[發明專利]基于主動學習的模型訓練方法、裝置及服務器

有效

• 申請號: 202110104893.4
• 申請日: 2021-01-26
• 公開（公告）號: CN112434809B
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 李源;徐光耀;劉少平;蹇宜洋
• 申請（專利權）人: 成都點澤智能科技有限公司;中科智云科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06K9/62;G06T7/246
• 代理公司: 成都極刻智慧知識產權代理事務所(普通合伙) 51310
• 代理人: 唐維虎

本申請實施例提供一種基于主動學習的模型訓練方法、裝置及服務器，能夠自動調取啟動的訓練任務所指示的每個應用場景的訓練樣本，無需開發人員手動導出數據進行模型訓練，通過調度與每個應用場景預先匹配的初始深度學習網絡模型對訓練樣本進行樣本標注后，再調度主動學習服務對已標注的訓練樣本進行主動篩選，無需開發人員參與標注，進而有效降低樣本標注數量，之后可按照用戶的校準指令對主動篩選樣本進行校準后，靈活調度與每個應用場景關聯的訓練服務基于校準主動篩選樣本進行模型訓練，并發布到對應的每個應用場景對應的軟件應用程序中，進而可以靈活對接不同應用場景的訓練服務，并且實現訓練過程的自動化標注、訓練和業務更新。

技術領域

本申請涉及深度學習技術領域，具體而言，涉及一種基于主動學習的模型訓練方法、裝置及服務器。

背景技術

相關技術中，大部分人工智能技術都是機器學習中監督學習技術的相關應用，監督學習模型的開發過程需要使用樣本數據進行模型訓練，然后將訓練后的監督學習模型封裝成應用程序的模塊部署到應用的場景中。當應用場景所采集的樣本數據和訓練時所采用的樣本數據具有一定差別的情況下，監督學習模型將無法滿足應用的需求，需要重新進行樣本數據采集和再次訓練，這將導致應用的成本上升，應用上線延期，并且重新采集樣本再次訓練的效率低下，還需要具有專業知識的算法工程師參與。應用場景由于業務變化，條件變化等也會導致監督學習模型的精度無法滿足應用需求。

本申請發明人研究發現，對于基于監督學習的深度學習模型在訓練數據與應用場景現場數據存在細微差別都可能導致模型無法滿足應用的要求，在現有技術條件下只有采用從現場應用系統中導出數據并重新訓練模型的方式改進原有模型適應現場環境的能力，這種方式操作復雜，自動化程度低，需要專業開發人員參與，樣本標注工作大，往往還需更新現場應用系統才能使用重新訓練的模型，導致研發效率低下，甚至影響業務的交付和上線。

發明內容

基于現有設計的不足，本申請提供一種基于主動學習的模型訓練方法、裝置及服務器，能夠自動調取啟動的訓練任務所指示的每個應用場景的訓練樣本，無需開發人員手動導出數據進行模型訓練，通過調度與每個應用場景預先匹配的初始深度學習網絡模型對該應用場景的訓練樣本集的訓練樣本進行樣本標注后，再調度主動學習服務對已標注的訓練樣本進行主動篩選，無需開發人員參與標注，進而有效降低樣本標注數量，之后可按照用戶對主動篩選樣本的校準指令對主動篩選樣本進行校準后，靈活調度與每個應用場景關聯的訓練服務基于每個應用場景的校準主動篩選樣本進行模型訓練，并發布到對應的每個應用場景對應的軟件應用程序中，進而可以靈活對接不同應用場景的訓練服務，并且實現訓練過程的自動化標注、訓練和業務更新。

根據本申請的第一方面，提供一種基于主動學習的模型訓練方法，應用于服務器，所述方法包括：

在檢測到訓練任務啟動后，調取所述訓練任務所指示的每個應用場景的訓練樣本；

調度與每個應用場景預先匹配的初始深度學習網絡模型對該應用場景的訓練樣本集的訓練樣本進行樣本標注；

調度主動學習服務對已標注的訓練樣本進行主動篩選，獲得每個應用場景的主動篩選樣本，并根據用戶對所述主動篩選樣本的校準指令對所述主動篩選樣本進行校準，獲得校準主動篩選樣本；

調度與每個應用場景關聯的訓練服務基于每個應用場景的校準主動篩選樣本對每個應用場景預先匹配的初始深度學習網絡模型進行訓練，在訓練過程滿足訓練終止條件時，獲得每個應用場景的目標深度學習網絡模型；

調度發布服務將每個應用場景的初始深度學習網絡模型替換為所述目標深度學習網絡模型后，發布到對應的每個應用場景對應的軟件應用程序中。

在第一方面的一種可能的實施方式中，所述調度與每個應用場景預先匹配的深度學習網絡模型對該應用場景的訓練樣本集的訓練樣本進行樣本標注的步驟，包括：