CN113988310A - 深度学习模型选择方法、装置、计算机设备和介质 - Google Patents

Abstract

本公开实施例提供了深度学习模型选择方法、装置、计算机设备和介质。该方法包括：基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合；基于上述子集集合，对至少一个待训练深度学习模型进行训练，得到训练后深度学习模型集合；基于上述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，从上述训练后深度学习模型集合中选择出目标训练后深度学习模型；将上述目标训练后深度学习模型确定为最优深度学习模型。该实施方式可以利用原始数据集对多个深度学习模型分别进行训练，然后确定出最优深度学习模型，为用户对模型的选择与应用提供了便利。

Description

深度学习模型选择方法、装置、计算机设备和介质

技术领域

本公开涉及能源数据处理技术领域，尤其涉及一种深度学习模型选择方法、装置、计算机设备和介质。

背景技术

随着互联网技术的发展，人工智能逐渐成为主流趋势。在人工智能的应用中，深度学习模型的训练最为关键。各个深度学习模型的复杂度与性能等指标各不相同，面对多个深度学习模型，如何选择性价高的深度学习模型用于对能源数据的处理成为了首要解决的问题。

发明内容

有鉴于此，本公开实施例提供了一种深度学习模型选择方法、装置、计算机设备和介质，以解决现有技术中无法确定用于对数据进行处理的深度学习模型是否为最佳选择的技术问题。

本公开实施例的第一方面，提供了一种深度学习模型选择方法，包括：基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合；基于上述子集集合，对至少一个待训练深度学习模型进行训练，得到训练后深度学习模型集合；基于上述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，从上述训练后深度学习模型集合中选择出目标训练后深度学习模型；将上述目标训练后深度学习模型确定为最优深度学习模型。

本公开实施例的第二方面，提供了一种深度学习模型选择装置，包括：生成单元，被配置成基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合；训练单元，被配置成基于上述子集集合，对至少一个待训练深度学习模型进行训练，得到训练后深度学习模型集合；选择单元，被配置成基于上述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，从上述训练后深度学习模型集合中选择出目标训练后深度学习模型；确定单元，被配置成将上述目标训练后深度学习模型确定为最优深度学习模型。

本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合；然后，基于上述子集集合，对至少一个待训练深度学习模型进行训练；之后，根据训练后深度学习模型的参数量集合和评价指标集合确定出最优深度学习模型。本公开提供的方法可以利用原始数据集对多个深度学习模型分别进行训练，然后确定出最优深度学习模型，为用户对模型的选择与应用提供了便利。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1本公开的实施例的一种联合学习的架构示意图；

图2是根据本公开的深度学习模型选择方法的实施例的流程图；

图3是根据本公开的深度学习模型选择装置的实施例的结构示意图；

图4是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：

(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。

(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。

(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。

(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。

基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。

下面将结合附图详细说明根据本公开实施例的一种深度学习模型选择方法和装置。

图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。

在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103、参与方104等所有参与方可以共享最终的模型参数，因此可以实现共同建模。需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。

参考图2示出了根据本公开的深度学习模型选择方法的实施例的流程200。该方法可以由图1中的参与方或者服务器(中心节点)来执行。该深度学习模型选择方法，包括以下步骤：

步骤S201，基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合。

在实施例中，深度学习模型选择方法的执行主体可以基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合。作为示例，上述执行主体可以基于预设约束条件和上述原始数据集，生成至少两个互斥的子集，得到子集集合，其中，预设约束条件至少包括生成方式约束和子集中的数据数量约束。这里，上述原始数据集可以是历史的能源相关数据，例如，电力相关数据、燃气相关数据或能源设备图像数据等。具体地，生成方式约束具体可以是随机生成方式，数据数量约束具体可以是对每个子集内的数据的数量至少为1的约束。这里，生成的子集与选取的数据有关。作为示例，原始数据集为电力相关数据类型的时序序列，可以按照时间划分子集。作为另一示例，原始数据集为能源设备图像数据类型时，可以对图像进行随机切分，得到子集。生成的互斥的子集可以各为训练集合验证集，以便对模型的参数进行调整。作为示例，上述执行主体可以通过有线连接方式或无线连接方式获取上述原始数据集。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤S202，基于上述子集集合，对至少一个待训练深度学习模型进行训练，得到训练后深度学习模型集合。

在实施例中，基于上述子集集合，上述执行主体可以通过如下步骤对至少一个待训练深度学习模型进行训练，得到训练后深度学习模型集合：

第一步，基于上述子集集合，上述执行主体可以对上述至少一个待训练深度学习模型进行遍历子集的训练。这里，遍历子集的训练可以是利用各个子集对待训练深度学习模型进行训练，调整上述待训练深度学习模型的超参数以提高模型准确率。

第二步，上述执行主体可以记录上述至少一个待训练深度学习模型中每个待训练深度学习模型的参数量和评价指标。这里，参数量可以是遍历训练后的带训练深度学习模型中参与训练的模型权重。可以通过程序使用的代码框架查看然后进行记录。作为示例，参数量可以是线性分类中的权重矩阵，线性分类可以是激活函数和降维的组合应用。作为示例，评价指标可以具体表现为模型的准确率。

第三步，上述执行主体可以将遍历子集后的训练后的待训练深度学习模型进行组合，得到上述训练后深度学习模型。

上文陈述的待训练深度学习模型可以都是决策树模型(decision tree mode)或XGBoost模型(Extreme Gradient Boosting)，也可以是各种多层神经网络的模型。

步骤S203，基于上述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，从上述训练后深度学习模型中选择出目标训练后深度学习模型。

在实施例中，基于上述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，上述执行主体可以通过如下步骤从上述训练后深度学习模型中选择出目标训练后深度学习模型：

第一步，上述执行主体可以确定上述训练后深度学习模型集合中每个训练后深度学习模型的评优分数，得到评优分数集合。这里，评优分数可以用于了解训练后深度学习模型的运行效果。

第二步，基于上述评优分数集合，上述执行主体可以从上述训练后深度学习模型集合中选择评优分数最高的训练后深度学习模型作为目标训练后深度学习模型。

上文陈述的第一步包括以下子步骤：

第一子步骤，上述执行主体可以对上述参数量集合进行求均值，得到平均参数量，用于表征模型复杂度。

第二子步骤，上述执行主体可以对上述评价指标集合进行求均值，得到平均评价指标，用于表征模型性能。这里，平均评价指标可以是平均准确率。

第三子步骤，上述执行主体可以对上述模型性能和上述模型复杂度进行求比，得到比值。

第四子步骤，上述执行主体可以将上述比值确定为上述训练后深度学习模型的评优分数。

在实施例的可选的实现方式中，上述执行主体可以根据以下公式确定评优分数：

其中，α用于表征评优分数。

步骤S204，将上述目标训练后深度学习模型确定为最优深度学习模型。

在实施例中，上述执行主体可以将上述目标训练后深度学习模型确定为最优深度学习模型。最优深度学习模型可以是上述训练后深度学习模型集合中参数量少、性能高的深度学习模型。

在实施例的可选的实现方式中，上述执行主体可以将上述最优深度学习模型传输至具有查看权限的目标设备，以及控制上述目标设备显示上述最优深度学习模型。这里，最优深度学习模型至少可以用于数据的预测和图像的检测处理任务。

在实施例的可选的实现方式中，上述方法还包括：接收数据处理需求信息和待处理能源相关数据；基于上述数据处理需求信息，利用上述最优深度学习模型对上述待处理能源相关数据进行处理；将处理完成的能源相关数据传输至上述目标设备。上述数据处理需求信息可以是用于描述对待处理能源相关数据的处理方式和要求的处理任务信息。作为示例，数据处理需求信息可以是“对待处理能源相关数据进行数据预测”，上述执行主体可以利用上述最优深度学习模型对上述待处理能源相关数据进行数据预测。

为更好的理解本实施方式，下面通过一个具体的应用场景来说明本实施例：

获取的原始数据集可以为电力相关数据类型的时序序列，上述执行主体可以以十分钟为单位时间对上述原始数据集进行划分，生成至少两个互斥的子集。然后，上述执行主体可以利用的得到的子集对至少一个待训练深度学习模型进行遍历子集的训练。再然后，上述执行主体可以记录下每个待训练深度学习模型的参数量和评价指标，得到参数量集合和评价指标集合。之后，上述执行主体可以分别对参数量集合和评价指标集合进行求均值，然后进行求比得到每个训练后深度学习模型的评优分数。在选择出最优深度学习模型之后，上述执行主体可以利用最优深度学习模型，根据接收到的数据处理需求信息对待处理能源相关数据进行处理。作为示例，待处理能源相关数据可以是能源设备图像数据，数据处理需求信息可以是“检测待处理能源相关数据中是否有异常图像”，上述执行主体可以控制上述最优深度学习模型对上述待处理能源相关数据进行图像数据的检测，然后返回检测结果。这里，异常图像可以是待处理能源相关数据中的乱码图像或在待处理能源相关数据的接收过程中由于链接断开引发的残缺图像。

在实施例的可选的实现方式中，上述方法还包括：接收模型需求信息；确定上述最优深度学习模型是否满足上述模型需求信息；响应于确定不满足上述模型需求信息，将上述最优深度学习模型作为初始模型，参与新的模型训练。这里，模型需求信息可以是用于表征可以处理需要处理的数据/信息需要的模型的参数信息、性能信息等。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合；然后，基于上述子集集合，对至少一个待训练深度学习模型进行训练；之后，根据训练后深度学习模型的参数量集合和评价指标集合确定出最优深度学习模型。本公开提供的方法可以利用原始数据集对多个深度学习模型分别进行训练，然后确定出最优深度学习模型，为用户对模型的选择与应用提供了便利。另外，根据接收到的数据处理需求信息，利用确定出的最优深度学习模型来对待处理能源相关数据进行处理，可以提高数据处理的速度和准确度。根据接收的模型需求信息对上述最优深度学习模型进行进一步判断，可以快速确定上述最优深度学习模型是否能满足用户需求。不满足用户需求的情况下可以将上述最优深度学习模型进行新的模型训练以满足用户对模型的需求，提高了用户体验。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

进一步参考图3，作为对上述各图上述方法的实现，本公开提供了一种深度学习模型选择装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，实施例的深度学习模型选择装置300包括：生成单元301、训练单元302、选择单元303和确定单元304。其中，生成单元301，被配置成基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合；训练单元302，被配置成基于上述子集集合，对至少一个待训练深度学习模型进行训练，得到训练后深度学习模型集合；选择单元303，被配置成基于上述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，从上述训练后深度学习模型集合中选择出目标训练后深度学习模型；确定单元304，被配置成将上述目标训练后深度学习模型确定为最优深度学习模型。

在实施例的可选的实现方式中，深度学习模型选择装置300的生成单元301被进一步配置成：基于预设约束条件和上述原始数据集，生成至少两个互斥的子集，得到子集集合，其中，上述预设约束条件至少包括生成方式约束和子集中的数据数量约束。

在实施例的可选的实现方式中，深度学习模型选择装置300的训练单元302被进一步配置成：基于上述子集集合，对上述至少一个待训练深度学习模型进行遍历子集的训练；记录上述至少一个待训练深度学习模型中每个待训练深度学习模型的参数量和评价指标；将遍历子集的训练后的待训练深度学习模型进行组合，得到上述训练后深度学习模型集合。

在实施例的可选的实现方式中，深度学习模型选择装置300的选择单元303被进一步配置成：基于上述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，确定上述训练后深度学习模型集合中每个训练后深度学习模型的评优分数，得到评优分数集合；基于上述评优分数集合，从上述训练后深度学习模型集合中选择评优分数最高的训练后深度学习模型作为目标训练后深度学习模型。

在实施例的可选的实现方式中，上述基于上述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，确定上述训练后深度学习模型集合中每个训练后深度学习模型的评优分数，得到评优分数集合，包括：对上述参数量集合进行求均值，得到平均参数量用于表征模型复杂度；对上述评价指标集合进行求均值，得到平均评价指标用于表征模型性能；对上述模型性能和上述模型复杂度进行求比，得到比值；将上述比值确定为上述训练后深度学习模型的评优分数。

在实施例的可选的实现方式中，深度学习模型选择装置300被进一步配置成：将上述最优深度学习模型传输至具有查看权限的目标设备，以及控制上述目标设备显示上述最优深度学习模型。

在实施例的可选的实现方式中，深度学习模型选择装置300被进一步配置成：接收数据处理需求信息和待处理能源相关数据；基于上述数据处理需求信息，利用上述最优深度学习模型对上述待处理能源相关数据进行处理；将处理完成的能源相关数据传输至上述目标设备。

可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的计算机设备4的示意图。如图4所示，该实施例的计算机设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在计算机设备4中的执行过程。

计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是计算机设备4的示例，并不构成对计算机设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是计算机设备4的内部存储单元，例如，计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备，例如，计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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，在本公开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，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种深度学习模型选择方法，其特征在于，包括：

基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合；

基于所述子集集合，对至少一个待训练深度学习模型进行训练，得到训练后深度学习模型集合；

基于所述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，从所述训练后深度学习模型集合中选择出目标训练后深度学习模型；

将所述目标训练后深度学习模型确定为最优深度学习模型。

2.根据权利要求1所述的深度学习模型选择方法，其特征在于，所述基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合，包括：

基于预设约束条件和所述原始数据集，生成至少两个互斥的子集，得到子集集合，其中，所述预设约束条件至少包括生成方式约束和子集中的数据数量约束。

3.根据权利要求1所述的深度学习模型选择方法，其特征在于，所述基于所述子集集合，对至少一个待训练深度学习模型进行训练，得到训练后深度学习模型集合，包括：

基于所述子集集合，对所述至少一个待训练深度学习模型进行遍历子集的训练；

记录所述至少一个待训练深度学习模型中每个待训练深度学习模型的参数量和评价指标；

将遍历子集的训练后的待训练深度学习模型进行组合，得到所述训练后深度学习模型集合。

4.根据权利要求3所述的深度学习模型选择方法，其特征在于，所述基于所述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，从所述训练后深度学习模型集合中选择出目标训练后深度学习模型，包括：

基于所述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，确定所述训练后深度学习模型集合中每个训练后深度学习模型的评优分数，得到评优分数集合；

基于所述评优分数集合，从所述训练后深度学习模型集合中选择评优分数最高的训练后深度学习模型作为目标训练后深度学习模型。

5.根据权利要求4所述的深度学习模型选择方法，其特征在于，所述基于所述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，确定所述训练后深度学习模型集合中每个训练后深度学习模型的评优分数，得到评优分数集合，包括：

对所述参数量集合进行求均值，得到平均参数量用于表征模型复杂度；

对所述评价指标集合进行求均值，得到平均评价指标用于表征模型性能；

对所述模型性能和所述模型复杂度进行求比，得到比值；

将所述比值确定为所述训练后深度学习模型的评优分数。

6.根据权利要求1至5中任一项所述的深度学习模型选择方法，其特征在于，所述方法还包括：

将所述最优深度学习模型传输至具有查看权限的目标设备，以及控制所述目标设备显示所述最优深度学习模型。

7.根据权利要求6所述的深度学习模型选择方法，其特征在于，所述方法还包括：

接收数据处理需求信息和待处理能源相关数据；

基于所述数据处理需求信息，利用所述最优深度学习模型对所述待处理能源相关数据进行处理；

将处理完成的能源相关数据传输至所述目标设备。

8.一种深度学习模型选择装置，其特征在于，包括：

生成单元，被配置成基于获取到的原始数据集，生成至少两个互斥的子集，得到子集集合；

训练单元，被配置成基于所述子集集合，对至少一个待训练深度学习模型进行训练，得到训练后深度学习模型集合；

选择单元，被配置成基于所述训练后深度学习模型集合中每个训练后深度学习模型的参数量集合和评价指标集合，从所述训练后深度学习模型集合中选择出目标训练后深度学习模型；

确定单元，被配置成将所述目标训练后深度学习模型确定为最优深度学习模型。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。

Images