机器学习模型训练方法、装置及电子设备与流程

技术特征：
1.一种机器学习模型训练方法，其特征在于，所述方法包括：接收用户选择的待处理的问题类型；确定与所述问题类型相对应的机器学习模型；接收用户输入的样本数据对确定出的机器学习模型进行训练；分析训练完成后得到的所述机器学习模型的训练结果，将符合预设条件的训练结果进行显示；及将符合预设条件的训练结果所对应的机器学习模型提供给用户。2.如权利要求1所述的机器学习模型训练方法，其特征在于，所述确定与问题类型相对应的机器学习模型包括：通过所确定的问题类型查找类型与模型关系表确定出与所述问题类型对应的机器学习模型，其中所述类型与模型关系表定义了多个问题类型与多个机器学习模型的对应关系。3.如权利要求1所述的机器学习模型训练方法，其特征在于，所述样本数据类别至少包括第一样本类别及第二样本类别，所述接收用户输入的样本数据对确定出的机器学习模型进行训练包括：获取正样本的样本数据及负样本的样本数据，并将正样本的样本数据标注样本类别，以使正样本的样本数据携带样本类别标签；将所述正样本的样本数据及所述负样本的样本数据随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练所述机器学习模型，并利用所述验证集验证训练后的所述机器学习模型的准确率；及若所述准确率大于或者等于预设准确率时，则结束训练；若所述准确率小于预设准确率时，则增加正样本数量及负样本数量以重新训练所述机器学习模型直至所述准确率大于或者等于预设准确率。4.如权利要求1所述的机器学习模型训练方法，其特征在于，所述训练结果为准确率、精确率或网络大小，与所述准确率对应的预设条件为所述准确率大于第一预设值，与所述精确率对应的预设条件为所述精确率大于第二预设值，与所述网络大小对应的预设条件为所述机器学习模型的网络层数小于第三预设值。5.如权利要求1所述的机器学习模型训练方法，其特征在于，所述机器学习模型包括多个卷积层、多个最大池采样层、全连接层，其中，所述多个卷积层和所述多个最大池采样层交替连接组成，所述多个最大池采样层用于对所述样本数据进行特征提取得到特征向量，所述多个全连接层相互连接，所述多个最大池采样层中的最后一个最大池采样层与多个所述全连接层的第一全连接层连接，用于向所述第一全连接层输入经过特征提取得到的特征向量，多个所述全连接层中的最后一个全连接层为一个分类器，所述分类器用于对所述特征向量进行分类得到检测结果。6.如权利要求5所述的机器学习模型训练方法，其特征在于，所述接收用户输入的样本数据对确定出的所述机器学习模型进行训练包括：使用样本数据以及与样本数据对应的类别标签建立训练集；通过所述机器学习模型的卷积层将所述训练集中的样本数据进行卷积运算和抽样运算；将所述机器学习模型的最后一个卷积层连接到一个或多个全连接层，其中全连接层被配置为将进行卷积和抽样运算后
提取到的样本数据的特征进行综合并输出训练参数和特征模型；判断机器学习模型是否满足收敛条件，其中，当特征模型与预设的标准特征模型或所述样本数据的类别标签一致时确定机器学习模型满足收敛条件，否则确定机器学习模型不满足收敛条件；当特征模型与预设的标准特征模型相一致时则输出特征模型；及当特征模型不满足收敛条件时反向传播调整所述机器学习模型的权矩阵。7.一种机器学习模型训练装置，其特征在于，所述装置包括：问题类型接收模块，用于接收用户选择的待处理的问题类型；模型确定模块，用于确定与所述问题类型相对应的机器学习模型；训练模块，用于接收用户输入的样本数据对确定出的机器学习模型进行训练；显示模块，用于分析训练完成后得到的所述机器学习模型的训练结果，将符合预设条件的训练结果进行显示；及模型提供模块，用于将符合预设条件的训练结果所对应的机器学习模型提供给用户。8.如权利要求7所述的机器学习模型训练装置，其特征在于，所述样本数据类别至少包括第一样本类别及第二样本类别，所述接收用户输入的样本数据对确定出的机器学习模型进行训练包括：获取正样本的样本数据及负样本的样本数据，并将正样本的样本数据标注样本类别，以使正样本的样本数据携带样本类别标签；将所述正样本的样本数据及所述负样本的样本数据随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练所述机器学习模型，并利用所述验证集验证训练后的所述机器学习模型的准确率；及若所述准确率大于或者等于预设准确率时，则结束训练；若所述准确率小于预设准确率时，则增加正样本数量及负样本数量以重新训练所述机器学习模型直至所述准确率大于或者等于预设准确率。9.如权利要求7所述的机器学习模型训练装置，其特征在于，所述机器学习模型包括多个卷积层、多个最大池采样层、全连接层，其中，所述多个卷积层和所述多个最大池采样层交替连接组成，所述多个最大池采样层用于对所述样本数据进行特征提取得到特征向量，所述多个全连接层相互连接，所述多个最大池采样层中的最后一个最大池采样层与多个所述全连接层的第一全连接层连接，用于向所述第一全连接层输入经过特征提取得到的特征向量，多个所述全连接层中的最后一个全连接层为一个分类器，所述分类器用于对所述特征向量进行分类得到检测结果。10.一种电子设备，其特征在于：所述电子设备包括处理器及存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1-6中任一项所述的机器学习模型训练方法。

技术总结
本发明涉及一种机器学习模型训练方法、装置及电子设备。所述方法包括：接收用户选择的待处理的问题类型；确定与所述问题类型相对应的机器学习模型；接收用户输入的样本数据对确定出的机器学习模型进行训练；分析训练完成后得到的所述机器学习模型的训练结果，将符合预设条件的训练结果进行显示；及将符合预设条件的训练结果所对应的机器学习模型提供给用户。本案能够使得用户根据问题类型快速确定出对应的机器学习模型，简化了选择机器学习模型进行训练的过程，并提高了机器学习模型的训练效率。率。率。


技术研发人员：孙国钦 蔡东佐 林子甄 李宛真 郭锦斌
受保护的技术使用者：鸿海精密工业股份有限公司
技术研发日：2020.05.15
技术公布日：2021/11/19