[發明專利]機器學習模型生成方法和裝置

有效

• 申請號: 201610192139.X
• 申請日: 2016-03-30
• 公開（公告）號: CN105912500B
• 公開（公告）日: 2017-11-14
• 發明（設計）人: 詹志征;劉志強;沈志勇
• 申請（專利權）人: 百度在線網絡技術（北京）有限公司
• 主分類號: G06F15/18
• 分類號: G06F15/18;G06N99/00
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司11204
• 代理人: 王達佐,馬曉亞

技術領域

本申請涉及計算機領域，具體涉及機器學習領域，尤其涉及機器學習模型生成方法和裝置。

背景技術

機器學習是被廣泛應用的人工智能技術。在生成機器學習模型時，由于配置有不同的參數組合導致機器學習模型的學習效果的不同，因此，需要對模型參數進行尋優。目前，通常在一定范圍內按一定步長搜索，查找出所有該范圍內的模型參數組合，按照順序對模型參數組合對應的機器學習模型進行訓練和驗證，即以串行方式進行訓練和驗證，根據驗證的結果確定最優的模型參數組合。

然而，當采用方式確定機器學習模型的最優的模型參數組合時，采用串行的方式對每一個參數組合對應的機器學習模型進行訓練和驗證，由于訓練和驗證數據通常是海量級別，每一次訓練和驗證過程的開銷較大，影響后續模型參數組合的訓練和驗證過程執行進度，進而導致整個模型參數尋優過程速度慢，無法在較短的時間內得到理想的機器學習模型。

發明內容

本申請提供了機器學習模型生成方法和裝置，用于解決上述背景技術部分存在的技術問題。

第一方面，本申請提供了機器學習模型生成方法，該方法包括：生成模型參數組合，以及生成對應于每一個模型參數組合的機器學習模型，其中，模型參數指示機器學習模型的輸入向量與輸出向量之間的關聯關系；執行劃分操作：將預設機器學習用數據劃分為訓練數據和驗證數據；執行訓練與驗證操作：并行地分別基于訓練數據對每一個機器學習模型進行訓練；分別基于驗證數據對每一個訓練后的機器學習模型學習的準確率進行驗證，得到驗證分數，驗證分數指示機器學習模型基于驗證數據而輸出的輸出向量對應的數據類型與驗證數據的數據類型一致的比率；執行模型生成操作：基于驗證分數，確定待生成的機器學習模型對應的最優模型參數組合，以及生成對應于最優模型參數組合的機器學習模型。

第二方面，本申請提供了機器學習模型生成裝置，該裝置包括：生成單元，配置用于生成模型參數組合，以及生成對應于每一個模型參數組合的機器學習模型，其中，模型參數指示機器學習模型的輸入向量與輸出向量之間的關聯關系；劃分單元，配置用于執行劃分操作：將預設機器學習用數據劃分為訓練數據和驗證數據；處理單元，配置用于執行訓練與驗證操作：并行地分別基于訓練數據對每一個機器學習模型進行訓練；分別基于驗證數據對每一個訓練后的機器學習模型學習的準確率進行驗證，得到驗證分數，驗證分數指示機器學習模型基于驗證數據而輸出的輸出向量對應的數據類型與驗證數據的數據類型一致的比率；執行單元，配置用于執行模型生成操作：基于驗證分數，確定待生成的機器學習模型對應的最優模型參數組合，以及生成對應于最優模型參數組合的機器學習模型。

本申請提供的機器學習模型生成方法和裝置，通過生成模型參數組合，以及生成對應于每一個模型參數組合的機器學習模型；將預設機器學習用數據劃分為訓練數據和驗證數據；并行地分別基于訓練數據對每一個機器學習模型進行訓練；分別基于驗證數據對每一個訓練后的機器學習模型學習的準確率進行驗證，得到驗證分數；基于驗證分數，確定待生成的機器學習模型對應的最優模型參數組合，以及生成對應于最優模型參數組合的機器學習模型。實現了以并行方式對所有模型參數組合對應的機器學習模型進行訓練和驗證，提升了整個參數尋優的速度，從而快速生成理想的機器學習模型。

附圖說明

通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本申請的其它特征、目的和優點將會變得更明顯：

圖1是本申請可以應用于其中的示例性系統架構圖；

圖2示出了根據本申請的機器學習模型生成方法的一個實施例的流程圖；

圖3示出了本申請中的機器學習模型方法的一個示例性原理圖；

圖4示出了根據本申請的機器學習模型生成裝置的一個實施例的結構示意圖；

圖5是適于用來實現本申請實施例的終端設備或服務器的計算機系統的結構示意圖。

具體實施方式

下面結合附圖和實施例對本申請作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋相關發明，而非對該發明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與有關發明相關的部分。

需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。下面將參考附圖并結合實施例來詳細說明本申請。

圖1示出了可以應用本申請的機器學習模型生成方法或裝置的實施例的示例性系統架構100。