CN112597239A - 可视化建模方法、装置和电子设备 - Google Patents

可视化建模方法、装置和电子设备 Download PDF

Info

Publication number
CN112597239A
CN112597239A CN202011604562.9A CN202011604562A CN112597239A CN 112597239 A CN112597239 A CN 112597239A CN 202011604562 A CN202011604562 A CN 202011604562A CN 112597239 A CN112597239 A CN 112597239A
Authority
CN
China
Prior art keywords
building blocks
model
building
parameter information
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
Application number
CN202011604562.9A
Other languages
English (en)
Inventor
洪万福
钱智毅
熊朝阳
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.)
Xiamen Yuanting Information Technology Co ltd
Original Assignee
Xiamen Yuanting Information Technology 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 Xiamen Yuanting Information Technology Co ltd filed Critical Xiamen Yuanting Information Technology Co ltd
Priority to CN202011604562.9A priority Critical patent/CN112597239A/zh
Publication of CN112597239A publication Critical patent/CN112597239A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Abstract

本申请提供了一种可视化建模方法、装置和电子设备，以降低建模难度。该方法包括：加载模型搭建页面，模型搭建页面包含多个用于代表学习算子的积木块；响应操作模型搭建页面的指令，确定积木块的连接关系以及积木块的参数信息；根据积木块的连接关系、积木块的参数信息以及积木块所代表的学习算子，生成目标模型。实施本申请的技术方案可以降低建模难度。

Description

可视化建模方法、装置和电子设备
技术领域
本公开涉及人工智能领域，尤其涉及一种可视化模型生成方法、装置和电子设备。
背景技术
随着这几年新一波人工智能浪潮的到来，机器学习相关技术被应用到诸多行业和领域，同时机器学习的分支深度学习得到了长足的发展，深度学习的模型更新迅速，模型复杂度越来越高，可解释性越来越低。如此一来，若想在人工智能应用领域取得最优的效果，就必须采用更为复杂的算法模型，但复杂的算法模型加大了建模的难度。
发明内容
为了解决上述技术问题中的至少一个，本公开提供了一种可视化建模方法、装置和电子设备，以降低建模难度。
本公开的第一方面，可视化建模方法，包括：
加载模型搭建页面，所述模型搭建页面包含多个代表学习算子的积木块；
响应操作所述模型搭建页面的指令，确定所述积木块的连接关系以及所述积木块的参数信息；
根据所述积木块的连接关系、所述积木块的参数信息以及所述积木块所代表的学习算子，生成目标模型。
可选的，所述响应操作所述模型搭建页面的指令，确定所述积木块的连接关系以及所述积木块的参数信息，包括：
响应所述指令中的调整命令，调整所述积木块的吸附关系，根据所述积木块的自下而上的吸附关系，确定所述积木块的连接关系；
响应所述指令中的参数设置命令，确定所述积木块的参数信息。
可选的，所述响应操作所述模型搭建页面的指令，确定所述积木块的连接关系以及所述积木块的参数信息，包括：
响应所述指令中的调整命令，调整所述积木块间的两端差异连接线，根据所述积木块间的两端差异连接线，确定所述积木块的连接关系；
响应所述指令中的参数设置命令，确定所述积木块的参数信息。
可选的，所述根据所述积木块的连接关系、所述积木块的参数信息以及所述积木块所代表的学习算子，生成目标模型，包括：
根据所述积木块的连接关系、所述积木块的参数信息以及所述积木块所代表的学习算子，确定目标学习算子、所述目标学习算子的参数信息以及所述目标学习算子的输入输出关系，其中，目标学习算子是用于构建模型的学习算子；
根据所述目标学习算子、所述目标学习算子的参数信息以及所述目标学习算子的输入输出关系，生成目标模型。
可选的，所述学习算子包括机器学习算子、深度学习算子和模型融合算子；
所述方法包括将机器学习模型单独封装以生成机器学习算子、将神经网络模型各层单独封装以生成深度学习算子和将至少两个模型输出层融合并封装以生成模型融合算子。
可选的，所述方法包括可视化数据处理；
所述可视化数据处理包括可视化结构化数据处理、可视化文本数据处理和可视化图像数据处理中的一个或多个；
其中，所述可视化结构化数据处理包括特征选取、特征组合、特征重要度分析和特征分布中的一种或多种，所述可视化文本数据处理包括文本样例展示、文本分词、文本去停用词和按分隔符切割文本中的一种或多种，所述可视化图像数据处理包括图像样例展示、图像尺寸统一和图像数据增量中的一种或多种。
可选的，所述方法包括可视化数据处理；
所述可视化数据处理包括划分验证集，所述划分验证集将输入的待处理数据划分为用于训练目标模型的训练数据和用于验证所述目标模型的验证数据。
可选的，所述方法包括：
根据所述训练数据可视化训练所述目标模型；
根据所述验证数据可视化验证训练后的所述目标模型。
本公开的第二方面，一种可视化建模装置，包括：
页面加载模块，用于加载模型搭建页面，所述模型搭建页面包含多个用于代表学习算子的积木块；
指令响应模块，用于响应操作所述模型搭建页面的指令，确定所述积木块的连接关系以及所述积木块的参数信息；
模型生成模块，用于根据所述积木块的连接关系、所述积木块的参数信息以及所述积木块所代表的学习算子，生成目标模型。
本公开的第三方面，一种电子设备，包括存储器和处理器，所述存储器用于存储计算机指令，其特征在于，所述计算机指令被所述处理器执行以实现本公开第一方面任一所述的方法。
通过实施本申请的技术方案可以取得以下有益技术效果：实施本申请的技术方案可以降低模型构建难度，提高建模效率。同时，本申请的技术方案可以实现模型相关过程的可视化，使得模型相关过程更直观。
附图说明
附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
图1是本申请实施例公开的一种可视化建模方法的流程图；
图2是本申请实施例公开的一种可视化建模方法的子流程图；
图3是本申请实施例公开的一种可视化建模方法的子流程图；
图4是本申请实施例公开的一种数据处理示意图；
图5是本申请实施例公开的一种可视化建模的逻辑图；
图6是本申请实施例公开的一种结构化数据处理逻辑图；
图7是本申请实施例公开的一种文本数据处理逻辑图；
图8是本申请实施例公开的一种图像数据处理逻辑图；
图9是本申请实施例公开的一种可视化建模装置的结构框图。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。
参见图1，可视化建模方法，包括：
S101，加载模型搭建页面，模型搭建页面包含多个代表学习算子的积木块；
S102，响应操作模型搭建页面的指令，确定积木块的连接关系以及积木块的参数信息；
S103，根据积木块的连接关系、积木块的参数信息以及积木块所代表的学习算子，生成目标模型。
本申请实施例的可视化建模方法一般在计算机中运行，也可以在移动设备等其他设备中运行，以计算机运行本申请实施例的可视化建模方法为了，在工作人员需要搭建模型时，可以操作模型搭建页面，以生成操作模型搭建页面的指令，通过调整积木块所代表的算子组件、积木块的参数信息以及积木块的连接关系，其中，积木块的参数信息也就是积木块所代表的算子组件的参数信息，调整完毕后，计算机确定积木块的连接关系以及算子组件的参数信息，根据积木块的连接关系、积木块的参数信息以及积木块所代表的学习算子，生成目标模型，大大降低了模型构建难度。
可以知道的，积木块的连接关系代表了相应的算子组件的输入输出关系。具体地，可通过两端差异的连接线或自下而上的吸附规则连接各积木块。
具体地，可通过对比吸附或连接到同一个积木块的其他积木块的参数信息进行参数对齐检验，进一步地进行自动加和处理，对于无法通过检验的积木块反馈到页面。
具体地，可通过各积木块的参数信息将其代表的算子组件所对应的模型算子实例化，并按照吸附位置信息和连接指向信息对所有模型算子实例进行排序，进一步地，依序将模型算子实例引用到建模主体函数中，进一步地，按照吸附位置信息和连接指向信息连接各个模型算子实例的输入和输出，完成模型搭建。
在一个实施方式中，参见图2，响应操作模型搭建页面的指令，确定积木块的连接关系以及积木块的参数信息，包括：
S201，响应指令中的调整命令，调整积木块的吸附关系，根据积木块的自下而上的吸附关系，确定积木块的连接关系；
S202，响应指令中的参数设置命令，确定积木块的参数信息。
在一个实施方式中，响应操作所述模型搭建页面的指令，确定积木块的连接关系以及积木块的参数信息，包括：
响应指令中的调整命令，调整积木块间的两端差异连接线，根据积木块间的两端差异连接线，确定积木块的连接关系；
响应指令中的参数设置命令，确定积木块的参数信息。
在一个实施方式中，响应操作所述模型搭建页面的指令，确定积木块的连接关系以及积木块的参数信息，包括：
响应指令中的调整命令，调整积木块间的两端差异连接线和积木块的吸附关系，根据积木块间的两端差异连接线以及积木块的自下而上的吸附关系，确定积木块的连接关系；
响应指令中的参数设置命令，确定积木块的参数信息。
其中，以自下而上的吸附规则为基础连接模式，可连接相邻层的积木块，(输入输出方向自下而上)；以两端差异的连接线为高级连接模式，可连任意层的积木块，(输入输出方向可自由选择)，自下而上的吸附规则和两端差异的连接线两种连接模式，相互补充，两者的参数信息使用途径和方式相同。
在一个实施方式中，参见图3，根据积木块的连接关系、积木块的参数信息以及积木块所代表的学习算子，生成目标模型，包括：
S301，根据积木块的连接关系、积木块的参数信息以及积木块所代表的学习算子，确定目标学习算子、目标学习算子的参数信息以及目标学习算子的输入输出关系，其中，目标学习算子是用于构建模型的学习算子；
S302，根据目标学习算子、目标学习算子的参数信息以及目标学习算子的输入输出关系，生成目标模型。
在一个可选实施方式中，参见图4，学习算子包括机器学习算子、深度学习算子和模型融合算子；
方法包括将机器学习模型单独封装以生成机器学习算子、将神经网络模型各层单独封装以生成深度学习算子和将至少两个模型输出层融合并封装以生成模型融合算子。
其中，可视化建模中的机器学习算子、深度学习算子和模型融合算子展示在模型搭建页面中。
本实施方式中将机器学习模型单独封装以生成机器学习算子是机器学习算子组件化的步骤；将神经网络模型各层单独封装以生成深度学习算子是深度学习算子组件化的步骤；至少两个模型输出层融合并封装以生成模型融合算子是模型融合组件化的步骤。
具体的，机器学习算子组件化是指将机器学习模型包括但不限于逻辑回归、支持向量机、线性回归、隐马尔可夫、条件随机场、朴素贝叶斯单独封装，具备独立输入、独立输出、可调参数调整接口并以积木块的形式展示。
具体的，深度学习算子组件化是指将神经网络模型各层包括但不限于全连接层、长短时记忆网络层、循环神经网络层、卷积神经网络层、注意力层、非线性激活层、优化器单独封装，具备独立输入、独立输出、参数调整接口并以积木块的形式展示；其中可调参数包括但不限于单层神经元数量、随机遮蔽比例、激活函数类型、损失函数类型、卷积。
具体的，模型融合组件化是指将至少两个模型输出层进行融合，将数个算子组件的输出进行融合的功能单独封装具备独立输入、独立输出、权重调整接口并以积木块的形式展示；其中融合方式包括但不限于拼接、加权平均、加权求和。
在一个实施方式中，参见图5，模型搭建页面的可视化界面中包含选择算子的显示界面(即选择积木块所代表的学习算子的显示界面)、参数调整的显示界面(即调整学习算子的参数信息的显示界面)、模型搭建的显示界面和模型融合的显示界面(即生成的目标模型的显示界面)。训练数据送入模型融合后得到的目标模型进行训练。
在一个可选实施方式中，参见图4，方法包括可视化数据处理；可视化数据处理包括可视化结构化数据处理、可视化文本数据处理和可视化图像数据处理中的一个或多个；
其中，可视化结构化数据处理包括特征选取、特征组合、特征重要度分析和特征分布中的一种或多种，参见图6，结构化数据的可视化界面包含了结构化数据的特征选择、特征组合和验证集切割(即划分验证集)；结构化数据经验证集切割后得到待训练数据和验证数据。
可视化文本数据处理包括文本样例展示、文本分词、文本去停用词和按分隔符切割文本中的一种或多种；参见图7，文本数据的可视化界面包括文本分割、分词、去停用词和验证集切割(即划分验证集)，文本数据经验证集切割后得到待训练数据和验证数据。
可视化图像数据处理包括图像样例展示、图像尺寸统一和图像数据增量中的一种或多种。参见8，图像数据的可视化界面包括图像尺寸统一、数据增量和验证集切割(即划分验证集)，图像数据经验证集切割后得到待训练数据和验证数据。
其中，特征选取是指从全体特征中选择部分特征用于特征组合、特征重要度分析、特征分布分析和模型训练；特征组合是指对选取的特征进行包括但不限于：相乘、平方和、平方积、立方和操作，并分别提供可视化界面支持，之后加入至全体特征中；特征重要度分析是指对选取的特征进行特征重要度分析并以条形图、热力图展示；特征分布是指对所选特征的分布以直方图、箱线图、密度图、小提琴图进行展示。
其中，样本样例展示是指从待处理文本选取第一条数据在样本展示区展示；文本分词是指对所有文本进行分词处理并以‘’为默认分隔符，同时将第一条数据的分词处理结果在样本展示区展示；文本去停用词是指对所有文本进行去停词处理，同时将第一条数据的分词处理结果在样本展示区展示；按分隔符切割文本是指对所有文本按照设置的分隔符对文本进行分割处理，同时将第一条数据按照设置的分隔符对文本进行分割处理的结果在样本展示区展示。
其中，图像样例展示是指从待处理文本选取第一条数据在样本展示区展示；图像尺寸统一是指根据用户设定尺寸对样本进行裁剪或扩充至设定尺寸，图像数据增量是指通过用户设定倍数对样本进行包括但不限于旋转、拉伸、反色、翻转操作增加数据量。
在一个实施方式中，参见图4，可视化数据处理包括划分验证集，划分验证集将输入的待处理数据划分为用于训练目标模型的训练数据和用于验证目标模型的验证数据。具体的，根据输入的百分比将待处理数据划分为训练数据和验证数据。
在获得目标模型后，根据训练数据可视化训练目标模型，根据验证数据可视化验证训练后的目标模型。
参见图3，可视化训练包括训练设定的可视化和训练资源监控的可视化；
训练资源监控的可视化包括展示核心处理器使用率、内存占用空间、图形处理器使用率、显存占用空间、损失和正确率中的一种或多种。
具体的，可以从日志中获取资源信息包括核心处理器使用率、内存占用空间、图形处理器使用率、显存占用空间、损失、正确率以及模型训练参数，并根据训练轮次以折线图的形式实时更新展示。
在一个实施方式中，还包括训练参数的可视化调整，训练参数的可视化调整是指通过界面参数配置调整模型训练参数，其中，模型训练参数包括但不限于学习率、训练轮次、训练批次尺寸大小、最大文本长度、卷积核尺寸，并写入训练日志，以上参数均通过可视化界面直接调整。
在一个实施方式中，方法还包括可视化评估，可视化评估包括自动读取模型训练的过程数据，从算法指标、泛化程度、训练性能、模型安全性等角度对模型进行评估并可视化展示出来。
具体包括计算并展示目标模型的损失值、准确率、精准率、召回率、接受者操作特性曲线或召回率与准确率的调和平均数，更具体的，在训练结束分别报告损失值，接受者操作特征曲线及其微分，准确率，精准率，召回率及其与准确率的调和平均数的最值及其所在轮数，以及验证集的损失值，接受者操作特征曲线及其微分，准确率，精准率，召回率及其与准确率的调和平均数，以上均可进行可视化展示。
在一个实施方式中，使用可执行本实施例可视化建模方法的服务器时，可以按如下步骤实现建模；
步骤1.用户上传数据集至数据服务器；
步骤2.用户根据数据类型从结构化数据，文本数据，图像数据中选择一项，参考样例中数据处理方式的预期效果，选择使用特征选取待操作特征，使用特征组合对选取特征进行相乘、平方和、平方积、立方和操作产生新特征、通过热力图，直方图进行特征重要度分析、通过箱线图、密度图观察特征分布，使用分词功能对文本分词，使用去停用词功能对文本去停用词，使用分隔符切割文本，使用数据增量增加数据量，以上的一种或多种可视化操作进行数据处理；
步骤3.根据用户设置的切分百分比，将数据切分为训练数据和验证数据；
步骤4.以搭积木的方式进行模型搭建，用户选择要使用的机器学习算子和深度学习算子生成积木块，通过调整积木块的默认参数对机器学习算子和深度学习算子进行调整，通过将积木块以自下而上的方式叠加搭建的方式完成模型搭建；
步骤5.使用训练数据开始训练，用户可以对训练过程进行跟踪，选择以折线图的方式展示训练模型的核心处理器使用率、内存占用空间、图形处理器使用率、显存占用空间、损失、正确率中一种或多种。
步骤6.训练完成后，自动使用验证数据计算损失值，接受者操作特征曲线及其微分，准确率，精准率，召回率及其与准确率的调和平均数，并以图的形式展示给用户。
参见图9，可视化建模装置，包括：
页面加载模块901，用于加载模型搭建页面，所述模型搭建页面包含多个用于代表学习算子的积木块；
指令响应模块902，用于响应操作所述模型搭建页面的指令，确定所述积木块的连接关系以及所述积木块的参数信息；
模型生成模块903，用于根据所述积木块的连接关系、所述积木块的参数信息以及所述积木块所代表的学习算子，生成目标模型。
可视化建模装置是上述实施例中的可视化建模方法所对应的装置，其效果、原理以及可选实施方式均可参考上述实施例中的可视化建模方法，此处不再重复描述。
一种电子设备，包括存储器和处理器，所述存储器用于存储计算机指令，所述计算机指令被所述处理器执行以实现上述实施例中的可视化建模方法任一描述的方法。
在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。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/方式或示例。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/方式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/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
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。在本申请的描述中，“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。
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。

Claims (10)

1.可视化建模方法，其特征在于，包括：
加载模型搭建页面，所述模型搭建页面包含多个代表学习算子的积木块；
响应操作所述模型搭建页面的指令，确定所述积木块的连接关系以及所述积木块的参数信息；
根据所述积木块的连接关系、所述积木块的参数信息以及所述积木块所代表的学习算子，生成目标模型。
2.根据权利要求1所述的方法，其特征在于，所述响应操作所述模型搭建页面的指令，确定所述积木块的连接关系以及所述积木块的参数信息，包括：
响应所述指令中的调整命令，调整所述积木块的吸附关系，根据所述积木块的自下而上的吸附关系，确定所述积木块的连接关系；
响应所述指令中的参数设置命令，确定所述积木块的参数信息。
3.根据权利要求1所述的方法，其特征在于，所述响应操作所述模型搭建页面的指令，确定所述积木块的连接关系以及所述积木块的参数信息，包括：
响应所述指令中的调整命令，调整所述积木块间的两端差异连接线，根据所述积木块间的两端差异连接线，确定所述积木块的连接关系；
响应所述指令中的参数设置命令，确定所述积木块的参数信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述积木块的连接关系、所述积木块的参数信息以及所述积木块所代表的学习算子，生成目标模型，包括：
根据所述积木块的连接关系、所述积木块的参数信息以及所述积木块所代表的学习算子，确定目标学习算子、所述目标学习算子的参数信息以及所述目标学习算子的输入输出关系，其中，目标学习算子是用于构建模型的学习算子；
根据所述目标学习算子、所述目标学习算子的参数信息以及所述目标学习算子的输入输出关系，生成目标模型。
5.根据权利要求1所述的方法，其特征在于，所述学习算子包括机器学习算子、深度学习算子和模型融合算子；
所述方法包括将机器学习模型单独封装以生成机器学习算子、将神经网络模型各层单独封装以生成深度学习算子和将至少两个模型输出层融合并封装以生成模型融合算子。
6.根据权利要求1所述的方法，其特征在于，所述方法包括可视化数据处理；
所述可视化数据处理包括可视化结构化数据处理、可视化文本数据处理和可视化图像数据处理中的一个或多个；
其中，所述可视化结构化数据处理包括特征选取、特征组合、特征重要度分析和特征分布中的一种或多种，所述可视化文本数据处理包括文本样例展示、文本分词、文本去停用词和按分隔符切割文本中的一种或多种，所述可视化图像数据处理包括图像样例展示、图像尺寸统一和图像数据增量中的一种或多种。
7.根据权利要求1所述的方法，其特征在于，所述方法包括可视化数据处理；
所述可视化数据处理包括划分验证集，所述划分验证集将输入的待处理数据划分为用于训练目标模型的训练数据和用于验证所述目标模型的验证数据。
8.根据权利要求7所述的方法，其特征在于，所述方法包括：
根据所述训练数据可视化训练所述目标模型；
根据所述验证数据可视化验证训练后的所述目标模型。
9.一种可视化建模装置，其特征在于，包括：
页面加载模块，用于加载模型搭建页面，所述模型搭建页面包含多个代表学习算子的积木块；
指令响应模块，用于响应操作所述模型搭建页面的指令，确定所述积木块的连接关系以及所述积木块的参数信息；
模型生成模块，用于根据所述积木块的连接关系、所述积木块的参数信息以及所述积木块所代表的学习算子，生成目标模型。
10.一种电子设备，包括存储器和处理器，所述存储器用于存储计算机指令，其特征在于，所述计算机指令被所述处理器执行以实现如权利要求1-8任一项所述的方法。
CN202011604562.9A 2020-12-30 2020-12-30 可视化建模方法、装置和电子设备 Pending CN112597239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011604562.9A CN112597239A (zh) 2020-12-30 2020-12-30 可视化建模方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011604562.9A CN112597239A (zh) 2020-12-30 2020-12-30 可视化建模方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN112597239A true CN112597239A (zh) 2021-04-02

Family

ID=75204038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011604562.9A Pending CN112597239A (zh) 2020-12-30 2020-12-30 可视化建模方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112597239A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461184A (zh) * 2022-04-12 2022-05-10 飞诺门阵(北京)科技有限公司 Ai应用生成方法、电子设备和存储介质
CN116360764A (zh) * 2023-04-03 2023-06-30 北京柏睿数据技术股份有限公司 一种可视化建模平台的模型优化方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561837A (zh) * 2009-05-25 2009-10-21 北京理工大学 面向对象的图形模块化建模方法及求仿真系统参数的方法
CN110598868A (zh) * 2018-05-25 2019-12-20 腾讯科技（深圳）有限公司 一种机器学习模型搭建方法、装置及相关设备
CN110991649A (zh) * 2019-10-28 2020-04-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 深度学习模型搭建方法、装置、设备和存储介质
CN111753040A (zh) * 2020-06-30 2020-10-09 北京超图软件股份有限公司 地理空间数据的处理方法、装置及系统
US10810491B1 (en) * 2016-03-18 2020-10-20 Amazon Technologies, Inc. Real-time visualization of machine learning models

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101561837A (zh) * 2009-05-25 2009-10-21 北京理工大学 面向对象的图形模块化建模方法及求仿真系统参数的方法
US10810491B1 (en) * 2016-03-18 2020-10-20 Amazon Technologies, Inc. Real-time visualization of machine learning models
CN110598868A (zh) * 2018-05-25 2019-12-20 腾讯科技（深圳）有限公司 一种机器学习模型搭建方法、装置及相关设备
CN110991649A (zh) * 2019-10-28 2020-04-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 深度学习模型搭建方法、装置、设备和存储介质
CN111753040A (zh) * 2020-06-30 2020-10-09 北京超图软件股份有限公司 地理空间数据的处理方法、装置及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461184A (zh) * 2022-04-12 2022-05-10 飞诺门阵(北京)科技有限公司 Ai应用生成方法、电子设备和存储介质
CN114461184B (zh) * 2022-04-12 2022-07-01 飞诺门阵(北京)科技有限公司 Ai应用生成方法、电子设备和存储介质
CN116360764A (zh) * 2023-04-03 2023-06-30 北京柏睿数据技术股份有限公司 一种可视化建模平台的模型优化方法和系统
CN116360764B (zh) * 2023-04-03 2023-12-05 北京柏睿数据技术股份有限公司 一种可视化建模平台的模型优化方法和系统

Similar Documents

Publication Publication Date Title
JP7157154B2 (ja) 性能予測ニューラルネットワークを使用したニューラルアーキテクチャ探索
Sedlmair et al. Visual parameter space analysis: A conceptual framework
US20200042899A1 (en) Parallel Development and Deployment for Machine Learning Models
CN110263938B (zh) 用于生成信息的方法和装置
US20210081841A1 (en) Visually creating and monitoring machine learning models
CN105701120A (zh) 确定语义匹配度的方法和装置
US11640539B2 (en) Techniques for visualizing the operation of neural networks using samples of training data
EP3843017A2 (en) Automated, progressive explanations of machine learning results
Halim et al. Quantifying and optimizing visualization: An evolutionary computing-based approach
CN112597239A (zh) 可视化建模方法、装置和电子设备
Li et al. BSTBGA: A hybrid genetic algorithm for constrained multi-objective optimization problems
CN111797998A (zh) 生成机器学习样本的组合特征的方法及系统
WO2019108371A1 (en) Training neural networks to detect similar three-dimensional objects using fuzzy identification
CN114981800A (zh) 个性化自动化机器学习
Sammer et al. From visual input to visual output in textual programming
JP2023036773A (ja) データ処理方法、データ処理装置、電子機器、記憶媒体およびコンピュータプログラム
Mourtzis et al. An intelligent framework for modelling and simulation of artificial neural networks (ANNs) based on augmented reality
CN113703768A (zh) 张量程序优化方法及装置
CN112100400A (zh) 基于知识图谱的节点推荐方法及装置
CN116057543A (zh) 自动化机器学习方法及其装置
WO2021084471A1 (en) Artificial intelligence transparency
US20230351655A1 (en) Automatic design-creating artificial neural network device and method, using ux-bits
CN110544166A (zh) 样本生成方法、装置及存储介质
CN115659711A (zh) 一种仿真方法、装置、电子设备及存储介质
US11521353B2 (en) Automated processing for determination of a volume of an object in a digital environment

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