深度学习的实现方法、装置制造方法及图纸

本发明专利技术公开了深度学习的实现方法、装置，在本方案中，在本发明专利技术实施例技术方案中，由于使用者只需要通过交互操作即可实现深度学习模型的训练，并使用训练后的深度学习模型进行预测，故而，使用者无需具有编程基础，使得深度学习模型的训练和预测的操作简便，深度学习更能普及。

【技术实现步骤摘要】

本专利技术涉及人工智能
，尤其涉及深度学习的实现方法、装置。
技术介绍
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。现有技术中，用户需要根据自己的需求编程实现深度学习模型，并编程实现深度学习模型的训练参数的配置，以及数据的读入、解析和预测等。如果用户需要使用多种深度学习模型，那么用户自行编程的工作量将非常大。故此，现有技术中，存在深度学习模型的训练和利用深度学习模型进行预测的方法，受编程实现的限制，造成深度学习的实现过程操作复杂。
技术实现思路
本专利技术实施例提供了深度学习的实现方法、装置，用以解决目前存在的使用者必须学会编程，由此造成深度学习的实现过程操作复杂的问题。本专利技术实施例提供了一种深度学习的实现方法，包括：接收上传的样本数据；所述样本数据中包括至少一个样本；对所述样本数据进行分组获得分组结果，所述分组结果中至少包括训练集，所述训练集中包括第一预设数量的样本；接收对预先构建的至少一个深度学习模型的选择指令；以及，接收对训练参数进行设定的设定指令；根据所述训练集，所述设定指令中包括的训练参数，对选择的深度学习模型进行训练，获得训练后的深度学习模型。进一步地，本专利技术还提供一种深度学习的实现方法，所述方法包括：接收上传的待预测数据；以及，接收对至少一个训练后的深度学习模型的模型选择指令；接收对所述待预测数据进行预测的预测指令；根据选择的训练后的深度学习模型对所述待预测数据进行预测，并显示预测结果。进一步地，本专利技术还提供了一种深度学习的实现装置，包括：数据接收模块，用于接收上传的样本数据；所述样本数据中包括至少一个样本；划分模块，用于对所述样本数据进行分组获得分组结果，所述分组结果中至少包括训练集，所述训练集中包括第一预设数量的样本；选择指令接收模块，用于接收对预先构建的至少一个深度学习模型的选择指令；设定指令接收模块，用于接收对训练参数进行设定的设定指令；训练模块，用于根据所述训练集，所述设定指令中包括的训练参数，对选择的深度学习模型进行训练，获得训练后的深度学习模型。进一步地，本专利技术还提供了一种深度学习的实现装置，所述装置包括：待预测数据接收模块，用于接收上传的待预测数据；选择模块，用于接收对至少一个训练后的深度学习模型的模型选择指令预测指令接收模块，用于接收对所述待预测数据进行预测的预测指令；预测处理模块，用于根据选择的训练后的深度学习模型对所述待预测数据进行预测，并显示预测结果。本专利技术有益效果如下：在本专利技术实施例技术方案中，由于使用者只需要通过交互操作即可实现深度学习模型的训练，并使用训练后的深度学习模型进行预测，故而，使用者无需具有编程基础，使得深度学习模型的训练和预测的操作简便，深度学习更能普及。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1所示为本专利技术实施例一中所述深度学习的实现方法的流程示意图；图2所示为本专利技术实施例二中所述深度学习的实现方法的流程示意图；图3所示为本专利技术实施例三中深度学习模型的训练和预测方法的流程示意图；图4所示为本专利技术实施例三中所述深度学习的界面示意图1；图5所示为本专利技术实施例三中所述深度学习的界面示意图2；图6所示为本专利技术实施例三中所述深度学习的界面示意图3；图7所示为本专利技术实施例三中所述深度学习的界面示意图4；图8所示为本专利技术实施例三中所述深度学习的界面示意图5；图9所示为本专利技术实施例三中所述深度学习的界面示意图6；图10所示为本专利技术实施例三中所述深度学习的界面示意图7；图11所示为本专利技术实施例三中所述深度学习的界面示意图8；图12所示为本专利技术实施例三中所述深度学习的界面示意图9；图13所示为本专利技术实施例三中所述深度学习的界面示意图10；图14所示为本专利技术实施例三中所述深度学习的界面示意图11；图15所示为本专利技术实施例四中所述深度学习的实现装置的结构示意图；图16所示为本专利技术实施例五中所述深度学习的实现装置的结构示意图。具体实施方式本专利技术实施例提供了一种深度学习模型的训练以及预测方法、装置，在本专利技术实施例技术方案中，由于使用者只需要通过交互操作即可实现深度学习模型的训练，并使用训练后的深度学习模型进行预测，故而，使用者无需具有编程基础，使得深度学习模型的训练和预测的操作简便，深度学习更能普及。为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。实施例一：如图1所示，其为本专利技术实施例一中深度学习的实现方法的流程示意图，深度学习方法可包括以下步骤：步骤101：接收上传的样本数据；所述样本数据中包括至少一个样本。其中，在一个实施例中，样本数据是用来训练深度学习模型的数据，例如多媒体数据(可以包括图像数据、音频数据、文本数据中的至少一种)、生物化学领域的数据、用于数值计算的数据等。其中，在一个实施例中，样本数据可以是满足预设格式的样本数据，例如，将图像数据打包成压缩文件格式。其中，在一个实施例中，接收样本数据后，将样本数据存储在指定存储区域。其中，指定存储区域例如是根据样本数据的数据类型，存储在指定文件夹下。步骤102：对所述样本数据进行分组获得分组结果，所述分组结果中至少包括训练集，所述训练集中包括第一预设数量的样本。其中，在一个实施例中，可以设定训练集占样本数据的训练集比例，按照该训练集比例，获得训练集。例如，训练集比例为A(A为小于1的正数)，样本数据的数量为B，则划分得到的训练集的样本数据数量为(A*B)个。还可以根据设定的数量获取训练集，可以根据训练集比例确定第一预设数量，也可以将设定的数量视为第一预设数量。其中，设定的数量可以是默认的数量，也可以是用户指定的数量。步骤103：接收对预先构建的至少一个深度学习模型的选择指令。其中，在一个实施本文档来自技高网...

【技术保护点】
一种深度学习的实现方法，其特征在于，包括：接收上传的样本数据；所述样本数据中包括至少一个样本；对所述样本数据进行分组获得分组结果，所述分组结果中至少包括训练集，所述训练集中包括第一预设数量的样本；接收对预先构建的至少一个深度学习模型的选择指令；以及，接收对训练参数进行设定的设定指令；根据所述训练集，所述设定指令中包括的训练参数，对选择的深度学习模型进行训练，获得训练后的深度学习模型。

【技术特征摘要】
1.一种深度学习的实现方法，其特征在于，包括：
接收上传的样本数据；所述样本数据中包括至少一个样本；
对所述样本数据进行分组获得分组结果，所述分组结果中至少包括训练
集，所述训练集中包括第一预设数量的样本；
接收对预先构建的至少一个深度学习模型的选择指令；以及，
接收对训练参数进行设定的设定指令；
根据所述训练集，所述设定指令中包括的训练参数，对选择的深度学习模
型进行训练，获得训练后的深度学习模型。
2.根据权利要求1所述的方法，其特征在于，所述分组结果中还包括测
试集，所述测试集中包括第二预设数量的样本；所述训练参数中包括迭代次数，
所述方法还包括：
在对选择的深度学习模型进行训练的过程中，根据所述测试集确定每次迭
代后得到的训练后的深度学习模型的评估效果，并显示所述评估效果；所述评
估效果中包括以下中的至少一种：模型精度、损失、混淆矩阵。
3.根据权利要求2所述的方法，其特征在于，对所述样本数据进行分组
获得分组结果，具体包括：
接收对所述训练集和所述测试集中各自包括的样本数量的设置指令；
根据所述设置指令，对所述样本数据进行分组，获得所述训练集和所述测
试集。
4.根据权利要求1所述的方法，其特征在于，所述接收上传的样本数据
之后，所述方法还包括：
显示所述样本数据的概况信息，所述概况信息中包括以下信息中的至少一
种：样本数量、样本分类数量、样本数据所在文件的文件名、样本数据的数据
量、上传样本数据的时间、样本数据的数据类型、样本数据可用的深度学习模
型。
5.根据权利要求1所述的方法，其特征在于，所述接收上传的样本数据
之后，所述方法还包括：
接收预览所述样本数据的预览指令；
显示所述样本数据。
6.一种深度学习的实现方法，其特征在于，所述方法包括：
接收上传的待预测数据；以及，
接收对至少一个训练后的深度学习模型的模型选择指令；
接收对所述待预测数据进行预测的预测指令；
根据选择的训练后的深度学习模型对所述待预测数据进行预测，并显示预
测结果。
7.一种深度学习的实现装置，其特征在于，包括：
数据接收模块，用于接收上传的样本数据；所述样本数据中包括至少一个
样本；
划分模块，用于...

【专利技术属性】
技术研发人员：冯霁，段晓辉，王立鹏，芦颖，
申请(专利权)人：山西牡丹深度智能科技有限公司，
类型：发明
国别省市：山西;14