[发明专利]跨平台拖拽式深度学习建模与训练方法及装置

说明书

本发明公开了一种跨平台拖拽式深度学习建模与训练方法及装置，其中，方法包括：根据目标应用场景采集训练数据；通过在线标注获取预处理后图像，并通过拖拽不同算法模块组合训练模型，以生成初始解决方案模型；根据训练请求训练所述初始解决方案模型，以得到最终解决方案模型，并展示训练结果。根据本发明实施例的方法，可以通过综合性的针对整体解决方案的建模，生成解决方案模型，简单易实现。

技术领域

本发明涉及机器学习技术领域，特别涉及一种跨平台拖拽式深度学习建模与训练方法。

背景技术

相关技术，可视化软件平台包括数据预处理、特征提取以实现模型训练等功能。具体地，以单机或C/S架构为主，采用C++、JavaScript、Java编程语言进行操作，也可以用简单脚本语言自动进行进程操作，并且在界面中，用户可以将一些图形化算法组件拖拽到可视化界面中，建立图形化算法之间的数据流向，进而进行模型训练。在相关技术中，可视化工具中机器学习一般通过提取原始数据的特征，并且选择合适的算法，从而最终实现模型训练。

然而，相关技术存在如下缺陷：

1、上述可视化工具中机器学习算法模型多为解决某一单一问题的单一模型；

2、一旦是基于C/S架构，则需下载指定客户端应用，更新周期长，跨平台成本高；

3、多使用指定及常用的机器学习算法，但是针对特定需求的独立算法的兼容性不强，算法拓展性不佳；

4、多个软件客户端界面描述均用专业术语，一般分析人员无法轻松使用，而是需要较长学习周期；

5、软件平台数据来源主要为主流的大数据分析平台，但多个软件客户端在此兼容性方面存在比较大的差异，导致对数据进行过滤、去重、拆分、合并，实现数据可视化展现，并实现了数据的特征抽取、管理和复用的操作存在困难。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种跨平台拖拽式深度学习建模与训练方法，该方法可以通过综合性的针对整体解决方案的建模，生成解决方案模型，简单易实现。

本发明的另一个目的在于提出一种跨平台拖拽式深度学习建模与训练装置。

为达到上述目的，本发明一方面实施例提出了一种跨平台拖拽式深度学习建模与训练方法，包括以下步骤：根据目标应用场景采集训练数据；通过在线标注获取预处理后图像，并通过拖拽不同算法模块组合训练模型，以生成初始解决方案模型；根据训练请求训练所述初始解决方案模型，以得到最终解决方案模型，并展示训练结果。

本发明实施例的跨平台拖拽式深度学习建模与训练方法，可以通过综合性的针对整体解决方案的建模，生成解决方案模型，不但可以跨平台操作，建模过程可视化，降低操作人员难度，从而实现了人工算法的普及化，利于推广，而且可以实现算法组合逻辑的可视化验证，即可以根据应用场景快速建模和快速验证，以及实现标注、建模、训练一体化，有效提升使用体验，简单易实现。

另外，根据本发明上述实施例的跨平台拖拽式深度学习建模与训练方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述通过在线标注获取预处理后图像，包括：上传至云端对应文件夹后，将所述训练数据链接对应进入适用不同场景及运用的标注工具网页端，以利用所述目标应用场景对应的标注工具进行适应算法标注。

进一步地，在本发明的一个实施例中，所述通过拖拽不同算法模块组合训练模型，包括：通过拖拽组件自定义组合的方式，并利用多个深度学习模型以构建模型间相互关系，创建所述初始解决方案模型。

进一步地，在本发明的一个实施例中，在得到所述最终解决方案模型之前，还包括：验证算法组合逻辑的正确性；根据调整参数与设置指示将对所述最终解决方案模型进行微调。