模型生成服务器及其模型生成方法技术

一种模型生成服务器及其模型生成方法。模型生成服务器存储一模型生成程序，其具有一配置组合。模型生成服务器针对特征类别、模型演算法类别及超参数，随机产生多个第一配置组合码，以设定配置组合，并基于第一优化演算法，运行模型生成程序，以决定一第一模型。根据第一模型对应的配置组合码所指示至少一选定特征类别及至少一选定模型演算法类别，模型生成服务器更针对特征、模型演算法及超参数，随机产生多个第二配置组合码，以设定配置组合，并基于第二优化演算法，运行模型生成程序，以决定一优化模型。

Model Generation Server and Its Model Generation Method

A model generation server and its model generation method. The model generation server stores a model generation program with a configuration combination. The model generation server randomly generates multiple first configuration combination codes for feature categories, model algorithm categories and hyperparameters to set configuration combinations. Based on the first optimization algorithm, the model generation program is run to determine a first model. According to at least one selected feature class and at least one selected model algorithm class indicated by the configuration combination code corresponding to the first model, the model generation server randomly generates multiple second configuration combination codes according to the features, model algorithm and super parameters to set the configuration combination. Based on the second optimization algorithm, the model generation program is run to determine an optimization model.

【技术实现步骤摘要】
模型生成服务器及其模型生成方法
本专利技术是关于模型生成服务器及其模型生成方法。具体而言，本专利技术的模型生成服务器进行二个阶段配置编码及优化程序，来生成优化模型。
技术介绍
随着科技的快速发展，机器学习及深度学习已成为目前科技研究的主流，且被广泛的应用在各种领域，例如：人脸辨识、自动驾驶、语音自动口译等。通过机器学习及深度学习以生成所需应用的模型的过程中，在进行模型训练前，开发者必须先通过人工方式依经验设定所需自原始数据中撷取的特征，并选择欲训练的模型演算法，同时在模型训练过程中亦需调整与模型演算法相关的所有参数(例如：基础参数及超参数)。然而，在目前模型训练的过程中，机器学习及深度学习通常只能自动调整模型演算法的基础参数，例如：卷积层或全连接层的权重(weight)和偏置项(bias)，而超参数大多是人工根据经验设定，并需经由多次的尝试来进行调整。在可选择的特征数量及模型演算法数量相当繁多，且超参数的调整仍需经由人工不断地反复地尝试调整的情况下，开发者需投入大量的时间在选择所需撷取的特征及所需训练的模型演算法，并调整超参数，才得以生成适当的模型，且难以评估所生成的模型是否为一优化模型。因此，便需要生成优化模型的一种模型生成机制，以用于如：人脸辨识、自动驾驶、语音自动口译等相关应用中。
技术实现思路
本专利技术的目的在于提供一种模型生成机制，其借由将模型训练中可选择的特征配置与模型演算法配置及可调整的超参数配置，进行配置组合编码，以产生多个配置组合码，并基于配置组合码，进行模型训练，同时基于优化演算法决定优化配置组合码，来生成优化模型。再者，本专利技术的模型生成机制是将优化程序分成两阶段，第一阶段主要是针对特征类别及模型演算法类别来进行第一阶段优化模型选择，而第二阶段进一步地对第一阶段优化模型所对应的特征类别中的特征及模型演算法类别中的模型演算法来进行第二阶段优化模型选择，并自动调整超参数配置，以生成最终的模型。如此一来，本专利技术的模型生成机制可有效地选择所需撷取的特征及所需训练的模型演算法，并自动调整超参数，以生成一优化模型。为达上述目的，本专利技术揭露一种模型生成服务器，其包含一网络接口、一存储器及一处理器。该存储器用以存储多个原始数据、多个输出标签及一模型生成程序。该多个输出标签对应至该多个原始数据。该模型生成程序具有一配置组合，其包含一特征撷取配置、一模型演算法配置及一模型演算法超参数配置。该特征撷取配置的一特征配置范围包含多个特征类别，各该特征类别包含多个特征。该模型演算法配置的一模型演算法配置范围包含多个模型演算法类别，各该模型演算法类别包含至少一模型演算法。该模型演算法超参数配置的一超参数配置范围包含多个超参数集，各该超参数集对应至该多个模型演算法其中之一且包含至少一超参数。当该模型生成程序被运行时，该特征撷取配置是用以使该模型生成程序自该多个原始数据产生多个训练数据，该模型演算法配置及该模型演算法超参数配置是用以使该模型生成程序基于该多个训练数据及该多个输出标签，进行一监督式学习训练，以生成一模型。该处理器，电性连接至该网络接口及该存储器，并用以执行下列步骤：基于该多个特征类别、该多个模型演算法类别及该多个超参数，进行一配置组合编码，以随机产生多个第一配置组合码，其中，各该第一配置组合码具有多个第一整数字段及多个第一浮点字段，该多个第一整数字段分别对应至该多个特征类别及该多个模型演算法类别且该多个第一浮点字段分别对应至该多个超参数，各该第一整数字段的一整数值是随机被产生且为1或0，该整数值为1的该第一整数字段代表所对应的该特征类别或该模型演算法类别被套用，该整数值为0的该第一整数字段代表所对应的该特征类别或该模型演算法类别不被套用，各该第一浮点字段的一浮点值是随机地被产生且落于所对应的该超参数的一预设范围内；基于一第一优化演算法，自该多个第一配置组合码中产生多个第一阶段优化配置组合码；分别根据该多个第一阶段优化配置组合码设定该模型生成程序的该配置组合，并运行该模型生成程序，以生成多个第一阶段模型；自该多个第一阶段模型中，决定一第一模型，其中该第一模型于该多个第一阶段模型中具有一相对最高精确度值，以及该第一模型所对应的该第一阶段优化配置组合码指示该多个特征类别中至少一选定特征类别及该多个模型演算法类别中至少一选定模型演算法类别；基于该至少一选定特征类别的多个选定特征、该至少一选定模型演算法类别的至少一选定模型演算法及对应该至少一选定模型演算法的至少一选定超参数，进行该配置组合编码，以随机产生多个第二配置组合码，其中，各该第二配置组合码具有多个第二整数字段及至少一第二浮点字段，该多个第二整数字段分别对应至该多个选定特征及该至少一选定模型演算法且该至少一第二浮点字段分别对应至该至少一选定超参数，各该第二整数字段的该整数值是随机被产生且为1或0，该整数值为1的该第二整数字段代表所对应的该选定特征或该选定模型演算法被套用，该整数值为0的该第二整数字段代表所对应的该选定特征或该选定模型演算法不被套用，各该至少一第二浮点字段的该浮点值是随机地被产生且落于所对应的该选定超参数的该预设范围内；基于一第二优化演算法，自该多个第二配置组合码中产生多个第二阶段优化配置组合码；分别根据该多个第二阶段优化配置组合码设定该模型生成程序的该配置组合，并运行该模型生成程序，以生成多个第二阶段模型；自该多个第二阶段模型中，决定一第二模型，其中该第二模型于该多个第二阶段模型中具有一相对最高精确度值；以及将该第二模型存储于该存储器中作为一优化模型。此外，本专利技术更揭露一种用于一模型生成服务器的模型生成方法。该模型生成服务器包含一网络接口、一存储器及一处理器。该存储器存储多个原始数据、多个输出标签及一模型生成程序。该多个输出标签对应至该多个原始数据。该模型生成程序具有一配置组合，其包含一特征撷取配置、一模型演算法配置及一模型演算法超参数配置。该特征撷取配置的一特征配置范围包含多个特征类别，各该特征类别包含多个特征。该模型演算法配置的一模型演算法配置范围包含多个模型演算法类别，各该模型演算法类别包含至少一模型演算法。该模型演算法超参数配置的一超参数配置范围包含多个超参数集，各该超参数集对应至该多个模型演算法其中之一且包含至少一超参数。当该模型生成程序被运行时，该特征撷取配置是用以使该模型生成程序自该多个原始数据产生多个训练数据。该模型演算法配置及该模型演算法超参数配置是用以使该模型生成程序基于该多个训练数据及该多个输出标签，进行一监督式学习训练，以生成一模型。该处理器电性连接至该网络接口及该存储器，该模型生成方法由该处理器执行且包含下列步骤：基于该多个特征类别、该多个模型演算法类别及该多个超参数，进行一配置组合编码，以随机产生多个第一配置组合码，其中，各该第一配置组合码具有多个第一整数字段及多个第一浮点字段，该多个第一整数字段分别对应至该多个特征类别及该多个模型演算法类别且该多个第一浮点字段分别对应至该多个超参数，各该第一整数字段的一整数值是随机被产生且为1或0，该整数值为1的该第一整数字段代表所对应的该特征类别或该模型演算法类别被套用，该整数值为0的该第一整数字段代表所对应的该特征类别或该模型演算法类别不被套用，各该第一浮点字本文档来自技高网...

【技术保护点】
1.一种模型生成服务器，其特征在于，包含：一网络接口；一存储器，用以存储多个原始数据、多个输出标签及一模型生成程序，该多个输出标签对应至该多个原始数据，该模型生成程序具有一配置组合，该配置组合包含一特征撷取配置、一模型演算法配置及一模型演算法超参数配置，该特征撷取配置的一特征配置范围包含多个特征类别，各该特征类别包含多个特征，该模型演算法配置的一模型演算法配置范围包含多个模型演算法类别，各该模型演算法类别包含至少一模型演算法，该模型演算法超参数配置的一超参数配置范围包含多个超参数集，各该超参数集对应至该多个模型演算法其中之一且包含至少一超参数，当该模型生成程序被运行时，该特征撷取配置是用以使该模型生成程序自该多个原始数据产生多个训练数据，该模型演算法配置及该模型演算法超参数配置是用以使该模型生成程序基于该多个训练数据及该多个输出标签，进行一监督式学习训练，以生成一模型；以及一处理器，电性连接至该网络接口及该存储器，并用以执行下列步骤：基于该多个特征类别、该多个模型演算法类别及该多个超参数，进行一配置组合编码，以随机产生多个第一配置组合码，其中，各该第一配置组合码具有多个第一整数字段及多个第一浮点字段，该多个第一整数字段分别对应至该多个特征类别及该多个模型演算法类别且该多个第一浮点字段分别对应至该多个超参数，各该第一整数字段的一整数值是随机被产生且为1或0，该整数值为1的该第一整数字段代表所对应的该特征类别或该模型演算法类别被套用，该整数值为0的该第一整数字段代表所对应的该特征类别或该模型演算法类别不被套用，各该第一浮点字段的一浮点值是随机地被产生且落于所对应的该超参数的一预设范围内；基于一第一优化演算法，自该多个第一配置组合码中产生多个第一阶段优化配置组合码；分别根据该多个第一阶段优化配置组合码设定该模型生成程序的该配置组合，并运行该模型生成程序，以生成多个第一阶段模型；自该多个第一阶段模型中，决定一第一模型，其中该第一模型于该多个第一阶段模型中具有一相对最高精确度值，以及该第一模型所对应的该第一阶段优化配置组合码指示该多个特征类别中至少一选定特征类别及该多个模型演算法类别中至少一选定模型演算法类别；基于该至少一选定特征类别的多个选定特征、该至少一选定模型演算法类别的至少一选定模型演算法及对应该至少一选定模型演算法的至少一选定超参数，进行该配置组合编码，以随机产生多个第二配置组合码，其中，各该第二配置组合码具有多个第二整数字段及至少一第二浮点字段，该多个第二整数字段分别对应至该多个选定特征及该至少一选定模型演算法且该至少一第二浮点字段分别对应至该至少一选定超参数，各该第二整数字段的该整数值是随机被产生且为1或0，该整数值为1的该第二整数字段代表所对应的该选定特征或该选定模型演算法被套用，该整数值为0的该第二整数字段代表所对应的该选定特征或该选定模型演算法不被套用，各该至少一第二浮点字段的该浮点值是随机地被产生且落于所对应的该选定超参数的该预设范围内；基于一第二优化演算法，自该多个第二配置组合码中产生多个第二阶段优化配置组合码；分别根据该多个第二阶段优化配置组合码设定该模型生成程序的该配置组合，并运行该模型生成程序，以生成多个第二阶段模型；自该多个第二阶段模型中，决定一第二模型，其中该第二模型于该多个第二阶段模型中具有一相对最高精确度值；以及将该第二模型存储于该存储器中作为一优化模型。...

【技术特征摘要】
2017.11.15 TW 1061394901.一种模型生成服务器，其特征在于，包含：一网络接口；一存储器，用以存储多个原始数据、多个输出标签及一模型生成程序，该多个输出标签对应至该多个原始数据，该模型生成程序具有一配置组合，该配置组合包含一特征撷取配置、一模型演算法配置及一模型演算法超参数配置，该特征撷取配置的一特征配置范围包含多个特征类别，各该特征类别包含多个特征，该模型演算法配置的一模型演算法配置范围包含多个模型演算法类别，各该模型演算法类别包含至少一模型演算法，该模型演算法超参数配置的一超参数配置范围包含多个超参数集，各该超参数集对应至该多个模型演算法其中之一且包含至少一超参数，当该模型生成程序被运行时，该特征撷取配置是用以使该模型生成程序自该多个原始数据产生多个训练数据，该模型演算法配置及该模型演算法超参数配置是用以使该模型生成程序基于该多个训练数据及该多个输出标签，进行一监督式学习训练，以生成一模型；以及一处理器，电性连接至该网络接口及该存储器，并用以执行下列步骤：基于该多个特征类别、该多个模型演算法类别及该多个超参数，进行一配置组合编码，以随机产生多个第一配置组合码，其中，各该第一配置组合码具有多个第一整数字段及多个第一浮点字段，该多个第一整数字段分别对应至该多个特征类别及该多个模型演算法类别且该多个第一浮点字段分别对应至该多个超参数，各该第一整数字段的一整数值是随机被产生且为1或0，该整数值为1的该第一整数字段代表所对应的该特征类别或该模型演算法类别被套用，该整数值为0的该第一整数字段代表所对应的该特征类别或该模型演算法类别不被套用，各该第一浮点字段的一浮点值是随机地被产生且落于所对应的该超参数的一预设范围内；基于一第一优化演算法，自该多个第一配置组合码中产生多个第一阶段优化配置组合码；分别根据该多个第一阶段优化配置组合码设定该模型生成程序的该配置组合，并运行该模型生成程序，以生成多个第一阶段模型；自该多个第一阶段模型中，决定一第一模型，其中该第一模型于该多个第一阶段模型中具有一相对最高精确度值，以及该第一模型所对应的该第一阶段优化配置组合码指示该多个特征类别中至少一选定特征类别及该多个模型演算法类别中至少一选定模型演算法类别；基于该至少一选定特征类别的多个选定特征、该至少一选定模型演算法类别的至少一选定模型演算法及对应该至少一选定模型演算法的至少一选定超参数，进行该配置组合编码，以随机产生多个第二配置组合码，其中，各该第二配置组合码具有多个第二整数字段及至少一第二浮点字段，该多个第二整数字段分别对应至该多个选定特征及该至少一选定模型演算法且该至少一第二浮点字段分别对应至该至少一选定超参数，各该第二整数字段的该整数值是随机被产生且为1或0，该整数值为1的该第二整数字段代表所对应的该选定特征或该选定模型演算法被套用，该整数值为0的该第二整数字段代表所对应的该选定特征或该选定模型演算法不被套用，各该至少一第二浮点字段的该浮点值是随机地被产生且落于所对应的该选定超参数的该预设范围内；基于一第二优化演算法，自该多个第二配置组合码中产生多个第二阶段优化配置组合码；分别根据该多个第二阶段优化配置组合码设定该模型生成程序的该配置组合，并运行该模型生成程序，以生成多个第二阶段模型；自该多个第二阶段模型中，决定一第二模型，其中该第二模型于该多个第二阶段模型中具有一相对最高精确度值；以及将该第二模型存储于该存储器中作为一优化模型。2.如权利要求1所述的模型生成服务器，其特征在于，该第一优化演算法是一基因演算法及一粒子群优化演算法其中之一。3.如权利要求1所述的模型生成服务器，其特征在于，该第二优化演算法是一基因演算法及一粒子群优化演算法其中之一。4.如权利要求1所述的模型生成服务器，其特征在于，该处理器基于该多个原始数据与该多个输出标签间的一映像关系，计算进行该监督式学习训练所生成的该模型的一精确度值。5.如权利要求4所述的模型生成服务器，其特征在于，该处理器更通过该网络接口自一外部装置接收该多个原始数据及该多个输出标签。6.如权利要求1所述的模型生成服务器，其特征在于，该处理器基于该优化模型，产生一软件开发工具包，以供一外部装置下载。7.如权利要求1所述的模型生成服务器，其特征在于，该多个特征类别包含一运算特征类别、一统计特征类别、一能量特征类别及一简化特征类别。8.如权利要求1所述的模型生成服务器，其特征在于，该多个模型演算法类别包含一马可夫模型演算法类别、一贝氏演算法类别、一基于实例演算法类别、一神经网络演算法类别、一域转换演算法类别、一模糊逻辑演算法类别以及一回...

【专利技术属性】
技术研发人员：蒋益庭，戴宗明，陈柏年，
申请(专利权)人：财团法人资讯工业策进会，
类型：发明
国别省市：中国台湾,71