分类模型快速训练方法和终端设备技术

本发明专利技术适用于机器学习技术领域，提供了一种分类模型快速训练方法和终端设备，其中，所述的分类模型快速训练方法包括：获取预训练模型和数据集；将数据集划分为若干相同大小的子集，并确定子集中的任意一个子集为训练集；将子集中的其他子集合并以生成测试集；根据训练集训练预训练模型；根据测试集测试训练后的预训练模型；根据测试结果对训练后的预训练模型进行评估。在本发明专利技术实施例提供的分类模型快速训练方法和终端设备中，由于预训练模型是已应用于其他分类问题的模型，相较于新建模型，对其进行适应性训练和局部优化所需的时间和数据量必然大幅减小，从而解决了现有技术对机器分类模型进行训练时耗时较长和训练所需数据过多的问题。

【技术实现步骤摘要】
分类模型快速训练方法和终端设备
本专利技术属于机器学习
，尤其涉及一种分类模型快速训练方法和终端设备。
技术介绍
在传统的机器学习的框架下，学习的任务就是在给定的训练数据的基础上，通过不断优化模型的参数而得到一个符合预期学习效果的分类模型，然后利用这个分类模型执行自动分类或判断的工作，例如，对文档进行分类。然而，机器学习在当前的研究中存在着两个关键的问题：(1)耗时长。以深度学习为例，深度学习是一个大型的神经网络模型，层数比较多，训练需要耗费很长时间，且越复杂的神经网络模型所需要的训练数据越多，训练所需时间也就越多。(2)消耗资源。仍以深度学习为例，大型神经网络模型的训练需要大量数据支撑，至少需要数千或数百万个标记样本。海量训练数据需要人工预先完成标注或分类，以保证训练的可靠性，消耗了大量的人力与物力。大量的训练数据、模型参数以及模型各层响应还会消耗大量内存。
技术实现思路
有鉴于此，本专利技术实施例提供了一种分类模型快速训练方法和终端设备，以解决现有技术对机器分类模型进行训练时耗时较长和训练所需数据过多的问题。根据第一方面，本专利技术实施例提供了一种分类模型快速训练方法，包括：获本文档来自技高网...

【技术保护点】
1.一种分类模型快速训练方法，其特征在于，包括：获取预设的预训练模型和数据集；将所述数据集划分为若干相同大小的子集，并确定所述子集中的任意一个子集为训练集；将所述子集中的其他子集合并，并将合并后的所述子集中的其他子集作为测试集；根据所述训练集训练所述预训练模型；根据所述测试集测试训练后的所述预训练模型，并获取测试结果；根据所述测试结果对训练后的所述预训练模型进行评估。

【技术特征摘要】
1.一种分类模型快速训练方法，其特征在于，包括：获取预设的预训练模型和数据集；将所述数据集划分为若干相同大小的子集，并确定所述子集中的任意一个子集为训练集；将所述子集中的其他子集合并，并将合并后的所述子集中的其他子集作为测试集；根据所述训练集训练所述预训练模型；根据所述测试集测试训练后的所述预训练模型，并获取测试结果；根据所述测试结果对训练后的所述预训练模型进行评估。2.如权利要求1所述的分类模型快速训练方法，其特征在于，所述训练集和所述测试集为两个互斥的集合。3.如权利要求2所述的分类模型快速训练方法，其特征在于，所述训练集和所述测试集具有相同的数据分布特性。4.如权利要求1至3中任一项所述的分类模型快速训练方法，其特征在于，所述根据所述测试结果对训练后的所述预训练模型进行评估，包括：判断所述测试结果是否符合预设的应用需求；当所述测试结果符合预设的应用需求时，输出训练后的所述预训练模型。5.如权利要求4所述的分类模型快速训练方法，其特征在于，所述根据所述测试结果对训练后的所述预训练模型进行评估，还包括：当所述测试结果不符合预设的应用需求时，重复执行所述将所述数据集划分为若干相同大小的子集，并确定所述子集中的任意一个子集为训练集；将所述子集中的其他子集合并，并将合并后的所述子集中的其他子集作为测试集；根据所述训练集训练所述预训练模型；根据所述测试集测试训练后的所述预训练模型，并获取测试结果；...

【专利技术属性】
技术研发人员：王威，赵正旭，吴又奎，
申请(专利权)人：中科恒运股份有限公司，
类型：发明
国别省市：河北,13