CN115310582A - 用于训练神经网络模型的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于训练神经网络模型的方法和装置。该方法的一具体实施方式包括：展示预设的模型开发信息，其中，模型开发信息用于表征神经网络模型的开发方式，开发方式包括由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式；接收用户选择的模型开发信息；按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。该实施方式有助于降低神经网络模型的开发门槛。

Description

用于训练神经网络模型的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于训练神经网络模型的方法和装置。

背景技术

人工智能正在飞速的发展，是当前最热门的学科和研究方向之一。神经网络模型(Neural Networks，NN)以其特殊的结构和信息处理方法，在人工智能的许多应用领域中都取得了显著的成效。

目前，神经网络模型的应用领域包括但不限于图像处理、信号处理、模式识别、机器人控制、数据挖掘、电力系统、交通、医疗、农业、气象等等。

对于神经网络模型的实现，一般需要专业的开发人员开发神经网络模型的实现代码。为了便于实现神经网络模型的研究和开发，出现了许多辅助实现神经网络模型的开发的各种工具。

例如，用户可以借助各种数据标注工具完成图像标注、语音标注、文本标注等以提升训练数据的生成效率。又例如，用户可以借助一些深度学习框架来搭建所需的神经网络模型的结构并完成神经网络模型的训练。但现有的这些辅助实现神经网络模型的开发的工具的使用门槛较高，通常只能方便于专业的开发人员的使用。

发明内容

本公开的实施例提出了用于训练神经网络模型的方法和装置。

第一方面，本公开的实施例提供了一种用于训练神经网络模型的方法，该方法包括：展示预设的模型开发信息，其中，模型开发信息用于表征神经网络模型的开发方式，开发方式包括由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式；接收用户选择的模型开发信息；按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。

第二方面，本公开的实施例提供了一种数据处理方法，该方法包括：获取待处理数据；调用预先训练的神经网络模型对待处理数据进行处理，得到处理结果，其中，神经网络模型通过如第一方面中描述的方法生成。

第三方面，本公开的实施例提供了一种用于训练神经网络模型的装置，该装置包括：展示单元，被配置成展示预设的模型开发信息，其中，模型开发信息用于表征神经网络模型的开发方式，开发方式包括由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式；接收单元，被配置成接收用户选择的模型开发信息；开发单元，被配置成按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。

第四方面，本公开的实施例提供了一种数据处理装置，该装置包括：获取单元，被配置成获取待处理数据；处理单元，被配置成调用预先训练的神经网络模型对待处理数据进行处理，得到处理结果，其中，神经网络模型通过如如第一方面中描述的方法生成。

第五方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中描述的方法。

第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中描述的方法。

本公开的实施例提供的用于训练神经网络模型的方法和装置，通过向用户展示并提供由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式，以使用户能够根据自身需求选择自己编写代码进行神经网络模型的开发，也可以不编写代码实现神经网络模型的开发，然后再按照用户所选择的开发方式实现神经网络模型的开发和训练，从而降低神经网络模型的开发门槛。对于用户来说，无论是否具有开发经验，都能够有效实现所需的神经网络模型的开发。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于训练神经网络模型的方法的一个实施例的流程图；

图3a、3b、3c、3d、3e分别是根据本公开的用于训练神经网络模型的方法的应用场景的不同示意图；

图4是根据本公开的数据处理方法的一个实施例的流程图；

图5是根据本公开的用于训练神经网络模型的装置的一个实施例的结构示意图；

图6是根据本公开的数据处理装置的一个实施例的结构示意图；

图7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

下面结合附图和实施例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例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于训练神经网络模型的方法或用于训练神经网络模型的装置的实施例的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如，浏览器类应用、搜索类应用、即时通信工具、开发类应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上安装的客户端应用提供支持的后端服务器。

需要说明的是，本公开的实施例所提供的用于训练神经网络模型的方法一般由终端设备101、102、103执行，相应地，用于训练神经网络模型的装置一般设置于终端设备101、102、103上。

还需要指出的是，服务器105上也可以安装有开发类工具或应用，以向用户展示预设的模型开发信息，并接收用户选择的模型开发信息，然后按照用户选择模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。此时，用于训练神经网络模型的方法也可以由服务器105执行，相应地，用于训练神经网络模型的装置也可以设置于服务器105上。此时，示例性系统架构100可以不存在终端设备101、102、103和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的用于训练神经网络模型的方法的一个实施例的流程200。该用于训练神经网络模型的方法包括以下步骤：

步骤201，展示预设的模型开发信息。

在本实施例中，模型开发信息可以用于表征神经网络模型的开发方式。其中，神经网络模型可以是各种类型的神经网络模型。例如，神经网络模型可以是感知器、深度神经网络等。神经网络模型也可以是实现各种功能的神经网络模型。例如，神经网络模型可以用于实现图像处理、语音处理、文本处理等各种功能。

神经网络模型的开发方式可以包括由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式。具体地，第一开发方式可以指由用户直接编写用于实现神经网络模型的代码。第二开发方式可以指无需用户直接编写用于实现神经网络模型的代码。

其中，用于实现神经网络模型的代码可以包括用于实现神经网络模型的开发和训练的代码。其中，用户可以指使用上述执行主体(如图1所示的终端设备101、102、103)的用户。

模型开发信息可以由技术人员预先设置并向用户进行展示。一般地，可以在接收到用户输入的、用于请求开发神经网络模型的请求时，向用户展示预设的模型开发信息，以供用户选择所需的开发方式来完成神经网络模型的开发。

步骤202，接收用户选择的模型开发信息。

在本实施例中，用户可以根据自身的需求选择所需的开发方式对应的模型开发信息，同时，上述执行主体可以接收用户所选择的模型开发信息。

步骤203，按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。

在本实施例中，上述执行主体在接收到用户选择的模型开发信息之后，可以按照用户选择的模型开发信息所表征的开发方式，完成神经网络模型的开发和训练，从而得到训练完成的神经网络模型。

在用户选择的模型开发信息所表征的开发方式为由用户编写代码的第一开发方式时，上述执行主体可以接收用户编写的、用于实现用户期望的神经网络模型的代码，然后按照用户编写的代码进行该神经网络模型的开发和训练。

一般地，用户编写的代码即是用于实现神经网络模型的开发和训练的代码。因此，通常可以通过执行用户编写的代码来完成神经网络模型的开发和训练。

作为示例，用户期望得到一个用于实现图像二分类的深度学习模型。此时，用户可以编写用于实现图像二分类的算法和训练步骤的代码，然后上述执行主体可以执行用户编写的代码生成用于实现图像二分类的深度学习模型。

用户可以向上述执行主体上传其编写好的代码，也可以利用上述执行主体提供的代码开发工具编写代码。

由此，对于能够自己编写代码的用户来说，可以自己编写用于实现其期望的神经网络模型的代码，然后由上述执行主体执行该代码以完成神经网络模型的开发和训练。

在用户选择的模型开发信息所表征的开发方式为无需用户编写代码的第二开发方式时，上述执行主体可以接收用户输入的模型开发需求信息，然后根据模型开发需求信息生成用于实现神经网络模型的代码，进而可以按照生成的代码进行神经网络模型的开发和训练。

其中，模型开发需求信息可以指各种用于表示用户对期望的神经网络模型的开发需求的信息。用户可以通过各种方式向上述执行主体输入模型开发需求信息。

例如，用户可以提交文本形式的模型开发需求信息，其中，文本内容的格式可以由上述执行主体预先设置。例如，用户可以在提交的文本中说明对期望的神经网络模型的各种需求(如神经网络模型所实现的功能、神经网络模型的应用场景、神经网络模型的计算复杂度等等)。又例如，用户还可以提交语音形式的模型开发需求信息。

上述执行主体在接收到用户输入的模型开发需求信息之后，可以自动帮助用户生成对应的、用于实现用户的模型开发需求的代码，并通过运行该代码来实现神经网络模型的开发和训练。

由此，对于无法自己编写代码的用户来说，可以通过提交自身对期望的神经网络模型的模型开发需求信息，由上述执行主体自动帮助用户生成对应的代码以完成神经网络模型的开发和训练，从而提升用户在开发神经网络模型时的灵活度。

可选地，上述执行主体可以接收用户通过拖拽式操作输入的、神经网络模型的实现逻辑作为模型开发需求信息。

这种情况下，上述执行主体可以预先设计拖拽式编写神经网络模型的实现逻辑的方法。基于此，用户可以根据自身需求，通过拖拽式编写神经网络模型的实现逻辑，以编写的实现逻辑来满足其针对期望的神经网络模型的开发需求。

此时，上述执行主体可以根据用户编写的神经网络模型的实现逻辑来生成用于实现该逻辑的代码，进而通过执行生成的代码完成神经网络模型的开发和训练。

对于一些能够自己编写神经网络模型的实现逻辑，但不想花费时间编写代码或无法编写代码的用户来说，就可以通过拖拽式编写神经网络模型的实现逻辑，然后由上述执行主体生成对应的代码，以节省用户的开发时间。

可选地，上述执行主体可以向用户展示预设的需求信息集，然后接收用户从需求信息集中选取的需求信息作为模型开发需求信息。

其中，需求信息集中的需求信息可以用于表征神经网络模型的开发需求。这种情况下，上述执行主体可以预先存储有各种神经网络模型对应的需求信息。

用户可以根据自身需求，从需求信息集中选取符合自己针对期望的神经网络模型的开发需求的需求信息。然后上述执行主体可以根据用户选择的需求信息来生成对应用于实现该需求信息指示的需求的代码，进而通过执行生成的代码完成神经网络模型的开发和训练。

一般地，为了更全面地满足不同用户的开发需求，预设的需求信息集可以包括各方面的需求信息。例如，需求信息集包括但不限于针对神经网络模型的应用场景、模型类型、参数调节方法、特征提取方法、损失函数计算等等各方面的需求信息。

作为示例，需求信息集中可以包括神经网络模型的各种应用场景(如图像分类、目标检测、语音合成、语音识别等等)，然后用户可以通过点选等方式选择所需的应用场景。

对于完全不懂代码开发或不想花费时间的用户来说(如业务人员、测试人员等)，可以通过点选的方式直接选择与自身需求匹配的需求信息，然后由上述执行主体来自动生成对应的代码，以进一步节省用户的开发时间，也为完全不懂代码的用户提供开发神经网络模型的方法。

在本实施例的一些可选的实现方式中，上述执行主体可以接收用户上传的、神经网络模型的原始训练数据。然后，上述执行主体可以确定原始训练数据是否包括标注信息，若确定原始训练数据不包括标注信息，可以展示预设的数据标注信息，并接收用户选择的数据标注信息，然后按照用户选择的数据标注信息对应的数据标注方式，对原始训练数据进行标注，得到标注后的原始训练数据作为神经网络模型的训练用数据。

其中，用户根据需求可以向上述执行主体上传带有标注的原始训练数据，也可以上传不带标注的原始训练数据。上述执行主体可以通过分析用户上传的原始训练数据以确定该数据是否包括标注信息，也可以由用户通知上述执行主体其上传的原始训练数据是否包括标注信息。

标注信息可以指在神经网络模型的训练过程中所使用的各种标注信息。不同的应用场景下，标注信息可以不同。例如，对于图像分类的应用场景下，标注信息可以用于指示图像的分类结果。又例如，对于目标检测的应用场景下，标注信息可以用于指示目标对象在图像中的位置。

若用户上传的原始训练数据包括标注信息，则上述执行主体可以直接使用原始训练数据作为神经网络模型的训练用数据，以完成神经网络模型的训练。

其中，上述数据标注信息可以用于表征数据标注方式。若用户上传的原始训练数据不包括标注信息，上述执行主体可以向用户展示预设的各种数据标注信息，从而用户可以根据需求选择数据标注信息，之后，上述执行主体可以按照用户所选择的数据标注方式对原始训练数据进行标注，并将得到的标注后的原始训练数据作为神经网络模型的训练用数据。

这种情况下，上述执行主体可以预先设计有针对各种数据标注信息分别对应的数据标注方式的实现方法或工具。需要说明的是，对原始训练数据进行标注可以由用户利用上述执行主体预先实现的数据标注方法或工具完成的，也可以由上述执行主体自动完成，还可以由用户和上述执行主体共同完成。

在本实施例的一些可选的实现方式中，上述执行主体可以向用户展示预设的模型评估信息，并接收用户选择的模型评估信息，然后按照用户选择的模型评估信息对应的评估方式，对训练完成的神经网络模型进行评估，生成评估结果并向用户展示。

其中，模型评估信息可以用于表征模型的评估方式。此时，上述执行主体可以预先设计各种不同的针对神经网络模型的评估方式的实现方法或工具。用户可以根据需求选择期望的评估方式，以完成对训练完成的神经网络模型进行评估，得到评估结果。

为了给用户提供更全面、更多选择的模型评估方式，上述执行主体可以预先设置各种评估方式对应的模型评估信息以供用户选择。例如，模型评估信息可以包括用于指示对神经网络模型进行评估的测试集的信息，还可以包括用于指示使用的评估指标(如准确率、精确率、召回率、F1分数等等)的信息。通过更全面的评估方式，为用户提供针对训练后的神经网络模型的评估方式的灵活性，也有助于保证评估结果的准确性和客观性。

在本实施的一些可选的实现方式中，在得到训练完成的神经网络模型之后，上述执行主体还可以进一步存储训练完成的神经网络模型。同时，上述执行主体可以生成训练完成的神经网络模型对应的调用接口并向用户展示。

例如，上述执行主体可以在预先构建的模型仓库中存储训练完成的神经网络模型。

其中，调用接口可以指能够被调用以使用对应训练完成的神经网络模型的接口。调用接口的形式可以根据实际的应用需求灵活设置。例如，调用接口可以是API(Application Programming Interface，应用程序接口)形式，此时，第三方可以通过调用API来使用神经网络模型提供的功能。又例如，调用接口可以是SDK(Software DevelopmentKit，软件开发工具包)形式，此时，第三方可以通过安装SDK来使用神经网络模型提供的功能。

可选地，存储的神经网络模型之后还可以被更新，此时，上述执行主体可以存储更新后的神经网络模型，并实现对该神经网络模型的版本管理。

在本实施例的一些可选的实现方式中，上述执行主体可以生成神经网络模型的训练过程所包括的各步骤的状态信息并向用户展示，以便于用户及时了解神经网络模型的训练过程当前所在的执行步骤，以及每个步骤的相关执行信息等等。

一般地，神经网络模型的训练过程由许多步骤组成。例如，对于用于图像分类的神经网络模型来说，神经网络模型的训练过程包括的步骤包括但不限于；对图像进行卷积操作、计算图像的卷积结果与各类别分别对应的卷积结果之间的相似度、根据相似度确定分类结果等等。

步骤的状态信息可以用于描述步骤的各种信息。例如，状态信息包括但不限于：用于指示步骤是否完成的信息、用于指示步骤当前的执行进度的信息、用于指示步骤的执行开始时间、结束时间等等。

可选地，神经网络模型的训练过程所包括的各步骤可以由预设的调度算法进行调度执行，以保证神经网络模型的训练过程的执行效率和稳定性。

可选地，在对神经网络模型的开发和训练的过程中，上述执行主体还可以记录执行过程的日志信息并向用户展示，以便于用户了解更多关于神经网络模型的开发和训练过程的信息，也便于对神经网络模型的开发和训练过程的监督。

在本实施例的一些可选的实现方式中，上述执行主体可以按照用户选择的模型开发信息对应的开发方式，利用预设的、用于实现神经网络模型的模板进行神经网络模型的开发和训练。

其中，用于实现神经网络模型的模板可以是各种神经网络模型对应的实现模板。例如，用于实现神经网络模型的模板包括各种功能的神经网络模型分别对应的实现算法(如目标检测算法、图像分类算法、文字识别算法等等)等。

此时，上述执行主体可以利用这些模板来自动为用户生成符合用户的模型开发需求信息的代码。上述执行主体还可以向用户展示这些模板，以使用户直接使用这些模板对应的代码或修改这些模板对应的代码来编写代码，从而进一步提升神经网络模型开发的便捷性和开发效率。

继续参见图3a、图3b、图3c、图3d和图3e分别是根据本实施例的用于训练神经网络模型的方法的应用场景的不同示意图。如图3a-3e所示，执行主体可以向用户展示数据处理、模型开发、模型训练、模型验证和模型部署等不同服务选项，用户可根据需求依次选择对应的服务选项，以完成神经网络模型的开发、训练等过程。

具体地，如图3a所示，用户选择数据处理这一服务选项，执行主体向用户展示上传数据和标注数据两个选项。用户可以通过上传数据这一选项向执行主体上传标注好的训练数据，也可以通过标注数据这一选项利用执行主体提供的数据标注工具完成训练数据的标注。

以用户选择标注数据这一选项为示例，执行主体可以向用户展示其提供的A、B、C三种标注工具，然后用户可以从中选择标注工具，然后导入原始数据，对原始数据进行标注以形成训练数据。

在得到训练数据之后，如图3b所示，用户可以继续选择模型开发这一服务选项，执行主体向用户展示自主开发和自动开发两种神经网络模型的开发方式。用户可以根据自身需求通过自主开发选项来自己编写代码进行神经网络模型的开发，也可以通过自动开发选项由执行主体生成神经网络模型的开发代码。

以用户选择自动开发选项为示例，执行主体可以向用户展示各种开发组件，以使用户利用这些组件完成神经网络模型的开发。例如，用户可以通过拖拽组件的方式，构建神经网络模型的处理流程，然后执行主体可以根据用户利用组件构建的处理流程生成对应神经网络模型的代码。

在完成模型开发之后，如图3c所示，用户可以继续选择模型训练这一选项，执行主体可以利用训练数据对神经网络模型进行训练，并向用户展示训练进度。具体地，可以向用户展示用户指示训练神经网络模型这一任务的提交时间，以及训练神经网络模型包括的各个步骤当前的执行状态。如图中所示，步骤一已经执行完成，用户可以查看步骤一的开始时间和结束时间。步骤二和步骤三正在运行中，且用户可以查看步骤二和步骤三分别对应的开始时间。步骤四当前还未开始执行，处于待执行状态。

在完成模型训练之后，如图3d所示，用户可以继续选择模型验证这一选项，执行主体向用户展示其提供的各种不同的验证方式。用户可以从中选择验证方式对训练的神经网络模型进行验证，执行主体可以向用户展示验证进度和最终的验证结果。用户可以通过查看验证结果确定训练得到的神经网络模型是否符合需求。

若经过模型验证，训练得到的神经网络模型符合用户需求，如图3e所示，用户可以继续选择模型部署这一服务选项，执行主体可以向用户提供本地部署、云端部署、端地协同部署等不同的部署方式。用户可以根据实际的应用需求选择对应的部署方式对训练完成的神经网络模型进行部署，以便于后续利用部署完成的神经网络模型进行相应的数据处理。

需要说明的是，图3a-图3e只是本实施例的用于训练神经网络模型的方法的应用场景的部分示意图，根据实际的应用场景，执行主体还可以向用户提供其他如模型存储、模型更新、模型版本管理等其他各种服务选项以满足用户的不同需求。

本公开的上述实施例提供的方法通过提供由用户编写代码和无需用户编写代码的两种开发方式，以使用户可以根据自身需求选择合适的开发方式来完成神经网络模型的开发和训练。由此可以降低神经网络模型的开发门槛，使得无开发经验或开发时间有限的用户也能够便捷地实现神经网络模型的开发和训练。

另外，现有技术中，用户通常需求分别使用不同的平台独立地完成训练数据的标注、神经网络模型的开发和训练、训练后的神经网络模型的评估等过程，而本公开提供的方法使得用户在开发和训练神经网络模型的之外，还可以同时实现针对训练数据的标注、针对训练后的神经网络模型的评估等各种功能，从而节省开发人员的时间并提升开发人员的开发效率，以及提升神经网络模型开发的便捷性。

进一步参考图4，其示出了数据处理方法的又一个实施例的流程400。该数据处理方法的流程400，包括以下步骤：

步骤401，获取待处理数据。

在本实施例中，待处理数据可以是各种类型的数据。例如，待处理数据可以是图像、文本、视频、语音等等。

步骤402，调用预先训练的神经网络模型对待处理数据进行处理，得到处理结果。

在本实施例中，预先训练的神经网络模型可以通过上述图2对应实施例中描述的方法生成。

可选地，可以通过调用图2对应实施例中描述的方法生成的神经网络模型的调用接口来利用该神经网络模型完成对待处理数据的处理。

上述步骤401和402中未具体说明的内容可参考图2对应实施例中的相关说明，在此不再赘述。

需要说明的是，本实施例提供的数据处理方法的执行主体可以与图2对应实施例的执行主体相同，也可以不同。

本公开的上述实施例提供的方法通过直接调用图2对应实施例生成的神经网络模型来完成对待处理数据的处理，有助于提升针对待处理数据的处理效率。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于训练神经网络模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于训练神经网络模型的装置500包括展示单元501、接收单元502和开发单元503。其中，展示单元501被配置成展示预设的模型开发信息，其中，模型开发信息用于表征神经网络模型的开发方式，开发方式包括由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式；接收单元502被配置成接收用户选择的模型开发信息；开发单元503被配置成按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。

在本实施例中，用于训练神经网络模型的装置500中：展示单元501、接收单元502和开发单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤501、步骤502和步骤503的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述开发单元503进一步被配置成：响应于确定用户选择的模型开发信息对应第一开发方式，接收用户编写的、用于实现神经网络模型的代码；按照用户编写的代码进行神经网络模型的开发和训练。

在本实施例的一些可选的实现方式中，上述开发单元503进一步被配置成：响应于确定用户选择的模型开发信息对应第二开发方式，接收用户输入的模型开发需求信息；根据模型开发需求信息，生成用于实现神经网络模型的代码，以及按照生成的代码进行神经网络模型的开发和训练。

在本实施例的一些可选的实现方式中，上述开发单元503进一步被配置成：接收用户通过拖拽式操作输入的、神经网络模型的实现逻辑作为模型开发需求信息。

在本实施例的一些可选的实现方式中，上述开发单元503进一步被配置成：展示预设的需求信息集；接收用户从需求信息集中选取的需求信息作为模型开发需求信息。

在本实施例的一些可选的实现方式中，上述接收单元502进一步被配置成：接收用户上传的、神经网络模型的原始训练数据；上述展示单元501进一步被配置成：响应于确定原始训练数据不包括标注信息，展示预设的数据标注信息，其中，数据标注信息用于表征数据标注方式；上述接收单元502进一步被配置成：接收用户选择的数据标注信息；上述用于训练神经网络模型的装置500还包括：标注单元(图中未示出)，被配置成：按照用户选择的数据标注信息对应的数据标注方式，对原始训练数据进行标注，得到标注后的原始训练数据作为神经网络模型的训练用数据。

在本实施例的一些可选的实现方式中，上述展示单元501进一步被配置成：展示预设的模型评估信息，其中，模型评估信息用于表征模型的评估方式；上述接收单元502进一步被配置成：接收用户选择的模型评估信息；上述用于训练神经网络模型的装置500还包括：评估单元(图中未示出)，被配置成：按照用户选择的模型评估信息对应的评估方式，对训练完成的神经网络模型进行评估，生成评估结果以及展示。

在本实施例的一些可选的实现方式中，上述用于训练神经网络模型的装置500还包括：存储单元(图中未示出)，被配置成：存储训练完成的神经网络模型；生成单元(图中未示出)，被配置成：生成训练完成的神经网络模型对应的调用接口以及展示。

在本实施例的一些可选的实现方式中，上述生成单元进一步被配置成：生成神经网络模型的训练过程所包括的各步骤的状态信息以及展示。

在本实施例的一些可选的实现方式中，上述开发单元503进一步被配置成：按照用户选择的模型开发信息对应的开发方式，利用预设的、用于实现神经网络模型的模板进行神经网络模型的开发和训练。

本公开的上述实施例提供的装置，通过展示单元展示预设的模型开发信息，其中，模型开发信息用于表征神经网络模型的开发方式，开发方式包括由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式；接收单元接收用户选择的模型开发信息；开发单元按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。由此可以降低神经网络模型的开发门槛，使得无开发经验或开发时间有限的用户也能够便捷地实现神经网络模型的开发和训练。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了数据处理装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例提供的数据处理装置600包括获取单元601和处理单元602。其中，获取单元601被配置成获取待处理数据；处理单元，被配置成调用预先训练的神经网络模型对待处理数据进行处理，得到处理结果，其中，神经网络模型通过如图2对应实施例中所描述的方法生成。

在本实施例中，数据处理装置600中：获取单元601和处理单元602的具体处理及其所带来的技术效果可分别参考图3对应实施例中的步骤401和步骤402的相关说明，在此不再赘述。

本公开的上述实施例提供的装置，通过获取单元获取待处理数据；处理单元调用预先训练的神经网络模型对待处理数据进行处理，得到处理结果，其中，神经网络模型通过如图2对应实施例中所描述的方法生成，从而有助于提升针对待处理数据的处理效率。

下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的终端设备)700的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的终端设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：展示预设的模型开发信息，其中，模型开发信息用于表征神经网络模型的开发方式，开发方式包括由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式；接收用户选择的模型开发信息；按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括展示单元、接收单元和开发单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收用户选择的模型开发信息的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (15)

1.一种用于训练神经网络模型的方法，包括：

展示预设的模型开发信息，其中，模型开发信息用于表征神经网络模型的开发方式，开发方式包括由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式；

接收用户选择的模型开发信息；

按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。

2.根据权利要求1所述的方法，其中，所述按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，包括：

响应于确定用户选择的模型开发信息对应所述第一开发方式，接收用户编写的、用于实现所述神经网络模型的代码；

按照用户编写的代码进行神经网络模型的开发和训练。

3.根据权利要求1所述的方法，其中，所述按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，包括：

响应于确定用户选择的模型开发信息对应所述第二开发方式，接收用户输入的模型开发需求信息；

根据所述模型开发需求信息，生成用于实现所述神经网络模型的代码，以及按照生成的代码进行神经网络模型的开发和训练。

4.根据权利要求3所述的方法，其中，所述接收用户输入的模型开发需求信息，包括：

接收用户通过拖拽式操作输入的、所述神经网络模型的实现逻辑作为模型开发需求信息。

5.根据权利要求3所述的方法，其中，所述接收用户输入的模型开发需求信息，包括：

展示预设的需求信息集；

接收用户从所述需求信息集中选取的需求信息作为模型开发需求信息。

6.根据权利要求1-5之一所述的方法，其中，所述方法还包括：

接收用户上传的、所述神经网络模型的原始训练数据；

响应于确定所述原始训练数据不包括标注信息，展示预设的数据标注信息，其中，数据标注信息用于表征数据标注方式；

接收用户选择的数据标注信息；

按照用户选择的数据标注信息对应的数据标注方式，对所述原始训练数据进行标注，得到标注后的原始训练数据作为所述神经网络模型的训练用数据。

7.根据权利要求1-5之一所述的方法，其中，所述方法还包括：

展示预设的模型评估信息，其中，模型评估信息用于表征模型的评估方式；

接收用户选择的模型评估信息；

按照用户选择的模型评估信息对应的评估方式，对所述训练完成的神经网络模型进行评估，生成评估结果以及展示。

8.根据权利要求1-5之一所述的方法，其中，所述方法还包括：

存储所述训练完成的神经网络模型；

生成所述训练完成的神经网络模型对应的调用接口以及展示。

9.根据权利要求1-5之一所述的方法，所述方法还包括：

生成所述神经网络模型的训练过程所包括的各步骤的状态信息以及展示。

10.根据权利要求1-5之一所述的方法，所述按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，包括：

按照用户选择的模型开发信息对应的开发方式，利用预设的、用于实现神经网络模型的模板进行神经网络模型的开发和训练。

11.一种数据处理方法，包括：

获取待处理数据；

调用预先训练的神经网络模型对所述待处理数据进行处理，得到处理结果，其中，所述神经网络模型通过如权利要求1-10之一所述的方法生成。

12.一种用于训练神经网络模型的装置，包括：

展示单元，被配置成展示预设的模型开发信息，其中，模型开发信息用于表征神经网络模型的开发方式，开发方式包括由用户编写代码的第一开发方式和无需用户编写代码的第二开发方式；

接收单元，被配置成接收用户选择的模型开发信息；

开发单元，被配置成按照用户选择的模型开发信息对应的开发方式，进行神经网络模型的开发和训练，得到训练完成的神经网络模型。

13.一种数据处理装置，包括：

获取单元，被配置成获取待处理数据；

处理单元，被配置成调用预先训练的神经网络模型对所述待处理数据进行处理，得到处理结果，其中，所述神经网络模型通过如权利要求1-10之一所述的方法生成。

14.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。

15.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-11中任一所述的方法。

Images