特征在于,所述获取所述客户端自定义的至少一层中间层网络结构包括:
对于任一层中间层网络结构,获取所述客户端自定义的全连接层的神经元个数及激活函数;
或,对于任一层中间层网络结构,获取所述客户端自定义的卷积连接层的卷积滤波器的个数,卷积核大小及激活函数。
15.根据权利要求12所述的训练方法,其特征在于,所述获取所述客户端自定义输出层包括:
获取所述客户端定义的全连接网络结构,所述全连接网络结构的神经元个数及激活函数。
16.根据权利要求1所述的训练方法,其特征在于,在所述根据所述目标数据库训练所述目标机器学习模型之时,所述方法还包括:
向所述客户端发送训练过程信息,所述训练过程信息包括如下至少一项:训练预计时间,预计剩余时间,训练的正确率,训练损失,训练错误信息。
17.根据权利要求1所述的训练方法,其特征在于,所述方法还包括:
在训练错误,和/或训练完成得到训练后的目标机器学习模型时,向所述客户端发送相应通知信息。
18.根据权利要求1所述的训练方法,其特征在于,所述方法还包括:
保存训练后的目标机器学习模型,和/或,基于所述客户端的目标机器学习模型下载请求,将训练后的目标机器学习模型发送给所述客户端。
19.根据权利要求1所述的训练方法,其特征在于,还包括:
获取所述客户端发送的预测请求,所述预测请求用于请求所述服务器利用所述训练后的目标机器学习模型,对预测数据进行预测;
利用所述训练后的目标机器学习模型,对预测数据进行预测,得到预测结果;
将所述预测结果发送给所述客户端。
20.一种训练装置,其特征在于,包括:
配置提示模块,用于在训练配置过程中,向客户端发送多个配置提示信息;其中,一个所述配置提示信息用于在一个训练配置环节,提示所述客户端确定所述训练配置环节的训练配置信息,所述训练配置过程包括多个训练配置环节;
配置确定模块,用于获取所述客户端反馈的多个配置确定信息,其中,一个所述配置确定信息用于指示所述客户端确定的一个所述训练配置环节的训练配置信息;所述训练配置信息至少包括:训练使用的目标数据库及目标机器学习模型,所述目标数据库至少包括训练样本;
训练执行模块,用于根据所述目标数据库训练所述目标机器学习模型,以得到训练后的目标机器学习模型。
21.一种服务器,其特征在于,包括至少一个存储器和至少一个处理器,所述存储器存储程序,所述处理器调用所述程序,以执行权利要求1-19任一项所述的训练方法。
22.一种平台,其特征在于,包括如权利要求21所述的服务器,记录多个机器学习模型的模型库及多个数据库,一个机器学习模型对应至少一个数据库。
23.一种存储介质,其特征在于,所述存储介质存储执行权利要求1-19任一项所述的训练方法的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347139.2A CN111126626A (zh) | 2019-12-24 | 2019-12-24 | 一种训练方法、装置、服务器、平台及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347139.2A CN111126626A (zh) | 2019-12-24 | 2019-12-24 | 一种训练方法、装置、服务器、平台及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126626A true CN111126626A (zh) | 2020-05-08 |
Family
ID=70501759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911347139.2A Pending CN111126626A (zh) | 2019-12-24 | 2019-12-24 | 一种训练方法、装置、服务器、平台及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126626A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033816A (zh) * | 2021-03-08 | 2021-06-25 | 北京沃东天骏信息技术有限公司 | 机器学习模型的处理方法、装置、存储介质及电子设备 |
WO2022088003A1 (zh) * | 2020-10-30 | 2022-05-05 | 华为技术有限公司 | 一种信息传输的方法、轻量化处理的方法以及相关通信装置 |
WO2023136910A1 (en) * | 2022-01-14 | 2023-07-20 | Discover Financial Services | Configurable deployment of data science models |
-
2019
- 2019-12-24 CN CN201911347139.2A patent/CN111126626A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022088003A1 (zh) * | 2020-10-30 | 2022-05-05 | 华为技术有限公司 | 一种信息传输的方法、轻量化处理的方法以及相关通信装置 |
CN113033816A (zh) * | 2021-03-08 | 2021-06-25 | 北京沃东天骏信息技术有限公司 | 机器学习模型的处理方法、装置、存储介质及电子设备 |
WO2023136910A1 (en) * | 2022-01-14 | 2023-07-20 | Discover Financial Services | Configurable deployment of data science models |
US11868749B2 (en) | 2022-01-14 | 2024-01-09 | Discover Financial Services | Configurable deployment of data science models |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062495B (zh) | 机器学习方法及相关装置 | |
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN110533097A (zh) | 一种图像清晰度识别方法、装置、电子设备及存储介质 | |
CN111126626A (zh) | 一种训练方法、装置、服务器、平台及存储介质 | |
US20170116521A1 (en) | Tag processing method and device | |
CN113298197B (zh) | 数据聚类方法、装置、设备及可读存储介质 | |
CN111914159A (zh) | 一种信息推荐方法及终端 | |
CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
CN113449840A (zh) | 神经网络训练方法及装置、图像分类的方法及装置 | |
CN110264311B (zh) | 一种基于深度学习的商业推广信息精准推荐方法及系统 | |
CN116883740A (zh) | 相似图片识别方法、装置、电子设备和存储介质 | |
CN110674020B (zh) | App智能推荐方法、装置及计算机可读存储介质 | |
CN111126501A (zh) | 一种图像识别方法、终端设备及存储介质 | |
CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
CN111767710B (zh) | 印尼语的情感分类方法、装置、设备及介质 | |
CN114118411A (zh) | 图像识别网络的训练方法、图像识别方法及装置 | |
CN113535594B (zh) | 业务场景测试用例的生成方法、装置、设备和存储介质 | |
CN111091198A (zh) | 一种数据处理方法及装置 | |
CN112819078B (zh) | 一种图片识别模型的迭代方法和装置 | |
CN113610064B (zh) | 笔迹识别方法和装置 | |
CN114237915B (zh) | 分布式环境下基于机器学习的数据修复方法、装置及设备 | |
US11609936B2 (en) | Graph data processing method, device, and computer program product | |
CN116821389A (zh) | 图标匹配方法、装置、计算机设备及存储介质 | |
US20210064862A1 (en) | System and a method for developing a tool for automated data capture | |
CN114118059A (zh) | 样本语句处理方法、装置、计算机设备和存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200508 |
|
WD01 | Invention patent application deemed withdrawn after publication |