获取神经网络测试报告的方法、装置、设备和存储介质制造方法及图纸

本申请涉及页面智能决策领域，提供了获取神经网络测试报告的方法、装置、设备和存储介质，方法包括：获取特征数据。将所述特征数据以及特征输入至第一神经网络，通过第一神经网络的代价函数训练所述第一神经网络模型，以得到模型参数w。根据w对所述特征数据进行降维，以获得降维后的特征数据。将所述降维后的特征数据输入至第二神经网络。获取所述第二神经网络参数的变化状态信息，以及执行状态信息。将所述变化状态信息以及所述执行状态信息汇总成日志，根据所述日志生成测试报告。产生的监控报告更好的监控到参数的变化以及检测训练错误的环节，更好的根据参数的变化调整神经网络模型的超参数，获得符合需求的神经网络模型超参数。

Methods, devices, devices and storage media for obtaining neural network test reports

The application relates to the field of page intelligent decision-making, and provides a method, device, device and storage medium for obtaining a neural network test report. The method includes: obtaining characteristic data. The feature data and features are input to the first neural network, and the first neural network model is trained by the cost function of the first neural network to obtain the model parameter W. The feature data is dimensionally reduced according to w to obtain the feature data after dimensionality reduction. The feature data after dimension reduction is input to the second neural network. Obtaining the change state information of the second neural network parameter and the execution state information. The change state information and the execution state information are summarized into a log, and a test report is generated according to the log. The generated monitoring report can better monitor the changes of parameters and detect the training errors, better adjust the super parameters of the neural network model according to the changes of parameters, and obtain the super parameters of the neural network model that meet the needs.

【技术实现步骤摘要】
获取神经网络测试报告的方法、装置、设备和存储介质
本申请涉及智能决策领域，提供了获取神经网络测试报告的方法、装置、设备和存储介质
技术介绍
在信保贷款领域中，不同的信保贷款平台在保存的数据会存在差异性以及记录的数据可能存在异常或者缺失。所以导致数据对模型进行训练时，导致模型输入的数据存在许多异常的数据，使得神经网络模型训练时出错的环节比较多，模型所出具的测试报告质量较低，使得研究员无法知道是哪个环节出错以及根据测试报告去调整模型的超参数，进而研究员要浪费大量的时间去调整超参数，从而导致资源的浪费。超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据，例如神经网络的学习率(多种模式)，深层神经网络隐藏层数以及k均值聚类中的簇数。
技术实现思路
本申请提供了一种通过封装的页面开发功能的方法，能够解决现有技术中页面开发效率的过低、无法对版本做快熟迭代的问题。第一方面，本申请提供一种获取神经网络测试报告方法，包括：获取特征数据。将所述特征数据输，通过第一神经网络的代价函数训练所述第一神经网络模型，以得到模型参数w。所述特征是指特征数据里的至少一项信息，所述第一神经网络的代价函数为：其中y(i)是指所述特征，w是指所述第一神经网络的模型参数，x(i)是指所述特征数据，λ为正数，||w||1表示参数w的L1范数。根据模型参数w对所述特征数据进行降维，以获得降维后的特征数据。将所述降维后的特征数据输入至第二神经网络。获取所述第二神经网络训练过程中的所述第二神经网络参数的变化状态信息，以及获取所述第二神经网络训练、入参、出参以及计算过程的执行状态信息。将所述变化状态信息以及所述执行状态信息汇总成日志，根据所述日志生成测试报告。相较于现有技术，本申请提供的方案中，通过预处理将与神经网络模型的无关数据剔除以及检测神经网络模型训练的出错环节，完成对神经网络模型训练过程中无关参数的检测以及减少训练的参数。由于训练参数的减少以及训练环节的检测，监控报告可以更好的监控到参数的变化以及检测训练错误的环节，可以更好的根据参数的变化调整神经网络模型的超参数，获得更符合需求的神经网络模型。在一些可能的设计中，所述根据所述日志生成测试报告之后，所述方法还包括：根据所述报告评估所述第二神经网络训练是否成功。所述根据所述报告评估所述第二神经网络训练是否成功，包括：根据所述执行状态信息判断训练过程是否出现错误，若没出现错误，则判断所述第二神经网络训练成功。或者，根据所述第二神经网络参数的上限以及下限，确定参数的范围；所述参数至少包括学习率η、准确率以及损失函数的值；根据所述变化状态信息以及所述第二神经网络参数范围判断第二神经网络参数是否落在所述参数范围内，若第二神经网络参数落在所述参数范围，则判断所述第二神经网络训练成功。或者，判断第二神经网络的损失函数的值是否高于阈值，若没高于阈值则判断所述第二神经网络训练成功。所述损失函数是指，其中所述是指损失函数，是指所述降维后的特征数据输入至所述第二神经网络的期望输出，是指所述降维后的特征数据输入至所述第二神经网络的实际输出。在一些可能的设计中，所述根据模型参数w对所述特征数据进行降维，以获得降维后的特征数据之后，所述方法还包括：对所述降维后的特征数据做归一化处理。所述归一化是指对所述降维后的特征数据进行线性变换，使降维后的特征数据映射到[0，1]之间。所述归一化通过以下数学公式执行：xi*＝(xi-mini)/(maxi-mini)其中maxi是指所述降维后的特征数据的第i个特征的最大值，mini是指所述降维后的特征数据的第i个特征的最小值，xi是指所述降维后的特征数据的第i个特征的任意数据，xi*是指转换后的降维后的特征数据第i个特征特征对应的数据。在一些可能的设计中，所述获取特征数据之前，所述方法还包括：处理所述特征数据的缺失值。在一些可能的设计中，所述处理所述特征数据的缺失值至少包括以下实现方式之一：通过平均值、众数以及中位数对所述缺失值进行填充。或者，将所述缺失值作为一种状态进行记录。或者，将缺失值的记录进行删除。在一些可能的设计中，所述获取特征数据之后，所述方法还包括：对所述特征数据做特征衍生，以得到新的特征。所述特征衍生是指用所述特征数据通过过计数、求和、求比例、做时间差以及寻找所述特征数据的波动率进行衍生。在一些可能的设计中，其特征在于，所述第一神经网络以及所述第二神经网络通过激活函数进行映射神经网络的输出；所述激活函数的数学表现形式如下：其中y是指所述第一神经网络以及第二神经网络的神经元的输出，x是指所述第一神经网络以及第二神经网络的的神经元的输入，a为非零常数。第二方面，本申请提供一种获取神经网络测试报告装置，具有实现对应于上述第一方面提供的获取神经网络测试报告的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述获取神经网络测试报告装置包括：输入输出模块模块，用于获取特征数据。处理模块，用于将将所述特征数据输入至第一神经网络，通过第一神经网络的代价函数训练所述第一神经网络模型，以得到模型参数w。所述特征是指特征数据里的至少一项信息，所述第一神经网络的代价函数为：其中y(i)是指所述特征，w是指所述第一神经网络的模型参数，x(i)是指所述特征数据，λ为正数，||w||1表示参数w的L1范数。根据模型参数w对所述特征数据进行降维，以获得降维后的特征数据。将所述降维后的特征数据输入至第二神经网络。获取所述第二神经网络训练过程中的所述第二神经网络参数的变化状态信息，以及获取所述第二神经网络训练、入参、出参以及计算过程的执行状态信息。将所述变化状态信息以及所述执行状态信息汇总成日志，根据所述日志生成测试报告。在一些可能的设计中，所述处理模块还用于：根据所述报告评估所述第二神经网络训练是否成功。所述根据所述报告评估所述第二神经网络训练是否成功，包括：根据所述执行状态信息判断训练过程是否出现错误，若没出现错误，则判断所述第二神经网络训练成功。或者，根据所述第二神经网络参数的上限以及下限，确定参数的范围；所述参数至少包括学习率η、准确率以及损失函数的值；根据所述变化状态信息以及所述第二神经网络参数范围判断第二神经网络参数是否落在所述参数范围内，若第二神经网络参数落在所述参数范围，则判断所述第二神经网络训练成功。或者，判断第二神经网络的损失函数的值是否高于阈值，若没高于阈值则判断所述第二神经网络训练成功。所述损失函数是指，其中所述是指损失函数，是指所述降维后的特征数据输入至所述第二神经网络的期望输出，是指所述降维后的特征数据输入至所述第二神经网络的实际输出。在一些可能的设计中，所述本文档来自技高网...

【技术保护点】
1.一种获取神经网络测试报告的方法，其特征在于，所述方法包括：/n获取特征数据；/n将所述特征数据输入至第一神经网络，通过第一神经网络的代价函数训练所述第一神经网络模型，以得到模型参数w；，所述第一神经网络的代价函数为：/n

【技术特征摘要】
1.一种获取神经网络测试报告的方法，其特征在于，所述方法包括：
获取特征数据；
将所述特征数据输入至第一神经网络，通过第一神经网络的代价函数训练所述第一神经网络模型，以得到模型参数w；，所述第一神经网络的代价函数为：

其中y(i)是指所述特征，w是指所述第一神经网络的模型参数，x(i)是指所述特征数据，λ为正数，||w||1表示参数w的L1范数；
根据模型参数w对所述特征数据进行降维，以获得降维后的特征数据；
将所述降维后的特征数据输入至第二神经网络；
获取所述第二神经网络训练过程中的所述第二神经网络参数的变化状态信息，以及获取所述第二神经网络训练、入参、出参以及计算过程的执行状态信息；
将所述变化状态信息以及所述执行状态信息汇总成日志，根据所述日志生成测试报告。


2.根据权利要求1所述的方法，其特征在于，所述根据所述日志生成测试报告之后，所述方法还包括：
根据所述报告评估所述第二神经网络训练是否成功；
所述根据所述报告评估所述第二神经网络训练是否成功，包括：
根据所述执行状态信息判断训练过程是否出现错误，若没出现错误，则判断所述第二神经网络训练成功；
或者，根据所述第二神经网络参数的上限以及下限，确定参数的范围；所述参数至少包括学习率η、准确率以及损失函数的值；
根据所述变化状态信息以及所述第二神经网络参数范围判断第二神经网络参数是否落在所述参数范围内，若第二神经网络参数落在所述参数范围，则判断所述第二神经网络训练成功；
或者，判断第二神经网络的损失函数的值是否高于阈值，若没高于阈值则判断所述第二神经网络训练成功；所述损失函数是指L[(Y,f(X)]＝[Y-f(X)]2，其中所述L[(Y,f(X)]是指损失函数，Y是指所述降维后的特征数据输入至所述第二神经网络的期望输出，f(X)是指所述降维后的特征数据输入至所述第二神经网络的实际输出。


3.根据权利要求1所述的方法，其特征在于，所述根据模型参数w对所述特征数据进行降维，以获得降维后的特征数据之后，所述方法还包括：
对所述降维后的特征数据做归一化处理；所述归一化是指对所述降维后的特征数据进行线性变换，使降维后的特征数据映射到[0，1]之间；所述归一化通过以下数学公式执行：
xi*＝(xi-mini)/(maxi-mini)
其中maxi是指所述降维后的特征数据的第i个特征的最大值，mini是指所述降维后的特征数据的第i个特征的最小值，xi是指所述降维后的特征数据的第i个特征的任...

【专利技术属性】
技术研发人员：尤亮升，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44