CN109460396A - 模型处理方法及装置、存储介质和电子设备 - Google Patents

Abstract

本发明公开了一种模型处理方法及装置、存储介质和电子设备，应用在单机环境下，涉及计算机技术领域。该模型处理装置包括：配置获取模块，用于获取模型的配置文件；信息解析模块，用于对所述配置文件进行解析，以得到配置信息；模型训练模块，用于根据所述配置信息中的模型参数构建模型，并根据所述配置信息中的训练集路径获取训练集以对模型进行训练；数据库，用于存储所述配置信息和模型的训练结果。本公开可以较好地在单机环境下实现了对模型的管理。

Description

模型处理方法及装置、存储介质和电子设备

技术领域

本公开涉及计算机技术领域，具体而言，涉及一种模型处理方法、模型处理装置、存储介质和电子设备。

背景技术

随着计算机技术的发展，各行业可以利用模型对数据进行分析并解决各种预测问题。模型思想的确立大大提高了处理问题的效率并减少了人工反复参与的成本。

模型的建立和分析数据的过程往往是在联机状态下进行。目前，在单机环境下，尚未有统一的模型参数和版本管理。一方面，当模型出现问题时，难以对模型进行回溯；另一方面，由于没有较好的管理机制，因此，无法高效率地利用历史模型参数来实现当前模型的构建；再一方面，不同模型版本的模型效果之间没有直观的对比方法，用户无法清楚地查看到模型预测效果的对比结果。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种模型处理方法、模型处理装置、存储介质和电子设备，进而至少在一定程度上实现在单机环境下的模型管理，并实现模型回溯以及模型对比。

根据本公开的一个方面，提供一种模型处理装置，应用在单机环境下，包括：配置获取模块，用于获取模型的配置文件；信息解析模块，用于对所述配置文件进行解析，以得到配置信息；模型训练模块，用于根据所述配置信息中的模型参数构建模型，并根据所述配置信息中的训练集路径获取训练集以对模型进行训练；数据库，用于存储所述配置信息和模型的训练结果。

在本公开的一种示例性实施例中，所述模型处理装置还包括：信息校验模块，用于对所述配置信息进行校验；其中，所述模型训练模块用于在所述配置信息校验成功时，根据所述配置信息中的模型参数构建模型，并根据所述配置信息中的训练集路径获取训练集以对模型进行训练。

在本公开的一种示例性实施例中，所述模型处理装置还包括：数据预测模块，用于获取待预测数据，采用训练后的模型对所述待预测数据进行预测，并将预测结果存储至所述数据库。

在本公开的一种示例性实施例中，所述模型处理装置还包括：异常处理模块，用于判断模型在训练和/或预测过程中是否异常，并在异常时，执行初始化模型、重新进行训练和/或预测、发出告警信息中的一种或多种操作。

在本公开的一种示例性实施例中，所述模型处理装置还包括：分析对比模块，用于从所述数据库中获取一个或多个模型预测结果，将所述一个或多个模型预测结果反馈给用户端以便用户进行分析对比，并根据分析对比的结果修改模型参数。

在本公开的一种示例性实施例中，所述模型处理装置还包括：时间控制模块，用于在预定时间执行构建模型、训练模型和/或数据预测的操作。

在本公开的一种示例性实施例中，配置获取模块用于获取模型的配置文件包括：配置获取模块用于获取用户打包上传的配置文件和训练脚本；其中，模型训练模块，用于响应用户的训练指令根据所述配置信息中的模型参数构建模型，并根据所述配置信息中的训练集路径获取训练集，利用所述训练集并执行所述训练脚本以对模型进行训练。

根据本公开的一个方面，提供一种模型处理方法，应用在单机环境下，包括：获取模型的配置文件；对所述配置文件进行解析，以得到配置信息；根据所述配置信息中的模型参数构建模型，并根据所述配置信息中的训练集路径获取训练集以对模型进行训练；将所述配置信息和模型的训练结果存储至数据库。

在本公开的一种示例性实施例中，模型处理方法还包括：对配置信息进行校验；在校验成功时，根据配置信息中的模型参数构建模型。

在本公开的一种示例性实施例中，模型处理方法还包括：获取待预测数据，采用训练后的模型对该待预测数据进行预测，并将预测结果存储至数据库。

在本公开的一种示例性实施例中，模型处理方法还包括：判断模型在训练和/或预测过程中是否异常，并在异常时，执行初始化模型、重新进行训练和/或预测、发出告警信息中的一种或多种操作。

在本公开的一种示例性实施例中，模型处理方法还包括：从数据库中获取一个或多个模型预测结果，将一个或多个模型预测结果反馈给用户端以便用户进行分析对比，并根据分析对比的结果修改模型参数。

在本公开的一种示例性实施例中，模型处理方法还包括：在预定时间执行构建模型、训练模型和/或数据预测的操作。

在本公开的一种示例性实施例中，获取模型的配置文件包括获取用户打包上传的配置文件和训练脚本；其中，可以响应用户的训练指令根据配置信息中的模型参数构建模型，并根据配置信息中的训练集路径获取训练集，利用训练集并执行训练脚本以对模型进行训练。

根据本公开的一个方面，提供一种存储介质，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任意一项所述的模型处理方法。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的模型处理方法。

在本公开的一些实施例所提供的技术方案中，通过在单机环境下构建的配置获取模块、信息解析模块、模型训练模块和数据库，一方面，本公开较好地在单机环境下实现了对模型的管理，可以通过数据库中存储的配置信息和模型训练结果，实现模型的回溯；另一方面，可以修改数据库中存储的配置信息，以快速实现新模型的构建，节约了时间。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本公开的第一示例性实施方式的模型处理装置的方框图；

图2示意性示出了根据本公开的第二示例性实施方式的模型处理装置的方框图；

图3示意性示出了根据本公开的第三示例性实施方式的模型处理装置的方框图；

图4示意性示出了根据本公开的第四示例性实施方式的模型处理装置的方框图；

图5示意性示出了根据本公开的第五示例性实施方式的模型处理装置的方框图；

图6示意性示出了根据本公开的第六示例性实施方式的模型处理装置的方框图；

图7示意性示出了根据本公开的示例性实施方式的模型处理方法的流程图；

图8示出了根据本公开的示例性实施方式的存储介质的示意图；以及

图9示意性示出了根据本公开的示例性实施方式的电子设备的方框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本公开的模型处理装置应用在单机环境下。图1示意性示出了根据本公开的第一示例性实施方式的模型处理装置的方框图。参考图1，模型处理装置1可以包括配置获取模块11、信息解析模块12、模型训练模块13和数据库19，其中：

配置获取模块11，可以用于获取模型的配置文件；

信息解析模块12，可以用于对配置文件进行解析，以得到配置信息；

模型训练模块13，可以用于根据配置信息中的模型参数构建模型，并根据配置信息中的训练集路径获取训练集以对模型进行训练；

数据库19，可以用于存储所述配置信息和模型的训练结果。

在本公开的示例性实施例的模型处理装置1中，通过在单机环境下构建的配置获取模块、信息解析模块、模型训练模块和数据库，一方面，本公开较好地在单机环境下实现了对模型的管理，可以通过数据库中存储的配置信息和模型训练结果，实现模型的回溯；另一方面，可以修改数据库中存储的配置信息，以快速实现新模型的构建，节约了时间。

下面将对本公开的模型处理装置1的各个组成部分进行说明。

在本公开的示例性实施方式中，配置获取模块11可以与用户端连接，用户可以通过用户端的前端界面(例如，网页页面)输入模型所需的参数信息，这些参数信息可以在用户端被配置为一配置文件，并且该配置文件的格式可以例如为json格式。如果将配置文件记为conf，则配置文件可以包括但不限于以下信息：

具体的，配置文件可以包含与模型配置权限相关的信息，例如，用户名和密码；与模型参数相关的信息，例如，模型所采用的算法，可以包括但不限于SVM(Support VectorMachine，支持向量机)、逻辑回归算法、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)等；与模型所用数据相关的信息，例如，训练集的路径、测试集的路径、待预测数据的路径等。此外，配置文件还可以包括上述例如“运行方式”、模型id的其他信息。

然而，应当理解的是，以上对配置文件的描述仅是示例性的，本公开对配置文件的格式和内容不做特殊限制。

在用户输入模型配置信息后，可以通过用户端将生成的配置文件发送至模型处理装置的配置获取模块11。

另外，用户可以实时输入模型配置信息。然而，配置信息还可以被用户预先保存在用户端中，并在预定事件发生时，用户端将配置信息发送至配置获取模块11，其中，预定事件可以包括用户自行设定的预定时间、在用于构建模型的单元空闲时，等等。

配置获取模块11在获取到模型的配置文件之后，可以将该配置文件发送至信息解析模块12。信息解析模块12可以对配置文件进行解析，以得到上述具体的配置信息。例如，信息解析模块12可以配备有用于解析json文件的工具，可以借助于该工具对json格式的配置文件进行解析。具体的，该工具可以是现有的解析工具，也可以是开发人员根据实际业务需求自行开发的工具，本示例性实施方式中对此不做特殊限定。

在信息解析模块12对配置文件进行解析后，模型训练模块13可以获取解析后配置信息中的模型参数。具体的，在信息解析模块12得到配置信息后，信息解析模块12可以将全部配置信息直接发送给模型训练模块13，然而，信息解析模块12还可以仅将配置信息中的模型参数发送给模型训练模块。

模型训练模块13可以根据模型参数构建模型，以神经网络模型为例，模型参数具体还可以包括神经网络中每一卷积层的卷积核的尺寸、维度等信息。

在模型构建完成之后，模型训练模块13还可以从配置信息中的训练集路径获取训练集，其中，获取训练集路径的过程与上述获取模型参数的过程类似，在此不再赘述。接下来，模型训练模块13可以利用获取的训练集对构建的模型进行训练。另外，容易理解的是，模型训练模块13还可以从配置信息中获取测试集的路径，并根据该路径获取模型的测试集，以对训练后的模型进行测试。

需要注意的是，业务不同，训练集和测试集的路径也不同。本公开对训练集和测试集的具体存储位置不做特殊限制。

参考图1，在进行上述获取配置文件、配置文件的解析、模型构建和/或模型训练测试的过程中，可以将其中各模块接收、产生、传递的数据存储在数据库19中。具体的，数据库19可以存储信息解析模块12对配置文件进行解析而得到的配置信息，以及模型训练模块13对构建的模型进行训练后的训练结果。此外，数据库19还可以存储模型构建的时间，直接存储配置文件等。

另外，鉴于数据库19需满足易于使用、可扩展性强、易于维护等要求，本公开的数据库19采用的是mongodb数据库。然而，数据库19还可以是其他类型的数据库。

在本公开的第二示例性实施方式的模型处理装置中，参考图2，模型处理装置2除可以包括配置获取模块11、信息解析模块12、模型训练模块13和数据库19外，还可以包括信息校验模块14。

在信息解析模块12得到配置信息后，可以将配置信息发送至信息校验模块14。信息校验模块14可以对配置信息进行校验，具体的，可以对用户的权限进行校验。例如，可以判断用户是否处于预先配置的白名单内，如果用户在白名单内，说明用户符合建模以及对模型进行管理的权限。该白名单可以预先设定，并为了便于校验，该白名单可以例如存储在信息校验模块14内。此外，信息校验模块14还可以对模型id是否满足格式要求、是否与现有的模型重复等信息进行校验。本示例性实施方式中对此不做特殊限定。

如果配置信息校验成功，则模型训练模块13可以执行上述其所执行的过程。另外，配置信息可以由信息校验模块14发送给模型训练模块13。然而，配置信息还可以由信息解析模块12发送给模型训练模块13，在这种情况下，信息校验模块14仅起到校验的功能，而没有信息传递的功能。

如果配置信息校验失败，信息校验模块14可以直接向用户端发送告警信息，以提示配置信息有误，进而提醒用户重新配置文件的上传。

在本公开的第三示例性实施方式的模型处理装置中，参考图3，模型处理装置3除可以包括配置获取模块11、信息解析模块12、模型训练模块13和数据库19外，还可以包括模型预测模块15。

模型预测模块15可以获取待预测数据。其中，待预测数据可以是用户实时上传的数据，另外，配置文件中包含预测数据的路径，模型预测模块可以根据该路径获取待预测数据。

模型预测模块15可以从模型训练模块13或数据库11中获取经训练后的模型，并采用该模型对待预测数据进行预测。在预测完毕后，模型预测模块15可以将预测结果存储至数据库19。

在本公开的第四示例性实施方式的模型处理装置中，参考图4，模型处理装置4除可以包括配置获取模块11、信息解析模块12、模型训练模块13、数据库19和模型预测模块15外，还可以包括异常处理模块16。

异常处理模块16可以判断模型在训练和/或预测过程中是否异常，该异常可以包括程序运行错误而退出。当异常处理模块16判断出异常时，可以执行初始化模型、重新进行训练和/或预测，发出告警信息中的一种或多种操作。其中，初始化模型可以指代控制模型训练模块13重新利用模型参数进行建模；重新进行训练可以指代控制模型训练模块13重新利用训练集对模型进行训练；重新进行预测可以指代控制模型预测模块15对待预测数据重新进行预测；发出告警信息可以指代向用户端和/或开发人员直接发送处理过程异常的信息，以提醒用户和/或开发人员进行排查错误的操作。

另外，异常处理模块16可以将产生错误的信息存储至数据库19中。

在本公开的第五示例性实施方式的模型处理装置中，参考图5，模型处理装置5除可以包括配置获取模块11、信息解析模块12、模型训练模块13、数据库19和模型预测模块15外，还可以包括分析对比模块17。

分析对比模块17可以从数据库19中获取一个或多个模型预测结果，其中，模型预测结果由模型预测模块15发送至数据库19。接下来，分析对比模块17可以将模型预测结果发送至用户端，用户端可以采用软件或用户人工分析的手段对模型预测结果进行分析比对，并将分析对比结果发送给分析对比模块17，分析对比模块17可以根据用户端发送的分析对比结果对模型参数进行修改。

仍以神经网络模型为例，当用户发现模型预测结果跟预想的差距较大时，可以增大卷积核的维度，并将增大卷积核维度的参数信息发送给模型处理装置，分析对比模块17可以将该参数信息发送给模型训练模块13，模型训练模块13可以对模型重新进行训练，进而模型预测模块15可以重新对数据进行预测。另外，分析对比模块17还可以直接将该参数信息发送给模型预测模块15，以便模型预测模块15修改模型参数后，直接进行预测。

在本公开的第六示例性实施方式的模型处理装置中，参考图6，模型处理装置6除可以包括配置获取模块11、信息解析模块12、模型训练模块13、数据库19和模型预测模块15外，还可以包括时间控制模块18。

时间控制模块18可以在预定时间执行构建模型、训练模型和/或数据预测的操作。具体的，该预定时间可以由开发人员自行设定，并且预定时间的时间单元可以是分钟、小时、日、周、月等。例如，可以设定在每天凌晨2点开始模型的训练，以避免占用***的资源。

根据另外一些实施例，配置获取模块11可以用于获取用户打包上传的配置文件和训练脚本。由此，可以避免传输过程中的数据丢失。

在这种情况下，模型训练模块13可以响应用户的训练指令，根据配置信息中的模型参数构建模型，并根据配置信息中的训练集路径获取训练集，执行训练脚本以对模型进行训练。

此外，本公开还可以包括利用数据库19中的历史模型信息重新构建新的模型。在这种情况下，可能仅需修改一些参数就能较快的构建出模型，大大节约了时间。

上面以示例性的方式对本公开范围内的模型处理装置进行了说明。应当理解的是，虽然信息校验模块14被描述在模型处理装置2中，然而，信息校验模块14还可以包含于模型处理装置3至模型处理装置6中，类似地，异常处理模块16、分析对比模块17、时间控制模块18还可以包含于其他模型处理装置中。

进一步的，本示例实施方式中还提供了一种模型处理方法。

图7示意性示出了根据本公开的示例性实施方式的模型处理方法的流程图。参考图7，本公开的示例性实施方式的模型处理方法可以包括：

S72.获取模型的配置文件；

S74.对所述配置文件进行解析，以得到配置信息；

S76.根据所述配置信息中的模型参数构建模型，并根据所述配置信息中的训练集路径获取训练集以对模型进行训练；

S78.将所述配置信息和模型的训练结果存储至数据库。

在本公开的一些实施例所提供的模型处理方法中，一方面，本公开较好地在单机环境下实现了对模型的管理，可以通过数据库中存储的配置信息和模型训练结果，实现模型的回溯；另一方面，可以修改数据库中存储的配置信息，以快速实现新模型的构建，节约了时间。

根据本公开的示例性实施例，模型处理方法还包括：对配置信息进行校验；在校验成功时，根据配置信息中的模型参数构建模型。

根据本公开的示例性实施例，模型处理方法还包括：获取待预测数据，采用训练后的模型对该待预测数据进行预测，并将预测结果存储至数据库。

根据本公开的示例性实施例，模型处理方法还包括：判断模型在训练和/或预测过程中是否异常，并在异常时，执行初始化模型、重新进行训练和/或预测、发出告警信息中的一种或多种操作。

根据本公开的示例性实施例，模型处理方法还包括：从数据库中获取一个或多个模型预测结果，将一个或多个模型预测结果反馈给用户端以便用户进行分析对比，并根据分析对比的结果修改模型参数。

根据本公开的示例性实施例，模型处理方法还包括：在预定时间执行构建模型、训练模型和/或数据预测的操作。

根据本公开的示例性实施例，获取模型的配置文件包括获取用户打包上传的配置文件和训练脚本；其中，可以响应用户的训练指令根据配置信息中的模型参数构建模型，并根据配置信息中的训练集路径获取训练集，利用训练集并执行训练脚本以对模型进行训练。

由于本发明实施方式的模型处理方法的具体过程与上述模型处理装置对应的描述相同，因此在此不再赘述。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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***、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

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发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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)。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。

下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同***组件(包括存储单元920和处理单元910)的总线930、显示单元940。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图7中所示的步骤S72至步骤S78。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。

存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种模型处理方法，应用在单机环境下，其特征在于，包括：

获取模型的配置文件；

对所述配置文件进行解析，以得到配置信息；

根据所述配置信息中的模型参数构建模型，并根据所述配置信息中的训练集路径获取训练集以对模型进行训练；

将所述配置信息和模型的训练结果存储至数据库。

2.根据权利要求1所述的模型处理方法，其特征在于，所述模型处理方法还包括：

对所述配置信息进行校验；

其中，在校验成功时，根据所述配置信息中的模型参数构建模型。

3.根据权利要求1所述的模型处理方法，其特征在于，所述模型处理方法还包括：

获取待预测数据，采用训练后的模型对所述待预测数据进行预测，并将预测结果存储至所述数据库。

4.根据权利要求3所述的模型处理方法，其特征在于，所述模型处理方法还包括：

判断模型在训练和/或预测过程中是否异常，并在异常时，执行初始化模型、重新进行训练和/或预测、发出告警信息中的一种或多种操作。

5.根据权利要求3所述的模型处理方法，其特征在于，所述模型处理方法还包括：

从所述数据库中获取一个或多个模型预测结果，将所述一个或多个模型预测结果反馈给用户端以便用户进行分析对比，并根据分析对比的结果修改模型参数。

6.根据权利要求3所述的模型处理方法，其特征在于，所述模型处理方法还包括：

在预定时间执行构建模型、训练模型和/或数据预测的操作。

7.根据权利要求1所述的模型处理方法，其特征在于，获取模型的配置文件包括：

获取用户打包上传的配置文件和训练脚本；

其中，响应用户的训练指令根据所述配置信息中的模型参数构建模型，并根据所述配置信息中的训练集路径获取训练集，利用所述训练集并执行所述训练脚本以对模型进行训练。

8.一种模型处理装置，应用在单机环境下，其特征在于，包括：

配置获取模块，用于获取模型的配置文件；

信息解析模块，用于对所述配置文件进行解析，以得到配置信息；

模型训练模块，用于根据所述配置信息中的模型参数构建模型，并根据所述配置信息中的训练集路径获取训练集以对模型进行训练；

数据库，用于存储所述配置信息和模型的训练结果。

9.一种存储介质，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7中任一项所述的模型处理方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的模型处理方法。