[發(fā)明專利]模型生成服務器及其模型生成方法

在審

• 申請?zhí)枺?/td>: 201711226428.8
• 申請日: 2017-11-29
• 公開（公告）號: CN109784355A
• 公開（公告）日: 2019-05-21
• 發(fā)明（設計）人: 蔣益庭;戴宗明;陳柏年
• 申請（專利權(quán)）人: 財團法人資訊工業(yè)策進會
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 郭蔚

一種模型生成服務器及其模型生成方法。模型生成服務器存儲一模型生成程序，其具有一配置組合。模型生成服務器針對特征類別、模型演算法類別及超參數(shù)，隨機產(chǎn)生多個第一配置組合碼，以設定配置組合，并基于第一優(yōu)化演算法，運行模型生成程序，以決定一第一模型。根據(jù)第一模型對應的配置組合碼所指示至少一選定特征類別及至少一選定模型演算法類別，模型生成服務器更針對特征、模型演算法及超參數(shù)，隨機產(chǎn)生多個第二配置組合碼，以設定配置組合，并基于第二優(yōu)化演算法，運行模型生成程序，以決定一優(yōu)化模型。

【技術(shù)領域】

本發(fā)明是關(guān)于模型生成服務器及其模型生成方法。具體而言，本發(fā)明的模型生成服務器進行二個階段配置編碼及優(yōu)化程序，來生成優(yōu)化模型。

【背景技術(shù)】

隨著科技的快速發(fā)展，機器學習及深度學習已成為目前科技研究的主流，且被廣泛的應用在各種領域，例如：人臉辨識、自動駕駛、語音自動口譯等。通過機器學習及深度學習以生成所需應用的模型的過程中，在進行模型訓練前，開發(fā)者必須先通過人工方式依經(jīng)驗設定所需自原始數(shù)據(jù)中擷取的特征，并選擇欲訓練的模型演算法，同時在模型訓練過程中亦需調(diào)整與模型演算法相關(guān)的所有參數(shù)(例如：基礎參數(shù)及超參數(shù))。

然而，在目前模型訓練的過程中，機器學習及深度學習通常只能自動調(diào)整模型演算法的基礎參數(shù)，例如：卷積層或全連接層的權(quán)重(weight)和偏置項(bias)，而超參數(shù)大多是人工根據(jù)經(jīng)驗設定，并需經(jīng)由多次的嘗試來進行調(diào)整。在可選擇的特征數(shù)量及模型演算法數(shù)量相當繁多，且超參數(shù)的調(diào)整仍需經(jīng)由人工不斷地反復地嘗試調(diào)整的情況下，開發(fā)者需投入大量的時間在選擇所需擷取的特征及所需訓練的模型演算法，并調(diào)整超參數(shù)，才得以生成適當?shù)哪Ｐ停译y以評估所生成的模型是否為一優(yōu)化模型。

因此，便需要生成優(yōu)化模型的一種模型生成機制，以用于如：人臉辨識、自動駕駛、語音自動口譯等相關(guān)應用中。

【發(fā)明內(nèi)容】

本發(fā)明的目的在于提供一種模型生成機制，其借由將模型訓練中可選擇的特征配置與模型演算法配置及可調(diào)整的超參數(shù)配置，進行配置組合編碼，以產(chǎn)生多個配置組合碼，并基于配置組合碼，進行模型訓練，同時基于優(yōu)化演算法決定優(yōu)化配置組合碼，來生成優(yōu)化模型。再者，本發(fā)明的模型生成機制是將優(yōu)化程序分成兩階段，第一階段主要是針對特征類別及模型演算法類別來進行第一階段優(yōu)化模型選擇，而第二階段進一步地對第一階段優(yōu)化模型所對應的特征類別中的特征及模型演算法類別中的模型演算法來進行第二階段優(yōu)化模型選擇，并自動調(diào)整超參數(shù)配置，以生成最終的模型。如此一來，本發(fā)明的模型生成機制可有效地選擇所需擷取的特征及所需訓練的模型演算法，并自動調(diào)整超參數(shù)，以生成一優(yōu)化模型。