[發明專利]一種代碼生成方法、裝置、設備和存儲介質

在審

• 申請號: 201911037981.6
• 申請日: 2019-10-29
• 公開（公告）號: CN110795089A
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 謝立東;沈麗忠;李婉華;鄭健;陳銘新;李曉敦;趙世輝;唐景峰
• 申請（專利權）人: 中國建設銀行股份有限公司;建信金融科技有限責任公司
• 主分類號: G06F8/35
• 分類號: G06F8/35;G06F8/76;G06N20/00
• 代理公司: 11332 北京品源專利代理有限公司
• 代理人: 孟金喆

本發明公開了一種代碼生成方法、裝置、設備和存儲介質。其中，該方法包括：獲取初始模型文件中各訓練參數；根據各所述訓練參數及預先配置代碼模板生成代碼段；確定各代碼段之間的關聯參數，并基于所述關聯參數連接各代碼段以生成目標訓練代碼。本發明實施例的技術方案，通過自動解析初始模型文件生成目標訓練代碼，實現了機器學習模型訓練代碼的快速生成，提高了機器學習模型訓練代碼的靈活性。

技術領域

本發明實施例涉及計算機應用技術領域，尤其涉及一種代碼生成方法、裝置、設備和存儲介質。

背景技術

機器學習產品中常遇到跨平臺的問題，例如使用Python語言的訓練了一個機器學習模型，跨平臺部署到其他生成環境時，為了使用機器學習模型需要修改生產環境，顯然通過修改生產環境而使用機器學習模型的得不償失，為此人們約定了預測模型標記語言(Predictive Model Markup Language,PMML)實現跨平臺的機器學習模型部署。

然而，機器學習模型與訓練數據是強相關的，不同的數據會訓練出不同的模型，使用PMML語言將機器學習模型部署到其他平臺時，如果數據發生變化和調整，機器學習模型生產的預測結果不準確，需要對機器學習模型進行微調以適應數據的變化，然而PMML語言僅描述由機器學習模型，無法獲取到機器學習模型的訓練代碼，只能在原平臺對機器學習模型進行重新訓練，靈活程度較差。

發明內容

本發明提供一種代碼生成方法、裝置、設備和存儲介質，以實現跨平臺下機器學習模型訓練代碼的靈活生成，可增強機器學習模塊預測結果的準確性。

第一方面，本發明實施例提供了一種代碼生成方法，該方法包括：

獲取初始模型文件中各訓練參數；

根據各所述訓練參數及預先配置代碼模板生成代碼段；

確定各代碼段之間的關聯參數，并基于所述關聯參數連接各代碼段以生成目標訓練代碼。

第二方面，本發明實施例還提供了一種代碼生成裝置，其特征在于，該裝置包括：

文件分析模塊，用于獲取初始模型文件中各訓練參數；

代碼段模塊，用于根據各所述訓練參數及預先配置代碼模板生成代碼段；

代碼生成模塊，用于確定各代碼段之間的關聯參數，并基于所述關聯參數連接各代碼段以生成目標訓練代碼。

第三方面，本發明實施例還提供了一種設備，該設備包括：

一個或多個處理器；

存儲器，用于存儲一個或多個程序；

當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現如本發明實施例中任一所述的代碼生成方法。

第四方面，本發明實施例還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現如本發明實施例中任一所述的代碼生成方法。

本發明實施例的技術方案，通過獲取初始模型代碼文件中的訓練參數，根據訓練參數及預先配置的代碼模板生成代碼段，根據代碼段之間的關聯參數連接代碼段生成目標訓練代碼，實現了模型訓練代碼的快速生成，提高了機器學習模型訓練代碼的靈活性，可適應訓練數據集的變化，可提高機器學習模型預存的準確性。

附圖說明

圖1是本發明實施例一提供的一種代碼生成方法的步驟流程圖；

圖2是本發明實施例二提供的一種代碼生成方法的步驟流程圖；

圖3是本發明實施例三提供的一種代碼生成裝置的結構示意圖；

圖4是本發明實施例四提供的一種設備的結構示意圖。