【技术实现步骤摘要】
本专利技术涉及计算机，特别是涉及一种基于人工智能模型的应用代码开发方法、一种基于人工智能模型的应用代码开发系统、一种计算机设备及一种计算机可读存储介质。
技术介绍
1、现有的应用程序开发一般包括需求分析、系统设计、详细设计、代码实现、单元测试、集成测试、系统测试、系统部署与维护，这些步骤构成了应用程序开发的全过程，每个阶段都至关重要，确保最终产品的质量和用户满意度。
2、并且，现有的应用代码开发可以通过低代码开发平台进行开发，与传统应用代码开发对比低代码开发有以下通用性高，低成本、联通性高；但是，现在的低代码开发存在开发功能不准确的问题，使得开发的功能与需求并不十分匹配。
技术实现思路
1、鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于人工智能模型的应用代码开发方法、一种基于人工智能模型的应用代码开发系统、一种计算机设备及一种计算机可读存储介质。
2、为了解决上述问题，本专利技术实施例公开了一种基于人工智能模型的应用代码开发方法，所述方法包括：
3、采集网络需求数据；
4、将所述网络需求数据进行分类，得到不同维度的需求分类样本；
5、根据所述需求分类样本获取到低代码开发数据；
6、将所述需求分类样本及对应的低代码开发数据输入至条件生成对抗网络，得到生成的虚拟需求分类样本及对应的低代码开发数据；
7、将所述虚拟需求分类样本及对应的低代码开发数据划
8、将新的需求数据输入至所述训练后的低代码小样本模型，得到输出的特定低代码开发数据。
9、优选地，所述将所述网络需求数据进行分类，得到不同维度的需求分类样本，包括：
10、提取出所述网络需求数据的需求特征，通过所述需求特征对所述网络需求数据进行分类，得到需求分类样本。
11、优选地，所述提取出所述网络需求数据的需求特征，通过所述需求特征对所述网络需求数据进行分类，得到需求分类样本，包括：
12、提取出所述网络需求数据的工业维度特征、农业维度特征、服务业维度特征；
13、根据所述工业维度特征、农业维度特征、服务业维度特征将所述网络需求数据进行分类，得到工业需求样本、农业需求样本、服务业需求样本。
14、优选地，所述将所述需求分类样本及对应的低代码开发数据输入至条件生成对抗网络，得到生成的虚拟需求分类样本及对应的低代码开发数据，包括：
15、计算出所述工业需求样本、农业需求样本、服务业需求样本的数量占比；
16、将模型输出的工业需求样本、农业需求样本、服务业需求样本的数量占比保持不变设置为条件生成对抗网络中生成器网络的条件信息；
17、通过所述生成器网络接收随机噪声和条件信息作为输入，生成与条件匹配的虚拟数据，通过判别器网络接收工业需求样本、农业需求样本、服务业需求样本及对应的低代码开发数据和条件信息，判断所述虚拟数据的真伪，得到输出的虚拟需求分类样本及对应的低代码开发数据。
18、优选地，所述将所述虚拟需求分类样本及对应的低代码开发数据划分为训练集及测试集，将所述训练集输入至低代码小样本模型，得到训练后的低代码小样本模型，包括：
19、将所述训练集输入至特征卷积模块，得到输出的第一维度数据；
20、通过残差模块对所述第一维度数据进行处理，得到第二维度数据；
21、通过上池化模块对所述第二维度数据进行尺寸扩大，得到第三维度数据；
22、将所述第三维度数据输入至concat操作模块，得到三个特征数据；
23、将所述三个特征数据输入至支持向量机模型模块，迭代更新，针对该支持向量机模型模块的损失函数进行优化，调整支持向量机模型模块的权重参数，得到训练后的低代码小样本模型。
24、优选地，所述将所述训练集输入至特征卷积模块，得到输出的第一维度数据，包括：
25、识别出了所述训练集的图像数据及文本数据；
26、提取出所述图像数据的文本内容转化为第一特征序列数据；
27、将所述文本数据转化为第二特征序列数据；
28、针对所述第一特征序列数据及第二特征序列数据合并为特征序列数据，将特征序列数据输入至特征卷积模块，得到输出的第一维度数据。
29、本专利技术实施例公开了一种基于人工智能模型的应用代码开发系统，所述系统包括：
30、采集模块，用于采集网络需求数据；
31、需求分类模块，用于将所述网络需求数据进行分类，得到不同维度的需求分类样本；
32、低代码开发数据模块，用于根据所述需求分类样本获取到低代码开发数据；
33、生成模块，用于将所述需求分类样本及对应的低代码开发数据输入至条件生成对抗网络，得到生成的虚拟需求分类样本及对应的低代码开发数据；
34、训练模块，用于将所述虚拟需求分类样本及对应的低代码开发数据划分为训练集及测试集，将所述训练集输入至低代码小样本模型，得到训练后的低代码小样本模型；
35、输出模块，用于将新的需求数据输入至所述训练后的低代码小样本模型，得到输出的特定低代码开发数据。
36、优选地，所述将所述网络需求数据进行分类，得到不同维度的需求分类样本，包括：
37、提取出所述网络需求数据的需求特征，通过所述需求特征对所述网络需求数据进行分类，得到需求分类样本。
38、本专利技术实施例公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于人工智能模型的应用代码开发方法的步骤。
39、本专利技术实施例公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于人工智能模型的应用代码开发方法的步骤。
40、本专利技术实施例包括以下优点：
41、本专利技术实施例中，该基于人工智能模型的应用代码开发方法包括：采集网络需求数据；将所述网络需求数据进行分类，得到不同维度的需求分类样本；将所述需求分类样本及对应的低代码开发数据输入至条件生成对抗网络，得到生成的虚拟需求分类样本及对应的低代码开发数据；根据所述需求分类样本获取到低代码开发数据；将所述虚拟需求分类样本及对应的低代码开发数据划分为训练集及测试集，将所述训练集输入至低代码小样本模型，得到训练后的低代码小样本模型；将新的需求数据输入至所述训练后的低代码小样本模型，得到输出的特定低代码开发数据；实现应用程序需求样本的扩充，提高了需求样本数据，实现了需求数据自动生成的技术效果，提高模型训练的效率，创建了适合于小样本的人工智能模型，使得用户需求数据与应用代码开发数据相匹配，提高应用代码开发效率。
本文档来自技高网...【技术保护点】
1.一种基于人工智能模型的应用代码开发方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能模型的应用代码开发方法，其特征在于，所述将所述网络需求数据进行分类，得到不同维度的需求分类样本，包括：
3.根据权利要求2所述的基于人工智能模型的应用代码开发方法，其特征在于，所述提取出所述网络需求数据的需求特征，通过所述需求特征对所述网络需求数据进行分类，得到需求分类样本，包括：
4.根据权利要求3所述的基于人工智能模型的应用代码开发方法，其特征在于，所述将所述需求分类样本及对应的低代码开发数据输入至条件生成对抗网络，得到生成的虚拟需求分类样本及对应的低代码开发数据，包括：
5.根据权利要求1所述的基于人工智能模型的应用代码开发方法，其特征在于，所述将所述虚拟需求分类样本及对应的低代码开发数据划分为训练集及测试集，将所述训练集输入至低代码小样本模型，得到训练后的低代码小样本模型，包括：
6.根据权利要求5所述的基于人工智能模型的应用代码开发方法，其特征在于，所述将所述训练集输入至特征卷积模块，得到输出的第一维度数
7.一种基于人工智能模型的应用代码开发系统，其特征在于，所述系统包括：
8.根据权利要求7所述的基于人工智能模型的应用代码开发系统，其特征在于，所述将所述网络需求数据进行分类，得到不同维度的需求分类样本，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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6中任一项所述的基于人工智能模型的应用代码开发方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，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6中任一项所述的基于人工智能模型的应用代码开发方法的步骤。
...【技术特征摘要】
1.一种基于人工智能模型的应用代码开发方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于人工智能模型的应用代码开发方法，其特征在于，所述将所述网络需求数据进行分类，得到不同维度的需求分类样本，包括：
3.根据权利要求2所述的基于人工智能模型的应用代码开发方法，其特征在于，所述提取出所述网络需求数据的需求特征，通过所述需求特征对所述网络需求数据进行分类，得到需求分类样本，包括：
4.根据权利要求3所述的基于人工智能模型的应用代码开发方法，其特征在于，所述将所述需求分类样本及对应的低代码开发数据输入至条件生成对抗网络，得到生成的虚拟需求分类样本及对应的低代码开发数据，包括：
5.根据权利要求1所述的基于人工智能模型的应用代码开发方法，其特征在于，所述将所述虚拟需求分类样本及对应的低代码开发数据划分为训练集及测试集，将所述训练集输入至低代码小样本...
【专利技术属性】
技术研发人员：陈国庆，卢剑超，符张发，
申请(专利权)人：广州七喜电脑有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。