CN117474125B - 一种自动训练机器学习模型系统 - Google Patents
一种自动训练机器学习模型系统 Download PDFInfo
- Publication number
- CN117474125B CN117474125B CN202311768190.7A CN202311768190A CN117474125B CN 117474125 B CN117474125 B CN 117474125B CN 202311768190 A CN202311768190 A CN 202311768190A CN 117474125 B CN117474125 B CN 117474125B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training
- processor
- sample
- 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
- 238000012549 training Methods 0.000 title claims abstract description 124
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 26
- 230000003993 interaction Effects 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005192 partition Methods 0.000 claims description 56
- 238000012512 characterization method Methods 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种自动训练机器学习模型系统,涉及电数字数据处理领域,包括输入模块、生成模块、模型构建模块、训练模块和用户交互模块,所述输入模块用于接收保存输入的数据信息,所述生成模块用于对输入的数据信息进行处理生成特征数据,所述模型构建模块用于筛选并构建用于训练的模型,所述训练模块用于对筛选的模型进行训练,所述用户交互模块用于提供交互界面进行数据互动;本系统通过模型的筛选以及训练数据的分类,能够更好的完成对输入数据的训练任务。
Description
技术领域
本发明涉及电数字数据处理领域,具体涉及一种自动训练机器学习模型系统。
背景技术
随着AI技术的发展,机器学习得到了越来越广泛的应用,通过训练模型来处理各类问题,但现有的模型均用于处理专用问题,缺乏泛用性,且对于使用者有较高的知识要求,因此,需要一种系统能够对用户输入的数据自行启动建模、训练过程,实现人工智能自动内容生成,即AIGC,降低操作难度以及提高训练效果。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
现在已经开发出了很多模型训练系统,经过我们大量的检索与参考,发现现有的模型训练系统有如公开号为CN108881446B所公开的系统,这些系统一般包括平台层,用于权限管理、分布式存储、GPU计算资源管理、分布式计算及训练和任务调度;模型层,用于提供机器学习模型和深度学习模型;应用层,用于资源管理与监控、模型定义及训练、提供交互式变成环境、智能数据标注和模型导出及发布。本发明通过工程手段开发一个AI平台系统,以此来提升GPU等硬件资源的利用率,减少硬件投入成本,帮助算法工程师更方便的应用各类深度学习技术,使其从繁杂的环境运维中解脱出来,提供海量训练数据的高效存储,用户资源隔离,访问权限控制更安全;但是该系统仅能针对性的对专用数据进行训练并学习,不具备泛用性。
发明内容
本发明的目的在于,针对所存在的不足,提出了一种自动训练机器学习模型系统。
本发明采用如下技术方案:
一种自动训练机器学习模型系统,包括输入模块、生成模块、模型构建模块、训练模块和用户交互模块;
所述输入模块用于接收保存输入的数据信息,所述生成模块用于对输入的数据信息进行处理生成特征数据,所述模型构建模块用于筛选并构建用于训练的模型,所述训练模块用于对筛选的模型进行训练,所述用户交互模块用于提供交互界面进行数据互动;
所述输入模块包括数据上传单元和配置设置单元,所述数据上传单元用于接收用户上传的数据,所述配置设置单元用于提供配置选项;
所述生成模块包括数据增强单元和特征生成单元,所述数据增强单元用于对数据进行增强处理,所述特征生成单元用于生成特征信息;
所述模型构建模块包括模型选择单元和模型配置单元,所述模型选择单元用于自动选择合适的模型,所述模型配置单元用于设置模型的参数;
所述训练模块包括数据分割单元和模型训练单元,所述数据分割单元用于将数据分为训练集、验证集和测试集,所述模型训练单元用于自动训练模型,监控并保存模型的训练过程和结果;
所述用户交互模块包括界面展示单元和操作指引单元,所述界面展示单元用于提供用户界面,展示模型的训练状态和结果,所述操作指引单元用于提供操作指南和帮助,引导用户使用系统;
进一步的,所述模型选择单元包括基础模型寄存器、试运行处理器和筛选比较处理器,所述基础模型寄存器用于保存基础模型数据,所述试运行处理器用于将特征数据在所有基础模型上运行并输出训练结果,所述筛选比较处理器根据训练结果筛选出用于正式训练的基础模型;
进一步的,所述试运行处理器在运行每个基础模型后输出的训练结果包括模型的准确率变化值、模型的损失值变化值/>、模型的召回率变化值/>和模型的精确度变化值/>;
所述筛选比较处理器根据下式对训练结果进行计算处理得到筛选指数Sc:
;
所述筛选比较处理器将筛选指数最大的基础模型作为正式训练的模型;
进一步的,所述数据分割单元包括样本表征处理器、样本关联处理器、样本分区处理器和样本分割处理器,所述样本表征处理器用于对样本数据进行计算处理得到表征数据,所述样本关联处理器用于计算出表征数据的关联性,所述样本分区处理器根据表征数据的关联性将样本数据进行分区,所述样本分割处理器基于分区结果获取训练集、验证集和测试集;
进一步的,所述样本关联处理器根据下式计算出每两个表征数据的关联指数P:
;
其中,和/>表示两个不同的表征数据;
所述样本分区处理器将关联指数小于阈值的表征数据对应的两个样本数据放在一同一个分区中,通过调整阈值的大小,使得分区的数量为3个,三个分区按照样本数据数量从大到小依次命名为第一分区、第二分区和第三分区,且样本数据数量依次为m1、m2和m3;
所述样本分割处理器内设有分割比例r1、r2和r3,所述样本分割处理器根据下式计算出调整量:
;
所述调整量用于在从分区中获取对应比例的样本数据数量时进行调整。
本发明所取得的有益效果是:
本系统内置了多个学习模型,通过对训练数据的小规模训练结果来筛选出最合适的模型,能够提高模型的应用以及训练效果,在正式训练前,通过对训练数据进行分类,分别应用于训练、验证和测试,并循环进行该过程,能够有效的提高训练效果。
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
附图说明
图1为本发明整体结构框架示意图;
图2为本发明模型构建模块构成示意图;
图3为本发明训练模块构成示意图;
图4为本发明模型选择单元构成示意图;
图5为本发明数据分割单元构成示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用,本说明书中的各项细节也可基于不同观点与应用,在不悖离本发明的精神下进行各种修饰与变更。另外,本发明的附图仅为简单示意说明,并非依实际尺寸的描绘,事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容,但所公开的内容并非用以限制本发明的保护范围。
实施例一:本实施例提供了一种自动训练机器学习模型系统,结合图1,包括输入模块、生成模块、模型构建模块、训练模块和用户交互模块;
所述输入模块用于接收保存输入的数据信息,所述生成模块用于对输入的数据信息进行处理生成特征数据,所述模型构建模块用于筛选并构建用于训练的模型,所述训练模块用于对筛选的模型进行训练,所述用户交互模块用于提供交互界面进行数据互动;
所述输入模块包括数据上传单元和配置设置单元,所述数据上传单元用于接收用户上传的数据,所述配置设置单元用于提供配置选项;
所述生成模块包括数据增强单元和特征生成单元,所述数据增强单元用于对数据进行增强处理,所述特征生成单元用于生成特征信息;
所述模型构建模块包括模型选择单元和模型配置单元,所述模型选择单元用于自动选择合适的模型,所述模型配置单元用于设置模型的参数;
所述训练模块包括数据分割单元和模型训练单元,所述数据分割单元用于将数据分为训练集、验证集和测试集,所述模型训练单元用于自动训练模型,监控并保存模型的训练过程和结果;
所述用户交互模块包括界面展示单元和操作指引单元,所述界面展示单元用于提供用户界面,展示模型的训练状态和结果,所述操作指引单元用于提供操作指南和帮助,引导用户使用系统;
所述模型选择单元包括基础模型寄存器、试运行处理器和筛选比较处理器,所述基础模型寄存器用于保存基础模型数据,所述试运行处理器用于将特征数据在所有基础模型上运行并输出训练结果,所述筛选比较处理器根据训练结果筛选出用于正式训练的基础模型;
所述试运行处理器在运行每个基础模型后输出的训练结果包括模型的准确率变化值、模型的损失值变化值/>、模型的召回率变化值/>和模型的精确度变化值/>;
所述筛选比较处理器根据下式对训练结果进行计算处理得到筛选指数Sc:
;
所述筛选比较处理器将筛选指数最大的基础模型作为正式训练的模型;
所述数据分割单元包括样本表征处理器、样本关联处理器、样本分区处理器和样本分割处理器,所述样本表征处理器用于对样本数据进行计算处理得到表征数据,所述样本关联处理器用于计算出表征数据的关联性,所述样本分区处理器根据表征数据的关联性将样本数据进行分区,所述样本分割处理器基于分区结果获取训练集、验证集和测试集;
所述样本关联处理器根据下式计算出每两个表征数据的关联指数P:
;
其中,和/>表示两个不同的表征数据;
所述样本分区处理器将关联指数小于阈值的表征数据对应的两个样本数据放在一同一个分区中,通过调整阈值的大小,使得分区的数量为3个,三个分区按照样本数据数量从大到小依次命名为第一分区、第二分区和第三分区,且样本数据数量依次为m1、m2和m3;
所述样本分割处理器内设有分割比例r1、r2和r3,所述样本分割处理器根据下式计算出调整量:
;
所述调整量用于在从分区中获取对应比例的样本数据数量时进行调整。
实施例二:本实施例包含了实施例一中的全部内容,提供了一种自动训练机器学习模型系统,包括输入模块、生成模块、模型构建模块、训练模块和用户交互模块;
所述输入模块用于接收保存输入的数据信息,所述生成模块用于对输入的数据信息进行处理生成特征数据,所述模型构建模块用于筛选并构建用于训练的模型,所述训练模块用于对筛选的模型进行训练,所述用户交互模块用于提供交互界面进行数据互动;
所述输入模块包括数据上传单元和配置设置单元,所述数据上传单元用于接收用户上传的数据,所述配置设置单元用于提供配置选项;
所述生成模块包括数据增强单元和特征生成单元,所述数据增强单元用于对数据进行增强处理,所述特征生成单元用于生成特征信息;
结合图2,所述模型构建模块包括模型选择单元和模型配置单元,所述模型选择单元用于自动选择合适的模型,所述模型配置单元用于设置模型的参数;
结合图3,所述训练模块包括数据分割单元和模型训练单元,所述数据分割单元用于将数据分为训练集、验证集和测试集,所述模型训练单元用于自动训练模型、验证模型和测试模型,监控并保存模型的训练过程和结果;
所述用户交互模块包括界面展示单元和操作指引单元,所述界面展示单元用于提供用户界面,展示模型的训练状态和结果,所述操作指引单元用于提供操作指南和帮助,引导用户使用系统;
所述系统的工作流程包括如下步骤:
S1、用户上传数据集和相关配置;
S2、进行数据增强和特征生成处理;
S3、自动选择和构建合适的机器学习模型;
S4、将训练数据进行分类;
S5、进行模型训练,对模型内部参数进行优化;
S6、进行模型验证,对模型超参数进行优化;
S7、进行模型测试,若不符合要求则继续重复步骤S4和步骤S5;
所述数据上传单元包括格式检测处理器和数据寄存器,所述格式检测处理器用于检测接收数据的数据格式,所述数据寄存器用于保存接收的数据,所述数据寄存器保存的数据指训练数据;
所述配置设置单元包括全局配置寄存器和配置生效处理器,所述全局配置寄存器用于存储配置选项以及每个配置选项的选择内容,所述配置生效处理器用于记录并输出生效的配置内容,所述全局配置寄存器中的配置选项为与整个机器学习任务相关的全局配置,例如数据预处理方式配置、训练过程配置和评估验证配置,数据预处理方式配置中包含缺失值的处理方式,类别变量的编码方式,训练过程配置包含训练轮数、停止策略,评估验证配置包含交叉验证策略、评估指标选择,当用户未输入配置信息时,所述配置生效处理器选择默认配置内容作为生效的配置内容;
所述数据增强单元包括增强方式寄存器和增强执行处理器,所述增强方式寄存器用于保存每个类型对应的数据增强方式,所述增强执行处理器用于执行具体的数据增强方式,数据增强能够生成新的训练数据,起到扩充训练数据的作用,新的训练数据与原有的训练数据一同保存在数据寄存器中;
所述特征生成单元包括特征方式寄存器和特征执行处理器,所述特征方式寄存器用于保存每个类型对应的计算特征数据的方式,所述特征执行处理器用于执行具体的特征数据计算方式,生成的特征数据能够降低数据的维度,特征数据与原有的训练数据区分保存在数据寄存器中,特征数据是直接用于训练的数据;
结合图4,所述模型选择单元包括基础模型寄存器、试运行处理器和筛选比较处理器,所述基础模型寄存器用于保存基础模型数据,所述试运行处理器用于将少量特征数据在所有基础模型上运行并输出训练结果,所述筛选比较处理器根据训练结果筛选出最合适的基础模型;
所述试运行处理器在运行每个基础模型后输出的训练结果包括模型的准确率变化值、模型的损失值变化值/>、模型的召回率变化值/>和模型的精确度变化值/>,变化值指的是对应的项在训练前后的差值;
所述筛选比较处理器根据下式对训练结果进行计算处理得到筛选指数Sc:
;
所述筛选比较处理器将筛选指数最大的基础模型作为正式训练的模型;
所述模型配置单元对筛选出的基础模型的参数进行配置,例如:神经网络的层数、每层的节点数、激活函数的选择等内部参数和学习率、正则化参数和决策树的最大深度等超参数,这些参数将直接影响模型的结果和训练过程;
所述模型选择单元将配置后的基础模型发送给所述训练模块;
需要注意的是,试运行处理器进行的是小规模训练,而训练模块进行的是大规模训练;
结合图5,所述数据分割单元包括样本表征处理器、样本关联处理器、样本分区处理器和样本分割处理器,所述样本表征处理器用于对样本数据进行计算处理得到表征数据,所述样本关联处理器用于计算出表征数据的关联性,所述样本分区处理器根据表征数据的关联性将样本数据进行分区,所述样本分割处理器基于分区结果获取训练集、验证集和测试集;
每一组能够直接用于模型训练的特征数据称为一个样本数据;
所述样本表征处理器将特征数据处理成表征数据的过程包括如下步骤:
S21、计算出每个特征项的平均值,记为;
S22、将从大到小排序,新的序列记为/>;
S23、将对应的特征项作为第一表征特征项,将/>对应的特征项作为第二表征特征项,将/>对应的特征项作为第三表征特征项,其中,k为自然数;
S24、根据下式计算出每组特征数据的表征数据:
;
;
;
其中,表示第i个第一表征特征项的值,/>为第一表征特征项的数量,/>表示第i个第二表征特征项的值,/>为第二表征特征项的数量,/>表示第i个第三表征特征项的值,/>为第三表征特征项的数量;
所述样本关联处理器根据下式计算出每两个表征数据的关联指数P:
;
其中,和/>表示两个不同的表征数据;
所述样本分区处理器将关联指数小于阈值的表征数据对应的两个样本数据放在一同一个分区中,通过调整阈值的大小,使得分区的数量为3个,三个分区按照样本数据数量从大到小依次命名为第一分区、第二分区和第三分区,且样本数据数量依次为m1、m2和m3;
所述样本分割处理器内设有分割比例r1、r2和r3,分别代表训练集、验证集和测试集中样本数据占全部样本数据的比例,所述样本分割处理器根据下式计算出训练集从三个分区分别获取的样本数据数量:
;
;
;
;
;
;
;
;
;
其中,表示训练集从第一分区中获取的样本数据数量,/>表示训练集从第二分区中获取的样本数据数量,/>表示训练集从第三分区中获取的样本数据数量,表示验证集从第一分区中获取的样本数据数量,/>表示验证集从第二分区中获取的样本数据数量,/>表示验证集从第三分区中获取的样本数据数量,/>表示测试集从第一分区中获取的样本数据数量,/>表示测试集从第二分区中获取的样本数据数量,/>表示测试集从第三分区中获取的样本数据数量。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的保护范围内,此外,随着技术发展其中的元素可以更新的。
Claims (1)
1.一种自动训练机器学习模型系统,其特征在于,包括输入模块、生成模块、模型构建模块、训练模块和用户交互模块;
所述输入模块用于接收保存输入的数据信息,所述生成模块用于对输入的数据信息进行处理生成特征数据,所述模型构建模块用于筛选并构建用于训练的模型,所述训练模块用于对筛选的模型进行训练,所述用户交互模块用于提供交互界面进行数据互动;
所述输入模块包括数据上传单元和配置设置单元,所述数据上传单元用于接收用户上传的数据,所述配置设置单元用于提供配置选项;
所述生成模块包括数据增强单元和特征生成单元,所述数据增强单元用于对数据进行增强处理,所述特征生成单元用于生成特征信息;
所述模型构建模块包括模型选择单元和模型配置单元,所述模型选择单元用于自动选择合适的模型,所述模型配置单元用于设置模型的参数;
所述训练模块包括数据分割单元和模型训练单元,所述数据分割单元用于将数据分为训练集、验证集和测试集,所述模型训练单元用于自动训练模型,监控并保存模型的训练过程和结果;
所述用户交互模块包括界面展示单元和操作指引单元,所述界面展示单元用于提供用户界面,展示模型的训练状态和结果,所述操作指引单元用于提供操作指南和帮助,引导用户使用系统;
所述模型选择单元包括基础模型寄存器、试运行处理器和筛选比较处理器,所述基础模型寄存器用于保存基础模型数据,所述试运行处理器用于将特征数据在所有基础模型上运行并输出训练结果,所述筛选比较处理器根据训练结果筛选出用于正式训练的基础模型;
所述试运行处理器在运行每个基础模型后输出的训练结果包括模型的准确率变化值、模型的损失值变化值/>、模型的召回率变化值/>和模型的精确度变化值/>;
所述筛选比较处理器根据下式对训练结果进行计算处理得到筛选指数Sc:
;
所述筛选比较处理器将筛选指数最大的基础模型作为正式训练的模型;
所述数据分割单元包括样本表征处理器、样本关联处理器、样本分区处理器和样本分割处理器,所述样本表征处理器用于对样本数据进行计算处理得到表征数据,所述样本关联处理器用于计算出表征数据的关联性,所述样本分区处理器根据表征数据的关联性将样本数据进行分区,所述样本分割处理器基于分区结果获取训练集、验证集和测试集;
所述样本关联处理器根据下式计算出每两个表征数据的关联指数P:
;
其中,和/>表示两个不同的表征数据;
所述样本分区处理器将关联指数小于阈值的表征数据对应的两个样本数据放在一同一个分区中,通过调整阈值的大小,使得分区的数量为3个,三个分区按照样本数据数量从大到小依次命名为第一分区、第二分区和第三分区,且样本数据数量依次为m1、m2和m3;
所述样本分割处理器内设有分割比例r1、r2和r3,所述样本分割处理器根据下式计算出调整量:
;
所述调整量用于在从分区中获取对应比例的样本数据数量时进行调整,所述调整量为一个比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311768190.7A CN117474125B (zh) | 2023-12-21 | 2023-12-21 | 一种自动训练机器学习模型系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311768190.7A CN117474125B (zh) | 2023-12-21 | 2023-12-21 | 一种自动训练机器学习模型系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474125A CN117474125A (zh) | 2024-01-30 |
CN117474125B true CN117474125B (zh) | 2024-03-01 |
Family
ID=89639876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311768190.7A Active CN117474125B (zh) | 2023-12-21 | 2023-12-21 | 一种自动训练机器学习模型系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474125B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378463A (zh) * | 2019-07-15 | 2019-10-25 | 北京智能工场科技有限公司 | 一种人工智能模型标准化训练平台及自动化系统 |
CN111221517A (zh) * | 2019-10-12 | 2020-06-02 | 中国平安财产保险股份有限公司 | 一种模型创建方法、装置、计算机设备和可读存储介质 |
CN111241746A (zh) * | 2020-01-09 | 2020-06-05 | 深圳前海微众银行股份有限公司 | 向前模型选择方法、设备和可读存储介质 |
CN112529167A (zh) * | 2020-12-25 | 2021-03-19 | 东云睿连(武汉)计算技术有限公司 | 一种神经网络交互式自动训练系统和方法 |
WO2021136365A1 (zh) * | 2019-12-30 | 2021-07-08 | 第四范式(北京)技术有限公司 | 基于机器学习模型的应用开发方法、装置及电子设备 |
CN113537496A (zh) * | 2021-06-07 | 2021-10-22 | 贵州优联博睿科技有限公司 | 一种深度学习模型可视化构建系统及其应用和设计方法 |
CN114707654A (zh) * | 2022-06-06 | 2022-07-05 | 浙江大学 | 基于人工智能框架的算法训练推理性能可视化方法及装置 |
WO2023069534A1 (en) * | 2021-10-21 | 2023-04-27 | Intel Corporation | Using ai-based models for network energy savings |
CN117235524A (zh) * | 2023-09-20 | 2023-12-15 | 北京红山信息科技研究院有限公司 | 自动估值模型的学习训练平台 |
-
2023
- 2023-12-21 CN CN202311768190.7A patent/CN117474125B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378463A (zh) * | 2019-07-15 | 2019-10-25 | 北京智能工场科技有限公司 | 一种人工智能模型标准化训练平台及自动化系统 |
CN111221517A (zh) * | 2019-10-12 | 2020-06-02 | 中国平安财产保险股份有限公司 | 一种模型创建方法、装置、计算机设备和可读存储介质 |
WO2021136365A1 (zh) * | 2019-12-30 | 2021-07-08 | 第四范式(北京)技术有限公司 | 基于机器学习模型的应用开发方法、装置及电子设备 |
CN111241746A (zh) * | 2020-01-09 | 2020-06-05 | 深圳前海微众银行股份有限公司 | 向前模型选择方法、设备和可读存储介质 |
CN112529167A (zh) * | 2020-12-25 | 2021-03-19 | 东云睿连(武汉)计算技术有限公司 | 一种神经网络交互式自动训练系统和方法 |
CN113537496A (zh) * | 2021-06-07 | 2021-10-22 | 贵州优联博睿科技有限公司 | 一种深度学习模型可视化构建系统及其应用和设计方法 |
WO2023069534A1 (en) * | 2021-10-21 | 2023-04-27 | Intel Corporation | Using ai-based models for network energy savings |
CN114707654A (zh) * | 2022-06-06 | 2022-07-05 | 浙江大学 | 基于人工智能框架的算法训练推理性能可视化方法及装置 |
CN117235524A (zh) * | 2023-09-20 | 2023-12-15 | 北京红山信息科技研究院有限公司 | 自动估值模型的学习训练平台 |
Non-Patent Citations (1)
Title |
---|
黄寅.基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究.齐齐哈尔大学学报(自然科学版).2020,第36卷(第2期),第21-24页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117474125A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11468366B2 (en) | Parallel development and deployment for machine learning models | |
CN107169956B (zh) | 基于卷积神经网络的色织物疵点检测方法 | |
CN115169810A (zh) | 一种面向电网调控的人工智能系统构建方法及装置 | |
Gong et al. | Improving hw/sw adaptability for accelerating cnns on fpgas through a dynamic/static co-reconfiguration approach | |
CN106407379A (zh) | 一种基于Hadoop平台的电影推荐方法 | |
CN111324635A (zh) | 工业大数据云平台数据处理方法及系统 | |
CN107229234A (zh) | 面向航空电子数据的分布式挖掘系统及方法 | |
CN112597239A (zh) | 可视化建模方法、装置和电子设备 | |
CN113128689A (zh) | 一种调控知识图谱的实体关系路径推理方法及系统 | |
CN117494775A (zh) | 训练神经网络模型的方法、电子设备、云端、集群及介质 | |
CN110264392A (zh) | 一种基于多gpu的强连通图检测方法 | |
CN117474125B (zh) | 一种自动训练机器学习模型系统 | |
CN113849910A (zh) | 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 | |
CN117675838A (zh) | 一种智能量测主站数据自动同步及共享方法及系统 | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN107038244A (zh) | 一种数据挖掘方法和装置、一种可读介质和存储控制器 | |
CN114968824B (zh) | 一种基于链式多路径覆盖的测试方法与系统 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN107122849A (zh) | 基于SparkR的产品检测总完工时间极小化方法 | |
Liu et al. | A generic and highly scalable framework for the automation and execution of scientific data processing and simulation workflows | |
Chaudhuri et al. | DSLEUTH: A distributed version of SLEUTH urban growth model | |
CN109190160B (zh) | 一种分布式水文模型的矩阵化模拟方法 | |
Gudnadottir et al. | Distributed training and scalability for the particle clustering method UCluster | |
Özerol et al. | Generation of architectural drawings through generative adversarial networks (gans): A case on apartment plan layouts | |
CN117435308B (zh) | 一种基于并行计算算法的Modelica模型仿真方法及系统 |
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 |