CN115618234A - 一种模型训练方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种模型训练方法、装置、设备及存储介质。该方法包括：获取目标项目对应的数据信息和任务信息，其中，所述数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，所述任务信息包括：任务名称、任务描述信息以及任务资源配置信息；根据目标项目对应的数据信息创建目标项目对应的目标数据集；根据目标项目对应的任务信息创建目标项目对应的目标任务；根据所述场景信息确定目标模型；根据所述目标任务和所述目标数据集对所述目标模型进行训练，通过本发明的技术方案，实现金融行业场景下安全高效地深度学习训练任务管理，可支持多种金融业务同时进行深度学习模型训练，既保障数据安全，又满足高效开发深度学习模型的需求。

Description

一种模型训练方法、装置、设备及存储介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种模型训练方法、装置、设备及存储介质。

背景技术

深度学习在金融行业中已经得到了广泛的应用，为创新AI转型提供了助力。但是由于金融行业的特殊性，在进行深度学习模型训练任务时，上下游的数据安全需要得到充分考虑。此外，不同的训练任务之间，训练人员、数据、资源、模型的完全隔离也十分重要。在这样的情况下，如何在保障数据安全性的前提下来做到高效的训练任务管理就显得尤为重要。目前，市场上少有成熟的金融场景深度学习训练任务管理方案。

发明内容

本发明实施例提供一种模型训练方法、装置、设备及存储介质，解决了在保障数据安全性的前提下多种金融业务难以做到高效的训练任务管理的问题。

根据本发明的一方面，提供了一种模型训练方法，该模型训练方法包括：

获取目标项目对应的数据信息和任务信息，其中，所述数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，所述任务信息包括：任务名称、任务描述信息以及任务资源配置信息；

根据目标项目对应的数据信息创建目标项目对应的目标数据集；

根据目标项目对应的任务信息创建目标项目对应的目标任务；

根据所述场景信息确定目标模型；

根据所述目标任务和所述目标数据集对所述目标模型进行训练。

根据本发明的另一方面，提供了一种模型训练装置，该模型训练装置包括：

获取模块，用于获取目标项目对应的数据信息和任务信息，其中，所述数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，所述任务信息包括：任务名称、任务描述信息以及任务资源配置信息；

第一创建模块，用于根据目标项目对应的数据信息创建目标项目对应的目标数据集；

第二创建模块，用于根据目标项目对应的任务信息创建目标项目对应的目标任务；

确定模块，用于根据所述场景信息确定目标模型；

训练模块，用于根据所述目标任务和所述目标数据集对所述目标模型进行训练。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的模型训练方法。

根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的模型训练方法。

本发明实施例通过获取目标项目对应的数据信息和任务信息，其中，所述数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，所述任务信息包括：任务名称、任务描述信息以及任务资源配置信息；根据目标项目对应的数据信息创建目标项目对应的目标数据集；根据目标项目对应的任务信息创建目标项目对应的目标任务；根据所述场景信息确定目标模型；根据所述目标任务和所述目标数据集对所述目标模型进行训练，通过本发明的技术方案，能够实现多种金融业务场景同时高效且安全地开发深度学习模型，解决了在保障数据安全性的前提下多种金融业务难以做到高效的训练任务管理的问题，能够实现金融行业场景下安全高效地深度学习训练任务管理，可支持多种金融业务同时进行深度学习模型训练，既保障数据安全，又满足高效开发深度学习模型的需求。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例一中的一种模型训练方法的流程图；

图2是本发明实施例二中的一种模型训练装置的结构示意图；

图3是本发明实施例三中的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例一中的一种模型训练方法的流程图，本实施例可适用于多种金融业务场景同时开发深度学习模型的情况，该方法可以由本发明实施例中的模型训练装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：

S110，获取目标项目对应的数据信息和任务信息，其中，数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，任务信息包括：任务名称、任务描述信息以及任务资源配置信息。

其中，目标项目可在项目下拉列表中根据实际需求进行选择。

具体的，获取目标项目对应的数据信息和任务信息的方式可以为：用户登录后显示登录界面，选择目标项目，根据目标项目对应的模型开发界面创建数据信息和任务信息，其中创建的数据信息包括数据类型、场景信息、数据集名称以及数据集描述信息，创建的任务信息包括任务名称、任务描述信息以及任务资源配置信息。

可选的，获取数据类型、场景信息、数据集名称以及数据集描述信息，包括：

响应于预设触发操作，显示目标项目对应的模型开发界面；

响应于检测到用户针对模型开发界面上的新建数据集控件的触发操作，显示新建数据集界面；

响应于检测到用户针对新建数据集界面的编辑操作，获取数据类型、场景信息、数据集名称以及数据集描述信息。

其中，模型开发界面可以包括项目数据集、订阅数据集、数据集名称、创建者、数据集描述信息、创建时间及数据量等。新建数据集界面可以包括数据类型、场景信息、数据集名称及数据集描述信息。数据类型可以包括数据表和图片。场景信息可以包括图片单分类、物体检测、语义分割和实例分割。

具体的，响应于预设触发操作，显示目标项目对应的模型开发界面的方式可以为：在用户登录界面选择目标项目，当响应预设触发操作，界面显示目标项目对应的模型开发界面。

具体的，响应于检测到用户针对模型开发界面上的新建数据集控件的触发操作，显示新建数据集界面的方式可以为：若检测到用户点击模型开发界面上的新建数据集控件，则显示新建数据集界面。

具体的，响应于检测到用户针对新建数据集界面的编辑操作，获取数据类型、场景信息、数据集名称以及数据集描述信息的方式可以为：根据显示的新建数据集界面进行编辑操作，选择数据类型、场景信息，输入数据集名称和数据集描述信息。

可选的，获取任务名称、任务描述信息以及任务资源配置信息，包括：

响应于检测到用户针对模型开发界面上的新建任务控件的触发操作，显示新建任务界面；

响应于检测到用户针对新建任务界面的编辑操作，获取任务名称、任务描述信息以及任务资源配置信息。

其中，新建任务界面可以包括基本信息和资源配置，基本信息可以包括任务名称、任务描述信息、镜像及最大运行时间，资源配置可以包括资源池、CPU核数及内存信息。需要注意的是，任务名称由英文字符、数字和下划线组成，不能以下划线开头或结束，2-20个字符，最大运行时间若设置为非零值，则最低为30分钟。

具体的，响应于检测到用户针对模型开发界面上的新建任务控件的触发操作，显示新建任务界面的方式可以为：若检测到用户点击模型开发界面上的新建任务控件，则显示新建任务界面。

具体的，响应于检测到用户针对新建任务界面的编辑操作，获取任务名称、任务描述信息以及任务资源配置信息的方式可以为：根据显示的新建任务界面进行编辑操作，输入任务名称、任务描述信息，选择镜像，确定最大运行时间，选择资源池，输入CPU核数和内存信息。

S120，根据目标项目对应的数据信息创建目标项目对应的目标数据集。

具体的，根据目标项目对应的数据信息创建目标项目对应的目标数据集的方式可以为：选择目标项目，获取的目标项目对应的数据信息，在模型开发界面点击目标项目对应的数据集的上传数据控件进行数据上传，进而创建目标项目对应的目标数据集。根据目标项目对应的数据信息创建目标项目对应的目标数据集的方式还可以为：选择目标项目，获取的目标项目对应的数据信息，在模型开发界面上点击存储卷对应的上传文件控件进行数据上传，进而创建目标项目对应的目标数据集。根据目标项目对应的数据信息创建目标项目对应的目标数据集的方式还可以为：选择目标项目，获取目标项目对应的任务信息，创建目标项目对应的目标任务后，在目标任务对应的开发界面点击上传文件控件进行数据上传，进而创建目标项目对应的目标数据集。

可选的，在根据目标项目对应的数据信息创建目标项目对应的目标数据集之后，还包括：

响应于预设触发操作，显示目标项目对应的模型开发界面；

响应于检测到用户针对模型开发界面上的数据集列表中的目标数据集对应的上传控件的触发操作，显示所述目标数据集对应的上传数据界面；

响应于检测到用户针对上传数据界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包；

响应于检测到用户针对上传数据界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集。

其中，上传数据界面可以包括数据标注格式、上传方式、目标压缩包上传进度显示。例如，数据标注格式可以为：PASCAL VOC，上传方式可以为：本地上传。

具体的，响应于预设触发操作，显示目标项目对应的模型开发界面的方式可以为：在用户登录界面选择目标项目，当响应预设触发操作，界面显示目标项目对应的模型开发界面。

具体的，响应于检测到用户针对模型开发界面上的数据集列表中的目标数据集对应的上传控件的触发操作，显示所述目标数据集对应的上传数据界面的方式可以为：若检测到用户点击模型开发界面上的数据集列表中的目标数据集对应的上传控件，则显示上传数据界面。

具体的，响应于检测到用户针对上传数据界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包的方式可以为：根据显示的上传数据界面进行编辑操作，选择数据标注格式、上传方式，点击选择目标压缩包进行数据上传，同时显示上传进度。需要说明的是，压缩包支持格式可以为zip、tar.gz，仅限一个压缩包。

具体的，响应于检测到用户针对上传数据界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集的方式可以为：在上传数据界面编辑好数据标注格式、上传方式信息以及目标压缩包后，上传进度完毕，点击确定控件，可将目标压缩包上传至目标数据集。需要说明的是，除了点击确定控件将目标压缩包上传至目标数据集，还可以等待上传进度完毕，页面自动跳转，也代表将目标压缩包成功上传至目标数据集。

可选的，在根据目标项目对应的数据信息创建目标项目对应的目标数据集之后，还包括：

响应于检测到用户针对模型开发界面上的存储控件的触发操作，显示目标项目对应的存储卷列表；

响应于检测到用户针对存储卷列表点中的目标存储卷的触控操作，显示所述目标存储卷对应的文件列表；

响应于检测到用户针对上传文件控件的触发操作，显示上传文件界面；

响应于检测到用户针对上传文件界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包；

响应于检测到用户针对上传文件界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集。

具体的，响应于检测到用户针对模型开发界面上的存储控件的触发操作，显示目标项目对应的存储卷列表的方式可以为：若检测到用户点击模型开发界面上的存储控件，则显示目标项目对应的存储卷列表。

具体的，响应于检测到用户针对存储卷列表点中的目标存储卷的触控操作，显示所述目标存储卷对应的文件列表的方式可以为：若检测到用户点击存储卷列表中的目标存储卷，则显示目标存储卷对应的文件列表。

具体的，响应于检测到用户针对上传文件控件的触发操作，显示上传文件界面的方式可以为：若检测到用户在目标存储卷对应的文件列表中点击上传文件控件，则显示上传文件界面。

具体的，响应于检测到用户针对上传文件界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包的方式可以为：根据显示的上传文件界面进行编辑操作，选择数据标注格式、上传方式，选择目标压缩包或者目标文件进行上传，同时显示上传进度。

具体的，响应于检测到用户针对上传文件界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集的方式可以为：在上传文件界面编辑好数据标注格式、上传方式信息以及目标压缩包或者目标文件后，上传进度完毕，点击确定控件，可将目标压缩包或目标文件上传至目标数据集。

S130，根据目标项目对应的任务信息创建目标项目对应的目标任务。

具体的，根据目标项目对应的任务信息创建目标项目对应的目标任务的方式可以为：根据目标项目对应的任务名称、任务描述信息以及任务资源配置信息创建目标项目对应的目标任务。

具体的，响应于检测到用户针对模型开发界面上的新建任务控件的触发操作，显示新建任务界面；响应于检测到用户针对新建任务界面的编辑操作，获取任务名称、任务描述信息、镜像、最大运行时间、资源池、CPU核数和内存信息，响应于检测到用户针对上传文件界面的确定控件的触发操作，根据所述任务名称、任务描述信息、镜像、最大运行时间、资源池、CPU核数和内存信息创建目标项目对应的目标任务。

需要说明的是，在模型训练过程中，上述操作S120和S130的执行顺序无明确规定，即可先根据目标项目对应的任务信息创建目标项目对应的目标任务，再根据目标项目对应的数据信息创建目标项目对应的目标数据集；也可先根据目标项目对应的数据信息创建目标项目对应的目标数据集，再根据目标项目对应的任务信息创建目标项目对应的目标任务，本实施例不作具体限定。

可选的，在根据目标项目对应的任务信息创建目标项目对应的目标任务之后，还包括：

响应于检测到用户针对模型开发界面上的目标任务对应的开发控件的触控操作，显示开发界面；

响应于检测到用户针对开发界面上的上传文件控件的触发操作，显示上传文件界面；

响应于检测到用户针对上传文件界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包；

响应于检测到用户针对上传文件界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集。

其中，开发界面可以包括当前运行位置、运行时长、添加控件、上传控件及运行代码等信息。

具体的，响应于检测到用户针对模型开发界面上的目标任务对应的开发控件的触控操作，显示开发界面的方式可以为：若检测到用户点击模型开发界面上的目标任务对应的开发控件，则显示开发界面。

具体的，响应于检测到用户针对开发界面上的上传文件控件的触发操作，显示上传文件界面的方式可以为：若检测到用户点击开发界面上的上传文件控件，显示上传文件界面。

具体的，响应于检测到用户针对上传文件界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包的方式可以为：根据显示的上传文件界面进行编辑操作，选择数据标注格式、上传方式，选择目标压缩包或者目标文件进行上传，同时显示上传进度。

具体的，响应于检测到用户针对上传文件界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集的方式可以为：在上传文件界面编辑好数据标注格式、上传方式信息以及目标压缩包或者目标文件后，上传进度完毕，点击确定控件，可将目标压缩包或目标文件上传至目标数据集。

可选的，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集，包括：

若所述数据标注格式和所述目标数据集的数据类型匹配，则根据所述上传方式信息将所述目标压缩包上传至所述目标数据集。

具体的，若所述数据标注格式和所述目标数据集的数据类型匹配，则根据所述上传方式信息将所述目标压缩包上传至所述目标数据集的方式可以为：获取数据标注格式、目标数据集的数据类型及上传的目标压缩包，在目标压缩包上传时，系统会对压缩包、数据标注格式及数据类型进行匹配，若不匹配，则显示上传失败，同时系统发出提醒信息，如上传的压缩包与数据标注格式不符，请重新上传压缩包；若匹配，则根据选择的上传方式信息将目标压缩包上传至目标数据集。

S140，根据场景信息确定目标模型。

其中，目标模型可以为用户根据场景信息对多个不同模型或者同一个模型不同训练批次形成的不同版本模型进行训练，选择的训练效果最好的模型。

具体的，根据场景信息确定目标模型的方式可以为：选择多个不同模型或同一模型不同版本模型，根据用户选择的场景信息，即用户在图片单分类、物体检测、语义分割和实例分割中选择其一，根据选定的场景信息对已选择的多个不同模型或同一模型不同版本模型进行训练，选择训练效果最好的模型确定为目标模型。

S150，根据目标任务和目标数据集对目标模型进行训练。

具体的，根据目标任务和目标数据集对目标模型进行训练的方式可以为：获取目标任务和目标数据集，确定目标模型，根据获取的目标任务创建训练环境，在训练环境下基于目标数据集对目标模型进行训练。

本实施例的技术方案，通过获取目标项目对应的数据信息和任务信息，其中，所述数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，所述任务信息包括：任务名称、任务描述信息以及任务资源配置信息；根据目标项目对应的数据信息创建目标项目对应的目标数据集；根据目标项目对应的任务信息创建目标项目对应的目标任务；根据所述场景信息确定目标模型；根据所述目标任务和所述目标数据集对所述目标模型进行训练，通过本发明的技术方案，能够实现多种金融业务场景同时高效且安全地开发深度学习模型，解决了在保障数据安全性的前提下多种金融业务难以做到高效的训练任务管理的问题，能够实现金融行业场景下安全高效地深度学习训练任务管理，可支持多种金融业务同时进行深度学习模型训练，既保障数据安全，又满足高效开发深度学习模型的需求。

实施例二

图2是本发明实施例二中的一种模型训练装置的结构示意图。本实施例可适用于多种金融业务场景同时开发深度学习模型的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供模型训练的功能的设备中，如图2所示，所述模型训练的装置具体包括：获取模块210、第一创建模块220、第二创建模块230、确定模块240和训练模块250。

其中，获取模块210，用于获取目标项目对应的数据信息和任务信息，其中，所述数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，所述任务信息包括：任务名称、任务描述信息以及任务资源配置信息；

第一创建模块220，用于根据目标项目对应的数据信息创建目标项目对应的目标数据集；

第二创建模块230，用于根据目标项目对应的任务信息创建目标项目对应的目标任务；

确定模块240，用于根据所述场景信息确定目标模型；

训练模块250，用于根据所述目标任务和所述目标数据集对所述目标模型进行训练。

可选的，所述获取模块具体用于：

响应于预设触发操作，显示目标项目对应的模型开发界面；

响应于检测到用户针对模型开发界面上的新建数据集控件的触发操作，显示新建数据集界面；

响应于检测到用户针对新建数据集界面的编辑操作，获取数据类型、场景信息、数据集名称以及数据集描述信息。

可选的，所述获取模块具体用于：

响应于检测到用户针对模型开发界面上的新建任务控件的触发操作，显示新建任务界面；

响应于检测到用户针对新建任务界面的编辑操作，获取任务名称、任务描述信息以及任务资源配置信息。

可选的，所述获取模块还用于：

响应于预设触发操作，显示目标项目对应的模型开发界面；

响应于检测到用户针对模型开发界面上的数据集列表中的目标数据集对应的上传控件的触发操作，显示所述目标数据集对应的上传数据界面；

响应于检测到用户针对上传数据界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包；

响应于检测到用户针对上传数据界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集。

可选的，所述获取模块还用于：

响应于检测到用户针对模型开发界面上的存储控件的触发操作，显示目标项目对应的存储卷列表；

响应于检测到用户针对存储卷列表点中的目标存储卷的触控操作，显示所述目标存储卷对应的文件列表；

响应于检测到用户针对上传文件控件的触发操作，显示上传文件界面；

响应于检测到用户针对上传文件界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包；

响应于检测到用户针对上传文件界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集。

可选的，所述获取模块还用于：

响应于检测到用户针对模型开发界面上的目标任务对应的开发控件的触控操作，显示开发界面；

响应于检测到用户针对开发界面上的上传文件控件的触发操作，显示上传文件界面；

响应于检测到用户针对上传文件界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包；

响应于检测到用户针对上传文件界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集。

可选的，所述获取模块具体用于：

若所述数据标注格式和所述目标数据集的数据类型匹配，则根据所述上传方式信息将所述目标压缩包上传至所述目标数据集。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

本实施例的技术方案，通过获取目标项目对应的数据信息和任务信息，其中，所述数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，所述任务信息包括：任务名称、任务描述信息以及任务资源配置信息；根据目标项目对应的数据信息创建目标项目对应的目标数据集；根据目标项目对应的任务信息创建目标项目对应的目标任务；根据所述场景信息确定目标模型；根据所述目标任务和所述目标数据集对所述目标模型进行训练，通过本发明的技术方案，能够实现多种金融业务场景同时高效且安全地开发深度学习模型，解决了在保障数据安全性的前提下多种金融业务难以做到高效的训练任务管理的问题，能够实现金融行业场景下安全高效地深度学习训练任务管理，可支持多种金融业务同时进行深度学习模型训练，既保障数据安全，又满足高效开发深度学习模型的需求。

实施例三

图3是本发明实施例三中的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如模型训练方法。

在一些实施例中，模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种模型训练方法，其特征在于，包括：

获取目标项目对应的数据信息和任务信息，其中，所述数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，所述任务信息包括：任务名称、任务描述信息以及任务资源配置信息；

根据目标项目对应的数据信息创建目标项目对应的目标数据集；

根据目标项目对应的任务信息创建目标项目对应的目标任务；

根据所述场景信息确定目标模型；

根据所述目标任务和所述目标数据集对所述目标模型进行训练。

2.根据权利要求1所述的方法，其特征在于，获取数据类型、场景信息、数据集名称以及数据集描述信息，包括：

响应于预设触发操作，显示目标项目对应的模型开发界面；

响应于检测到用户针对模型开发界面上的新建数据集控件的触发操作，显示新建数据集界面；

响应于检测到用户针对新建数据集界面的编辑操作，获取数据类型、场景信息、数据集名称以及数据集描述信息。

3.根据权利要求2所述的方法，其特征在于，获取任务名称、任务描述信息以及任务资源配置信息，包括：

响应于检测到用户针对模型开发界面上的新建任务控件的触发操作，显示新建任务界面；

响应于检测到用户针对新建任务界面的编辑操作，获取任务名称、任务描述信息以及任务资源配置信息。

4.根据权利要求2所述的方法，其特征在于，在根据目标项目对应的数据信息创建目标项目对应的目标数据集之后，还包括：

响应于预设触发操作，显示目标项目对应的模型开发界面；

响应于检测到用户针对模型开发界面上的数据集列表中的目标数据集对应的上传控件的触发操作，显示所述目标数据集对应的上传数据界面；

响应于检测到用户针对上传数据界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包；

响应于检测到用户针对上传数据界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集。

5.根据权利要求2所述的方法，其特征在于，在根据目标项目对应的数据信息创建目标项目对应的目标数据集之后，还包括：

响应于检测到用户针对模型开发界面上的存储控件的触发操作，显示目标项目对应的存储卷列表；

响应于检测到用户针对存储卷列表点中的目标存储卷的触控操作，显示所述目标存储卷对应的文件列表；

响应于检测到用户针对上传文件控件的触发操作，显示上传文件界面；

响应于检测到用户针对上传文件界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包；

响应于检测到用户针对上传文件界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集。

6.根据权利要求3所述的方法，其特征在于，在根据目标项目对应的任务信息创建目标项目对应的目标任务之后，还包括：

响应于检测到用户针对模型开发界面上的目标任务对应的开发控件的触控操作，显示开发界面；

响应于检测到用户针对开发界面上的上传文件控件的触发操作，显示上传文件界面；

响应于检测到用户针对上传文件界面的编辑操作，获取数据标注格式、上传方式信息以及目标压缩包；

响应于检测到用户针对上传文件界面的确定控件的触发操作，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集。

7.根据权利要求4-6任一项所述的方法，其特征在于，根据所述数据标注格式和上传方式信息将所述目标压缩包上传至所述目标数据集，包括：

若所述数据标注格式和所述目标数据集的数据类型匹配，则根据所述上传方式信息将所述目标压缩包上传至所述目标数据集。

8.一种模型训练装置，其特征在于，所述模型训练装置包括：

获取模块，用于获取目标项目对应的数据信息和任务信息，其中，所述数据信息包括：数据类型、场景信息、数据集名称以及数据集描述信息，所述任务信息包括：任务名称、任务描述信息以及任务资源配置信息；

第一创建模块，用于根据目标项目对应的数据信息创建目标项目对应的目标数据集；

第二创建模块，用于根据目标项目对应的任务信息创建目标项目对应的目标任务；

确定模块，用于根据所述场景信息确定目标模型；

训练模块，用于根据所述目标任务和所述目标数据集对所述目标模型进行训练。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的模型训练方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的模型训练方法。

Images