CN117370809B - 一种基于深度学习的人工智能模型构建方法、系统及存储介质 - Google Patents
一种基于深度学习的人工智能模型构建方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117370809B CN117370809B CN202311448170.1A CN202311448170A CN117370809B CN 117370809 B CN117370809 B CN 117370809B CN 202311448170 A CN202311448170 A CN 202311448170A CN 117370809 B CN117370809 B CN 117370809B
- Authority
- CN
- China
- Prior art keywords
- model
- matching
- artificial intelligent
- data set
- key index
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 88
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 239000012634 fragment Substances 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于深度学习的人工智能模型构建方法、系统及存储介质,涉及信息技术技术领域。本方法包括:获取源数据集;对源数据集进行特征分析获取模型匹配关键指标特征;基于模型匹配关键指标特征在模型片段矩阵库中匹配模型片段集;基于人工智能模型片段集在模型框架库中匹配人工智能模型框架;基于源数据集和人工智能模型框架构建人工智能模型;基于源数据集及模拟训练结果,不断丰富及优化模型片段矩阵库。本方法、系统及存储介质相匹配。本申请通过在模型片段矩阵库中匹配获取模型片段集,然后在模型框架库中匹配人工智能模型框架,确保人工智能模型的运行环境与源数据集的匹配程度,进而确保人工智能模型输入层与输出层之间的对应性。
Description
技术领域
本申请涉及信息技术技术领域,具体是一种基于深度学习的人工智能模型构建方法、系统及存储介质。
背景技术
随着人工智能技术的发展,以神经网络为代表的深度学习因其学习能力强、覆盖范围广以及鲁棒性强等优点被广泛应用于各技术领域,通过深度学习获取人工智能模型,能够对人工智能芯片及其应用的开发,提供优秀的架构参考数据,对于人工智能芯片、硬件组合的研发效率具有显著的促进作用。
现有技术中,基于深度学习构建人工智能模型的技术,通常是采用简单的数据特征作为输入层然后通过预设的算法来构建得到人工智能模型,这种方式,时常会出现人工智能模型的输入层与输出层之间不匹配的问题,模型构建结果的可靠性不高。
发明内容
本申请的目的在于提供一种基于深度学习的人工智能模型构建方法、系统及存储介质,以解决上述背景技术中提出的技术问题。
为实现上述目的,本申请公开了以下技术方案:
本申请在第一方面,公开了一种基于深度学习的人工智能模型构建方法,该方法包括以下步骤:
获取用于构建人工智能模型的源数据集;
对所述源数据集进行特征分析,获取模型匹配关键指标特征;
基于所述模型匹配关键指标特征在模型片段矩阵库中匹配模型片段集;
基于所述人工智能模型片段集在模型框架库中匹配人工智能模型框架;
基于所述源数据集和所述人工智能模型框架构建人工智能模型;
基于所述源数据集及模拟训练结果,不断丰富及优化模型片段矩阵库。
作为优选,所述的基于所述模型匹配关键指标特征在模型片段矩阵库中匹配合适的模型片段集,还包括:
基于特征匹配算法,将所述关键指标特征与所述模型片段矩阵库中预设置的模型片段矩阵进行匹配,获取标准的人工智能模型片段;所述模型片段矩阵通过以关键指标特征及其近义词、关键指标特征及相似指标、关键指标特征及可替代指标作为训练关键词训练后得到;
所述的将所述关键指标特征与所述模型片段矩阵库中预设置的模型片段矩阵进行匹配,具体包括:
将所述关键指标特征作为输入层输入所述模型片段矩阵库;
所述模型片段矩阵库的输出层输出标准的人工智能模型片段。
作为优选,在基于所述人工智能模型片段集在模型框架库中匹配人工智能模型框架之后,该种基于深度学习的人工智能模型构建方法还包括:
通过框架验证算法对获取到的多个所述人工智能模型框架进行验证;其中,所述框架验证算法包括:
将所有的模型匹配关键指标特征分别与所述人工智能模型框架中存在的所有用于表达关键指标的特征进行比对,统计比对成功的模型匹配关键指标特征的数量Ge,并对成功匹配的人工智能模型框架中的特征的数量Gf进行统计,计算每个人工智能模型框架与该源数据集之间的模型匹配度ρ,其中,其中δerror为遍历匹配过程中允许存在的匹配误差,将计算得到的模型匹配度ρ与预设的匹配度阈值ρmin进行比较,将满足ρ>ρmin的人工智能模型框架定义为初选框架;当初选框架的数量为0时,重复所述的对所述源数据集进行特征分析,获取模型匹配关键指标特征和所述的基于所述模型匹配关键指标特征在模型片段矩阵库中匹配模型片段集;当初选框架的数量为1时,将该初选框架作为人工智能模型的人工智能模型框架;当初选框架的数量大于1时,在所有的初选框架中任选一个作为人工智能模型的人工智能模型框架。
作为优选,当初选框架的数量大于1时,计算每个初选框架对应的真实匹配度ρreal,其中,其中,ki为若干个模型匹配关键指标特征对应的权重值,Gi为权重值为ki的模型匹配关键指标特征的数量,然后,将计算得到的模型匹配度ρreal与预设的匹配度阈值ρmin进行比较,将满足ρreal>ρmin的人工智能模型框架定义为终选框架,并计算所有的终选框架中的max(ρreal),并将max(ρreal)对应的终选框架作为人工智能模型的人工智能模型框架,将其他的终选框架作为备用框架,并应用于所述的基于所述源数据集及模拟训练结果,不断丰富及优化模型片段矩阵库中进行模型片段矩阵库的丰富和优化。
作为优选,所述的基于所述源数据集和所述人工智能模型框架构建人工智能模型,具体包括:
对所述源数据集进行数据分析获取对应的硬件信息和软件信息;
基于所述硬件信息和所述人工智能模型框架构建人工智能模型;
将所述软件信息输入所述人工智能模型进行虚拟运行环境的构建。
作为优选,所述的对所述源数据集进行数据分析获取对应的硬件信息和软件信息,具体包括:
基于预设的硬件特征词,对所述源数据集进行遍历匹配,提取所述源数据集中对应于所述硬件特征词的数据词段;
基于预设的自然语言理解技术对所述数据词段两端的数据语义进行分析,获取硬件信息及该硬件信息对应的软件信息,并将硬件信息及其对应的软件信息作为一个软硬件信息组合;
将所述源数据集拆分为若干个软硬件信息组合。
作为优选,该种基于深度学习的人工智能模型构建方法,还包括:
将所述源数据集中的任意一个软硬件信息输入所述人工智能模型中;
将所述人工智能模型的输出层内容与所述软硬件信息进行比对验证,当比对验证失败时,对所述源数据集的软硬件信息组合进行重新获取,并重新进行所述人工智能模型的构建。
作为优选,所述比对验证包括:
将软硬件信息中的软件信息输入所述人工智能模型中,所述人工智能模型的输出层输出该软件信息对应的硬件及其运行内容;和/或
将软硬件信息中的硬件信息输入所述人工智能模型中,所述人工智能模型基于该硬件信息对应的软件信息进行虚拟运行,并在输出层输出该硬件信息对应的运行结果;以及,将输入层的输入内容及输出层的输出结果输入至所述模型片段矩阵库进行矩阵优化。
第二方面,本申请公开了一种基于深度学习的人工智能模型构建系统,适用于上述的基于深度学习的人工智能模型构建方法,该系统包括:
配置为:接收用于构建人工智能模型的源数据集的数据采集模块;
配置为:对所述源数据集进行特征分析获取模型匹配关键指标特征的特征分析模块;
配置为:存储模型匹配关键指标特征与模型片段对应关系的模型片段矩阵库;
配置为:基于所述模型匹配关键指标特征在模型片段矩阵库中匹配获取模型片段集的数据匹配模块;
配置为:存储人工智能模型片段集与模型框架对应关系的模型框架库;
配置为:基于所述人工智能模型片段集在所述人工智能模型框架库中匹配人工智能模型框架的框架匹配模块;
配置为:基于所述源数据集和所述人工智能模型框架构建人工智能模型的模型构建模块;
配置为:基于所述源数据集及模拟训练结果对所述模型片段矩阵库进行优化的矩阵库优化模块。
第三方面,本申请公开了一种计算机可读存储介质,其特征在于,该种计算机可读存储介质中存储有能够被处理器执行的计算机程序,当该计算机程序被处理器执行时,实现如上所述的基于深度学习的人工智能模型构建方法
有益效果:本申请的基于深度学习的人工智能模型构建方法、系统及存储介质,通过对源数据集的特征分析,在模型片段矩阵库中匹配获取模型片段集,从而准确地对人工智能模型的重要指标进行获取,然后在模型框架库中匹配人工智能模型框架,从而确保构建完成的人工智能模型的运行环境与源数据集的匹配程度,进而确保人工智能模型在运行时,输入层与输出层之间的对应性。进一步地,通过对源数据集的硬件信息和软件信息的分析,进一步确保人工智能模型在构建过程中的数据准确性,从而确保最终得到的人工智能模型与源数据集之间的关联性,以及通过输入软硬件信息进行人工智能模型的验证,确保了最终得到的人工智能模型的输入层与输出层之间的关联性,确保构建的人工智能模型的可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域技术人员来讲,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的附图。
图1为本申请实施例提供的基于深度学习的人工智能模型构建方法的流程框图;
图2为本申请实施例提供的基于深度学习的人工智能模型构建系统的结构框图。
具体实施方式
下面将对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本文中,术语“包括”意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本实施例在第一方面公开了如图1所示的一种基于深度学习的人工智能模型构建方法,该方法包括以下步骤:
S101-获取用于构建人工智能模型的源数据集;
S102-对所述源数据集进行特征分析,获取模型匹配关键指标特征;
S103-基于所述模型匹配关键指标特征在模型片段矩阵库中匹配模型片段集;
S104-基于所述人工智能模型片段集在模型框架库中匹配人工智能模型框架;
S105-基于所述源数据集和所述人工智能模型框架构建人工智能模型;
S106-基于所述源数据集及模拟训练结果,不断丰富及优化模型片段矩阵库。
基于上述,采用本实施例的基于深度学习的人工智能模型构建方法,通过对源数据集的特征分析,在模型片段矩阵库中匹配获取人工智能硬件信息,从而准确地对源数据集对应的硬件信息进行获取,然后在模型框架库中匹配人工智能模型框架,从而确保构建完成的人工智能模型的运行环境与源数据集的匹配程度,进而确保人工智能模型在运行时,输入层与输出层之间的对应性。
在本实施例中,所述的基于所述模型匹配关键指标特征在模型片段矩阵库中匹配合适的模型片段集,还包括:
基于特征匹配算法,将所述关键指标特征与所述模型片段矩阵库中预设置的模型片段矩阵进行匹配,获取标准的人工智能模型片段;所述关键指标特征包括人工智能硬件信息。其中,所述模型片段矩阵通过以关键指标特征及其近义词、关键指标特征及相似指标、关键指标特征及可替代指标作为训练关键词训练后得到。
进一步地,所述的将所述关键指标特征与所述模型片段矩阵库中预设置的模型片段矩阵进行匹配,具体包括:
将所述关键指标特征作为输入层输入所述模型片段矩阵库;
所述模型片段矩阵库的输出层输出标准的人工智能模型片段。
通过模型片段矩阵库的预先配置,能够提高人工智能硬件信息的获取效率,同时,提高获取到的人工智能硬件信息与源数据集之间的对应性。
在本实施例中,由于人工智能模型片段集中包括有多个模型片段,因此,得到的人工智能模型框架存在有多种形式,为了明确人工智能模型的最优个体,在获取到人工智能模型框架后,再通过框架验证算法对该框架进行验证,其中,所述框架验证算法包括:
将所有的模型匹配关键指标特征分别与所述人工智能模型框架中存在的所有用于表达关键指标的特征进行比对,统计比对成功的模型匹配关键指标特征的数量Ge,并对成功匹配的人工智能模型框架中的特征的数量Gf进行统计,计算每个人工智能模型框架与该源数据集之间的模型匹配度ρ,其中,其中δerror为遍历匹配过程中允许存在的匹配误差,将计算得到的模型匹配度ρ与预设的匹配度阈值ρmin进行比较,将满足ρ>ρmin的人工智能模型框架定义为初选框架。当初选框架的数量为0时,重复S102和S103。当初选框架的数量为1时,将该初选框架作为人工智能模型的人工智能模型框架。当初选框架的数量大于1时,可行的是,在所有的初选框架中任选一个作为人工智能模型的人工智能模型框架。
作为本实施例的一种优选地实施方式,当初选框架的数量大于1时,计算每个初选框架对应的真实匹配度ρreal,其中,其中,ki为若干个模型匹配关键指标特征对应的权重值,Gi为权重值为ki的模型匹配关键指标特征的数量,然后,将计算得到的模型匹配度ρreal与预设的匹配度阈值ρmin进行比较,将满足ρreal>ρmin的人工智能模型框架定义为终选框架,并计算所有的终选框架中的max(ρreal),并将max(ρreal)对应的终选框架作为人工智能模型的人工智能模型框架,将其他的终选框架作为备用框架,并应用于S106中进行模型片段矩阵库的丰富和优化。
作为本实施例的一种优选地实施方式,所述的基于所述源数据集和所述人工智能模型框架构建人工智能模型,具体包括:
对所述源数据集进行数据分析获取对应的硬件信息和软件信息;
基于所述硬件信息和所述人工智能模型框架构建人工智能模型;
将所述软件信息输入所述人工智能模型进行虚拟运行环境的构建。
进一步地,所述的对所述源数据集进行数据分析获取对应的硬件信息和软件信息,具体包括:
基于预设的硬件特征词,对所述源数据集进行遍历匹配,提取所述源数据集中对应于所述硬件特征词的数据词段;
基于预设的自然语言理解技术对所述数据词段两端的数据语义进行分析,获取硬件信息及该硬件信息对应的软件信息,并将硬件信息及其对应的软件信息作为一个软硬件信息组合;
将所述源数据集拆分为若干个软硬件信息组合。
基于上述软硬件信息的获取,进一步确保人工智能模型在构建过程中的数据准确性,从而确保最终得到的人工智能模型与源数据集之间的关联性。
此外,该种基于深度学习的人工智能模型构建方法,还包括:
将所述源数据集中的任意一个软硬件信息输入所述人工智能模型中;
将所述人工智能模型的输出层内容与所述软硬件信息进行比对验证,当比对验证失败时,对所述源数据集的软硬件信息组合进行重新获取,并重新进行所述人工智能模型的构建。
所述比对验证包括:
将软硬件信息中的软件信息输入所述人工智能模型中,所述人工智能模型的输出层输出该软件信息对应的硬件及其运行内容;和/或
将软硬件信息中的硬件信息输入所述人工智能模型中,所述人工智能模型基于该硬件信息对应的软件信息进行虚拟运行,并在输出层输出该硬件信息对应的运行结果;以及,将输入层的输入内容及输出层的输出结果输入至所述模型片段矩阵库进行矩阵优化。
基于上述的比对验证的设置,确保了最终得到的人工智能模型的输入层与输出层之间的关联性,确保构建的人工智能模型的可靠性,同时,不断地对模型片段矩阵库进行优化,从而提高人工智能模型构建的效率和准确性。
本实施例在第二方面公开了如图2所示的一种基于深度学习的人工智能模型构建系统,适用于上述的基于深度学习的人工智能模型构建方法,该系统包括:
配置为:接收用于构建人工智能模型的源数据集的数据采集模块;
配置为:对所述源数据集进行特征分析获取模型匹配关键指标特征的特征分析模块;
配置为:存储模型匹配关键指标特征与模型片段对应关系的模型片段矩阵库;
配置为:基于所述模型匹配关键指标特征在模型片段矩阵库中匹配获取模型片段集的数据匹配模块;
配置为:存储人工智能模型片段集与模型框架对应关系的模型框架库;
配置为:基于所述人工智能模型片段集在所述人工智能模型框架库中匹配人工智能模型框架的框架匹配模块;
配置为:基于所述源数据集和所述人工智能模型框架构建人工智能模型的模型构建模块;
配置为:基于所述源数据集及模拟训练结果对所述模型片段矩阵库进行优化的矩阵库优化模块。
需要说明的是,如前述的,本系统适用于前述的基于深度学习的人工智能模型构建方法,因此,本系统中的各模块的其他技术内容可以参考前述在基于深度学习的人工智能模型构建方法中的介绍,本文本不做赘述。
本实施例在第三方面,公开了一种计算机可读存储介质,该种计算机可读存储介质中存储有能够被处理器执行的计算机程序,当该计算机程序被处理器执行时,实现如上所述的基于深度学习的人工智能模型构建方法。
在本申请所提供的实施例中,应该理解到,可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现,处理器可以在一个或多个下列单元中实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现,实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时,可以将上述程序存储在计算机可读存储介质中或作为计算机可读存储介质上的一个或多个指令或代码进行传输。计算机可读存储介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读存储介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应说明的是:以上所述仅为本申请的优选实施例而已,并不用于限制本申请,尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来说,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,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于深度学习的人工智能模型构建方法,其特征在于,该方法包括以下步骤:
获取用于构建人工智能模型的源数据集;
对所述源数据集进行特征分析,获取模型匹配关键指标特征;
基于所述模型匹配关键指标特征在模型片段矩阵库中匹配模型片段集,具体包括:基于特征匹配算法,将所述关键指标特征与所述模型片段矩阵库中预设置的模型片段矩阵进行匹配,获取标准的人工智能模型片段;所述模型片段矩阵通过以关键指标特征及其近义词、关键指标特征及相似指标、关键指标特征及可替代指标作为训练关键词训练后得到;其中,所述的将所述关键指标特征与所述模型片段矩阵库中预设置的模型片段矩阵进行匹配,具体包括:将所述关键指标特征作为输入层输入所述模型片段矩阵库,和所述模型片段矩阵库的输出层输出标准的人工智能模型片段;
基于所述人工智能模型片段集在模型框架库中匹配人工智能模型框架,以及,通过框架验证算法对获取到的多个所述人工智能模型框架进行验证;其中,所述框架验证算法包括:将所有的模型匹配关键指标特征分别与所述人工智能模型框架中存在的所有用于表达关键指标的特征进行比对,统计比对成功的模型匹配关键指标特征的数量Ge,并对成功匹配的人工智能模型框架中的特征的数量Gf进行统计,计算每个人工智能模型框架与该源数据集之间的模型匹配度ρ,其中, 其中δerror为遍历匹配过程中允许存在的匹配误差,将计算得到的模型匹配度ρ与预设的匹配度阈值ρmin进行比较,将满足ρ>ρmin的人工智能模型框架定义为初选框架;当初选框架的数量为0时,重复所述的对所述源数据集进行特征分析,获取模型匹配关键指标特征和所述的基于所述模型匹配关键指标特征在模型片段矩阵库中匹配模型片段集;当初选框架的数量为1时,将该初选框架作为人工智能模型的人工智能模型框架;当初选框架的数量大于1时,在所有的初选框架中任选一个作为人工智能模型的人工智能模型框架;且,当初选框架的数量大于1时,计算每个初选框架对应的真实匹配度ρreal,其中,/> 其中,ki为若干个模型匹配关键指标特征对应的权重值,Gi为权重值为ki的模型匹配关键指标特征的数量,然后,将计算得到的模型匹配度ρreal与预设的匹配度阈值ρmin进行比较,将满足ρreal>ρmin的人工智能模型框架定义为终选框架,并计算所有的终选框架中的max(ρreal),并将max(ρreal)对应的终选框架作为人工智能模型的人工智能模型框架,将其他的终选框架作为备用框架,并应用于所述的基于所述源数据集及模拟训练结果,不断丰富及优化模型片段矩阵库中进行模型片段矩阵库的丰富和优化;
基于所述源数据集和所述人工智能模型框架构建人工智能模型,具体包括:对所述源数据集进行数据分析获取对应的硬件信息和软件信息,基于所述硬件信息和所述人工智能模型框架构建人工智能模型,和将所述软件信息输入所述人工智能模型进行虚拟运行环境的构建;其中,所述的对所述源数据集进行数据分析获取对应的硬件信息和软件信息,具体包括:S1-基于预设的硬件特征词,对所述源数据集进行遍历匹配,提取所述源数据集中对应于所述硬件特征词的数据词段;S2-基于预设的自然语言理解技术对所述数据词段两端的数据语义进行分析,获取硬件信息及该硬件信息对应的软件信息,并将硬件信息及其对应的软件信息作为一个软硬件信息组合;S3-将所述源数据集拆分为若干个软硬件信息组合;
基于所述源数据集及模拟训练结果,不断丰富及优化模型片段矩阵库。
2.根据权利要求1所述的基于深度学习的人工智能模型构建方法,其特征在于,该种基于深度学习的人工智能模型构建方法,还包括:
将所述源数据集中的任意一个软硬件信息输入所述人工智能模型中;
将所述人工智能模型的输出层内容与所述软硬件信息进行比对验证,当比对验证失败时,对所述源数据集的软硬件信息组合进行重新获取,并重新进行所述人工智能模型的构建。
3.根据权利要求2所述的基于深度学习的人工智能模型构建方法,其特征在于,所述比对验证包括:
将软硬件信息中的软件信息输入所述人工智能模型中,所述人工智能模型的输出层输出该软件信息对应的硬件及其运行内容;和/或
将软硬件信息中的硬件信息输入所述人工智能模型中,所述人工智能模型基于该硬件信息对应的软件信息进行虚拟运行,并在输出层输出该硬件信息对应的运行结果;以及,将输入层的输入内容及输出层的输出结果输入至所述模型片段矩阵库进行矩阵优化。
4.一种基于深度学习的人工智能模型构建系统,适用于权利要求1-3任意一项所述的基于深度学习的人工智能模型构建方法,其特征在于,该系统包括:
配置为:接收用于构建人工智能模型的源数据集的数据采集模块;
配置为:对所述源数据集进行特征分析获取模型匹配关键指标特征的特征分析模块;
配置为:存储模型匹配关键指标特征与模型片段对应关系的模型片段矩阵库;
配置为:基于所述模型匹配关键指标特征在模型片段矩阵库中匹配获取模型片段集的数据匹配模块;基于所述模型匹配关键指标特征在模型片段矩阵库中匹配获取模型片段集具体包括:基于特征匹配算法,将所述关键指标特征与所述模型片段矩阵库中预设置的模型片段矩阵进行匹配,获取标准的人工智能模型片段;所述模型片段矩阵通过以关键指标特征及其近义词、关键指标特征及相似指标、关键指标特征及可替代指标作为训练关键词训练后得到;其中,所述的将所述关键指标特征与所述模型片段矩阵库中预设置的模型片段矩阵进行匹配,具体包括:将所述关键指标特征作为输入层输入所述模型片段矩阵库,和所述模型片段矩阵库的输出层输出标准的人工智能模型片段;
配置为:存储人工智能模型片段集与模型框架对应关系的模型框架库;
配置为:基于所述人工智能模型片段集在所述人工智能模型框架库中匹配人工智能模型框架的框架匹配模块;所述框架匹配模块还配置为:通过框架验证算法对获取到的多个所述人工智能模型框架进行验证;其中,所述框架验证算法包括:将所有的模型匹配关键指标特征分别与所述人工智能模型框架中存在的所有用于表达关键指标的特征进行比对,统计比对成功的模型匹配关键指标特征的数量Ge,并对成功匹配的人工智能模型框架中的特征的数量Gf进行统计,计算每个人工智能模型框架与该源数据集之间的模型匹配度ρ,其中,其中δerror为遍历匹配过程中允许存在的匹配误差,将计算得到的模型匹配度ρ与预设的匹配度阈值ρmin进行比较,将满足ρ>ρmin的人工智能模型框架定义为初选框架;当初选框架的数量为0时,重复所述的对所述源数据集进行特征分析,获取模型匹配关键指标特征和所述的基于所述模型匹配关键指标特征在模型片段矩阵库中匹配模型片段集;当初选框架的数量为1时,将该初选框架作为人工智能模型的人工智能模型框架;当初选框架的数量大于1时,在所有的初选框架中任选一个作为人工智能模型的人工智能模型框架;且,当初选框架的数量大于1时,计算每个初选框架对应的真实匹配度ρreal,其中,其中,ki为若干个模型匹配关键指标特征对应的权重值,Gi为权重值为ki的模型匹配关键指标特征的数量,然后,将计算得到的模型匹配度ρreal与预设的匹配度阈值ρmin进行比较,将满足ρreal>ρmin的人工智能模型框架定义为终选框架,并计算所有的终选框架中的max(ρreal),并将max(ρreal)对应的终选框架作为人工智能模型的人工智能模型框架,将其他的终选框架作为备用框架,并应用于所述的基于所述源数据集及模拟训练结果,不断丰富及优化模型片段矩阵库中进行模型片段矩阵库的丰富和优化;
配置为:基于所述源数据集和所述人工智能模型框架构建人工智能模型的模型构建模块;基于所述源数据集和所述人工智能模型框架构建人工智能模型具体包括:对所述源数据集进行数据分析获取对应的硬件信息和软件信息,基于所述硬件信息和所述人工智能模型框架构建人工智能模型,和将所述软件信息输入所述人工智能模型进行虚拟运行环境的构建;其中,所述的对所述源数据集进行数据分析获取对应的硬件信息和软件信息,具体包括:S1-基于预设的硬件特征词,对所述源数据集进行遍历匹配,提取所述源数据集中对应于所述硬件特征词的数据词段;S2-基于预设的自然语言理解技术对所述数据词段两端的数据语义进行分析,获取硬件信息及该硬件信息对应的软件信息,并将硬件信息及其对应的软件信息作为一个软硬件信息组合;S3-将所述源数据集拆分为若干个软硬件信息组合;
配置为:基于所述源数据集及模拟训练结果对所述模型片段矩阵库进行优化的矩阵库优化模块。
5.一种计算机可读存储介质,其特征在于,该种计算机可读存储介质中存储有能够被处理器执行的计算机程序,当该计算机程序被处理器执行时,实现如权利要求1-3任意一项所述的基于深度学习的人工智能模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448170.1A CN117370809B (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度学习的人工智能模型构建方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311448170.1A CN117370809B (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度学习的人工智能模型构建方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117370809A CN117370809A (zh) | 2024-01-09 |
CN117370809B true CN117370809B (zh) | 2024-04-12 |
Family
ID=89394564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311448170.1A Active CN117370809B (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度学习的人工智能模型构建方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370809B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508378A (zh) * | 2018-11-26 | 2019-03-22 | 平安科技(深圳)有限公司 | 一种样本数据处理方法及装置 |
WO2020164267A1 (zh) * | 2019-02-13 | 2020-08-20 | 平安科技(深圳)有限公司 | 文本分类模型构建方法、装置、终端及存储介质 |
CN113361376A (zh) * | 2021-06-02 | 2021-09-07 | 北京三快在线科技有限公司 | 获取视频封面的方法、装置、计算机设备及可读存储介质 |
CN115081613A (zh) * | 2022-05-23 | 2022-09-20 | 浙江大华技术股份有限公司 | 生成深度学习模型的方法、装置、电子设备及存储介质 |
CN116595859A (zh) * | 2023-04-11 | 2023-08-15 | 广东卓维网络有限公司 | 基于机器学习的审计模型构建方法、装置、设备和介质 |
CN116956896A (zh) * | 2023-08-03 | 2023-10-27 | 深圳特为科创信息技术有限公司 | 基于人工智能的文本分析方法、系统、电子设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11321614B2 (en) * | 2017-09-29 | 2022-05-03 | Oracle International Corporation | Directed trajectories through communication decision tree using iterative artificial intelligence |
CN111527501B (zh) * | 2018-08-28 | 2023-08-01 | 深圳鲲云信息科技有限公司 | 芯片适配确定方法及相关产品 |
CN114186697B (zh) * | 2021-12-10 | 2023-03-14 | 北京百度网讯科技有限公司 | 基于深度学习框架生成和应用深度学习模型的方法及装置 |
-
2023
- 2023-11-02 CN CN202311448170.1A patent/CN117370809B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508378A (zh) * | 2018-11-26 | 2019-03-22 | 平安科技(深圳)有限公司 | 一种样本数据处理方法及装置 |
WO2020164267A1 (zh) * | 2019-02-13 | 2020-08-20 | 平安科技(深圳)有限公司 | 文本分类模型构建方法、装置、终端及存储介质 |
CN113361376A (zh) * | 2021-06-02 | 2021-09-07 | 北京三快在线科技有限公司 | 获取视频封面的方法、装置、计算机设备及可读存储介质 |
CN115081613A (zh) * | 2022-05-23 | 2022-09-20 | 浙江大华技术股份有限公司 | 生成深度学习模型的方法、装置、电子设备及存储介质 |
CN116595859A (zh) * | 2023-04-11 | 2023-08-15 | 广东卓维网络有限公司 | 基于机器学习的审计模型构建方法、装置、设备和介质 |
CN116956896A (zh) * | 2023-08-03 | 2023-10-27 | 深圳特为科创信息技术有限公司 | 基于人工智能的文本分析方法、系统、电子设备及介质 |
Non-Patent Citations (3)
Title |
---|
人工智能基础软硬件架构的关键技术研究;杨建;傅明驹;徐国强;;信息技术与网络安全;20200310(第03期);48-53 * |
基于多模态数据的用户兴趣建模研究;曾金;中国博士学位论文全文数据库 (信息科技辑);20220630(第6期);I143-2 * |
杨建 ; 傅明驹 ; 徐国强 ; .人工智能基础软硬件架构的关键技术研究.信息技术与网络安全.2020,(第03期),48-53. * |
Also Published As
Publication number | Publication date |
---|---|
CN117370809A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310438B (zh) | 基于多粒度融合模型的中文句子语义智能匹配方法及装置 | |
CN109840287B (zh) | 一种基于神经网络的跨模态信息检索方法和装置 | |
CN112287670A (zh) | 文本纠错方法、系统、计算机设备及可读存储介质 | |
CN111814466A (zh) | 基于机器阅读理解的信息抽取方法、及其相关设备 | |
CN111310439B (zh) | 一种基于深度特征变维机制的智能语义匹配方法和装置 | |
CN109582772B (zh) | 合同信息提取方法、装置、计算机设备和存储介质 | |
CN110442516B (zh) | 信息处理方法、设备及计算机可读存储介质 | |
CN109857846B (zh) | 用户问句与知识点的匹配方法和装置 | |
CN113127339B (zh) | 一种Github开源平台数据的获取方法及源代码缺陷修复系统 | |
CN107451106A (zh) | 文本纠正方法及装置、电子设备 | |
CN112784066A (zh) | 基于知识图谱的信息反馈方法、装置、终端和存储介质 | |
CN113741886A (zh) | 一种基于图的语句级程序修复方法及系统 | |
CN111126072A (zh) | 一种Seq2Seq模型训练方法、装置、介质和设备 | |
CN112580346A (zh) | 事件抽取方法、装置、计算机设备和存储介质 | |
CN112883066B (zh) | 一种数据库上的多维范围查询基数估计方法 | |
CN114036276A (zh) | 一种信息抽取方法、装置、设备及存储介质 | |
CN117370809B (zh) | 一种基于深度学习的人工智能模型构建方法、系统及存储介质 | |
CN113903420A (zh) | 一种语义标签确定模型的构建方法、病历解析方法 | |
CN115545035B (zh) | 一种文本实体识别模型及其构建方法、装置及应用 | |
CN116644180A (zh) | 文本匹配模型的训练方法、训练系统和文本标签确定方法 | |
CN113821571B (zh) | 基于bert和改进pcnn的食品安全关系抽取方法 | |
CN113779933A (zh) | 商品的编码方法、电子设备及计算机可读存储介质 | |
CN118245590B (zh) | 基于多视角图对比学习和元学习特征净化网络的答案选择方法及系统 | |
CN113722466B (zh) | 批改模型训练方法、批改方法、装置、电子设备和介质 | |
CN118210818B (zh) | Sql语句生成方法、装置、电子设备和存储介质 |
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 |