【技术实现步骤摘要】
销量预测及其模型训练方法、装置
本专利技术涉及深度学习
，具体涉及一种销量预测及其模型训练方法、装置、计算机设备及存储介质。
技术介绍
目前，深度学习的各类训练模型已经比较成熟，这些成熟的训练模型一般运行在单机上，但是单机的CPU和内存资源比较有限。由于当前对商品销售企业(例如，零售便利店或零售超市)采集的数据量比较大，如果采用单机则需要极高的配置才能实现。而如果采用分布式集群服务器，则需要需要对训练模型的算法代码本身做出很多调整，大大增加了训练模型的算法应用的复杂度，增加了研发人员的工作量。
技术实现思路
本专利技术要解决现有技术中现有的训练模型在单机上运行资源有限，在分布式集群服务器上运行则需要大幅度调整训练模型的算法代码的问题，从而提供一种销量预测及其模型训练方法、装置、计算机设备及存储介质。本专利技术的一方面，提供了一种模型训练方法，包括：获取训练样本数据；按照样本类别将所述训练样本数据进行分类，形成多列样本数据；将所述多列样本数据逐列分发到部署在无服务器架构上的训练模型，由所述训练模型进行训练，得到训练后的模型，其中，部署在无服务器架构上的所述训练模型...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：获取训练样本数据；按照样本类别将所述训练样本数据进行分类，形成多列样本数据；将所述多列样本数据逐列分发到部署在无服务器架构上的训练模型，由所述训练模型进行训练，得到训练后的模型，其中，部署在无服务器架构上的所述训练模型为在单机上运行的模型。
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取训练样本数据；按照样本类别将所述训练样本数据进行分类，形成多列样本数据；将所述多列样本数据逐列分发到部署在无服务器架构上的训练模型，由所述训练模型进行训练，得到训练后的模型，其中，部署在无服务器架构上的所述训练模型为在单机上运行的模型。2.根据权利要求1所述的方法，其特征在于，在按照样本类别将所述训练样本数据进行分类，形成多列样本数据之后，还包括：将所述多列样本数据存储在分布式存储服务器上。3.根据权利要求1所述的方法，其特征在于，按照样本类别将所述训练样本数据进行分类，形成多列样本数据包括：将所述训练样本数据打包形成数据矩阵，其中，所述数据矩阵中每一列代表一个样本类别。4.根据权利要求1所述的方法，其特征在于，还包括：在所述无服务器架构上按照所述样本类别构建对应的子训练模型，其中，每个样本类别对应一个子训练模型；其中，将所述多列样本数据逐列分发到部署在无服务器架构上的训练模型包括：按照所述样本类别将每列样本数据分发到对应的子训练模型中进行训练。5.根据权利要求1-4任一项所述的方法，其特征在于，所述训练样本数据为商品销量数据，所述样本类别为商品类别，所述训练模型为销量预测模型。6.一种销量预测方法，其特征在于，包括：获取预设时间的商品销量数据；按照商品类别对所述商品...
【专利技术属性】
技术研发人员：李健豪，
申请(专利权)人：北京超萌国际文化有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。