CN109816114A - 一种机器学习模型的生成方法、装置 - Google Patents

Abstract

本申请实施例提供了一种机器学***台，该方法包括：获取目标服务器的机器学习需求，该机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能；根据机器学习需求，利用预设的模型生成策略，配置目标服务器用于机器学习的目标模型；将目标模型返回至目标服务器。因此，简化数据上传操作，节省网络流量，通过模块化的设置降低机器学习模型的使用门槛，提升机器学习模型的生成效率。

Description

一种机器学习模型的生成方法、装置

技术领域

本申请涉及机器学习技术领域，特别是涉及一种机器学习模型的生成方法、装置。

背景技术

机器学***台是建立在云平台上的机器学***台，通过在机器学***台，如果需要分析的数据量巨大，上传过程非常耗时。同时，当用户要部署的目标***并非使用机器学***台对应的是阿里云服务器，只能通过数据上传至对应云服务器的方式实现对目标***的部署，影响***的实时性。此外，一般的机器学***有一定的要求，也就是需要用户了解如何选择数据加工操作。

发明内容

鉴于上述问题，本申请实施例提供一种机器学习模型的生成方法，解决现有技术中如上所述的问题。

相应的，本申请实施例还提供了一种机器学习模型的生成装置。

为了解决上述问题，本申请实施例公开了一种机器学***台，所述方法包括：

获取目标服务器的机器学习需求，所述机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能；

根据所述机器学习需求，利用预设的模型生成策略，配置所述目标服务器用于机器学习的目标模型；

将所述目标模型返回至所述目标服务器。

相应的，本申请实施例还公开了一种机器学习模型的生成装置，

应用于机器学习平台，所述装置包括：

需求获取模块，用于获取目标服务器的机器学习需求，所述机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能；

模型配置模块，用于根据所述机器学习需求，利用预设的模型生成策略，配置所述目标服务器用于机器学习的目标模型；

模型返回模块，用于将所述目标模型返回至所述目标服务器。

本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块，该一个或多个模块被应用在终端设备时，可以使得该终端设备执行本申请提出的机器学习模型的生成方法中各步骤的指令。

本申请实施例还提供一种机器学习模型的生成装置，包括处理器以及存储器，其中，

所述处理器执行所述存储器所存放的计算机程序代码，以实现本申请所述的车辆计数方法。

本申请实施例包括以下优点：

根据机器学***台上提供一个用户可以自己搭建利用预设的模型生成策略，配置目标服务器用于机器学***台***，并具有如下优势：可以将机器学习***在本地服务器上运行，不需要将运行***部署在专门的云服务器上；只需传输少部分数据作为数据格式的样本，降低了传输需求；初级用户可以根据本申请中提供的模块框架来更加安全有效的搭建机器学习模型。

附图说明

图1是本申请的一种机器学习模型的生成方法实施例的步骤流程图；

图2是本申请的一种机器学习平台的结构示意图；

图3是本申请的一种机器学习模型的生成方法可选实施例的步骤流程图；

图4是本申请的一种机器学习模型的生成方法可选实施例的步骤流程图；

图5是本申请的一种机器学习模型的生成方法实施例的步骤流程图；

图6a是一种现有的机器学习模型的生成***流程示意图；

图6b是本申请提出的机器学习模型的生成***流程示意图；

图7是本申请一种机器学习模型的生成装置实施例的结构框图；

图8是本申请一种机器学习模型的生成装置实施例的结构框图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

参照图1，示出了本申请的一种机器学***台，具体可以包括如下步骤：

步骤101，获取目标服务器的机器学习需求。

其中，机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能。

在具体应用中，机器学***台可以实现前两种应用场景下的需求，本申请所提出的技术方案还能够实现在第三种应用场景下的移植部署，将对数据分析的模型框架部署在生产***(本地目标服务器)上。由于不同的机器学***台利用模型生成策略，对应确定一个目标模型，也就是进行步骤102。

需要说明的是，本申请的技术方案提出的机器学习平台可以是布置在云服务器上的一个用于确定机器学习模型的功能模块，也可以是一个单独的云服务器，用于执行机器学习模型的生成操作，本申请不做限制。

步骤102，根据机器学习需求，利用预设的模型生成策略，配置目标服务器用于机器学习的目标模型。

示例地，如图2所示，机器学***台的界面，可以看做是一个流程图生成器，用户通过界面层可以对机器学***台所提供的范围内进行选择。再之后，每个模块还对应不同的组件，例如初始化输入单元中包括用于进行数据格式进行转换的组件、训练模型单元包括训练逻辑回归模型的组件或者训练支持向量机模型的组件等，对应的每个组件可以选择不同的实现策略，其中包括weka包与scikit包等。

需要说明的是，现有的机器学***台则能够为所有的机器学习任务都提供模块化的学习框架，给机器学习入门级用户提供了更多的提示、参考与容错，降低对用户的要求。同时，本申请所提出的技术方案能够生成可移植的目标模型，因此在结构设计上实现前后端分离，算法步骤与算法实现相分离。对于大多数常见的机器学习需求而言，单机计算资源(本地服务器)已经足够。

步骤103，将目标模型返回至目标服务器。

示例地，通过上述步骤确定了目标服务器所需的目标模型之后，将该目标模型返回到目标服务器，例如目标服务器对该目标模型进行下载，该目标模型具有对应的数据输入接口，目标服务器下载安装后，通过该对应的数据输入接口将学习数据输入到目标模型中，以利用该目标模型实现机器学习的目标功能。因此，目标服务器只需要上传小部分的数据，或者直接上传训练数据格式，并且在本地实现机器学习。

综上所述，本申请实施例提供的机器学习模型的生成方法，获取目标服务器的机器学习需求，该机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能；根据机器学习需求，利用预设的模型生成策略，配置目标服务器用于机器学习的目标模型；将目标模型返回至目标服务器。因此，简化数据上传操作，节省网络流量，通过模块化的设置降低机器学习模型的使用门槛，提升机器学习模型的生成效率。

参照图3，示出了本申请的一种机器学习模型的生成方法可选实施例的步骤流程图，具体步骤101所述的获取目标服务器的机器学习需求，可以包括如下步骤：

步骤1011，接收目标服务器上传的用于进行机器学习模型训练的数据样本和机器学习模型的目标功能。

其中，目标功能包括文本分类功能、推荐功能、文本相似度计算功能中的任一一者。需要说明的是，对于一个机器学习模型的目标功能并不仅限于上述的功能，其他能够通过机器学习模型实现的目标功能也属于本申请所述的范围。

步骤1012，对数据样本进行分析，以确定训练数据格式。

示例地，为了节省目标服务器的网络传输时间和流量，目标服务器可以仅上传数据样本，例如可能只有十几兆的大小，机器学习平台根据这些数据样本进而确定机器学习模型对应的训练数据格式。

需要说明的是，用户可以直接在机器学习平台提供的可选训练数据格式中进行选择，也就是直接输入训练数据格式和目标功能，作为下面步骤配置目标模型的依据，无需再进行数据样本的分析。

参照图4，示出了本申请的一种机器学习模型的生成方法可选实施例的步骤流程图，具体步骤102所述的根据机器学习需求，利用预设的模型生成策略，配置目标服务器用于机器学习的目标模型，可以包括如下步骤：

步骤1021，根据机器学习需求，确定目标模型对应的目标框架。

其中，目标框架是在机器学习平台上预先存储的多个机器学习框架中的任一者。

步骤1022，配置目标框架中的各个功能模块。

其中，功能模块包括预处理模块、分析模块、学习模块以及输出模块。

步骤1023，根据功能模块，对应确定功能模块的实现策略。

其中，功能模块对应的实现策略也就是对应的算法可以是用户自行选择的，也可以是机器学习平台默认的优选配置，本申请不做限制。

步骤1024，根据实现策略和功能模块，基于目标框架生成目标模型。

在具体应用中，根据步骤101确定了机器学***台上提供的机器学***台的推荐设置进行直接配置，以进一步降低对于机器学***台上具有多个针对不同需求的框架结构中选择一个合适的框架，其中包括多个用于完成整个机器学习任务的功能模块，进一步的，每个功能模块可以利用多个实现策略，也就是算法得以实现，在完成以上对应策略和功能模块的确定之后，可以生成一个完整的机器学习模型，作为目标模型，便于目标服务器进行下载，以在本地完成对应的机器学习任务。

参照图5，示出了本申请的一种机器学习模型的生成方法实施例的步骤流程图，应用于目标服务器，具体可以包括如下步骤：

步骤501，上传机器学***台。

其中，机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能，目标功能包括文本分类功能、推荐功能、文本相似度计算功能中的任一一者。需要说明的是，对于一个机器学习模型的目标功能并不仅限于上述的功能，其他能够通过机器学习模型实现的目标功能也属于本申请所述的范围。

示例地，本步骤例如可以是，将用于确定机器学***台。

步骤502，根据机器学***台发送的用于机器学习的目标模型。

其中，目标模型是根据机器学习需求，通过预设的模型生成策略所确定的。

示例地，如图6a所示的是现有的机器学***台，利用现有的平台，例如PAI平台对应进行机器学***台生成一个对应的目标***，该目标***仍需部署在其他云平台时，还需进行数据***的上传操作。而本申请提出的技术方案，避免大量的数据上传至机器学***台确定一个可以部署在目标服务器上的目标模型，进而实现机器学***台的界面层所提供的机器学***台基于该机器学习需求进而在后台进行一一配置，最终确定一个完整的机器学习模型(一般是可执行程序)，即作为目标模型，用户将目标模型下载到目标服务器(本地客户端)上之后，在本地实现对应的机器学习任务。

参照图7，示出了本申请的一种机器学***台，具体可以包括如下模块：

需求获取模块710，用于获取目标服务器的机器学习需求，机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能。

模型配置模块720，用于根据机器学习需求，利用预设的模型生成策略，配置目标服务器用于机器学习的目标模型。

模型返回模块730，用于将目标模型返回至目标服务器。

在本申请的一个可选实施例中，需求获取模块710，包括如下子模块：

接收子模块，用于接收目标服务器上传的用于进行机器学习模型训练的数据样本和机器学习模型的目标功能，目标功能包括文本分类功能、推荐功能、文本相似度计算功能中的任一一者。

分析子模块，用于对数据样本进行分析，以确定训练数据格式。

在本申请的一个可选实施例中，模型配置模块720，包括如下子模块：

框架确定子模块，用于根据机器学***台上预先存储的多个机器学习框架中的任一者。

配置子模块，用于配置目标框架中的各个功能模块，功能模块包括预处理模块、分析模块、学习模块以及输出模块。

策略确定子模块，用于根据功能模块，对应确定功能模块的实现策略。

模型生成子模块，用于根据实现策略和功能模块，基于目标框架生成目标模型。

参照图8，示出了本申请的一种机器学习模型的生成装置实施例的结构框图，应用于目标服务器，具体可以包括如下模块：

需求上传模块810，用于上传机器学***台。

模型获取模块820，用于根据机器学***台发送的用于机器学习的目标模型，目标模型是根据机器学习需求，通过预设的模型生成策略所确定的。

可选的，机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能，目标功能包括文本分类功能、推荐功能、文本相似度计算功能中的任一一者，在本申请的一个可选实施例中，需求上传模块710，用于：

将用于确定机器学***台。

本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在终端设备时，可以使得该终端设备执行本申请实施例中各方法步骤的指令(instructions)。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种机器学***台，所述方法包括：

获取目标服务器的机器学习需求，所述机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能；

根据所述机器学习需求，利用预设的模型生成策略，配置所述目标服务器用于机器学习的目标模型；

将所述目标模型返回至所述目标服务器。

2.根据权利要求1所述的方法，其特征在于，所述获取目标服务器的机器学习需求，包括：

接收所述目标服务器上传的用于进行机器学习模型训练的数据样本和所述机器学习模型的目标功能，所述目标功能包括文本分类功能、推荐功能、文本相似度计算功能中的任一一者；

对所述数据样本进行分析，以确定所述训练数据格式。

3.根据权利要求1所述的方法，其特征在于，所述根据所述机器学习需求，利用预设的模型生成策略，配置所述目标服务器用于机器学习的目标模型，包括：

根据所述机器学***台上预先存储的多个机器学习框架中的任一者；

配置所述目标框架中的各个功能模块，所述功能模块包括预处理模块、分析模块、学习模块以及输出模块；

根据所述功能模块，对应确定所述功能模块的实现策略；

根据所述实现策略和所述功能模块，基于所述目标框架生成所述目标模型。

4.一种机器学习模型的生成方法，其特征在于，应用于目标服务器，所述方法包括：

上传机器学***台；

根据机器学***台发送的用于机器学习的目标模型，所述目标模型是根据所述机器学习需求，通过预设的模型生成策略所确定的。

5.根据权利要求4所述的方法，其特征在于，所述机器学***台，包括：

将用于确定所述机器学***台。

6.一种机器学***台，所述装置包括：

需求获取模块，用于获取目标服务器的机器学习需求，所述机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能；

模型配置模块，用于根据所述机器学习需求，利用预设的模型生成策略，配置所述目标服务器用于机器学习的目标模型；

模型返回模块，用于将所述目标模型返回至所述目标服务器。

7.根据权利要求6所述的装置，其特征在于，所述需求获取模块，包括：

接收子模块，用于接收所述目标服务器上传的用于进行机器学习模型训练的数据样本和所述机器学习模型的目标功能，所述目标功能包括文本分类功能、推荐功能、文本相似度计算功能中的任一一者；

分析子模块，用于对所述数据样本进行分析，以确定所述训练数据格式。

8.根据权利要求6所述的装置，其特征在于，所述模型配置模块，包括：

框架确定子模块，用于根据所述机器学***台上预先存储的多个机器学习框架中的任一者；

配置子模块，用于配置所述目标框架中的各个功能模块，所述功能模块包括预处理模块、分析模块、学习模块以及输出模块；

策略确定子模块，用于根据所述功能模块，对应确定所述功能模块的实现策略；

模型生成子模块，用于根据所述实现策略和所述功能模块，基于所述目标框架生成所述目标模型。

9.一种机器学习模型的生成装置，其特征在于，应用于目标服务器，所述方法包括：

需求上传模块，用于上传机器学***台；

模型获取模块，用于根据机器学***台发送的用于机器学习的目标模型，所述目标模型是根据所述机器学习需求，通过预设的模型生成策略所确定的。

10.根据权利要求9所述的装置，其特征在于，所述机器学习需求包括机器学习模型的训练数据格式和机器学习模型的目标功能，所述目标功能包括文本分类功能、推荐功能、文本相似度计算功能中的任一一者，所述需求上传模块，用于：

将用于确定所述机器学***台。