[发明专利]模型生成的方法、装置、计算机设备和存储介质

权利要求书

1.一种模型生成的方法，其特征在于，所述方法包括：

获取待创建的神经网络模型的样本参数；

根据所述样本参数，获取所述神经网络模型的训练数据样本；

接收用户输入的神经网络创建指令，创建所述神经网络模型，所述神经网络创建指令中包括所述神经网络模型包含的各网络层的类型、每个网络层的激活状态及包含的神经元的数目和输入数据维度；

根据所述训练数据样本、训练方法和用户输入的训练样本策略，对所述神经网络模型进行训练，得到目标神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述目标神经网络模型的模型收敛曲线，并根据所述模型收敛曲线中的损失值和度量值，对所述目标神经网络模型的收敛性进行判断；

如果所述损失值小于所述预设损失阈值且所述度量值小于所述预设度量阈值，则判定所述目标神经网络模型收敛；

如果所述损失值大于或等于所述预设损失阈值或所述度量值大于或等于所述预设度量阈值，则判定所述目标神经网络模型不收敛，并提示用户重新修改所述训练样本策略和所述训练方法中的编译参数。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述训练样本策略中的验证拆分参数，获得验证数据集，并根据所述验证数据集对所述目标神经网络模型进行验证评分处理，得到验证评分；

如果所述验证评分低于预设的分数阈值，则重新执行所述根据所述训练数据样本、训练方法和用户输入的训练样本策略，对所述神经网络模型进行训练，得到目标神经网络模型的步骤；

如果所述验证评分等于或高于所述预设的分数阈值，则导出所述目标神经网络模型。

4.根据权利要求1所述的方法，其特征在于，所述根据所述样本参数，获取所述神经网络模型的训练数据样本，包括：

根据所述样本参数，获取导入数据样本；

根据预设的数据处理方法，对所述导入数据样本进行抽取-转换-加载处理，得到所述训练数据样本。

5.一种模型生成的装置，其特征在于，所述装置包括：

第一获取模块，用于获取待创建的神经网络模型的样本参数；

第二获取模块，用于根据所述样本参数，获取所述神经网络模型的训练数据样本；

创建模块，用于接收用户输入的神经网络创建指令，创建所述神经网络模型，所述神经网络创建指令中包括所述神经网络模型包含的各网络层的类型、每个网络层的激活状态及包含的神经元的数目和输入数据维度；

训练模块，用于根据所述训练数据样本、训练方法和用户输入的训练样本策略，对所述神经网络模型进行训练，得到目标神经网络模型。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

第三获取模块，用于获取所述目标神经网络模型的模型收敛曲线，并根据所述模型收敛曲线中的损失值和度量值，对所述目标神经网络模型的收敛性进行判断；

第一判定模块，用于如果所述损失值小于所述预设损失阈值且所述度量值小于所述预设度量阈值，则判定所述目标神经网络模型收敛；

第二判定模块，用于如果所述损失值大于或等于所述预设损失阈值或所述度量值大于或等于所述预设度量阈值，则判定所述目标神经网络模型不收敛，并提示用户重新修改所述训练样本策略和所述训练方法中的编译参数。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

评分模块，用于根据所述训练样本策略中的验证拆分参数，获得验证数据集，并根据所述验证数据集对所述目标神经网络模型进行验证评分处理，得到验证评分；

第三判定模块，用于如果所述验证评分低于预设的分数阈值，则重新执行所述根据所述训练数据样本、训练方法和用户输入的训练样本策略，对所述神经网络模型进行训练，得到目标神经网络模型的步骤；

第四判定模块，用于如果所述验证评分等于或高于所述预设的分数阈值，则导出所述目标神经网络模型。