[发明专利]模型训练方法和装置、业务预测方法和装置

说明书

本说明书实施例提供了一种神经网络模型的训练方法及装置、业务预测方法及装置。在训练神经网络模型时，根据历史业务数据，获取训练样本数据；在每一轮训练中均执行：将训练样本数据输入所述神经网络模型中，以对所述神经网络模型中每一个参数的参数值进行调整；以及检测本轮训练是否满足参数获取条件，如果是，则记录本轮训练得到的神经网络模型中每一个参数的当前参数值；在各轮训练结束后，针对神经网络模型的每一个参数，根据记录的该参数的至少一个当前参数值，得到该参数对应的最终参数值；将神经网络模型中每一个参数的参数值设置为该参数对应的最终参数值。本说明书实施例能够更好地利用神经网络模型来进行业务预测，并且减少对系统资源的消耗。

技术领域

本说明书一个或多个实施例涉及计算机技术，尤其涉及模型训练方法和装置、业务预测方法和装置。

背景技术

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的模型。神经网络模型是一种运算模型，由大量的节点(或称神经元)相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。神经网络模型可实现函数逼近、数据聚类、模式分类、优化计算等功能。因此，神经网络模型广泛应用于人工智能、自动控制、机器人、统计学等领域的信息处理中。比如应用神经网络模型进行支付业务中的风险控制等。

神经网络模型中包括多种参数。通过训练神经网络模型可以确定参数的取值。参数取值的不同，将会大大影响神经网络模型的性能。

因此，如何更好地利用神经网络模型来进行业务预测，从而得到更为准确的业务预测结果，是一个亟待解决的问题。

发明内容

本说明书一个或多个实施例描述了模型训练方法和装置、业务预测方法和装置，能够更好地利用神经网络模型来进行业务预测。

根据第一方面，提供了一种神经网络模型的训练方法，其中，包括：

根据历史业务数据，获取训练样本数据；

在每一轮训练中均执行：

将训练样本数据输入所述神经网络模型中，以对所述神经网络模型中每一个参数的参数值进行调整；以及

检测本轮训练是否满足参数获取条件，如果是，则记录本轮训练得到的神经网络模型中每一个参数的当前参数值；

在各轮训练结束后，针对神经网络模型的每一个参数，根据记录的该参数的至少一个当前参数值，得到该参数对应的最终参数值；

将神经网络模型中每一个参数的参数值设置为该参数对应的最终参数值。

其中，所述检测本轮训练是否满足参数获取条件包括：

根据预先设置的采样周期，检测本轮是否达到了该采样周期，如果是，则确定本轮训练满足参数获取条件；其中，所述采样周期表征每N轮训练获取一次参数值；N为不小于1的正整数；

或者，

判断本轮得到的各参数的当前参数值是否优于上一次记录的各参数的当前参数值，如果是，则确定本轮训练满足参数获取条件。

其中，在预先设置的第L轮及其之后的每一轮中，均执行所述检测本轮训练是否满足参数获取条件的步骤，在预先设置的第L轮之前的每一轮中，不执行所述检测本轮训练是否满足参数获取条件的步骤；其中，L为大于1的正整数。

其中，所述根据记录的该参数的至少一个当前参数值得到该参数对应的最终参数值，包括：

从记录的该参数的至少一个当前参数值中，选取最大的参数值，将该最大的参数值作为该参数对应的最终参数值。