模型训练方法、装置、设备以及存储介质制造方法及图纸

本公开提供了一种模型训练方法、装置、设备以及存储介质，涉及计算机技术领域，尤其涉及人工智能技术领域。具体实现方案为：校验第一对象的权限信息以及与第二对象的原始样本数据；在确定权限信息和原始样本数据均通过校验的情况下，根据原始样本数据，确定目标样本数据；以及利用目标样本数据训练深度学习模型，得到目标模型。得到目标模型。得到目标模型。

【技术实现步骤摘要】
模型训练方法、装置、设备以及存储介质


[0001]本公开涉及计算机
，尤其涉及人工智能


技术介绍

[0002]联合建模指的是基于多领域系统的数据运用正式的数据建模技术，建立信息系统的数据模型的过程。

技术实现思路

[0003]本公开提供了一种模型训练方法、装置、设备以及存储介质。
[0004]根据本公开的一方面，提供了一种模型训练方法，包括：校验第一对象的权限信息以及与第二对象的原始样本数据；在确定所述权限信息和所述原始样本数据均通过校验的情况下，根据所述原始样本数据，确定目标样本数据；以及利用所述目标样本数据训练深度学习模型，得到目标模型。
[0005]根据本公开的另一方面，提供了一种模型训练装置，包括：校验模块，用于校验第一对象的权限信息以及与原始样本数据；数据加工模块，用于在确定所述权限信息和所述原始样本数据通过校验的情况下，根据所述原始样本数据，确定目标样本数据；以及模型训练模块，用于利用所述目标样本数据训练深度学习模型，得到目标模型。
[0006]本公开的另一个方面提供了一种电子设备，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指令，所述指令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公开实施例所示的方法。
[0007]根据本公开实施例的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开实施例所示的方法。
[0008]根据本公开实施例的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现本公开实施例所示方法的步骤。
[0009]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
[0010]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0011]图1是根据本公开实施例的模型训练方法、装置、电子设备和存储介质的应用场景示意图；
[0012]图2示意性示出了根据本公开的实施例的模型训练方法的流程图；
[0013]图3示意性示出了根据本公开的实施例的配置第一对象的权限信息的方法的流程图；
[0014]图4示意性示出了根据本公开的实施例的获取原始样本数据的方法的流程图；
[0015]图5示意性示出了根据本公开的实施例的模型训练方法的流程图；
[0016]图6示意性示出了根据本公开的实施例的模型训练方法的流程图；
[0017]图7示意性示出了根据本公开另一实施例的模型训练方法的示意图；
[0018]图8示意性示出了根据本公开实施例的模型训练装置的框图；以及
[0019]图9示意性示出了可以用来实施本公开的实施例的示例电子设备的框图。
具体实施方式
[0020]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0021]以下将结合图1对本公开提供的模型训练方法和装置的应用场景进行描述。
[0022]图1是根据本公开实施例的模型训练方法、装置、电子设备和存储介质的应用场景示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的
技术实现思路
，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
[0023]如图1所示，根据该实施例的系统架构100可以包括操作平台101、102，网络103和服务器104。网络103用以在操作平台101、102和服务器104之间提供通信链路的介质。网络103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。
[0024]用户可以使用操作平台101、102通过网络103与服务器104交互，以接收或发送消息等。
[0025]操作平台101、102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。
[0026]服务器104可以是深度学习模型训练项目的项目管理服务器。服务器104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(Virtual Private Server，或简称VPS)中，存在的管理难度大，业务扩展性弱的缺陷。服务器104也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0027]根据本公开的实施例，委托方可以委托被委托方代为训练深度学习模型，即进行联合建模。为此，委托方可以与被委托方签订委托协议。根据本公开的实施例，委托方可以通过操作平台101向服务器104上传委托方的签名信息，另一方面被委托方可以通过操作平台102向服务器104上传被委托方的签名信息。服务器104可以对委托方的签名信息和被委托方的签名信息进行校验，在校验通过的情况下，为被委托方配置权限信息。该权限信息用于表示被委托方具有相关硬件使用权限和软件使用权限。
[0028]被委托方可以通过操作平台102向服务器104提交数据需求信息。服务器104可以根据数据需求信息，确定需求请求发送到操作平台101。委托方可以根据需求请求，准备对应的原始样本数据，并将原始样本数据上传至服务器104。
[0029]在进行模型训练前，服务器104校验被委托方的权限信息以及委托方提供的原始样本数据。在确定权限信息和原始样本数据均通过校验的情况下，可以对原始样本数据进
行预处理，得到目标样本数据。然后可以利用目标样本数据训练深度学习模型，得到目标模型。
[0030]根据本公开实施例的模型训练方法，可以协调委托方和被委托方的工作，防止重复工作、防止流程紊乱、提高训练深度学习模型的效率。
[0031]应该理解，图1中的操作平台、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操作平台、网络和服务器。
[0032]在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
[0033]在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
[0034]图2示意性示出了根据本公开的实施例的模型训练方法的流程图。
[0035]如图2所示，该模型训练方法200包括在操作S210，校验第一对象的权限信息以及与第二对象的原始样本数据。
[0036]然后，在操作S220，在确定权限信息和原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：校验第一对象的权限信息以及与第二对象的原始样本数据；在确定所述权限信息和所述原始样本数据均通过校验的情况下，根据所述原始样本数据，确定目标样本数据；以及利用所述目标样本数据训练深度学习模型，得到目标模型。2.根据权利要求1所述的方法，还包括：接收来自第一操作平台的第一签名信息和来自第二操作平台的第二签名信息，其中，所述第一操作平台与所述第一对象对应，所述第二操作平台与所述第二对象对应；校验所述第一签名信息和第二签名信息；在所述第一签名信息和第二签名信息均通过校验的情况下，配置所述第一对象的权限信息，以便为所述第一对象开通与模型训练对应的硬件和软件的使用权限。3.根据权利要求2所述的方法，还包括：响应于接收到来自所述第一操作平台的数据需求信息，根据所述数据需求信息，生成需求请求；将所述需求请求发送至所述第二操作平台；以及接收来自所述第二操作平台的原始样本数据。4.根据权利要求2所述的方法，其中，所述原始样本数据包括多个数据表；所述根据所述原始样本数据，确定目标样本数据，包括：从所述多个数据表中提取多个目标字段；以及根据所述多个目标字段，确定数据宽表，作为所述目标样本数据。5.根据权利要求4所述的方法，其中，所述利用所述目标样本数据训练深度学习模型，得到目标模型，包括：对所述目标样本数据进行数据预处理，得到特征文件；利用所述特征文件输入所述深度学习模型，得到输出结果；以及根据所述输出结果调整所述深度学习模型的参数。6.根据权利要求2
‑
5中任一项所述的方法，还包括：生成与所述目标模型对应的访问接口；通过所述访问接口，接收来自所述第二操作平台的目标输入数据；利用所述目标模型确定与所述目标输入数据对应的目标输出数据；以及通过所述访问接口，将所述目标输出数据发送至所述第二操作平台。7.根据权利要求2
‑
5中任一项所述的方法，还包括：对所述目标样本数据进行数据探查，得到样本分布信息；以及根据所述样本分布信息，调整所述目标样本数据。8.根据权利要求2
‑
5中任一项所述的方法，还包括：对所述目标模型进行模型评估，得到算法指标和业务指标；以及在确定所述算法指标和业务指标中的至少一个小于对应阈值的情况下，对所述目标模型进行优化。9.根据权利要求8所述的方法，还包括：在确定所述算法指标和业务指标均大于或等于对应阈值的情况下，分析所述目标模型
的模型结构，生成模型结构图。10.根据权利要求8所述的方法，还包括：在确定所述算法指标和业务指标均大于或等于对应阈值的情况下，分析所述目标模型的特征依赖关系，生成特征依赖图。11.一种模型训练装置，包括：校验模块，用于校验第一对象的权限信息以及与原始样本数据；数据加工模块，用于在确定所述权限信息和所述原始样本数据通过校验的情况下，根据所述原始样本数据，确定目标样本数据；以及模型训练模块，用于利用所述目标样本数据训练深度学习模型，得到目标模型。12.根据权利要求11所述的装置，还包括：签名接收模块，用于接收来自第一操作平台的第一签名信息和来自第二操作平台的的第二签名信息，其中，所述第一操作平台与第一对象对应，所述第二操作平台与第二对象对应；签名校验模块，用于校验所述第一签...

【专利技术属性】
技术研发人员：李硕，刘昊骋，许海洋，岳洪达，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：