CN118261265A - 机器学习模型的训练方法、装置、电子设备、介质及程序产品 - Google Patents

Abstract

本公开提供了一种机器学习模型的训练方法，可以应用于人工智能技术领域。该机器学习模型的训练方法包括：获取任务报错日志，任务报错日志记载执行训练任务产生的任务报错信息，训练任务用于训练机器学习模型；利用大语言模型处理任务报错日志，得到任务报错原因；根据任务报错原因对训练任务进行修复，得到目标训练任务；以及根据目标训练任务对机器学习模型执行训练操作。本公开还提供了一种机器学习模型的装置、电子设备、介质及程序产品。

Description

机器学习模型的训练方法、装置、电子设备、介质及程序产品

技术领域

本公开涉及人工智能领域、机器学习领域和金融科技领域，具体地涉及一种机器学习模型的训练方法、装置、电子设备、介质及程序产品。

背景技术

随着机器学习领域的快速发展，在智能安防、智慧交通、金融监管等场景中，可以基于实际的任务需求来训练机器学习模型，进而可以通过机器学习模型来提升任务的执行效率。而随着机器学习模型的复杂程度逐渐加深，机器学习模型的训练过程需要处理海量的数据，训练的时间成本升高，难以较为高效地对机器学习模型进行训练。

发明内容

鉴于上述问题，本公开提供了机器学习模型的训练方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种机器学习模型的训练方法，包括：获取任务报错日志，任务报错日志记载执行训练任务产生的任务报错信息，训练任务用于训练机器学习模型；利用大语言模型处理任务报错日志，得到任务报错原因；根据任务报错原因对训练任务进行修复，得到目标训练任务；以及根据目标训练任务对机器学习模型执行训练操作。

根据本公开的实施例，利用大语言模型处理任务报错日志，得到任务报错原因包括：根据任务报错日志更新预设的原因提示模板，得到原因提示信息；以及利用大语言模型处理原因提示信息，得到任务报错原因。

根据本公开的实施例，据任务报错日志更新预设的原因提示模板，得到原因提示信息包括：从任务报错日志中提取与报错属性相关联的报错关键字；以及利用报错关键字更新原因提示模板中，与报错属性相对应的待更新描述项，得到原因提示信息。

根据本公开的实施例，根据任务报错原因对训练任务进行修复，得到目标训练任务包括：根据任务报错原因进行检索，得到与任务报错原因相匹配的修复策略；以及根据修复策略更新训练任务，得到目标训练任务。

根据本公开的实施例，根据任务报错原因进行检索，得到与任务报错原因相匹配的目标修复策略包括：将任务报错原因与预设报错因素库进行匹配，得到与任务报错原因相匹配的报错因素；以及查询与报错因素相关联的修复策略。

根据本公开的实施例，根据修复策略更新训练任务，得到目标训练任务包括：在交互界面中展示修复策略；响应于针对修复策略的编辑操作，根据编辑操作对修复策略进行更新，得到目标修复策略；以及基于目标修复策略更新训练任务，得到目标训练任务。

根据本公开的实施例，获取任务报错日志包括：对运行在分布式服务集群中的训练任务进行任务运行状态检测，得到任务报错标识；获取与任务报错标识相关联的任务报错日志。

本公开的第二方面提供了一种机器学习模型的训练装置，包括：获取模块，用于获取任务报错日志，任务报错信息记载执行训练任务产生的任务报错信息，训练任务用于训练机器学习模型；处理模块，用于利用大语言模型处理任务报错日志，得到任务报错原因；修复模块，用于根据任务报错原因对训练任务进行修复，得到目标训练任务；以及执行模块，用于根据目标训练任务对机器学习模型执行训练操作。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序，其中，上述一个或多个处理器执行上述一个或多个计算机程序以实现上述方法的步骤。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

根据本公开提高的机器学习模型的训练方法，通过利用大语言模型来处理获取到的任务报错日志，实现训练任务报错原因的精确化、自动化分析。进一步的，根据任务报错原因来修复训练任务并执行训练操作，可以实现训练操作的自动化分析与调整，提升机器学习模型的训练效率。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的机器学习模型的训练方法的应用场景图；

图2示意性示出了根据本公开实施例的机器学习模型的训练方法的流程图；

图3是示意性示出了根据本公开实施例的机器学习模型的训练方法的原理图；

图4是示意性示出了根据本公开实施例的机器学习模型的训练装置的结构框图；以及

图5示意性示出了根据本公开实施例的适于实现机器学习模型的训练方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在本公开的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)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，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。

在利用个人信息进行自动化决策的场景下，本公开实施例提供的方法、设备和系统均为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果；若用户选择拒绝，则可以停止自动化决策。

发明人发现，用于训练机器学习模型的系统可以记录训练过程中的训练任务的执行情况，而随着训练过程的复杂程度升高，训练任务执行的异常情况数量将较大程度地提升，这就需要耗费较大的人工成本来进行异常情况分析，以及时地排除训练任务异常故障。

本公开的实施例提供了机器学习模型的训练方法、装置、设备、介质和程序产品。该机器学习模型的训练方法包括：获取任务报错日志，任务报错日志记载执行训练任务产生的任务报错信息，训练任务用于训练机器学习模型；利用大语言模型处理任务报错日志，得到任务报错原因；根据任务报错原因对训练任务进行修复，得到目标训练任务；以及根据目标训练任务对机器学习模型执行训练操作。

图1示意性示出了根据本公开实施例的机器学习模型的训练方法、装置的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103。网络104用以在第一终端设备101、第二终端设备102、第三终端设备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。

用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的机器学习模型的训练方法一般可以由服务器105执行。相应地，本公开实施例所提供的机器学习模型的训练装置一般可以设置于服务器105中。本公开实施例所提供的机器学习模型的训练方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的机器学习模型的训练装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。

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。

以下将基于图1描述的场景，通过图2～图3对公开实施例的机器学习模型的训练方法进行详细描述。

图2示意性示出了根据本公开实施例的机器学习模型的训练方法的流程图。

如图2所示，该实施例的机器学习模型的训练方法包括操作S210～操作S240。

在操作S210，获取任务报错日志，任务报错日志记载执行训练任务产生的任务报错信息，训练任务用于训练机器学习模型。

在操作S220，利用大语言模型处理任务报错日志，得到任务报错原因。

在操作S230，根据任务报错原因对训练任务进行修复，得到目标训练任务。

在操作S240，根据目标训练任务对机器学习模型执行训练操作。

根据本公开的实施例，任务报错日志表征任务执行过程中发生错误或异常情况时输出的文档，包含了机器学习模型执行训练任务过程的任务执行信息。可以基于分布式服务系统来执行机器学习模型的训练任务，可以基于机器学习模型的任务标识、告警标识等目标字段从分布式服务系统获取任务报错日志。

根据本公开的实施例，任务报错信息是从任务报错日志中提取得到的报错信息。例如“error”后的提取的关键字符。任务报错信息包括错误代码，例如一个特定的标识符，用于标识特定的错误类型，不同的错误代码通常对应不同的错误情况；也包括对错误的简短描述，例如提供了关于错误性质的直接信息；也可包含错误发生的文件、代码行或程序模块。也可以是错误堆栈跟踪，展示错误发生时程序执行的堆栈轨迹；也可包含导致错误发生的参数值或者变量状态；也可以是任务执行时的系统配置、环境变量、资源使用情况、网络状态等。

根据本公开的实施例，大语言模型(LLM：Large Language Model)可以包括预训练后的深度学习模型，大语言模型具有较强地语义学习能力，其模型参数量规模可以较大，例如大语言模型可以包括亿级的模型参数。大模型可以处理非常大量的信息，在训练过程中可以不断学习并优化自己的参数，在自然语言的任务上能够取得很好的性能。

根据本公开的实施例，可以根据机器学习的历史任务报错日志和报错原因来对大语言模型进行预训练，使大语言模型能够通过任务报错日志的文档，提取出相关的任务报错信息，并根据任务报错信息查询和总结出任务报错原因。

根据本公开的实施例，根据任务报错原因对训练任务进行修复，得到目标训练任务，可以是在大语言模型得到任务报错原因后，通过调用相关的应用程序接口(API)对任务报错进行修复。也可以是大语言模型将任务报错原因展示给用户，用户根据任务报错原因进行相应的修改操作。

在这样的实施方式中，通过利用大语言模型来处理获取到的任务报错日志，实现训练任务报错原因的精确化、自动化分析。进一步的，根据任务报错原因来修复训练任务并执行训练操作，可以实现训练操作的自动化分析与调整，提升机器学习模型的训练效率。

根据本公开的实施例，获取任务报错日志包括，对运行在分布式服务集群中的训练任务进行任务运行状态检测，得到任务报错标识。获取与任务报错标识相关联的任务报错日志。

根据本公开的实施例，分布式集群服务器将多台服务器集中在一起，每台服务器都实现总体中的不同业务，进行不同的操作。在分布式集群服务器中，数据和程序可以分散到多个服务器上，而不是集中在一个服务器上。在分布式集群服务器中的每个节点或服务器上，在运行训练任务时都会产生日志。

任务运行状态包括正常运行状态、以及异常运行状态。异常的运行状态例如可以是训练中断、模型的性能下降、无法加载模型、以及运行不稳定等。服务器可以在发生异常运行状态时，获取相关的任务报错日志。

任务报错标识可以是任务报错的位置以及时间信息等。当训练任务出现异常状态时，服务器会获取导致训练异常发生任务报错的标识，例如任务ID、报错的时间等。根据任务ID以及报错的时间等信息获取分布式集群服务器中相应的节点或服务器的报错日志。

在这样的实施方式中，由于此日志数据分散在各个节点上，同时，网络复杂性、日志格式和标准化、海量数据处理等问题，使得获取和管理任务报错日志时变得复杂。通过任务报错标识获取相关的任务报错日志可以精确地定位到特定的任务或操作，从而快速找到与该任务相关的报错日志。这避免了在大量日志中手动搜索的繁琐过程，提高了效率。同时，通过任务报错标识获取的报错日志通常包含与该任务相关的完整日志信息，包括任务的开始、执行过程和结束等各个阶段的信息。这有助于全面了解任务执行过程中的问题，便于进行问题分析和解决。

根据本公开的实施例，利用大语言模型处理任务报错日志，得到任务报错原因包括，根据任务报错日志更新预设的原因提示模板，得到原因提示信息。利用大语言模型处理原因提示信息，得到任务报错原因。

根据本公开的实施例，预设的原因提示模板可以是用于帮助大语言模型理解报错属性的任务配置参数，原因提示模板可以基于控制大语言模型进行准确预测的提示标记序列，提示标记序列可以包括字符、字段、文字等任意类型的提示标记。

原因提示信息可以是基于任务报错日志提取的任务报错的具体信息，可以包括完整的错误信息，上下文信息，以及任何与错误相关的其他细节。由于大语言模型已经基于历史任务报错日志以及报错原因进行了微调，在得到原因提示信息后，大语言模型能够对原因提示信息进行理解和分析，并输出相关的任务报错原因。

在这样的实施方式中，通过设置原因提示模板将任务报错信息转化为大模型易于理解的原因提示信息，使得大模型能够准确理解问题所在。

根据本公开的实施例，根据任务报错日志更新预设的原因提示模板，得到原因提示信息包括，从任务报错日志中提取与报错属性相关联的报错关键字。利用报错关键字更新原因提示模板中，与报错属性相对应的待更新描述项，得到原因提示信息。

根据本公开的实施例，报错属性表征报错信息的属性特征。报错属性例如可为报错类型属性、报错时间属性、报错代码属性、报错描述属性等。原因提示模板中可包含一种或多种报错属性。原因提升模板可以是以结构化的方式包括多种报错属性。

待更新描述项为原因提示模板中不完整的需要进行更新和修正的部分。待更新描述项是基于实际的报错情况通过提取报错关键字进行更新。

大语言模型能够通过实体识别技术自动从任务报错日志中提取与报错属性相关联的关键字。通过提取关键字组合形成待更新描述项。

大语言模型还可以对任务报错日志的文本进行语义理解和分析，学习理解报错日志中的语法和语义结构，识别与报错相关的关键句子和段落。

在这样的实施方式中，通过提取报错关键字来更新相应的待更新描述项，可以快速定位到关键信息，提高更新的效率。

在一种示意性的实施例，预设的原因提示模板例如可以是如下“//”包围的段落。

//报错类型：在执行[xxx任务或xxxx操作]时，发生错误；

报错时间：[具体发生错误的xxx日期和xxx时间]；

报错描述：[对错误的详细描述，包括出现错误的具体上下文或操作]；

修复建议：[提供可能的解决方案或建议的操作步骤，以帮助用户解决问题]。//

根据本公开的实施例，根据任务报错原因对训练任务进行修复，得到目标训练任务包括，根据任务报错原因进行检索，得到与任务报错原因相匹配的修复策略。根据修复策略更新训练任务，得到目标训练任务。

根据本公开的实施例，大语言模型可以基于现有的知识库和相关的技术文档自动的进行任务报错原因的检索，基于检索的结果，大语言模型会生成可能的修复策略或建议。

在这样的实施方式中，通过大预言模型自动化的搜索修复方案。不仅节约了开发时间，还提高了修复错误的效率。

根据本公开的实施例，根据任务报错原因进行检索，得到与任务报错原因相匹配的目标修复策略包括，将任务报错原因与预设报错因素库进行匹配，得到与任务报错原因相匹配的报错因素。查询与报错因素相关联的修复策略。

根据本公开的实施例，报错因素可以是基于历史数据得到的历史报错原因，每种报错因素均对应有相关的一个或多个修复策略。预设报错因素库可以是基于报错因素以及对应相关的一个或多个修复策略构建的。

在对当前的任务报错元件进行检索时，大语言模型会先在预设报错因素库中查询与当前任务报错原因相似的报错因素，通过该相似的报错因素在预设报错因素库中查询对应的一个或多个修复策略。

存在多个相似的报错因素时，大语言模型也可以通过推理机制，尝试找到与当前任务报错原因最匹配的修复策略或者建议。

在这样的实施方式中，通过预设报错因素库来对任务报错原因进行检索，可快速匹配相关的修复策略，提高处理效率。

根据本公开的实施例，根据修复策略更新训练任务，得到目标训练任务包括，在交互界面中展示修复策略。响应于针对修复策略的编辑操作，根据编辑操作对修复策略进行更新，得到目标修复策略。基于目标修复策略更新训练任务，得到目标训练任务。

根据本公开的实施例，在交互界面中展示修复策略，可以是将大语言模型查询到的修复策略发送到终端设备，用户可以通过终端设备审核大语言模型推荐的修复策略。大语言模型推荐的修复策略可以包含一种或多种修复策略。

编辑操作可以是用户对在交互界面展示的一种或多种修复策略进行选择或修改操作。得到与实际报错原因最为匹配的目标修复策略。基于目标修复策略对任务报错进行修复，修复完成后即可更新训练任务。

在这样的实施方式中，用户可以从交互界面上读取修复策略，从而理解任务报错的原因和修复方式，并能够对修复策略进一步的进行编辑，确保修复策略准确性。

图3是示意性示出了根据本公开实施例的对任务报错进行修复的流程图。

如图3所示，系统在任务运行失败时，从系统中将任务报错日志301下载到服务器，下载完成后，将任务报错日志301上传到大语言模型M302中。通过大预言模型M302对任务报错日志301进行分析，并从任务报错日志301中提取与报错属性相关联的关键字303。利用关键字303更新预设的原因提示模板304中的待更新描述项305，得到原因提示信息306。根据原因提示信息306在报错因素库307进行搜索，查询与原因提示信息306向匹配的报错因素308，根据报错因素308查询对应的修复策略309，根据修复策略309对报错任务进行修复，得到目标训练任务310。

基于上述机器学习模型的训练方法，本公开还提供了一种机器学习模型的训练装置。以下将结合图4对该装置进行详细描述。

图4示意性示出了根据本公开实施例的机器学习模型的训练装置的结构框图。

如图4所示，该实施例的机器学习模型的训练装置800包括获取模块410、处理模块420、修复模块430和执行模块440。

获取模块410，用于获取任务报错日志，任务报错信息记载执行训练任务产生的任务报错信息，训练任务用于训练机器学习模型。在一实施例中，获取模块410可以用于执行前文描述的操作S210，在此不再赘述。

处理模块420，用于利用大语言模型处理任务报错日志，得到任务报错原因。在一实施例中，处理模块420可以用于执行前文描述的操作S220，在此不再赘述。

修复模块430，用于根据任务报错原因对训练任务进行修复，得到目标训练任务。在一实施例中，修复模块430可以用于执行前文描述的操作S230，在此不再赘述。

执行模块440，用于根据目标训练任务对机器学习模型执行训练操作。在一实施例中，执行模块440可以用于执行前文描述的操作S240，在此不再赘述。

根据本公开的实施例，获取模块410包括检查单元以及获取单元。

检查单元，用于对运行在分布式服务集群中的训练任务进行任务运行状态检测，得到任务报错标识。

获取单元，用于获取与任务报错标识相关联的任务报错日志。

根据本共开的实施例，处理模块420包括提示子模块以及分析子模块。

提示子模块，用于根据任务报错日志更新预设的原因提示模板，得到原因提示信息。

分析子模块，用于利用大语言模型处理原因提示信息，得到任务报错原因。

根据本公开的实施例，提示子模块包括提取单元以及更新单元。

提取单元，用于从任务报错日志中提取与报错属性相关联的报错关键字。

更新单元，用于利用报错关键字更新原因提示模板中，与报错属性相对应的待更新描述项，得到原因提示信息。

根据本公开的实施例，修复模块430包括检索子模块以及更新子模块。

检索子模块，用于根据任务报错原因进行检索，得到与任务报错原因相匹配的修复策略。

更新子模块，用于根据修复策略更新训练任务，得到目标训练任务。

根据本公开的实施例，检索子模块还包括匹配单元以及查询单元。

匹配单元，用于将任务报错原因与预设报错因素库进行匹配，得到与任务报错原因相匹配的报错因素。

查询单元，用于查询与报错因素相关联的修复策略。

根据本公开的实施例，执行模块440包括交互单元、响应单元以及执行单元。

交互单元，用于在交互界面中展示修复策略。

响应单元，用于响应于针对修复策略的编辑操作，根据编辑操作对修复策略进行更新，得到目标修复策略。

执行单元，用于基于目标修复策略更新训练任务，得到目标训练任务。

根据本公开的实施例，获取模块410、处理模块420、修复模块430和执行模块440中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。

根据本公开的实施例，获取模块410、处理模块420、修复模块430和执行模块440中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块410、处理模块420、修复模块430和执行模块440中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图5示意性示出了根据本公开实施例的适于实现机器学习模型的训练方法的电子设备的方框图。

如图5所示，根据本公开实施例的电子设备500包括处理器501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 503中，存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备500还可以包括输入/输出(I/O)接口505，输入/输出(I/O)接口505也连接至总线504。电子设备500还可以包括连接至I/O接口505的以下部件中的一项或多项：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的机器学习模型的训练方法。

在该计算机程序被处理器501执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分509被下载和安装，和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(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，上述模块、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，框图或流程图中的每个方框、以及框图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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种机器学习模型的训练方法，其特征在于，所述方法包括：

获取任务报错日志，所述任务报错日志记载执行训练任务产生的任务报错信息，所述训练任务用于训练机器学习模型；

利用大语言模型处理所述任务报错日志，得到任务报错原因；

根据所述任务报错原因对所述训练任务进行修复，得到目标训练任务；以及

根据所述目标训练任务对所述机器学习模型执行训练操作。

2.根据权利要求1所述的方法，其特征在于，利用大语言模型处理所述任务报错日志，得到任务报错原因包括：

根据所述任务报错日志更新预设的原因提示模板，得到原因提示信息；以及

利用所述大语言模型处理所述原因提示信息，得到所述任务报错原因。

3.根据权利要求2所述的方法，其特征在于，根据所述任务报错日志更新预设的原因提示模板，得到原因提示信息包括：

从所述任务报错日志中提取与报错属性相关联的报错关键字；以及

利用所述报错关键字更新所述原因提示模板中，与所述报错属性相对应的待更新描述项，得到所述原因提示信息。

4.根据权利要求1所述的方法，其特征在于，根据所述任务报错原因对所述训练任务进行修复，得到目标训练任务包括：

根据所述任务报错原因进行检索，得到与所述任务报错原因相匹配的修复策略；以及

根据所述修复策略更新所述训练任务，得到所述目标训练任务。

5.根据权利要求4所述的方法，其特征在于，根据所述任务报错原因进行检索，得到与所述任务报错原因相匹配的目标修复策略包括：

将所述任务报错原因与预设报错因素库进行匹配，得到与所述任务报错原因相匹配的报错因素；以及

查询与所述报错因素相关联的修复策略。

6.根据权利要求4所述的方法，其特征在于，根据所述修复策略更新所述训练任务，得到所述目标训练任务包括：

在交互界面中展示所述修复策略；

响应于针对所述修复策略的编辑操作，根据所述编辑操作对所述修复策略进行更新，得到目标修复策略；以及

基于所述目标修复策略更新所述训练任务，得到所述目标训练任务。

7.根据权利要求1所述的方法，其特征在于，获取任务报错日志包括：

对运行在分布式服务集群中的所述训练任务进行任务运行状态检测，得到任务报错标识；

获取与所述任务报错标识相关联的所述任务报错日志。

8.一种机器学习模型的训练装置，其特征在于，所述装置包括：

获取模块，用于获取任务报错日志，所述任务报错信息记载执行训练任务产生的任务报错信息，所述训练任务用于训练机器学习模型；

处理模块，用于利用大语言模型处理所述任务报错日志，得到任务报错原因；

修复模块，用于根据所述任务报错原因对所述训练任务进行修复，得到目标训练任务；以及

执行模块，用于根据所述目标训练任务对所述机器学习模型执行训练操作。

9.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个计算机程序，

其特征在于，所述一个或多个处理器执行所述一个或多个计算机程序以实现根据权利要求1～7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现根据权利要求1～7中任一项所述方法的步骤。

11.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现根据权利要求1～7中任一项所述方法的步骤。