[發明專利]機器學習模型訓練方法、裝置及電子設備

在審

• 申請號: 202010415277.6
• 申請日: 2020-05-15
• 公開（公告）號: CN113673706A
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 孫國欽;蔡東佐;林子甄;李宛真;郭錦斌
• 申請（專利權）人: 富泰華工業（深圳）有限公司;鴻海精密工業股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06N3/08
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 薛曉偉

1.一種機器學習模型訓練方法，其特征在于，所述方法包括：

接收用戶選擇的待處理的問題類型；

確定與所述問題類型相對應的機器學習模型；

接收用戶輸入的樣本數據對確定出的機器學習模型進行訓練；

分析訓練完成后得到的所述機器學習模型的訓練結果，將符合預設條件的訓練結果進行顯示；及

將符合預設條件的訓練結果所對應的機器學習模型提供給用戶。

2.如權利要求1所述的機器學習模型訓練方法，其特征在于，所述確定與問題類型相對應的機器學習模型包括：

通過所確定的問題類型查找類型與模型關系表確定出與所述問題類型對應的機器學習模型，其中所述類型與模型關系表定義了多個問題類型與多個機器學習模型的對應關系。

3.如權利要求1所述的機器學習模型訓練方法，其特征在于，所述樣本數據類別至少包括第一樣本類別及第二樣本類別，所述接收用戶輸入的樣本數據對確定出的機器學習模型進行訓練包括：

獲取正樣本的樣本數據及負樣本的樣本數據，并將正樣本的樣本數據標注樣本類別，以使正樣本的樣本數據攜帶樣本類別標簽；

將所述正樣本的樣本數據及所述負樣本的樣本數據隨機分成第一預設比例的訓練集和第二預設比例的驗證集，利用所述訓練集訓練所述機器學習模型，并利用所述驗證集驗證訓練后的所述機器學習模型的準確率；及

若所述準確率大于或者等于預設準確率時，則結束訓練；若所述準確率小于預設準確率時，則增加正樣本數量及負樣本數量以重新訓練所述機器學習模型直至所述準確率大于或者等于預設準確率。

4.如權利要求1所述的機器學習模型訓練方法，其特征在于，所述訓練結果為準確率、精確率或網絡大小，與所述準確率對應的預設條件為所述準確率大于第一預設值，與所述精確率對應的預設條件為所述精確率大于第二預設值，與所述網絡大小對應的預設條件為所述機器學習模型的網絡層數小于第三預設值。

5.如權利要求1所述的機器學習模型訓練方法，其特征在于，所述機器學習模型包括多個卷積層、多個最大池采樣層、全連接層，其中，所述多個卷積層和所述多個最大池采樣層交替連接組成，所述多個最大池采樣層用于對所述樣本數據進行特征提取得到特征向量，所述多個全連接層相互連接，所述多個最大池采樣層中的最后一個最大池采樣層與多個所述全連接層的第一全連接層連接，用于向所述第一全連接層輸入經過特征提取得到的特征向量，多個所述全連接層中的最后一個全連接層為一個分類器，所述分類器用于對所述特征向量進行分類得到檢測結果。

6.如權利要求5所述的機器學習模型訓練方法，其特征在于，所述接收用戶輸入的樣本數據對確定出的所述機器學習模型進行訓練包括：

使用樣本數據以及與樣本數據對應的類別標簽建立訓練集；通過所述機器學習模型的卷積層將所述訓練集中的樣本數據進行卷積運算和抽樣運算；將所述機器學習模型的最后一個卷積層連接到一個或多個全連接層，其中全連接層被配置為將進行卷積和抽樣運算后提取到的樣本數據的特征進行綜合并輸出訓練參數和特征模型；判斷機器學習模型是否滿足收斂條件，其中，當特征模型與預設的標準特征模型或所述樣本數據的類別標簽一致時確定機器學習模型滿足收斂條件，否則確定機器學習模型不滿足收斂條件；當特征模型與預設的標準特征模型相一致時則輸出特征模型；及當特征模型不滿足收斂條件時反向傳播調整所述機器學習模型的權矩陣。

7.一種機器學習模型訓練裝置，其特征在于，所述裝置包括：

問題類型接收模塊，用于接收用戶選擇的待處理的問題類型；

模型確定模塊，用于確定與所述問題類型相對應的機器學習模型；

訓練模塊，用于接收用戶輸入的樣本數據對確定出的機器學習模型進行訓練；

顯示模塊，用于分析訓練完成后得到的所述機器學習模型的訓練結果，將符合預設條件的訓練結果進行顯示；及

模型提供模塊，用于將符合預設條件的訓練結果所對應的機器學習模型提供給用戶。