CN114694009A - 一种人工智能模型的训练系统 - Google Patents
一种人工智能模型的训练系统 Download PDFInfo
- Publication number
- CN114694009A CN114694009A CN202210333808.6A CN202210333808A CN114694009A CN 114694009 A CN114694009 A CN 114694009A CN 202210333808 A CN202210333808 A CN 202210333808A CN 114694009 A CN114694009 A CN 114694009A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- module
- submodule
- artificial intelligence
- 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 219
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims description 37
- 230000035945 sensitivity Effects 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 17
- 238000004806 packaging method and process Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 13
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能训练技术领域,具体涉及一种人工智能模型的训练系统,包括:训练集生成模块、训练集生成模块根据一外部输入的模型需求对训练数据进行处理,以生成训练集;参数配置模块,参数配置模块根据一外部输入的训练控制指令生成训练配置参数;训练模块根据训练集和训练配置参数对人工智能模型进行训练,随后输出训练后的人工智能模型。本发明的有益效果在于:通过设置训练集生成模块和训练参数配置模块,使得用户可以直接根据自身对模型的期望需求生成相应的训练集和训练参数,进而在训练过程中可根据模型需求对模型训练的方向加以控制,从而得到想要的人工智能模型,提升了人工智能模型训练、调试的简便性。
Description
技术领域
本发明涉及人工智能训练技术领域,具体涉及一种人工智能模型的训练系统。
背景技术
现有技术中,已存在有在医学超声检查中应用不同类型的人工智能模型对超声影像进行辅助识别,并生成相应的标注信息的技术方案。该类技术方案通常会针对需要识别的不同类型图像特征设置对应的训练集,并对人工智能模型的参数进行调整,从而获得用户所需的人工智能模型。但是,在实际实施过程中,发明人发现,上述调试、训练过程中,需要对相关的算法及代码作出较大幅度的调整,而很多医学领域的科研人员,其开发能力较弱,对人工智能模型的算法和代码调整较为困难,这给人工智能模型的训练、调试工作造成了一定的不便。
发明内容
针对现有技术中存在的上述问题,现提供一种人工智能模型的训练系统。
具体技术方案如下:
一种人工智能模型的训练系统,包括:
训练集生成模块、所述训练集生成模块根据一外部输入的模型需求对训练数据进行处理,以生成训练集;
参数配置模块,所述参数配置模块根据一外部输入的训练控制指令生成训练配置参数;
训练模块,所述训练模块连接所述训练集生成模块和所述参数配置模块,所述训练模块根据所述训练集和所述训练配置参数对所述人工智能模型进行训练,随后输出训练后的所述人工智能模型。
优选地,还包括:
模型评估模块,所述模型评估模块连接所述训练模块,并获取训练后的所述人工智能模型;
所述模型评估模块根据所述模型需求对所述人工智能模型进行评估以生成评估结果,随后根据所述评估结果向所述训练模块反馈修正参数。
优选地,所述训练集生成模块包括:
数据存储子模块,所述数据存储子模块中预先存储有所述训练数据;
训练集封装子模块,所述训练集封装子模块连接所述数据存储子模块,并将所述训练数据打包为所述训练集;
轮廓缩放子模块,所述轮廓缩放子模块连接所述训练集封装子模块,所述轮廓缩放子模块根据所述模型需求对所述训练集中的所述训练数据的轮廓大小进行缩放;
轮廓转换子模块,所述轮廓转换子模块连接所述训练集封装子模块,所述轮廓转换子模块根据所述模型需求对所述训练集中的所述训练数据的轮廓调整为凸包轮廓;
样本选择子模块,所述样本选择子模块连接所述训练集封装子模块,所述样本选择子模块根据所述模型需求在所述训练数据中选择特定类型的所述训练数据,并将所述特定类型的所述训练数据加入所述训练集中,以增加所述特定类型的所述训练数据在所述训练集中的占比。
优选地,所述参数配置模块包括:
优化器设置子模块,所述优化器设置子模块根据所述训练控制指令在所述训练配置参数中设置相应的优化器;
训练参数设置子模块,所述训练参数设置子模块根据所述训练控制指令在所述训练配置参数中设置训练参数;
所述训练参数包括学习率、训练次数和批次数。
优选地,所述训练模块包括:
模型训练子模块,所述模型训练子模块连接所述训练集生成模块和参数配置模块,所述模型训练子模块根据所述训练配置参数和所述训练集对所述人工智能模型进行训练;
过程显示子模块,所述过程显示子模块连接所述模型训练子模块,所述过程显示子模块获取所述模型训练子模块在训练过程中生成的运行数据,并通过可视化界面显示所述运行数据。
优选地,所述模型评估模块包括:
模型测试子模块,所述模型测试模块连接所述训练模块,所述模型测试子模块根据所述模型需求对训练后的所述人工智能模型进行测试,输出所述评估结果;
调整子模块,所述调整子模块连接所述模型测试子模块,所述调整子模块根据所述评估结果判断是否需要对所述人工智能模型进行调整;
当需要对所述人工智能模型进行调整时,所述调整子模块根据所述模型需求生成所述修正参数。
优选地,所述模型需求包括:模型特异度需求、模型敏感度需求、针对特定样本的准确率以及针对所有样本的均衡识别需求。
优选地,当所述模型需求为所述模型敏感度需求时,所述调整子模块自所述评估结果中提取错误负样本,并根据所述错误负样本调整灵敏度级别,以生成所述修正参数;
当所述模型需求为所述模型特异度需求时,所述调整子模块自所述评估结果中提取错误正样本,并根据所述错误正样本调整灵敏度级别,以生成所述修正参数。
优选地,所述模型评估模块海包括:
交互子模块,所述交互子模块连接所述模型测试子模块,所述交互子模块获取所述评估结果并显示;
所述交互子模块接收外部输入的调整指令并根据所述调整指令控制所述调整子模块生成所述修正参数。
上述技术方案具有如下优点或有益效果:通过设置训练集生成模块和训练参数配置模块,使得用户可以直接根据自身对模型的期望需求生成相应的训练集和训练参数,进而在训练过程中可根据模型需求对模型训练的方向加以控制,从而得到想要的人工智能模型,提升了人工智能模型训练、调试的简便性。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明实施例的整体示意图;
图2为本发明实施例中参数配置模块示意图。
具体实施方式
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作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明包括:
一种人工智能模型的训练系统,如图1所示,包括:
训练集生成模块1,训练集生成模块1根据一外部输入的模型需求对训练数据进行处理,以生成训练集;
参数配置模块2,参数配置模块2根据一外部输入的训练控制指令生成训练配置参数;
训练模块3,训练模块3连接训练集生成模块1和参数配置模块2,训练模块3根据训练集和训练配置参数对人工智能模型进行训练,随后输出训练后的人工智能模型。
具体地,针对现有技术中,在人工智能开发过程中需要依赖算法工程师对人工智能模型进行调试,开发过程较为不便的问题,本实施例中通过设置训练集生成模块1和参数配置模块2,根据模型需求生成特定类型的训练集,从而使得在训练过程中可根据模型需求快速获得所需的模型,进而降低了人工智能模型的开发难度。
在实施过程中,上述训练系统作为一计算机程序设置在计算机设备中。在实施过程中,针对不同类型的识别需求,用户往往会具有如下需求:模型特异度、模型敏感度、特别数据样本或均衡识别等。针对上述需求,训练集生成模块1可根据对应的需求采取不同的训练集生成策略,从而使得训练出的人工智能模型符合用户的期望需求。
在一种较优的实施例中,还包括:
模型评估模块4,模型评估模块4连接训练模块3,并获取训练后的人工智能模型;
模型评估模块4根据模型需求对人工智能模型进行评估以生成评估结果,随后根据评估结果向训练模块3反馈修正参数。
具体地,针对现有技术中在人工智能开发过程中需要依赖算法工程师对训练后的人工智能模型进行调参、更改算法等操作,开发过程较为不便的问题,本实施例中通过设置模型评估模块4,对训练后的人工智能模型进行验证,自动生成评估结果,随后根据模型需求,即上述的模型特异度、模型敏感度、特别数据样本或均衡识别等来判断训练后的人工智能模型是否为用户所需的人工智能模型。当训练后的人工智能模型不符合用户需求时,通过生成修正参数实现对训练后的人工智能模型的调参,从而使得人工智能模型符合用户的期望。
在一种较优的实施例中,训练集生成模块1包括:
数据存储子模块11,数据存储子模块11中预先存储有训练数据;
训练集封装子模块12,训练集封装子模块12连接数据存储子模块11,并将训练数据打包为训练集;
轮廓缩放子模块13,轮廓缩放子模块13连接训练集封装子模块12,轮廓缩放子模块13根据模型需求对训练集中的训练数据的轮廓大小进行缩放;
轮廓转换子模块14,轮廓转换子模块14连接训练集封装子模块12,轮廓转换子模块14根据模型需求对训练集中的训练数据的轮廓调整为凸包轮廓;
样本选择子模块15,样本选择子模块15连接训练集封装子模块12,样本选择子模块15根据模型需求在训练数据中选择特定类型的训练数据,并将特定类型的训练数据加入训练集中,以增加特定类型的训练数据在训练集中的占比。
具体地,针对现有技术中,在人工智能开发过程中需要依赖算法工程师对人工智能模型进行调试,开发过程较为不便的问题,本实施例中,通过依次设置轮廓缩放子模块13、轮廓转换子模块14、样本选择子模块15连接至训练集封装子模块12,根据用户的模型需求对训练集中的训练数据进行调整,从而使得基于该训练集训练出的人工智能模型符合用户对模型的期望。
在实施过程中,数据存储子模块11中预先存储好对应的标注训练图像,比如特定部位的超声影像,包括该部位的正常超声影像和具有病灶的超声影像。病灶部位已预先做好轮廓和类型标注。用户的模型需求包括模型特异度、模型敏感度、特别数据样本或均衡识别。当模型需求为均衡识别时,仅通过训练集封装子模块12直接将训练数据打包输出为训练集。而当模型需求为模型特异度时,通过采用轮廓缩放子模块13对标签轮廓进行缩小,以提取病灶的核心部位,从而提高特异度;当模型需求为模型敏感度时,通过采用轮廓转换子模块14将轮廓设置为凸包轮廓,从而将周围的图像纳入识别特征中,提高模型的灵敏度。
在一种较优的实施例中,参数配置模块2包括:
优化器设置子模块21,优化器设置子模块21根据训练控制指令在训练配置参数中设置相应的优化器;
训练参数设置子模块22,训练参数设置子模块22根据训练控制指令在训练配置参数中设置训练参数;
训练参数包括学习率、训练次数和批次数。
具体地,针对现有技术中,在人工智能开发过程中需要依赖算法工程师对人工智能模型进行调试,开发过程较为不便的问题,本实施例中,通过设置如图2所示的参数配置模块2,使得用户可根据训练控制指令对优化器,包括Adam,SGD,RMSprop等优化器、训练参数进行设置,从而降低开发难度。
在一种较优的实施例中,训练模块3包括:
模型训练子模块31,模型训练子模块31连接训练集生成模块1和参数配置模块2,模型训练子模块31根据训练配置参数和训练集对人工智能模型进行训练;
过程显示子模块32,过程显示子模块32连接模型训练子模块31,过程显示子模块32获取模型训练子模块31在训练过程中生成的运行数据,并通过可视化界面显示运行数据。
具体地,针对现有技术中,在人工智能开发过程中需要依赖算法工程师对人工智能模型进行调试,开发过程较为不便的问题,本实施例中,通过在训练模块3中设置模型训练子模块31对人工智能模型进行训练,并通过过程显示子模块32连接模型训练子模块31、采集模型训练子模块31在训练过程中的运行数据,从而使得过程显示子模块32可根据运行数据在可视化界面上根据运行数据实时反馈模型的各种表现,从而向用户提示当前模型的训练方向,以便于用户判断模型的训练是否符合预期。
在一种较优的实施例中,模型评估模块4包括:
模型测试子模块41,模型测试子模块41连接训练模块,模型测试子模块41根据模型需求对训练后的人工智能模型进行测试,输出评估结果;
调整子模块42,调整子模块42连接模型测试子模块41,调整子模块42根据评估结果判断是否需要对人工智能模型进行调整;
当需要对人工智能模型进行调整时,调整子模块根据模型需求生成修正参数。
具体地,针对现有技术中在人工智能开发过程中需要依赖算法工程师对训练后的人工智能模型进行调参、更改算法等操作,开发过程较为不便的问题,本实施例中通过设置模型测试子模块41,采用对应于该训练集的验证集对训练后的模型进行验证,从而判断生成评估结果。同时,设置调整子模块42自动根据评估结果判断训练后的模型是否符合用户的模型需求,并在模型不符合用户需求时生成修正参数对模型进行调整,从而使得模型符合用户需求。
在一种较优的实施例中,模型需求包括:模型特异度需求、模型敏感度需求、针对特定样本的准确率以及针对所有样本的均衡识别需求。
在一种较优的实施例中,当模型需求为模型敏感度需求时,调整子模块42自评估结果中提取错误负样本,并根据错误负样本调整灵敏度级别,以生成修正参数;
当模型需求为模型特异度需求时,调整子模块42自评估结果中提取错误正样本,并根据错误正样本调整灵敏度级别,以生成修正参数。
具体地,针对现有技术中在人工智能开发过程中需要依赖算法工程师对训练后的人工智能模型进行调参、更改算法等操作,开发过程较为不便的问题,本实施例中,根据模型需求的不同获取错误正样本或错误负样本,从而调整模型的灵敏度级别。具体来说,当模型需求为模型灵敏度时,高亮可视化模型推断高于阈值的错误负样本结果,并决策是否要降低或者提高当前灵敏度级别。当需要提高灵敏度级别时,通过将轮廓向外部扩增5个像素的距离来提高模型的灵敏度。在一实施例中,灵敏度级别最大可以上调8个级别,扩增40个像素。当需要降低灵敏度级别时,通过降低灵敏度级别,向内收缩5个像素,最大可以缩放到原来的70%。
在一种较优的实施例中,模型评估模块4还包括:
交互子模块43,交互子模块43连接模型测试子模块41,交互子模块43获取评估结果并显示;
交互子模块43接收外部输入的调整指令并根据调整指令控制调整子模块42生成修正参数。
本发明的有益效果在于:通过设置训练集生成模块和训练参数配置模块,使得用户可以直接根据自身对模型的期望需求生成相应的训练集和训练参数,进而在训练过程中可根据模型需求对模型训练的方向加以控制,从而得到想要的人工智能模型,提升了人工智能模型训练、调试的简便性。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (9)
1.一种人工智能模型的训练系统,其特征在于,包括:
训练集生成模块,所述训练集生成模块根据一外部输入的模型需求对训练数据进行处理,以生成训练集;
参数配置模块,所述参数配置模块根据一外部输入的训练控制指令生成训练配置参数;
训练模块,所述训练模块连接所述训练集生成模块和所述参数配置模块,所述训练模块根据所述训练集和所述训练配置参数对所述人工智能模型进行训练,随后输出训练后的所述人工智能模型。
2.根据权利要求1所述的训练系统,其特征在于,还包括:
模型评估模块,所述模型评估模块连接所述训练模块,并获取训练后的所述人工智能模型;
所述模型评估模块根据所述模型需求对所述人工智能模型进行评估以生成评估结果,随后根据所述评估结果向所述训练模块反馈修正参数。
3.根据权利要求1所述的训练系统,其特征在于,所述训练集生成模块包括:
数据存储子模块,所述数据存储子模块中预先存储有所述训练数据;
训练集封装子模块,所述训练集封装子模块连接所述数据存储子模块,并将所述训练数据打包为所述训练集;
轮廓缩放子模块,所述轮廓缩放子模块连接所述训练集封装子模块,所述轮廓缩放子模块根据所述模型需求对所述训练集中的所述训练数据的轮廓大小进行缩放;
轮廓转换子模块,所述轮廓转换子模块连接所述训练集封装子模块,所述轮廓转换子模块根据所述模型需求对所述训练集中的所述训练数据的轮廓调整为凸包轮廓;
样本选择子模块,所述样本选择子模块连接所述训练集封装子模块,所述样本选择子模块根据所述模型需求在所述训练数据中选择特定类型的所述训练数据,并将所述特定类型的所述训练数据加入所述训练集中,以增加所述特定类型的所述训练数据在所述训练集中的占比。
4.根据权利要求1所述的训练系统,其特征在于,所述参数配置模块包括:
优化器设置子模块,所述优化器设置子模块根据所述训练控制指令在所述训练配置参数中设置相应的优化器;
训练参数设置子模块,所述训练参数设置子模块根据所述训练控制指令在所述训练配置参数中设置训练参数;
所述训练参数包括学习率、训练次数和批次数。
5.根据权利要求1所述的训练系统,其特征在于,所述训练模块包括:
模型训练子模块,所述模型训练子模块连接所述训练集生成模块和参数配置模块,所述模型训练子模块根据所述训练配置参数和所述训练集对所述人工智能模型进行训练;
过程显示子模块,所述过程显示子模块连接所述模型训练子模块,所述过程显示子模块获取所述模型训练子模块在训练过程中生成的运行数据,并通过可视化界面显示所述运行数据。
6.根据权利要求2所述的训练系统,其特征在于,所述模型评估模块包括:
模型测试子模块,所述模型测试子模块连接所述训练模块,所述模型测试子模块根据所述模型需求对训练后的所述人工智能模型进行测试,输出所述评估结果;
调整子模块,所述调整子模块连接所述模型测试子模块,所述调整子模块根据所述评估结果判断是否需要对所述人工智能模型进行调整;
当需要对所述人工智能模型进行调整时,所述调整子模块根据所述模型需求生成所述修正参数。
7.根据权利要求6所述的训练系统,其特征在于,所述模型需求包括:模型特异度需求、模型敏感度需求、针对特定样本的准确率以及针对所有样本的均衡识别需求。
8.根据权利要求7所述的训练系统,其特征在于,当所述模型需求为所述模型敏感度需求时,所述调整子模块自所述评估结果中提取错误负样本,并根据所述错误负样本调整灵敏度级别,以生成所述修正参数;
当所述模型需求为所述模型特异度需求时,所述调整子模块自所述评估结果中提取错误正样本,并根据所述错误正样本调整所述灵敏度级别,以生成所述修正参数。
9.根据权利要求6所述的训练系统,其特征在于,所述模型评估模块还包括:
交互子模块,所述交互子模块连接所述模型测试子模块,所述交互子模块获取所述评估结果并显示;
所述交互子模块接收外部输入的调整指令并根据所述调整指令控制所述调整子模块生成所述修正参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210333808.6A CN114694009A (zh) | 2022-03-31 | 2022-03-31 | 一种人工智能模型的训练系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210333808.6A CN114694009A (zh) | 2022-03-31 | 2022-03-31 | 一种人工智能模型的训练系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114694009A true CN114694009A (zh) | 2022-07-01 |
Family
ID=82140845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210333808.6A Pending CN114694009A (zh) | 2022-03-31 | 2022-03-31 | 一种人工智能模型的训练系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114694009A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241997A (zh) * | 2018-08-03 | 2019-01-18 | 硕橙(厦门)科技有限公司 | 一种生成训练集的方法及装置 |
WO2019113502A2 (en) * | 2017-12-08 | 2019-06-13 | Albrain Corporation | Adding deep learning based ai control |
US20190257767A1 (en) * | 2018-02-21 | 2019-08-22 | Applied Materials Israel Ltd. | Generating a training set usable for examination of a semiconductor specimen |
CN110209574A (zh) * | 2019-05-14 | 2019-09-06 | 深圳极视角科技有限公司 | 一种基于人工智能的数据开发系统 |
US20200034750A1 (en) * | 2018-07-26 | 2020-01-30 | Sap Se | Generating artificial training data for machine-learning |
WO2020019252A1 (zh) * | 2018-07-26 | 2020-01-30 | 深圳前海达闼云端智能科技有限公司 | 训练人工智能模型的方法、装置、存储介质及机器人 |
CN111310934A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 一种模型生成方法、装置、电子设备和存储介质 |
CN111881966A (zh) * | 2020-07-20 | 2020-11-03 | 北京市商汤科技开发有限公司 | 神经网络训练方法、装置、设备和存储介质 |
CN112446438A (zh) * | 2020-12-16 | 2021-03-05 | 常州微亿智造科技有限公司 | 一种工业物联网下的模型智能训练方法 |
CN113191502A (zh) * | 2021-04-21 | 2021-07-30 | 烽火通信科技股份有限公司 | 一种人工智能模型在线训练方法及系统 |
EP3926555A2 (en) * | 2020-11-10 | 2021-12-22 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus of training model, electronic device, storage medium, and development system |
-
2022
- 2022-03-31 CN CN202210333808.6A patent/CN114694009A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019113502A2 (en) * | 2017-12-08 | 2019-06-13 | Albrain Corporation | Adding deep learning based ai control |
US20190257767A1 (en) * | 2018-02-21 | 2019-08-22 | Applied Materials Israel Ltd. | Generating a training set usable for examination of a semiconductor specimen |
US20200034750A1 (en) * | 2018-07-26 | 2020-01-30 | Sap Se | Generating artificial training data for machine-learning |
WO2020019252A1 (zh) * | 2018-07-26 | 2020-01-30 | 深圳前海达闼云端智能科技有限公司 | 训练人工智能模型的方法、装置、存储介质及机器人 |
CN109241997A (zh) * | 2018-08-03 | 2019-01-18 | 硕橙(厦门)科技有限公司 | 一种生成训练集的方法及装置 |
CN110209574A (zh) * | 2019-05-14 | 2019-09-06 | 深圳极视角科技有限公司 | 一种基于人工智能的数据开发系统 |
CN111310934A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 一种模型生成方法、装置、电子设备和存储介质 |
CN111881966A (zh) * | 2020-07-20 | 2020-11-03 | 北京市商汤科技开发有限公司 | 神经网络训练方法、装置、设备和存储介质 |
EP3926555A2 (en) * | 2020-11-10 | 2021-12-22 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus of training model, electronic device, storage medium, and development system |
CN112446438A (zh) * | 2020-12-16 | 2021-03-05 | 常州微亿智造科技有限公司 | 一种工业物联网下的模型智能训练方法 |
CN113191502A (zh) * | 2021-04-21 | 2021-07-30 | 烽火通信科技股份有限公司 | 一种人工智能模型在线训练方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107731228B (zh) | 英文语音信息的文本转换方法和装置 | |
US11262979B2 (en) | Machine learning webpage accessibility testing tool | |
US20150056580A1 (en) | Pronunciation correction apparatus and method thereof | |
CN113111968B (zh) | 图像识别模型训练方法、装置、电子设备和可读存储介质 | |
CN112614489A (zh) | 用户发音准确度评估方法、装置和电子设备 | |
CN110908518A (zh) | 基于虚拟现实的数学教学系统 | |
US11423261B2 (en) | Electronic device and model updating method | |
CN114694009A (zh) | 一种人工智能模型的训练系统 | |
CN112669814A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN116616691A (zh) | 基于虚拟现实的人机互动视力检测方法及系统 | |
CN117130589A (zh) | 代码处理方法、装置、一体机和计算机程序产品 | |
CN116628250A (zh) | 图像生成方法、装置、电子设备及计算机可读取存储介质 | |
CN106599312B (zh) | 知识库的检验方法、装置及终端 | |
TWI782436B (zh) | 顯示系統以及與顯示系統互動之方法 | |
US20220310087A1 (en) | Method and system for tracking in extended reality | |
CN112101046B (zh) | 一种基于通话行为的会话分析方法、装置和系统 | |
WO2021152801A1 (ja) | 学習装置、学習方法、及び、記録媒体 | |
CN104462763B (zh) | 基于智能语音识别的医学影像解读方法和装置 | |
CN114692706A (zh) | 模型训练方法、系统、装置、设备和存储介质 | |
CN110489350A (zh) | 一种基于nlp的伺服器测试方法 | |
KR102511996B1 (ko) | 준지도 학습 방법 | |
US20230082325A1 (en) | Utterance end detection apparatus, control method, and non-transitory storage medium | |
US20230178100A1 (en) | Tail point detection method, electronic device, and non-transitory computer-readable storage medium | |
US20210089831A1 (en) | System improvement for deep neural networks | |
JP2023073095A (ja) | 情報処理装置、情報処理方法および情報処理用プログラム |
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 |