[发明专利]机器学习模型生成方法和装置

说明书

技术领域

本申请涉及计算机领域，具体涉及机器学习领域，尤其涉及机器学习模型生成方法和装置。

背景技术

机器学习是被广泛应用的人工智能技术。在生成机器学习模型时，由于配置有不同的参数组合导致机器学习模型的学习效果的不同，因此，需要对模型参数进行寻优。目前，通常在一定范围内按一定步长搜索，查找出所有该范围内的模型参数组合，按照顺序对模型参数组合对应的机器学习模型进行训练和验证，即以串行方式进行训练和验证，根据验证的结果确定最优的模型参数组合。

然而，当采用方式确定机器学习模型的最优的模型参数组合时，采用串行的方式对每一个参数组合对应的机器学习模型进行训练和验证，由于训练和验证数据通常是海量级别，每一次训练和验证过程的开销较大，影响后续模型参数组合的训练和验证过程执行进度，进而导致整个模型参数寻优过程速度慢，无法在较短的时间内得到理想的机器学习模型。

发明内容

本申请提供了机器学习模型生成方法和装置，用于解决上述背景技术部分存在的技术问题。

第一方面，本申请提供了机器学习模型生成方法，该方法包括：生成模型参数组合，以及生成对应于每一个模型参数组合的机器学习模型，其中，模型参数指示机器学习模型的输入向量与输出向量之间的关联关系；执行划分操作：将预设机器学习用数据划分为训练数据和验证数据；执行训练与验证操作：并行地分别基于训练数据对每一个机器学习模型进行训练；分别基于验证数据对每一个训练后的机器学习模型学习的准确率进行验证，得到验证分数，验证分数指示机器学习模型基于验证数据而输出的输出向量对应的数据类型与验证数据的数据类型一致的比率；执行模型生成操作：基于验证分数，确定待生成的机器学习模型对应的最优模型参数组合，以及生成对应于最优模型参数组合的机器学习模型。

第二方面，本申请提供了机器学习模型生成装置，该装置包括：生成单元，配置用于生成模型参数组合，以及生成对应于每一个模型参数组合的机器学习模型，其中，模型参数指示机器学习模型的输入向量与输出向量之间的关联关系；划分单元，配置用于执行划分操作：将预设机器学习用数据划分为训练数据和验证数据；处理单元，配置用于执行训练与验证操作：并行地分别基于训练数据对每一个机器学习模型进行训练；分别基于验证数据对每一个训练后的机器学习模型学习的准确率进行验证，得到验证分数，验证分数指示机器学习模型基于验证数据而输出的输出向量对应的数据类型与验证数据的数据类型一致的比率；执行单元，配置用于执行模型生成操作：基于验证分数，确定待生成的机器学习模型对应的最优模型参数组合，以及生成对应于最优模型参数组合的机器学习模型。

本申请提供的机器学习模型生成方法和装置，通过生成模型参数组合，以及生成对应于每一个模型参数组合的机器学习模型；将预设机器学习用数据划分为训练数据和验证数据；并行地分别基于训练数据对每一个机器学习模型进行训练；分别基于验证数据对每一个训练后的机器学习模型学习的准确率进行验证，得到验证分数；基于验证分数，确定待生成的机器学习模型对应的最优模型参数组合，以及生成对应于最优模型参数组合的机器学习模型。实现了以并行方式对所有模型参数组合对应的机器学习模型进行训练和验证，提升了整个参数寻优的速度，从而快速生成理想的机器学习模型。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2示出了根据本申请的机器学习模型生成方法的一个实施例的流程图；

图3示出了本申请中的机器学习模型方法的一个示例性原理图；

图4示出了根据本申请的机器学习模型生成装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的机器学习模型生成方法或装置的实施例的示例性系统架构100。