一种人工智能自动训练方法、系统、装置及存储介质与流程

技术特征：
1.一种人工智能自动训练方法，其特征在于，包括以下步骤：接收上传的样本数据，并对样本数据进行人工或自动化辅助标注；根据样本数据的标注信息，选择与所述标注信息对应的目标业务领域；根据所述目标业务领域，从与所述目标业务领域对应的模型训练任务中选择目标模型训练任务；根据所述目标模型训练任务匹配目标深度学习模型；针对所述目标深度学习模型，进行自动化模型训练和参数预训练；根据模型训练任务类型和评价方法，实现自动化模型评价。2.根据权利要求1所述的人工智能自动训练方法，其特征在于，所述样本数据通过本地上传或服务器上传。3.根据权利要求1所述的人工智能自动训练方法，其特征在于，所述自动化辅助标注为根据样本数据类型利用已有模型实现样本数据自动标注。4.根据权利要求3所述的人工智能自动训练方法，其特征在于，所述自动标注基于用户上传样本数据时选择的样本数据类型实现，样本数据基于通过校核的标注信息应用于模型训练。5.根据权利要求4所述的人工智能自动训练方法，其特征在于，所述自动化辅助标注包括输变电图像标注、安监视频标注以及文本信息标注；所述输变电图像标注包括对输变电图像中的以下至少一个目标对象的标注：异物、绝缘子、细小金具或导地线；安监视频标注包括对安监视频中至少一个目标对象的标注：越线闯入、未戴安全帽、未穿工装、吸烟、未携带正确工具、人脸识别、未佩戴绝缘手套或带电设备附近用非绝缘物品；文本信息标注包括对文本信息中的以下至少一个目标对象的标注：电力设备、线路、变电站、组织机构、地点或人名。6.根据权利要求1所述的人工智能自动训练方法，其特征在于，所述业务领域包括运检业务、调度业务、安监业务以及营销业务；运检业务对应图像识别、声纹识别以及知识图谱的模型训练任务；调度业务对应知识图谱构建、文本分析、语音识别以及语音合成的模型训练任务；安监业务对应视频分析的模型训练任务，营销业务对应语音识别、情感分析以及知识图谱的模型训练任务。7.根据权利要求1所述的人工智能自动训练方法，其特征在于，所述深度学习模型的自动化模型训练和参数训练的具体方法如下：针对卷积神经网络，采用基于搜索空间正则化的方法进行自动化模型训练和参数预训练；针对循环神经网络，采用基于搜索空间正则化的方法进行自动化模型训练和参数预训练；针对图卷积神经网络，采用基于信息传递机制的方法进行自动化模型训练和参数预训练。8.根据权利要求1所述的人工智能自动训练方法，其特征在于，所述根据所述目标模型训练任务匹配目标学习模型，包括：确定目标模型训练任务的类型；若所述目标模型训练任务的类型为图像类，确定目标深度学习模型为卷积神经网络；
若所述目标模型训练任务的类型为自然语言处理类，确定目标深度学习模型为循环神经网络；若所述目标模型训练任务的类型为语音识别类，确定目标深度学习模型为图卷积神经网络。9.根据权利要求7所述的人工智能自动训练方法，其特征在于，所述采用基于搜索空间正则化的方法进行自动化模型训练和参数预训练，包括：将搜索空间松弛为连续、可微分的函数；基于梯度下降算法进行网络结构搜索。10.根据权利要求9所述的人工智能自动训练方法，其特征在于，所述将搜索空间松弛为连续、可微分的函数，包括：分别将搜索空间cell中每个中间节点x
j
与所有前驱节点{x1,x2,
…
,x
(j-1)
}进行稠密链接，搜索空间cell为包含n个节点和若干边的有向无环图，每个节点代表一个特征层，节点i与节点j之间的边e
(i,j)
代表特征变换操作o(
∙
)∈o,其中i<j；对每一条边上的所有特征变换操作计算权重参数α
(i,j)
；通过softmax函数对每个特征变换操作的权重参数进行归一化，归一化结果用于对各操作进行加权聚合。11.根据权利要求9所述的人工智能自动训练方法，其特征在于，所述基于梯度下降算法进行网络结构搜索时，进行搜索空间近似处理和搜索空间正则化处理。12.根据权利要求7所述的人工智能自动训练方法，其特征在于，所述基于信息传递机制的方法所采用的搜索空间由目标图神经结构范式构造，所述目标图神经结构范式具有树状拓扑计算过程和目标细粒度基本操作子，所述目标细粒度基本操作子包括特征过滤和邻居聚合，所述特征过滤用于执行自适应特征选择，所述邻居聚合用于捕获结构信息并计算邻居的统计量；所述基于信息传递机制的方法所采用的搜索策略包括：通过采用门控机制来控制信息流的方法执行特征的自适应选择；采用稀疏过滤器f
s
(h)和密集过滤器f
d
(h)，来胜任粗细粒度的特征过滤任务：f
s
(h)=diag(m
q
([h,h
in
]))h,f
d
(h)=m
z
([h,h
in
])
⊙
h
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，h表示待过滤的图嵌入，h
in
表示整个图神经结构计算树的初始输入；使用与可微分的网络搜索架构相同的方法来使搜索空间连续，然后松弛一个操作为所有可能操作的softmax：
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，o表示所有可能操作的集合；松弛之后，以共同学习所有混合操作中的架构参数α和权重参数w为优化目标；架构参数α和权重参数w使用基于梯度的方法进行有效优化；在确定搜索框架过程中，将每个混合操作替换为最可能的操作：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)。13.根据权利要求1所述的人工智能自动训练方法，其特征在于，所述评价方法包括计算准确率、计算召回率以及计算f值；
所述准确率的计算公式如下：准确率=识别出的正确实体数/识别出的实体数所述召回率的计算公式如下：召回率=识别出的正确实体数/样本数据中的实体数准确率和召回率的取值在0和1之间，数值越接近1，准确率或召回率就越高；所述f值的计算公式如下：当准确率和召回率出现矛盾时，f值为：f值=(2
×
准确率
×
召回率)/(准确率 召回率)其中，f值为准确率和召回率的加权调和平均值。14.一种人工智能自动训练系统，其特征在于，包括：样本数据管理模块，所述样本数据管理模块用于接收上传的样本数据，并对样本数据进行人工或自动化辅助标注；业务领域选择模块，所述业务领域选择模块用于根据样本数据的标注信息，选择与所述标注信息对应的目标业务领域；目标模型训练任务选择模块，所述目标模型训练任务选择模块用于根据所述目标业务领域，从与所述目标业务领域对应的模型训练任务中选择目标模型训练任务；目标深度学习模型匹配模块，所述目标深度学习模型匹配模块用于根据所述目标模型训练任务匹配目标深度学习模型；模型和参数训练模块，所述模型和参数训练模块用于针对所述目标深度学习模型，进行自动化模型训练和参数预训练；模型评价模块，所述模型评价模块用于根据模型训练任务类型和评价方法，实现自动化模型评价。15.根据权利要求14所述的人工智能自动训练系统，其特征在于，还包括：服务器管理模块，所述服务器管理模块实现对cpu服务器和gpu服务器的管理，将模型训练任务分到分布式的计算节点上执行计算；训练框架集成模块，所述训练框架集成模块实现对训练过程的抽象，确定相关数据和参数后，启动训练任务并监控和分析训练过程；池化计算资源管理模块，所述池化计算资源管理模块用于将gpu资源云化，实现启动训练任务时平台会自动把训练任务分配到对应的gpu上；资源隔离和环境管理模块，所述资源隔离和环境管理模块实现对计算节点中的资源和环境的管理，兼容不同型号的gpu、不同版本的cuda/cudnn和不同的深度学习框架。16.一种人工智能自动训练装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-13任一项所述方法的步骤。17.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-13任一项所述方法的步骤。

技术总结
本发明公开了一种人工智能自动训练方法、系统、装置及存储介质，设计面向卷积神经网络、递归神经网络、图卷积神经网络等一系列网络搜索框架，设计电力模型结构相适应的基本操作子，探索可行的模型搜索策略，实现电网应用场景下多任务的自动化训练，降低人工智能模型开发难度，解决传统人工智能算法中特征选择、模型评价等依靠个人经验和繁琐耗时的问题，提高人工智能模型开发效率。本发明可面向调度、运检、安监等领域提供图像识别、视频分析、文本分析、语音识别等人工智能算法自动训练，构建电力输变电设备巡检缺陷故障识别、安全生产监控违规操作识别、电力实体识别等模型，支撑电力调度、运检、安监、营销等各业务人工智能应用。营销等各业务人工智能应用。营销等各业务人工智能应用。


技术研发人员：王晓辉 季知祥 蒲天骄 刘鹏 肖凯 郭鹏天 李道兴
受保护的技术使用者：中国电力科学研究院有限公司
技术研发日：2022.06.14
技术公布日：2022/7/15