【技术实现步骤摘要】
本专利技术涉及智能感知算法可视化领域，尤其涉及一种自主学习训练可视化方法、计算机设备和存储介质。
技术介绍
1、在当今人工智能快速推进发展时代，深度学习技术成为了多领域技术革新关键。但智能感知算法结构复杂、训练过程繁复且耗费硬件资源，模型可解释程度低，这对技术初学者与专业研究人员产生了挑战，限制了深度学习技术的发展。现有的智能感知算法可视化方法包括智能感知算法训练过程可视化、智能感知算法结构可视化等。基于pytorch框架的智能感知算法可使用tensorbored可视化工具进行智能感知算法结构可视化，并对于智能感知算法在训练过程中如准确率、损失函数、模型收敛程度等进行监测，但此种方法需用户格外编写可视化代码，通过tensorbored网页链接对于可视化结果进行查看，使用过程复杂。
2、基于上述挑战，提供可视操作界面和智能感知算法训练优化，使用户通过简便操作便可完成智能感知算法的训练、测试并可视化显得尤为重要。
技术实现思路
1、本专利技术提出了一种基于mindspore的神经网络可视化组态系统及其方法，基于华为mindspore框架进行网络模型搭建，基于跨平台应用程序开发框架进行系统可视化界面搭建，可为智能感知算法提供了多种可视化方法，使用户进行高效简便操作便可完成智能感知算法的训练、测试和可视化。
2、本专利技术一方面提供了一种自主学习训练可视化方法，包括如下步骤：
3、s1、搭建自主学习训练可视化系统，该系统包括网络模型编辑模块、数据处理模块
4、s2、打开自主学习训练可视化系统，调用网络模型编辑模块，在网络模型编辑界面主窗口采用预设的网络模型创建方法创建目标网络模型；
5、s3、调用数据处理模块，在数据处理模块的加载数据窗口选择数据源，从数据源中选取目标数据集，根据预设的数据集预处理方式对于目标数据集进行预处理，设置数据集拆分比例将预处理后的数据集拆分为训练数据、测试数据、验证数据并展示；
6、s4、调用超参设置模块，在超参设置模块的超参数设置窗口设置目标网络模型训练用的超参数以及训练数据保存路径；
7、s5、采用训练数据、测试数据、验证数据以及设置的超参数对目标网络模型进行训练、测试和验证，调用日志模块对目标网络模型在训练、测试和验证过程中的训练信息形成训练日志并保存，调用数据统计折线图模块对目标网络模型在训练、测试和验证过程中的超参数进行监测，并在训练、测试和验证完成后输出统计图。
8、优选地，自主学习训练可视化系统还包括网络模型封装库、网络算子封装库、网络模型存储模块，s2中采用预设的网络模型创建方法创建目标网络模型具体包括：从网络模型封装库中直接调用预封装的经典深度神经网络模型作为目标网络模型、从网络算子封装库中选取若干个网络算子并创建目标网络模型、从网络模型存储模块中选取历史保存的网络模型json文件并创建目标网络模型。
9、优选地，自主学习训练可视化系统还包括网络模型分析模块、网络模型解析模块以及mindspore框架调用模块，从网络算子封装库中选取若干个网络算子并创建目标网络模型，具体过程如下：
10、s21、在网络模型编辑界面的主窗口点击算子库按钮，调用网络算子封装库，从网络层算子库子窗口中选取若干个网络算子拖拽到网络模型编辑界面主窗口的设计器子窗口；
11、s22、将鼠标模式切换至连线模式，将选取的若干个网络算子按照需要的顺序连接，连接完成后点击鼠标模式按钮，将连线模式切换回鼠标模式；
12、s23、将鼠标悬于目标网络算子上方，单击目标网络算子并弹出目标网络算子的属性栏，通过属性栏中查看并设置目标网络算子的名称与超参数，得到初始网络模型；
13、s24、在网络模型编辑界面的主窗口点击分析按钮，调用网络模型分析模块，网络模型分析模块对初始网络模型进行分析，确认初始网络模型是否存在异常；
14、s25、若初始网络模型不存在异常，在网络模型编辑界面窗口点击保存按钮，调用网络模型储存模块，将不存在异常的初始网络模型保存成json文件；
15、s26、网络模型解析模块解析json文件，mindspore框架调用模块根据网络模型解析模块解析结果构建目标网络模型。
16、优选地，s21中的网络算子封装库具体包括8个分类算子：卷积和全连接层、激活层、输入层、数据预处理层、序列层、归一化层、输出层、池化层。
17、优选地，s3具体包括如下步骤：
18、s31、在网络模型编辑界面主窗口中点击数据按钮，调用数据处理模块，在数据子窗口选择加载数据，在加载数据窗口中的数据集选择子窗口选择数据源，根据数据源选取目标数据集；
19、s32、根据目标网络模型的训练需求在数据集选择子窗口设置目标数据集的数据预处理选项，根据预设的数据预处理方式对目标数据集进行预处理，得到预处理后的数据集；
20、s33、根据目标网络模型的训练需求在加载数据窗口中的数据集拆分比例设置子窗口设置拆分比例，根据拆分比例将预处理后的数据集拆分成训练数据、测试数据、验证数据；
21、s34、在加载数据集窗口点击提交按钮，数据处理模块根据选取的数据预处理方式和拆分比例对于目标数据集进行处理，得到目标数据集的拆分信息；
22、s35、数据统计折线图模块对目标数据集的拆分信息进行统计并绘制出柱状图；
23、s36、点击提交按钮后，加载数据窗口关闭，在数据窗口展示目标数据集的拆分信息及柱状图。
24、优选地，s32中预设的数据预处理方式包括：随机翻转，随机旋转，随机缩放，随机水平平移、随机垂直平移。
25、优选地，s4具体包括：
26、s41、在网络模型编辑界面主窗口点击训练按钮，弹出训练子窗口，在训练子窗口点击超参数按钮，调用超参设置模块，在超参数设置窗口设置目标网络模型训练用的超参数、训练后目标网络模型保存路径及名称；
27、s42、在训练后目标模型保存路径及名称设置弹窗确认训练后目标模型的保存路径及文件名称；
28、s43、在超参数设置窗口中点击提交按钮，若出现提交成功弹窗，则表示超参数以及训练后目标模型的保存路径及文件名称设置生效。
29、优选地，s5具体包括：
30、s51、在网络模型编辑界面主窗口点击训练按钮，弹出训练子窗口，在训练子窗口点击开始训练按钮，目标网络模型进入训练状态；
31、s52、采用训练数据、测试数据、验证数据以及设置的超参数对目标网络模型进行训练、测试和验证；
32、s53、日志模块将目标网络模型在训练、测试和验证过程中的训练信息形成训练日志并进行保存；
33、s54、数据统计折线图模块对目标网络模型在训练、测试和验证过程中的超参数进行监测，并按照预设的打印间隔数进行数据记录并绘制统计图；
<本文档来自技高网...【技术保护点】
1.一种自主学习训练可视化方法，其特征在于，所述方法包括：
2.如权利要求1所述的自主学习训练可视化方法，其特征在于，自主学习训练可视化系统还包括网络模型封装库、网络算子封装库、网络模型存储模块，S2中采用预设的网络模型创建方法创建目标网络模型具体包括：从网络模型封装库中直接调用预封装的经典深度神经网络模型作为目标网络模型、从网络算子封装库中选取若干个网络算子并创建目标网络模型、从网络模型存储模块中选取历史保存的网络模型json文件并创建目标网络模型。
3.如权利要求2所述的自主学习训练可视化方法，其特征在于，自主学习训练可视化系统还包括网络模型分析模块、网络模型解析模块以及mindspore框架调用模块，从网络算子封装库中选取若干个网络算子并创建目标网络模型，具体过程如下：
4.如权利要求3所述的自主学习训练可视化方法，其特征在于，S21中的网络算子封装库具体包括8个分类算子：卷积和全连接层、激活层、输入层、数据预处理层、序列层、归一化层、输出层、池化层。
5.如权利要求4所述的自主学习训练可视化方法，其特征在于，S3具体包括如下
6.如权利要求5所述的自主学习训练可视化方法，其特征在于，S32中预设的数据预处理方式包括：随机翻转，随机旋转，随机缩放，随机水平平移、随机垂直平移。
7.如权利要求6所述的自主学习训练可视化方法，其特征在于，S4具体包括：
8.如权利要求7所述的自主学习训练可视化方法，其特征在于，S5具体包括：
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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8中任一项所述一种自主学习训练可视化方法的步骤。
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，该计算机程序被处理器执行时实现权利要求1至8中任一项所述自主学习训练可视化方法的步骤。
...【技术特征摘要】
1.一种自主学习训练可视化方法，其特征在于，所述方法包括：
2.如权利要求1所述的自主学习训练可视化方法，其特征在于，自主学习训练可视化系统还包括网络模型封装库、网络算子封装库、网络模型存储模块，s2中采用预设的网络模型创建方法创建目标网络模型具体包括：从网络模型封装库中直接调用预封装的经典深度神经网络模型作为目标网络模型、从网络算子封装库中选取若干个网络算子并创建目标网络模型、从网络模型存储模块中选取历史保存的网络模型json文件并创建目标网络模型。
3.如权利要求2所述的自主学习训练可视化方法，其特征在于，自主学习训练可视化系统还包括网络模型分析模块、网络模型解析模块以及mindspore框架调用模块，从网络算子封装库中选取若干个网络算子并创建目标网络模型，具体过程如下：
4.如权利要求3所述的自主学习训练可视化方法，其特征在于，s21中的网络算子封装库具体包括8个分类算子：卷积和全连接层、激活层、输入...
【专利技术属性】
技术研发人员：张辉，刘鹏，梁志佳，陈波，钟杭，樊叶心，
申请(专利权)人：湖南大学，
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。