CN116992241A - 模型生成方法及装置、存储介质、计算机设备 - Google Patents
模型生成方法及装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN116992241A CN116992241A CN202311242999.6A CN202311242999A CN116992241A CN 116992241 A CN116992241 A CN 116992241A CN 202311242999 A CN202311242999 A CN 202311242999A CN 116992241 A CN116992241 A CN 116992241A
- Authority
- CN
- China
- Prior art keywords
- model
- component
- sample
- parameters
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 237
- 230000000007 visual effect Effects 0.000 claims abstract description 75
- 238000002372 labelling Methods 0.000 claims description 99
- 238000012360 testing method Methods 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008676 import Effects 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000000059 patterning Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
-
- 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
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
- G06F9/4451—User profiles; Roaming
-
- 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
- G06F9/445—Program loading or initiating
- G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
- G06F9/44526—Plug-ins; Add-ons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Electrically Operated Instructional Devices (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了一种模型生成方法及装置、存储介质、计算机设备，该方法包括：在模型生成平台提供的可视化界面上显示至少一个图形化组件；响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件；若所述目标组件包括模型组件，则基于所述模型组件对应的目标模型，显示所述目标模型对应的第一输入配置组件、第一输出配置组件、第一训练样本配置组件和第一模型标识配置组件，并获取第一输入参数、第一输出参数、第一训练样本以及第一模型标识；对所述目标模型进行配置得到第一待训练模型，并利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。降低了模型训练工作的门槛。
Description
技术领域
本申请涉及计算机技术领域，尤其是涉及到一种模型生成方法及装置、存储介质、计算机设备。
背景技术
现有的模型创建过程非常繁琐，以创建机器学习模型为例，其创建过程通常包括：特征分析、模型训练、模型验证、模型调优、模型导出和模型加载。其中，每个阶段都需要独立进行编码，尤其是创建和分析过程非常繁琐及耗时，需要数据分析师及工程师投入大量的时间。
并且，目前机器学习领域大量的工具都是编程性的机器学习库，譬如R、Python以及深度学习库Caffe等，这些机器学习工具都具有一定的门槛，学习曲线比较高，不适合一般的业务和数据分析人员。因此，需要一种适用于一般业务和数据分析人员的可视化机器学习工具，以解决上述问题。
发明内容
有鉴于此，本申请提供了一种模型生成方法及装置、存储介质、计算机设备，通过在可视化界面中操作各图形化组件的方式进行模型选择和模型参数配置，无需用户掌握繁琐代码编写技巧，更容易上手，降低了模型训练工作的门槛，提升了模型训练效率。
根据本申请的一个方面，提供了一种模型生成方法，所述方法包括：
在模型生成平台提供的可视化界面上显示至少一个图形化组件，其中，所述图形化组件包括至少一个模型组件和至少一个功能组件，每个模型组件对应唯一的预设模型；
响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件；
若所述目标组件包括模型组件，则基于所述模型组件对应的目标模型，显示所述目标模型对应的第一输入配置组件、第一输出配置组件、第一训练样本配置组件和第一模型标识配置组件，并获取基于所述第一输入配置组件配置的第一输入参数、基于所述第一输出配置组件配置的第一输出参数、基于所述第一训练样本配置组件配置的第一训练样本以及基于所述第一模型标识配置组件配置的第一模型标识；
根据所述第一输入参数、所述第一输出参数以及所述第一模型标识，对所述目标模型的输入参数、输出参数和模型标识进行配置得到第一待训练模型，并利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
可选地，获取基于所述第一输入配置组件配置的第一输入参数，包括：
响应于对所述第一输入配置组件的触发操作，在所述可视化界面上显示输入参数录入组件和至少一个可选输入参数组件；基于对所述可选输入参数组件的选择数据和/或基于所述输入参数录入组件的录入数据，获取所述第一输入参数，其中，在获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致的情况下，所述可视化界面上显示输入参数未配置成功的提醒标志；
获取基于所述第一输出配置组件配置的第一输出参数，包括：
响应于对所述第一输出配置组件的触发操作，在所述可视化界面上显示输出参数录入组件和至少一个可选输出参数组件；基于对所述可选输出参数组件的选择数据和/或基于所述输出参数录入组件的录入数据，获取所述第一输出参数，其中，在获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致的情况下，所述可视化界面上显示输出参数未配置成功的提醒标志。
可选地，任一预设模型对应的输入参数数量为固定值或数量区间，任一预设模型对应的输出参数数量为固定值或数量区间；
若所述目标模型的输入参数数量为固定值，则在获取的第一输入参数的数量与所述目标模型的输入参数数量不同时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致；
若所述目标模型的输入参数数量为数量区间，则在获取的第一输入参数的数量不在所述目标模型的输入参数数量区间内时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致，以及在获取的第一输入参数的数量在所述目标模型的输入参数数量区间内时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量一致；
若所述目标模型的输出参数数量为固定值，则在获取的第一输出参数的数量与所述目标模型的输出参数数量不同时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致；
若所述目标模型的输出参数数量为数量区间，则在获取的第一输出参数的数量不在所述目标模型的输出参数数量区间内时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致，以及在获取的第一输出参数的数量在所述目标模型的输出参数数量区间内时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量一致。
可选地，获取基于所述第一训练样本配置组件配置的第一训练样本，包括：
响应于对所述第一训练样本配置组件的触发操作，在所述第一训练样本配置组件的基础上关联显示样本选择控件和样本导入控件；
获取基于所述样本选择控件选择的所述模型生成平台上的已有样本，并在验证选择的已有样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述选择的已有样本作为所述第一训练样本；和/或，
获取基于所述样本导入控件导入的本地样本，并在验证导入的本地样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述导入的本地样本作为所述第一训练样本。
可选地，所述方法还包括：
在所述选择的已有样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的已有样本作为待标注样本；
在所述导入的本地样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的本地样本作为待标注样本；
显示未完成样本标注的提醒标志以及样本标注控件。
可选地，所述显示未完成样本标注的提醒标志以及样本标注控件之后，所述方法还包括：
响应于对所述样本标注控件的触发操作，确定是否存在已标注完成的第一训练样本；
若不存在已标注成功的第一训练样本，则在所述待标注样本中获取预设数量的第一示例样本，并显示所述第一示例样本、待标注参数以及标注工具，其中，所述待标注参数包括所述第一输入参数和所述第一输出参数；
获取用户操作所述标注工具在所述第一示例样本中选择的第一输入参数标注和第一输出参数标注，以完成对每个所述第一示例样本的标注；
基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务，并将所述第一标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第一标注任务内的待标注样本的标注，其中，所述第一标注任务包括至少一个待标注样本、所述第一示例样本以及所述待标注参数。
可选地，所述确定是否存在已标注完成的第一训练样本之后，所述方法还包括：
若存在已标注成功的第一训练样本，则在已标注成功的第一训练样本中选取预设数量的第二示例样本，并基于所述第二示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第二标注任务，并将所述第二标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第二标注任务内的待标注样本的标注，其中，所述第二标注任务包括至少一个待标注样本、所述第二示例样本以及所述待标注参数。
可选地，所述基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务之前，所述方法还包括：
若所述待标注参数包括文字类型参数、图像类型参数和表格类型参数中至少一种，则识别所述第一示例样本中每个所述待标注参数对应的参数特征，其中，所述参数特征包括文字类型参数特征、图像类型参数特征、表格类型参数特征中至少一种；
在剩余的待标注样本中预设标注数量的目标样本，并依据所述参数特征对所述目标样本进行自动标注，显示自动标注结果，以使用户判断所述自动标注结果是否准确并确定是否选择自动标注；
若接收到自动标注指令，则依据所述参数特征对剩余的待标注样本进行自动标注；
若接收到手动标注指令，则执行所述基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务的步骤。
可选地，所述图形化组件还包括连接线组件；所述响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件，包括：
响应于在所述可视化界面上的模型组件选择操作以及基于连接线组件对所选模型组件的连接操作，确定所述模型组件选择操作对应的模型组件以及所述连接操作对应的模型组件连接关系；
确定所述模型组件连接关系指示连接的模型，并在验证所述指示连接的模型满足所述指示连接的模型对应的模型连接约束条件的情况下，基于所述模型组件和所述模型组件连接关系，确定所述目标模型。
可选地，所述利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，包括：
在所述可视化界面上显示训练参数配置选项和训练启动控件；
获取基于所述训练参数配置选项配置的模型训练参数，其中，所述训练参数配置选项中预配置有默认模型训练参数；
响应于对所述训练启动控件的触发操作，利用所述模型训练参数和所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
可选地，所述利用所述模型训练参数和所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，包括：
将所述第一训练样本划分为训练集和测试集；
利用所述模型训练参数和所述训练集对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，并基于所述测试集对所述第一已训练模型进行测试，确定模型测试结果；
在所述可视化界面中对所述模型测试结果进行图像化展示。
可选地，得到所述第一模型标识对应的第一已训练模型之后，所述方法还包括：
在所述模型生成平台中，将所述第一模型标识对应的第一已训练模型存储为当前用户的模型案例；
接收针对所述模型案例的案例任务，验证所述案例任务中的每个任务是否与所述模型案例对应的输入参数匹配，并在验证匹配时，基于所述模型案例分别确定所述案例任务中的每个任务的模型执行结果。
可选地，所述方法还包括：
响应于模型创建指令，显示所述模型生成平台对应的模型创建引导界面，所述模型创建引导界面包括至少一项模型创建参数和每项模型创建参数的约束条件；
获取在所述模型创建引导界面输入的符合相应约束条件的各项模型创建参数数据，并根据获取的模型创建参数数据进行模型创建，将创建的模型保存在当前用户的自建模型，其中，在所述当前用户请求所述可视化界面时，在所述可视化界面中显示所述自建模型对应的模型组件。
可选地，所述确定所述组件选择操作对应的目标组件之后，所述方法还包括：
若所述目标组件为功能组件，则基于所述功能组件指示的目标功能对应的至少一个推荐模型，显示所述推荐模型对应的推荐模型组件；
基于接收到的对所述推荐模型组件中的目标推荐模型组件的选择操作，显示所述目标推荐模型组件对应的目标推荐模型的第二输入配置组件、第二输出配置组件、第二训练样本配置组件和第二模型标识配置组件，并获取基于所述第二输入配置组件配置的第二输入参数、基于所述第二输出配置组件配置的第二输出参数、基于所述第二训练样本配置组件配置的第二训练样本以及基于所述第二模型标识配置组件配置的第二模型标识；
根据所述第二输入参数、所述第二输出参数以及所述第二模型标识，对所述目标推荐模型的输入参数、输出参数和模型标识进行配置得到第二待训练模型，并利用所述第二训练样本对所述第二待训练模型进行自动训练，得到所述第二模型标识对应的第二已训练模型。
根据本申请的另一方面，提供了一种模型生成装置，所述装置包括：
显示模块，用于在模型生成平台提供的可视化界面上显示至少一个图形化组件，其中，所述图形化组件包括至少一个模型组件和至少一个功能组件，每个模型组件对应唯一的预设模型；
操作模块，用于响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件；以及，
若所述目标组件包括模型组件，则基于所述模型组件对应的目标模型，显示所述目标模型对应的第一输入配置组件、第一输出配置组件、第一训练样本配置组件和第一模型标识配置组件，并获取基于所述第一输入配置组件配置的第一输入参数、基于所述第一输出配置组件配置的第一输出参数、基于所述第一训练样本配置组件配置的第一训练样本以及基于所述第一模型标识配置组件配置的第一模型标识；
生成模块，用于根据所述第一输入参数、所述第一输出参数以及所述第一模型标识，对所述目标模型的输入参数、输出参数和模型标识进行配置得到第一待训练模型，并利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
可选地，所述操作模块，还用于：
响应于对所述第一输入配置组件的触发操作，在所述可视化界面上显示输入参数录入组件和至少一个可选输入参数组件；基于对所述可选输入参数组件的选择数据和/或基于所述输入参数录入组件的录入数据，获取所述第一输入参数，其中，在获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致的情况下，所述可视化界面上显示输入参数未配置成功的提醒标志；
响应于对所述第一输出配置组件的触发操作，在所述可视化界面上显示输出参数录入组件和至少一个可选输出参数组件；基于对所述可选输出参数组件的选择数据和/或基于所述输出参数录入组件的录入数据，获取所述第一输出参数，其中，在获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致的情况下，所述可视化界面上显示输出参数未配置成功的提醒标志。
可选地，任一预设模型对应的输入参数数量为固定值或数量区间，任一预设模型对应的输出参数数量为固定值或数量区间；
若所述目标模型的输入参数数量为固定值，则在获取的第一输入参数的数量与所述目标模型的输入参数数量不同时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致；
若所述目标模型的输入参数数量为数量区间，则在获取的第一输入参数的数量不在所述目标模型的输入参数数量区间内时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致，以及在获取的第一输入参数的数量在所述目标模型的输入参数数量区间内时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量一致；
若所述目标模型的输出参数数量为固定值，则在获取的第一输出参数的数量与所述目标模型的输出参数数量不同时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致；
若所述目标模型的输出参数数量为数量区间，则在获取的第一输出参数的数量不在所述目标模型的输出参数数量区间内时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致，以及在获取的第一输出参数的数量在所述目标模型的输出参数数量区间内时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量一致。
可选地，所述操作模块，还用于：
响应于对所述第一训练样本配置组件的触发操作，在所述第一训练样本配置组件的基础上关联显示样本选择控件和样本导入控件；
获取基于所述样本选择控件选择的所述模型生成平台上的已有样本，并在验证选择的已有样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述选择的已有样本作为所述第一训练样本；和/或，
获取基于所述样本导入控件导入的本地样本，并在验证导入的本地样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述导入的本地样本作为所述第一训练样本。
可选地，所述显示模块，还用于：
在所述选择的已有样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的已有样本作为待标注样本；
在所述导入的本地样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的本地样本作为待标注样本；
显示未完成样本标注的提醒标志以及样本标注控件。
可选地，所述生成模块，还用于：
响应于对所述样本标注控件的触发操作，确定是否存在已标注完成的第一训练样本；
若不存在已标注成功的第一训练样本，则在所述待标注样本中获取预设数量的第一示例样本，并显示所述第一示例样本、待标注参数以及标注工具，其中，所述待标注参数包括所述第一输入参数和所述第一输出参数；
获取用户操作所述标注工具在所述第一示例样本中选择的第一输入参数标注和第一输出参数标注，以完成对每个所述第一示例样本的标注；
基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务，并将所述第一标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第一标注任务内的待标注样本的标注，其中，所述第一标注任务包括至少一个待标注样本、所述第一示例样本以及所述待标注参数。
可选地，所述生成模块，还用于：若存在已标注成功的第一训练样本，则在已标注成功的第一训练样本中选取预设数量的第二示例样本，并基于所述第二示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第二标注任务，并将所述第二标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第二标注任务内的待标注样本的标注，其中，所述第二标注任务包括至少一个待标注样本、所述第二示例样本以及所述待标注参数。
可选地，所述生成模块，还用于：
若所述待标注参数包括文字类型参数、图像类型参数和表格类型参数中至少一种，则识别所述第一示例样本中每个所述待标注参数对应的参数特征，其中，所述参数特征包括文字类型参数特征、图像类型参数特征、表格类型参数特征中至少一种；
在剩余的待标注样本中预设标注数量的目标样本，并依据所述参数特征对所述目标样本进行自动标注，显示自动标注结果，以使用户判断所述自动标注结果是否准确并确定是否选择自动标注；
若接收到自动标注指令，则依据所述参数特征对剩余的待标注样本进行自动标注；
若接收到手动标注指令，则执行所述基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务的步骤。
可选地，所述图形化组件还包括连接线组件；所述操作模块，还用于：
响应于在所述可视化界面上的模型组件选择操作以及基于连接线组件对所选模型组件的连接操作，确定所述模型组件选择操作对应的模型组件以及所述连接操作对应的模型组件连接关系；
确定所述模型组件连接关系指示连接的模型，并在验证所述指示连接的模型满足所述指示连接的模型对应的模型连接约束条件的情况下，基于所述模型组件和所述模型组件连接关系，确定所述目标模型。
可选地，所述生成模块，还用于：
在所述可视化界面上显示训练参数配置选项和训练启动控件；
获取基于所述训练参数配置选项配置的模型训练参数，其中，所述训练参数配置选项中预配置有默认模型训练参数；
响应于对所述训练启动控件的触发操作，利用所述模型训练参数和所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
可选地，所述生成模块，还用于：
将所述第一训练样本划分为训练集和测试集；
利用所述模型训练参数和所述训练集对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，并基于所述测试集对所述第一已训练模型进行测试，确定模型测试结果；
在所述可视化界面中对所述模型测试结果进行图像化展示。
可选地，所述生成模块，还用于：
在所述模型生成平台中，将所述第一模型标识对应的第一已训练模型存储为当前用户的模型案例；
接收针对所述模型案例的案例任务，验证所述案例任务中的每个任务是否与所述模型案例对应的输入参数匹配，并在验证匹配时，基于所述模型案例分别确定所述案例任务中的每个任务的模型执行结果。
可选地，所述装置还包括：创建模块，用于：
响应于模型创建指令，显示所述模型生成平台对应的模型创建引导界面，所述模型创建引导界面包括至少一项模型创建参数和每项模型创建参数的约束条件；
获取在所述模型创建引导界面输入的符合相应约束条件的各项模型创建参数数据，并根据获取的模型创建参数数据进行模型创建，将创建的模型保存在当前用户的自建模型，其中，在所述当前用户请求所述可视化界面时，在所述可视化界面中显示所述自建模型对应的模型组件。
可选地，所述操作模块，还用于：
若所述目标组件为功能组件，则基于所述功能组件指示的目标功能对应的至少一个推荐模型，显示所述推荐模型对应的推荐模型组件；
基于接收到的对所述推荐模型组件中的目标推荐模型组件的选择操作，显示所述目标推荐模型组件对应的目标推荐模型的第二输入配置组件、第二输出配置组件、第二训练样本配置组件和第二模型标识配置组件，并获取基于所述第二输入配置组件配置的第二输入参数、基于所述第二输出配置组件配置的第二输出参数、基于所述第二训练样本配置组件配置的第二训练样本以及基于所述第二模型标识配置组件配置的第二模型标识；
所述生成模块，还用于：根据所述第二输入参数、所述第二输出参数以及所述第二模型标识，对所述目标推荐模型的输入参数、输出参数和模型标识进行配置得到第二待训练模型，并利用所述第二训练样本对所述第二待训练模型进行自动训练，得到所述第二模型标识对应的第二已训练模型。
依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述模型生成方法。
依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型生成方法。
借由上述技术方案，本申请提供的一种模型生成方法及装置、存储介质、计算机设备，用户通过在模型生成平台提供的可视化界面上操作各图形化组件来选择所需的目标模型，平台基于所选的目标模型显示第一输入配置组件、第一输出配置组件、第一训练样本配置组件和第一模型标识配置组件，以供用户通过各组件录入模型各项参数，平台针对用户录入的各项参数对目标模型进行配置和训练，以得到最终的完成训练的模型。本申请通过在可视化界面中操作各图形化组件的方式进行模型选择和模型参数配置，无需用户掌握繁琐代码编写技巧，更容易上手，降低了模型训练工作的门槛，提升了模型训练效率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种模型生成方法的流程示意图；
图2示出了本申请实施例提供的另一种模型生成方法的流程示意图；
图3示出了本申请实施例提供的一种模型生成装置的结构示意图；
图4示出了本申请实施例提供的一种计算机设备的装置结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种模型生成方法，如图1所示，该方法包括：
步骤101，在模型生成平台提供的可视化界面上显示至少一个图形化组件，其中，所述图形化组件包括至少一个模型组件和至少一个功能组件，每个模型组件对应唯一的预设模型。
步骤102，响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件。
步骤103，若所述目标组件包括模型组件，则基于所述模型组件对应的目标模型，显示所述目标模型对应的第一输入配置组件、第一输出配置组件、第一训练样本配置组件和第一模型标识配置组件，并获取基于所述第一输入配置组件配置的第一输入参数、基于所述第一输出配置组件配置的第一输出参数、基于所述第一训练样本配置组件配置的第一训练样本以及基于所述第一模型标识配置组件配置的第一模型标识。
步骤104，根据所述第一输入参数、所述第一输出参数以及所述第一模型标识，对所述目标模型的输入参数、输出参数和模型标识进行配置得到第一待训练模型，并利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
本申请实施例提供了一种模型生成平台，模型生成平台提供各种可视化的图形化组件，用户可以通过在平台提供的可视化界面上操作各组件，借助平台进行进行模型的创建、训练和生成，无需用户掌握繁琐代码编写技巧，更容易上手，降低了生成模型的门槛。
首先，用户在模型生成平台选择生成模型功能时，显示模型生成平台提供的可视化界面，可视化界面中显示至少一个图形化组件，包括至少一个模型组件，每个模型组件对应唯一的预设模型，用户可以通过选择模型组件来选择自己想要使用的模型。平台可以提供多种预设模型，例如神经网络模型、深度网络模型等等市面上的已有模型和平台的自研模型，另外，平台还支持用户自己上传模型，如果用户上传了自己的自建模型，那么模型组件还包括与用户自己上传的自建模型对应的模型组件。
其次，用户在可视化界面上选择图形化组件后，确定用户所选的目标组件，如果用户选择的是模型组件，那么先确定模型组件对应的目标模型，进一步根据目标模型的模型结构特征，显示目标模型的第一输入配置组件、第一输出配置组件，例如模型为多输入多输出模型那么显示相应数量的多个第一输入配置组件和多个第一输出配置组件，又例如模型为单输入单输出模型那么显示唯一的第一输入配置组件和唯一的第一输出配置组件，另外，还显示目标模型的第一训练样本配置组件和第一模型标识配置组件。用户可以通过点击各组件录入目标模型的第一输入参数、第一输出参数、第一训练样本和第一模型标识，例如第一输入参数为发票票据，第一输出参数为文字、发票二维码、发票印章等，第一模型标识为发票票据识别模型。
最后，平台利用预配置的模型代码，按照第一输入参数和第一输出参数对目标模型的输入参数和输出参数进行配置，并将配置后的目标模型命名为第一模型标识，形成第一待训练模型，从而利用第一训练样本进行模型的自动训练，得到以第一模型标识命名的第一已训练模型，实现模型的自动生成。
通过应用本实施例的技术方案，用户通过在模型生成平台提供的可视化界面上操作各图形化组件来选择所需的目标模型，平台基于所选的目标模型显示第一输入配置组件、第一输出配置组件、第一训练样本配置组件和第一模型标识配置组件，以供用户通过各组件录入模型各项参数，平台针对用户录入的各项参数对目标模型进行配置和训练，以得到最终的完成训练的模型。本申请通过在可视化界面中操作各图形化组件的方式进行模型选择和模型参数配置，无需用户掌握繁琐代码编写技巧，更容易上手，降低了模型训练工作的门槛，提升了模型训练效率。
在本申请实施例中，可选地，步骤102之后，如图2所示，还包括：
步骤105，若所述目标组件为功能组件，则基于所述功能组件指示的目标功能对应的至少一个推荐模型，显示所述推荐模型对应的推荐模型组件。
步骤106，基于接收到的对所述推荐模型组件中的目标推荐模型组件的选择操作，显示所述目标推荐模型组件对应的目标推荐模型的第二输入配置组件、第二输出配置组件、第二训练样本配置组件和第二模型标识配置组件，并获取基于所述第二输入配置组件配置的第二输入参数、基于所述第二输出配置组件配置的第二输出参数、基于所述第二训练样本配置组件配置的第二训练样本以及基于所述第二模型标识配置组件配置的第二模型标识。
步骤107，根据所述第二输入参数、所述第二输出参数以及所述第二模型标识，对所述目标推荐模型的输入参数、输出参数和模型标识进行配置得到第二待训练模型，并利用所述第二训练样本对所述第二待训练模型进行自动训练，得到所述第二模型标识对应的第二已训练模型。
在该实施例中，平台还提供了模型推荐功能，用户可以在可视化界面上选择功能组件，例如功能组件包括图像识别功能组件、票据识别功能组件、语义分析功能组件等等，平台可以根据用户选择的功能组件对应的功能，自动推荐适合实现该功能的模型的推荐模型组件。用户可以根据平台推荐的模型进行选择，选择其中某个推荐模型后，则进入与上述确定目标模型之后相似的流程，在此不再赘述。
在本申请实施例中，可选地，获取基于所述第一输入配置组件配置的第一输入参数，包括：响应于对所述第一输入配置组件的触发操作，在所述可视化界面上显示输入参数录入组件和至少一个可选输入参数组件；基于对所述可选输入参数组件的选择数据和/或基于所述输入参数录入组件的录入数据，获取所述第一输入参数，其中，在获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致的情况下，所述可视化界面上显示输入参数未配置成功的提醒标志；
获取基于所述第一输出配置组件配置的第一输出参数，包括：响应于对所述第一输出配置组件的触发操作，在所述可视化界面上显示输出参数录入组件和至少一个可选输出参数组件；基于对所述可选输出参数组件的选择数据和/或基于所述输出参数录入组件的录入数据，获取所述第一输出参数，其中，在获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致的情况下，所述可视化界面上显示输出参数未配置成功的提醒标志。
在该实施例中，不同的模型有各自的输入参数约束条件、输出参数约束条件，用户只有配置了符合相应约束条件的输入参数、输出参数，平台才能成功的为用户创建个性化的模型以及完成模型训练，在用户对模型的参数进行配置时，平台可以动态的根据预设的各项参数约束条件确定当前的配置参数是否已经符合条件，如果不符合则显示提醒标志，提升参数配置成功率。
其中，任一预设模型对应的输入参数数量为固定值或数量区间，任一预设模型对应的输出参数数量为固定值或数量区间；若所述目标模型的输入参数数量为固定值，则在获取的第一输入参数的数量与所述目标模型的输入参数数量不同时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致；若所述目标模型的输入参数数量为数量区间，则在获取的第一输入参数的数量不在所述目标模型的输入参数数量区间内时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致，以及在获取的第一输入参数的数量在所述目标模型的输入参数数量区间内时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量一致；若所述目标模型的输出参数数量为固定值，则在获取的第一输出参数的数量与所述目标模型的输出参数数量不同时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致；若所述目标模型的输出参数数量为数量区间，则在获取的第一输出参数的数量不在所述目标模型的输出参数数量区间内时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致，以及在获取的第一输出参数的数量在所述目标模型的输出参数数量区间内时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量一致。
在本申请实施例中，可选地，获取基于所述第一训练样本配置组件配置的第一训练样本，包括：响应于对所述第一训练样本配置组件的触发操作，在所述第一训练样本配置组件的基础上关联显示样本选择控件和样本导入控件；获取基于所述样本选择控件选择的所述模型生成平台上的已有样本，并在验证选择的已有样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述选择的已有样本作为所述第一训练样本；和/或，获取基于所述样本导入控件导入的本地样本，并在验证导入的本地样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述导入的本地样本作为所述第一训练样本。
在该实施例中，用户可以选择预先已经上传到平台中的已有样本作为训练样本，也可以导入本地样本作为训练样本。在用户选择训练样本后，模型自动对用户选择的训练样本进行判断，以判断样本是否已经满足了模型训练的要求，具体地，可以判断样本是否与第一输入参数和第一输出参数均匹配，也可以理解为样本是否已经完成了对第一输入参数和第一输出参数的标注。
在本申请实施例中，可选地，所述方法还包括：在所述选择的已有样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的已有样本作为待标注样本；在所述导入的本地样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的本地样本作为待标注样本；显示未完成样本标注的提醒标志以及样本标注控件。
在该实施例中，如果用户选择的样本全部没有标注或部分没有还没完成标注，则将没完成标注的部分作为待标注样本，并显示未完成样本标注的提醒标志和样本标注控件，以便提醒用户继续进行样本标注，提升模型训练效率和成功率。
在本申请实施例中，可选地，所述显示未完成样本标注的提醒标志以及样本标注控件之后，所述方法还包括：
响应于对所述样本标注控件的触发操作，确定是否存在已标注完成的第一训练样本；
若存在已标注成功的第一训练样本，则在已标注成功的第一训练样本中选取预设数量的第二示例样本，并基于所述第二示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第二标注任务，并将所述第二标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第二标注任务内的待标注样本的标注，其中，所述第二标注任务包括至少一个待标注样本、所述第二示例样本以及所述待标注参数；
若不存在已标注成功的第一训练样本，则在所述待标注样本中获取预设数量的第一示例样本，并显示所述第一示例样本、待标注参数以及标注工具，其中，所述待标注参数包括所述第一输入参数和所述第一输出参数；获取用户操作所述标注工具在所述第一示例样本中选择的第一输入参数标注和第一输出参数标注，以完成对每个所述第一示例样本的标注；基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务，并将所述第一标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第一标注任务内的待标注样本的标注，其中，所述第一标注任务包括至少一个待标注样本、所述第一示例样本以及所述待标注参数。
在该实施例中，判断用户选择的训练样本中是否已经存在一部分标注成功的样本，如果不存在，则取一定数量的待标注样本作为示例样本，并显示这部分样本、待标注参数和标注工具，以便用户完成对这部分样本的标注形成标注成功的示例样本；如果存在，则直接取一定数量的标注成功的样本作为示例样本。进一步，基于示例样本、剩余的待标注样本和待标注参数，生成标注任务，并将标注任务分配至预设标注终端中，以便标注人员能够根据示例进行样本标注，提升标注准确性，降低标注门槛。
在本申请实施例中，可选地，所述基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务之前，所述方法还包括：若所述待标注参数包括文字类型参数、图像类型参数和表格类型参数中至少一种，则识别所述第一示例样本中每个所述待标注参数对应的参数特征，其中，所述参数特征包括文字类型参数特征、图像类型参数特征、表格类型参数特征中至少一种；在剩余的待标注样本中预设标注数量的目标样本，并依据所述参数特征对所述目标样本进行自动标注，显示自动标注结果，以使用户判断所述自动标注结果是否准确并确定是否选择自动标注；若接收到自动标注指令，则依据所述参数特征对剩余的待标注样本进行自动标注；若接收到手动标注指令，则执行所述基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务的步骤。
在该实施例中，平台还提供自动标注功能，至少提供文字类型、图像类型、表格类型的参数自动标注。如果待标注参数包括文字类型参数、图像类型参数、表格类型参数，那么可以对示例样本中的各项待标注参数对应的标注内容进行特征分析，提取参数特征，从而利用参数特征对少量的目标样本进行自动标注，并将自动标注结果展示给用户，以便用户判断自动标注是否准确以及是否使用平台的自动标注功能进行样本标注。如果用户选择了自动标注功能，那么平台继续依据提取出的参数特征完成对剩余待标注样本的自动标注；如果用户觉得自动标注不准确、选择了手动标注，那么继续上文中生成标注任务的步骤，继续由标注人员进行手动标注。
在本申请实施例中，可选地，所述图形化组件还包括连接线组件；所述响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件，包括：响应于在所述可视化界面上的模型组件选择操作以及基于连接线组件对所选模型组件的连接操作，确定所述模型组件选择操作对应的模型组件以及所述连接操作对应的模型组件连接关系；确定所述模型组件连接关系指示连接的模型，并在验证所述指示连接的模型满足所述指示连接的模型对应的模型连接约束条件的情况下，基于所述模型组件和所述模型组件连接关系，确定所述目标模型。
在该实施例中，用户可以选择多个模型组件，并通过连接线组件将各模型组件进行连接，平台中预存有各预设模型的模型连接约束条件，用户进行模型组件的连接后，平台可以根据连接的模型的模型连接约束条件来判断用户想要连接的模型是否符合条件，如果符合条件则将各模型按照用户指示的连接方式连接后得到目标模型，如果不符合条件则无法进行下一步的模型参数配置和模型训练。
在本申请实施例中，可选地，所述利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，包括：在所述可视化界面上显示训练参数配置选项和训练启动控件；获取基于所述训练参数配置选项配置的模型训练参数，其中，所述训练参数配置选项中预配置有默认模型训练参数；响应于对所述训练启动控件的触发操作，利用所述模型训练参数和所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
在该实施例中，用户还可以配置目标模型的模型训练参数，另外为了进一步降低用户对平台的使用成本，平台中还可以预配置各预设模型对应的默认模型训练参数，用户可以直接使用默认的参数进行模型训练，也可以自己输入模型训练参数或对默认参数进行更改。模型训练参数具体可以包括模型迭代次数、损失函数、评价指标等等模型训练过程中需要的参数。
在本申请实施例中，可选地，所述利用所述模型训练参数和所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，包括：将所述第一训练样本划分为训练集和测试集；利用所述模型训练参数和所述训练集对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，并基于所述测试集对所述第一已训练模型进行测试，确定模型测试结果；在所述可视化界面中对所述模型测试结果进行图像化展示。
在该实施例中，在模型训练之前，还可以将训练样本划分为训练集和测试集，以便利用测试集对模型的训练效果进行测试，模型完成训练后，通过测试集对模型进行测试，并将测试结果进行图像化展示，方便用户理解，测试结果具体可以包括准确率、召回率、精确率等等。
在本申请实施例中，可选地，得到所述第一模型标识对应的第一已训练模型之后，所述方法还包括：在所述模型生成平台中，将所述第一模型标识对应的第一已训练模型存储为当前用户的模型案例；接收针对所述模型案例的案例任务，验证所述案例任务中的每个任务是否与所述模型案例对应的输入参数匹配，并在验证匹配时，基于所述模型案例分别确定所述案例任务中的每个任务的模型执行结果。
在该实施例中，完成模型训练后，用户可以在平台中将模型保存为自己的模型案例，并对模型案例进行使用，具体地，例如模型案例为票据识别模型案例，用户可以上传需要进行识别的票据作为案例任务，票据识别模型案例识别票据中是否包含与各项输入参数匹配的特征，并进行票据识别，获得票据识别结果，例如票据识别结果包括文字、二维码图像、印章图像等等。
在本申请实施例中，可选地，所述方法还包括：响应于模型创建指令，显示所述模型生成平台对应的模型创建引导界面，所述模型创建引导界面包括至少一项模型创建参数和每项模型创建参数的约束条件；获取在所述模型创建引导界面输入的符合相应约束条件的各项模型创建参数数据，并根据获取的模型创建参数数据进行模型创建，将创建的模型保存在当前用户的自建模型，其中，在所述当前用户请求所述可视化界面时，在所述可视化界面中显示所述自建模型对应的模型组件。
在该实施例中，平台还为用户提供了自创模型的功能，平台中预配置有与平台中的模型代码匹配的模型创建参数的约束条件，用户选择模型创建功能时，显示模型创建引导界面，界面中包含多项模型创建参数的输入接口以及各项模型创建参数的约束条件，以便用户能够方便的明确在平台中创建模型需要遵循的规则，用户录入的全部符合约束条件的各项模型创建参数后，平台可以根据录入的模型创建参数为用户生成专属于该用户的自建模型，并为自建模型生成模型组件，在以后用户使用平台时，显示该自建模型的模型组件。当然用户可以将自建模型开放给平台，以供其他用户使用。
通过应用本实施例的技术方案，使用门槛低，易懂、易用、易上手，不需要非常专业的知识也可以轻松拿捏模型训练迭代，可拓展，适配更广，更符合用户的业务场景。用户可以自己创建模型，也可以基于平台提供的标准模型进行调整训练参数、推理参数，支持json导入的快捷方式，进行关联模型，更加符合用户的业务场景。用户可以自己创建模型，也可以使用预设模型以及模型的自由组合，可视化连线完成输入、输出，同时支持多模态输出、输入，还可以更换模型，调整训练参数、推理参数，操作简单、快捷，根据业务场景随时进行调整。创建模型训练任务时，可以选择自动标注数据，简单方便。案例验证功能，用户可以使用该功能，对训练的模型进行验证，如果不符合预期效果，用户可以选择再进行模型训练迭代，调整训练参数、推理参数、数据，再进行模型训练迭代。
进一步的，作为图1方法的具体实现，本申请实施例提供了一种模型生成装置，如图3所示，该装置包括：
显示模块，用于在模型生成平台提供的可视化界面上显示至少一个图形化组件，其中，所述图形化组件包括至少一个模型组件和至少一个功能组件，每个模型组件对应唯一的预设模型；
操作模块，用于响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件；以及，
若所述目标组件包括模型组件，则基于所述模型组件对应的目标模型，显示所述目标模型对应的第一输入配置组件、第一输出配置组件、第一训练样本配置组件和第一模型标识配置组件，并获取基于所述第一输入配置组件配置的第一输入参数、基于所述第一输出配置组件配置的第一输出参数、基于所述第一训练样本配置组件配置的第一训练样本以及基于所述第一模型标识配置组件配置的第一模型标识；
生成模块，用于根据所述第一输入参数、所述第一输出参数以及所述第一模型标识，对所述目标模型的输入参数、输出参数和模型标识进行配置得到第一待训练模型，并利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
可选地，所述操作模块，还用于：
响应于对所述第一输入配置组件的触发操作，在所述可视化界面上显示输入参数录入组件和至少一个可选输入参数组件；基于对所述可选输入参数组件的选择数据和/或基于所述输入参数录入组件的录入数据，获取所述第一输入参数，其中，在获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致的情况下，所述可视化界面上显示输入参数未配置成功的提醒标志；
响应于对所述第一输出配置组件的触发操作，在所述可视化界面上显示输出参数录入组件和至少一个可选输出参数组件；基于对所述可选输出参数组件的选择数据和/或基于所述输出参数录入组件的录入数据，获取所述第一输出参数，其中，在获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致的情况下，所述可视化界面上显示输出参数未配置成功的提醒标志。
可选地，任一预设模型对应的输入参数数量为固定值或数量区间，任一预设模型对应的输出参数数量为固定值或数量区间；
若所述目标模型的输入参数数量为固定值，则在获取的第一输入参数的数量与所述目标模型的输入参数数量不同时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致；
若所述目标模型的输入参数数量为数量区间，则在获取的第一输入参数的数量不在所述目标模型的输入参数数量区间内时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致，以及在获取的第一输入参数的数量在所述目标模型的输入参数数量区间内时，确定获取到的第一输入参数的数量与所述目标模型的输入参数数量一致；
若所述目标模型的输出参数数量为固定值，则在获取的第一输出参数的数量与所述目标模型的输出参数数量不同时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致；
若所述目标模型的输出参数数量为数量区间，则在获取的第一输出参数的数量不在所述目标模型的输出参数数量区间内时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致，以及在获取的第一输出参数的数量在所述目标模型的输出参数数量区间内时，确定获取到的第一输出参数的数量与所述目标模型的输出参数数量一致。
可选地，所述操作模块，还用于：
响应于对所述第一训练样本配置组件的触发操作，在所述第一训练样本配置组件的基础上关联显示样本选择控件和样本导入控件；
获取基于所述样本选择控件选择的所述模型生成平台上的已有样本，并在验证选择的已有样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述选择的已有样本作为所述第一训练样本；和/或，
获取基于所述样本导入控件导入的本地样本，并在验证导入的本地样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述导入的本地样本作为所述第一训练样本。
可选地，所述显示模块，还用于：
在所述选择的已有样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的已有样本作为待标注样本；
在所述导入的本地样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的本地样本作为待标注样本；
显示未完成样本标注的提醒标志以及样本标注控件。
可选地，所述生成模块，还用于：
响应于对所述样本标注控件的触发操作，确定是否存在已标注完成的第一训练样本；
若不存在已标注成功的第一训练样本，则在所述待标注样本中获取预设数量的第一示例样本，并显示所述第一示例样本、待标注参数以及标注工具，其中，所述待标注参数包括所述第一输入参数和所述第一输出参数；
获取用户操作所述标注工具在所述第一示例样本中选择的第一输入参数标注和第一输出参数标注，以完成对每个所述第一示例样本的标注；
基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务，并将所述第一标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第一标注任务内的待标注样本的标注，其中，所述第一标注任务包括至少一个待标注样本、所述第一示例样本以及所述待标注参数。
可选地，所述生成模块，还用于：若存在已标注成功的第一训练样本，则在已标注成功的第一训练样本中选取预设数量的第二示例样本，并基于所述第二示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第二标注任务，并将所述第二标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第二标注任务内的待标注样本的标注，其中，所述第二标注任务包括至少一个待标注样本、所述第二示例样本以及所述待标注参数。
可选地，所述生成模块，还用于：若所述待标注参数包括文字类型参数、图像类型参数和表格类型参数中至少一种，则识别所述第一示例样本中每个所述待标注参数对应的参数特征，其中，所述参数特征包括文字类型参数特征、图像类型参数特征、表格类型参数特征中至少一种；在剩余的待标注样本中预设标注数量的目标样本，并依据所述参数特征对所述目标样本进行自动标注，显示自动标注结果，以使用户判断所述自动标注结果是否准确并确定是否选择自动标注；若接收到自动标注指令，则依据所述参数特征对剩余的待标注样本进行自动标注；若接收到手动标注指令，则执行所述基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务的步骤。
可选地，所述图形化组件还包括连接线组件；所述操作模块，还用于：
响应于在所述可视化界面上的模型组件选择操作以及基于连接线组件对所选模型组件的连接操作，确定所述模型组件选择操作对应的模型组件以及所述连接操作对应的模型组件连接关系；
确定所述模型组件连接关系指示连接的模型，并在验证所述指示连接的模型满足所述指示连接的模型对应的模型连接约束条件的情况下，基于所述模型组件和所述模型组件连接关系，确定所述目标模型。
可选地，所述生成模块，还用于：
在所述可视化界面上显示训练参数配置选项和训练启动控件；
获取基于所述训练参数配置选项配置的模型训练参数，其中，所述训练参数配置选项中预配置有默认模型训练参数；
响应于对所述训练启动控件的触发操作，利用所述模型训练参数和所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
可选地，所述生成模块，还用于：
将所述第一训练样本划分为训练集和测试集；
利用所述模型训练参数和所述训练集对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，并基于所述测试集对所述第一已训练模型进行测试，确定模型测试结果；
在所述可视化界面中对所述模型测试结果进行图像化展示。
可选地，所述生成模块，还用于：
在所述模型生成平台中，将所述第一模型标识对应的第一已训练模型存储为当前用户的模型案例；
接收针对所述模型案例的案例任务，验证所述案例任务中的每个任务是否与所述模型案例对应的输入参数匹配，并在验证匹配时，基于所述模型案例分别确定所述案例任务中的每个任务的模型执行结果。
可选地，所述装置还包括：创建模块，用于：
响应于模型创建指令，显示所述模型生成平台对应的模型创建引导界面，所述模型创建引导界面包括至少一项模型创建参数和每项模型创建参数的约束条件；
获取在所述模型创建引导界面输入的符合相应约束条件的各项模型创建参数数据，并根据获取的模型创建参数数据进行模型创建，将创建的模型保存在当前用户的自建模型，其中，在所述当前用户请求所述可视化界面时，在所述可视化界面中显示所述自建模型对应的模型组件。
可选地，所述操作模块，还用于：
若所述目标组件为功能组件，则基于所述功能组件指示的目标功能对应的至少一个推荐模型，显示所述推荐模型对应的推荐模型组件；
基于接收到的对所述推荐模型组件中的目标推荐模型组件的选择操作，显示所述目标推荐模型组件对应的目标推荐模型的第二输入配置组件、第二输出配置组件、第二训练样本配置组件和第二模型标识配置组件，并获取基于所述第二输入配置组件配置的第二输入参数、基于所述第二输出配置组件配置的第二输出参数、基于所述第二训练样本配置组件配置的第二训练样本以及基于所述第二模型标识配置组件配置的第二模型标识；
所述生成模块，还用于：根据所述第二输入参数、所述第二输出参数以及所述第二模型标识，对所述目标推荐模型的输入参数、输出参数和模型标识进行配置得到第二待训练模型，并利用所述第二训练样本对所述第二待训练模型进行自动训练，得到所述第二模型标识对应的第二已训练模型。
需要说明的是，本申请实施例提供的一种模型生成装置所涉及各功能单元的其他相应描述，可以参考图1至图2方法中的对应描述，在此不再赘述。
本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，如图4所示，该计算机设备包括总线、处理器、存储器和通信接口，还可以包括输入输出接口和显示设备。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储位置信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现各方法实施例中的步骤。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，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可以是非易失性，也可以是易失性，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上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (15)
1.一种模型生成方法，其特征在于，所述方法包括：
在模型生成平台提供的可视化界面上显示至少一个图形化组件，其中，所述图形化组件包括至少一个模型组件和至少一个功能组件，每个模型组件对应唯一的预设模型；
响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件；
若所述目标组件包括模型组件，则基于所述模型组件对应的目标模型，显示所述目标模型对应的第一输入配置组件、第一输出配置组件、第一训练样本配置组件和第一模型标识配置组件，并获取基于所述第一输入配置组件配置的第一输入参数、基于所述第一输出配置组件配置的第一输出参数、基于所述第一训练样本配置组件配置的第一训练样本以及基于所述第一模型标识配置组件配置的第一模型标识；
根据所述第一输入参数、所述第一输出参数以及所述第一模型标识，对所述目标模型的输入参数、输出参数和模型标识进行配置得到第一待训练模型，并利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
2.根据权利要求1所述的方法，其特征在于，获取基于所述第一输入配置组件配置的第一输入参数，包括：
响应于对所述第一输入配置组件的触发操作，在所述可视化界面上显示输入参数录入组件和至少一个可选输入参数组件；基于对所述可选输入参数组件的选择数据和/或基于所述输入参数录入组件的录入数据，获取所述第一输入参数，其中，在获取到的第一输入参数的数量与所述目标模型的输入参数数量不一致的情况下，所述可视化界面上显示输入参数未配置成功的提醒标志；
获取基于所述第一输出配置组件配置的第一输出参数，包括：
响应于对所述第一输出配置组件的触发操作，在所述可视化界面上显示输出参数录入组件和至少一个可选输出参数组件；基于对所述可选输出参数组件的选择数据和/或基于所述输出参数录入组件的录入数据，获取所述第一输出参数，其中，在获取到的第一输出参数的数量与所述目标模型的输出参数数量不一致的情况下，所述可视化界面上显示输出参数未配置成功的提醒标志。
3.根据权利要求1所述的方法，其特征在于，获取基于所述第一训练样本配置组件配置的第一训练样本，包括：
响应于对所述第一训练样本配置组件的触发操作，在所述第一训练样本配置组件的基础上关联显示样本选择控件和样本导入控件；
获取基于所述样本选择控件选择的所述模型生成平台上的已有样本，并在验证选择的已有样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述选择的已有样本作为所述第一训练样本；和/或，
获取基于所述样本导入控件导入的本地样本，并在验证导入的本地样本与所述第一输入参数和所述第一输出参数均匹配的情况下，将所述导入的本地样本作为所述第一训练样本。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
在所述选择的已有样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的已有样本作为待标注样本；
在所述导入的本地样本与所述第一输入参数和/或所述第一输出参数不匹配的情况下，将不匹配的本地样本作为待标注样本；
显示未完成样本标注的提醒标志以及样本标注控件。
5.根据权利要求4所述的方法，其特征在于，所述显示未完成样本标注的提醒标志以及样本标注控件之后，所述方法还包括：
响应于对所述样本标注控件的触发操作，确定是否存在已标注完成的第一训练样本；
若不存在已标注成功的第一训练样本，则在所述待标注样本中获取预设数量的第一示例样本，并显示所述第一示例样本、待标注参数以及标注工具，其中，所述待标注参数包括所述第一输入参数和所述第一输出参数；获取用户操作所述标注工具在所述第一示例样本中选择的第一输入参数标注和第一输出参数标注，以完成对每个所述第一示例样本的标注；基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务，并将所述第一标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第一标注任务内的待标注样本的标注，其中，所述第一标注任务包括至少一个待标注样本、所述第一示例样本以及所述待标注参数；
若存在已标注成功的第一训练样本，则在已标注成功的第一训练样本中选取预设数量的第二示例样本，并基于所述第二示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第二标注任务，并将所述第二标注任务分发至预设标注终端中，以通过预设标注终端完成对所述第二标注任务内的待标注样本的标注，其中，所述第二标注任务包括至少一个待标注样本、所述第二示例样本以及所述待标注参数。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务之前，所述方法还包括：
若所述待标注参数包括文字类型参数、图像类型参数和表格类型参数中至少一种，则识别所述第一示例样本中每个所述待标注参数对应的参数特征，其中，所述参数特征包括文字类型参数特征、图像类型参数特征、表格类型参数特征中至少一种；
在剩余的待标注样本中预设标注数量的目标样本，并依据所述参数特征对所述目标样本进行自动标注，显示自动标注结果，以使用户判断所述自动标注结果是否准确并确定是否选择自动标注；
若接收到自动标注指令，则依据所述参数特征对剩余的待标注样本进行自动标注；
若接收到手动标注指令，则执行所述基于所述第一示例样本、剩余的待标注样本以及所述待标注参数，生成至少一个第一标注任务的步骤。
7.根据权利要求1所述的方法，其特征在于，所述图形化组件还包括连接线组件；所述响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件，包括：
响应于在所述可视化界面上的模型组件选择操作以及基于连接线组件对所选模型组件的连接操作，确定所述模型组件选择操作对应的模型组件以及所述连接操作对应的模型组件连接关系；
确定所述模型组件连接关系指示连接的模型，并在验证所述指示连接的模型满足所述指示连接的模型对应的模型连接约束条件的情况下，基于所述模型组件和所述模型组件连接关系，确定所述目标模型。
8.根据权利要求1所述的方法，其特征在于，所述利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，包括：
在所述可视化界面上显示训练参数配置选项和训练启动控件；
获取基于所述训练参数配置选项配置的模型训练参数，其中，所述训练参数配置选项中预配置有默认模型训练参数；
响应于对所述训练启动控件的触发操作，利用所述模型训练参数和所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
9.根据权利要求1所述的方法，其特征在于，所述利用所述模型训练参数和所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，包括：
将所述第一训练样本划分为训练集和测试集；
利用所述模型训练参数和所述训练集对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型，并基于所述测试集对所述第一已训练模型进行测试，确定模型测试结果；
在所述可视化界面中对所述模型测试结果进行图像化展示。
10.根据权利要求1至9中任一项所述的方法，其特征在于，得到所述第一模型标识对应的第一已训练模型之后，所述方法还包括：
在所述模型生成平台中，将所述第一模型标识对应的第一已训练模型存储为当前用户的模型案例；
接收针对所述模型案例的案例任务，验证所述案例任务中的每个任务是否与所述模型案例对应的输入参数匹配，并在验证匹配时，基于所述模型案例分别确定所述案例任务中的每个任务的模型执行结果。
11.根据权利要求1至9中任一项所述的方法，其特征在于，所述方法还包括：
响应于模型创建指令，显示所述模型生成平台对应的模型创建引导界面，所述模型创建引导界面包括至少一项模型创建参数和每项模型创建参数的约束条件；
获取在所述模型创建引导界面输入的符合相应约束条件的各项模型创建参数数据，并根据获取的模型创建参数数据进行模型创建，将创建的模型保存在当前用户的自建模型，其中，在所述当前用户请求所述可视化界面时，在所述可视化界面中显示所述自建模型对应的模型组件。
12.根据权利要求1至9中任一项所述的方法，其特征在于，所述确定所述组件选择操作对应的目标组件之后，所述方法还包括：
若所述目标组件为功能组件，则基于所述功能组件指示的目标功能对应的至少一个推荐模型，显示所述推荐模型对应的推荐模型组件；
基于接收到的对所述推荐模型组件中的目标推荐模型组件的选择操作，显示所述目标推荐模型组件对应的目标推荐模型的第二输入配置组件、第二输出配置组件、第二训练样本配置组件和第二模型标识配置组件，并获取基于所述第二输入配置组件配置的第二输入参数、基于所述第二输出配置组件配置的第二输出参数、基于所述第二训练样本配置组件配置的第二训练样本以及基于所述第二模型标识配置组件配置的第二模型标识；
根据所述第二输入参数、所述第二输出参数以及所述第二模型标识，对所述目标推荐模型的输入参数、输出参数和模型标识进行配置得到第二待训练模型，并利用所述第二训练样本对所述第二待训练模型进行自动训练，得到所述第二模型标识对应的第二已训练模型。
13.一种模型生成装置，其特征在于，所述装置包括：
显示模块，用于在模型生成平台提供的可视化界面上显示至少一个图形化组件，其中，所述图形化组件包括至少一个模型组件和至少一个功能组件，每个模型组件对应唯一的预设模型；
操作模块，用于响应于在所述可视化界面上的组件选择操作，确定所述组件选择操作对应的目标组件；以及，
若所述目标组件包括模型组件，则基于所述模型组件对应的目标模型，显示所述目标模型对应的第一输入配置组件、第一输出配置组件、第一训练样本配置组件和第一模型标识配置组件，并获取基于所述第一输入配置组件配置的第一输入参数、基于所述第一输出配置组件配置的第一输出参数、基于所述第一训练样本配置组件配置的第一训练样本以及基于所述第一模型标识配置组件配置的第一模型标识；
生成模块，用于根据所述第一输入参数、所述第一输出参数以及所述第一模型标识，对所述目标模型的输入参数、输出参数和模型标识进行配置得到第一待训练模型，并利用所述第一训练样本对所述第一待训练模型进行自动训练，得到所述第一模型标识对应的第一已训练模型。
14.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法。
15.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在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权利要求1至12中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311242999.6A CN116992241B (zh) | 2023-09-26 | 2023-09-26 | 模型生成方法及装置、存储介质、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311242999.6A CN116992241B (zh) | 2023-09-26 | 2023-09-26 | 模型生成方法及装置、存储介质、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992241A true CN116992241A (zh) | 2023-11-03 |
| CN116992241B CN116992241B (zh) | 2024-01-19 |
Family
ID=88525123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311242999.6A Active CN116992241B (zh) | 2023-09-26 | 2023-09-26 | 模型生成方法及装置、存储介质、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992241B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190171712A1 (en) * | 2017-12-05 | 2019-06-06 | discourse.ai, Inc. | Computer-based Interlocutor Understanding Using Classifying Conversation Segments |
| 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 |
| CN114546365A (zh) * | 2022-04-27 | 2022-05-27 | 北京寄云鼎城科技有限公司 | 一种流程可视化的建模方法、服务器、计算机系统及介质 |
| CN114691111A (zh) * | 2020-12-28 | 2022-07-01 | 北京三快在线科技有限公司 | 基于可视化的代码识别模型训练方法及装置 |
| CN114764296A (zh) * | 2021-01-12 | 2022-07-19 | 京东科技信息技术有限公司 | 机器学习模型训练方法、装置、电子设备及存储介质 |
| CN114861860A (zh) * | 2021-02-04 | 2022-08-05 | 华为技术有限公司 | 深度学习模型的处理方法、装置及电子设备 |
| CN116305895A (zh) * | 2023-03-07 | 2023-06-23 | 金蝶云科技有限公司 | 产品模型生成方法、装置、计算机设备和存储介质 |
| CN116594733A (zh) * | 2023-07-18 | 2023-08-15 | 北京寄云鼎城科技有限公司 | 流程可视化建模方法、计算机设备及计算机可读存储介质 |
-
2023
- 2023-09-26 CN CN202311242999.6A patent/CN116992241B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190171712A1 (en) * | 2017-12-05 | 2019-06-06 | discourse.ai, Inc. | Computer-based Interlocutor Understanding Using Classifying Conversation Segments |
| 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 |
| CN114691111A (zh) * | 2020-12-28 | 2022-07-01 | 北京三快在线科技有限公司 | 基于可视化的代码识别模型训练方法及装置 |
| CN114764296A (zh) * | 2021-01-12 | 2022-07-19 | 京东科技信息技术有限公司 | 机器学习模型训练方法、装置、电子设备及存储介质 |
| CN114861860A (zh) * | 2021-02-04 | 2022-08-05 | 华为技术有限公司 | 深度学习模型的处理方法、装置及电子设备 |
| CN114546365A (zh) * | 2022-04-27 | 2022-05-27 | 北京寄云鼎城科技有限公司 | 一种流程可视化的建模方法、服务器、计算机系统及介质 |
| CN116305895A (zh) * | 2023-03-07 | 2023-06-23 | 金蝶云科技有限公司 | 产品模型生成方法、装置、计算机设备和存储介质 |
| CN116594733A (zh) * | 2023-07-18 | 2023-08-15 | 北京寄云鼎城科技有限公司 | 流程可视化建模方法、计算机设备及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 林小凡: "智能应用开发平台的设计与实现", 《中国优秀硕士学位论文全文数据库（信息科技辑）》, pages 138 - 262 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992241B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046645A (zh) | 生成文章的方法、装置、计算机设备和存储介质 | |
| CN107256428B (zh) | 数据处理方法、数据处理装置、存储设备及网络设备 | |
| CN110442417A (zh) | 特征抽取方法、机器学习方法及其装置 | |
| CN109710528B (zh) | 一种测试脚本生成方法、装置、设备和介质 | |
| CN106021119A (zh) | 配置文件的校验方法和装置 | |
| CN108921398A (zh) | 店铺质量评价方法及装置 | |
| CN108959271A (zh) | 描述文本生成方法、装置、计算机设备和可读存储介质 | |
| CN112036153B (zh) | 工单纠错方法、装置、计算机可读存储介质和计算机设备 | |
| CN116071031B (zh) | 一种可视化的流程校验审批方法、系统、设备及存储介质 | |
| CN112463986A (zh) | 信息存储的方法及装置 | |
| CN113821296B (zh) | 可视化界面生成方法、电子设备及存储介质 | |
| CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
| CN111966600B (zh) | 网页测试方法、装置、计算机设备及计算机可读存储介质 | |
| CN117077679B (zh) | 命名实体识别方法和装置 | |
| CN110275820B (zh) | 页面兼容性测试方法、系统及设备 | |
| CN117423299A (zh) | 液晶显示屏的性能检测方法、装置、设备及存储介质 | |
| CN116992241B (zh) | 模型生成方法及装置、存储介质、计算机设备 | |
| CN117370356A (zh) | 一种数据标准映射元数据的方法和相关装置 | |
| CN110362681B (zh) | 问答系统重复问题识别方法、装置及存储介质 | |
| CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
| Wagner et al. | Bayesian inference in public administration research: Substantive differences from somewhat different assumptions | |
| CN115759047A (zh) | 资产评估报告依据的筛选及自动填充方法和装置 | |
| CN110209769A (zh) | 文本填写方法及装置 | |
| CN113033178B (zh) | 用于商业计划书的文本评估方法、装置及计算机 | |
| CN115828856A (zh) | 试卷生成的方法、装置、设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |