[发明专利]基于主动学习的模型训练方法、装置及服务器

说明书

本申请实施例提供一种基于主动学习的模型训练方法、装置及服务器，能够自动调取启动的训练任务所指示的每个应用场景的训练样本，无需开发人员手动导出数据进行模型训练，通过调度与每个应用场景预先匹配的初始深度学习网络模型对训练样本进行样本标注后，再调度主动学习服务对已标注的训练样本进行主动筛选，无需开发人员参与标注，进而有效降低样本标注数量，之后可按照用户的校准指令对主动筛选样本进行校准后，灵活调度与每个应用场景关联的训练服务基于校准主动筛选样本进行模型训练，并发布到对应的每个应用场景对应的软件应用程序中，进而可以灵活对接不同应用场景的训练服务，并且实现训练过程的自动化标注、训练和业务更新。

技术领域

本申请涉及深度学习技术领域，具体而言，涉及一种基于主动学习的模型训练方法、装置及服务器。

背景技术

相关技术中，大部分人工智能技术都是机器学习中监督学习技术的相关应用，监督学习模型的开发过程需要使用样本数据进行模型训练，然后将训练后的监督学习模型封装成应用程序的模块部署到应用的场景中。当应用场景所采集的样本数据和训练时所采用的样本数据具有一定差别的情况下，监督学习模型将无法满足应用的需求，需要重新进行样本数据采集和再次训练，这将导致应用的成本上升，应用上线延期，并且重新采集样本再次训练的效率低下，还需要具有专业知识的算法工程师参与。应用场景由于业务变化，条件变化等也会导致监督学习模型的精度无法满足应用需求。

本申请发明人研究发现，对于基于监督学习的深度学习模型在训练数据与应用场景现场数据存在细微差别都可能导致模型无法满足应用的要求，在现有技术条件下只有采用从现场应用系统中导出数据并重新训练模型的方式改进原有模型适应现场环境的能力，这种方式操作复杂，自动化程度低，需要专业开发人员参与，样本标注工作大，往往还需更新现场应用系统才能使用重新训练的模型，导致研发效率低下，甚至影响业务的交付和上线。

发明内容

基于现有设计的不足，本申请提供一种基于主动学习的模型训练方法、装置及服务器，能够自动调取启动的训练任务所指示的每个应用场景的训练样本，无需开发人员手动导出数据进行模型训练，通过调度与每个应用场景预先匹配的初始深度学习网络模型对该应用场景的训练样本集的训练样本进行样本标注后，再调度主动学习服务对已标注的训练样本进行主动筛选，无需开发人员参与标注，进而有效降低样本标注数量，之后可按照用户对主动筛选样本的校准指令对主动筛选样本进行校准后，灵活调度与每个应用场景关联的训练服务基于每个应用场景的校准主动筛选样本进行模型训练，并发布到对应的每个应用场景对应的软件应用程序中，进而可以灵活对接不同应用场景的训练服务，并且实现训练过程的自动化标注、训练和业务更新。

根据本申请的第一方面，提供一种基于主动学习的模型训练方法，应用于服务器，所述方法包括：

在检测到训练任务启动后，调取所述训练任务所指示的每个应用场景的训练样本；

调度与每个应用场景预先匹配的初始深度学习网络模型对该应用场景的训练样本集的训练样本进行样本标注；

调度主动学习服务对已标注的训练样本进行主动筛选，获得每个应用场景的主动筛选样本，并根据用户对所述主动筛选样本的校准指令对所述主动筛选样本进行校准，获得校准主动筛选样本；

调度与每个应用场景关联的训练服务基于每个应用场景的校准主动筛选样本对每个应用场景预先匹配的初始深度学习网络模型进行训练，在训练过程满足训练终止条件时，获得每个应用场景的目标深度学习网络模型；

调度发布服务将每个应用场景的初始深度学习网络模型替换为所述目标深度学习网络模型后，发布到对应的每个应用场景对应的软件应用程序中。

在第一方面的一种可能的实施方式中，所述调度与每个应用场景预先匹配的深度学习网络模型对该应用场景的训练样本集的训练样本进行样本标注的步骤，包括：