基于元特征的智能模型构建方法技术

本发明专利技术公开了基于元特征的智能模型构建方法，采用基于元特征的智能模型描述方法，对智能模型各类关键特征进行描述和抽象，并通过设置建立的模型描述文件中的参数取值，实现智能模型的重构，在此架构下，开发者无需理解复杂的知识背景，仅需基于对模型描述文件的理解，配置合适的元特征状态，便可完成满足不同业务需求的智能模型设计开发，有效提高了智能应用的开发效率，降低了开发中的学习成本，同时扩展了智能应用开发中的智能模型的可选范围。

【技术实现步骤摘要】
基于元特征的智能模型构建方法
本专利技术属于机器学习
，具体涉及基于元特征的智能模型构建方法。
技术介绍
目前，人工智能技术被广泛应用到了生活的各个领域。人工智能技术应用的关键是设计并开发机器学习模型。现有用于支持机器学习模型开发的技术方法大多是定义一套设计框架，开发者调用框架中的接口进行模型内部计算的实现。主流的设计框架有Caffe、Tensorflow、Pytorch及Theano，与本专利技术最为接近的是Caffe设计框架。Caffe采用表示和实现分离的方法实现深度神经网路模型的设计和运行，它使用ProtoclBuffer定义模型文件，并使用特殊的文本文件prototxt表示网络结构，以有向非循环图的形式构建学习网络。Caffe的基本流程包括：准备数据、编写网络结构文件、编写网络求解文件、开始训练及使用训练的模型进行预测。使用现有技术进行智能模型设计时会面临设计框架接口繁多，接口参数复杂，框架本身学习起点高等问题。通常为了实现某一功能的智能模型，需要掌握全套的设计框架，从而导致智能模型开发成本高、学习门槛高、开发效率低，使普通的程序开发者对机器学习技术望而却步。
技术实现思路
有鉴于此，本专利技术提供了基于元特征的智能模型构建方法，能够简单高效地完成智能模型的构建。本专利技术提供的基于元特征的智能模型构建方法，包括以下步骤：步骤1、从智能模型的模型源代码中提取元特征，所述元特征为智能模型的特征信息；基于所述元特征生成智能模型的模型描述文件；根据所述模型描述文件中记录的算法参数特征信息在所述模型源代码中添加相应的参数标记，形成标记模型源代码；步骤2、使用时，从步骤1形成的一系列标记模型源代码及模型描述文件中，选择待构建智能模型的标记模型源代码及模型描述文件，设置模型描述文件中的算法参数完成模型描述文件的配置；根据配置好的模型描述文件修改标记模型源代码，得到最终的待构建智能模型的标记模型源代码，完成待构建智能模型的构建。进一步地，所述模型描述文件的生成及配置过程，均采用可视化方式实现。有益效果：1、本专利技术采用基于元特征的智能模型描述方法，对智能模型各类关键特征进行描述和抽象，并通过设置建立的模型描述文件中的参数取值，实现智能模型的重构，在此架构下，开发者无需理解复杂的知识背景，仅需基于对模型描述文件的理解，配置合适的元特征状态，便可完成满足不同业务需求的智能模型设计开发，有效提高了智能应用的开发效率，降低了开发中的学习成本，同时扩展了智能应用开发中的智能模型的可选范围；2、本专利技术采用可视化的方式实现模型描述文件的生成及配置，有效提高了智能模型构建方法的效率及易用性，为智能模型的快速开发奠定了基础。附图说明图1为本专利技术提供的基于元特征的智能模型构建方法的模型描述文件示意图。图2为本专利技术提供的基于元特征的智能模型构建方法的源代码标记方法示意图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术提供的基于元特征的智能模型构建方法，其基本思想是：提取智能模型的源代码中的元特征，形成模型描述文件，再依据模型描述文件对智能模型的源代码进行标记，形成智能模型的标记模型源代码，根据需要选定标记模型源代码及模型描述文件，配置模型描述文件，并根据配置好的模型描述文件修改其对应的标记模型源代码，最终形成所需的智能模型。本专利技术提供的基于元特征的智能模型构建方法，具体包括以下步骤：步骤1、从智能模型的模型源代码中提取元特征；基于所述元特征生成智能模型的模型描述文件；根据所述模型描述文件中记录的算法参数特征信息在所述模型源代码中添加相应的参数标记，形成标记模型源代码。其中，智能模型的模型源代码，可以自行编写，也可选择现有的源代码。本专利技术中的元特征是指智能模型的特征信息，是对智能模型的特征抽象，涵盖了有关智能模型的算法参数、开发语言、开发工具、硬件系统、操作系统等多类特征信息。然后，根据从模型源代码中提取到的元特征，生成模型描述文件。最后，根据模型描述文件中记录的算法参数特征信息，在模型源代码中添加参数标记，用于在参数值替换时匹配参数在源码文件中的准确位置。此外，为了进一步提高智能模型构建方法的效率及易用性，可采用可视化方式实现模型描述文件的生成过程，即结合系统UI库和元特征的定义，构建智能模型描述文件的定义界面完成智能模型描述文件的生成过程。具体应用中，可将模型描述文件及标记模型源代码打包放置到相同的计算机目录中。步骤2、使用时，从步骤1形成的一系列标记模型源代码及模型描述文件中，选择待构建智能模型的标记模型源代码及模型描述文件，设置模型描述文件中的算法参数完成模型描述文件的配置；根据配置好的模型描述文件修改标记模型源代码，得到最终的待构建智能模型的标记模型源代码，完成待构建智能模型的构建。具体来说，开发者在步骤1设定的计算机目录中选择需要使用的模型，解析模型的描述文件，生成模型参数配置界面，开发者在配置界面中配置模型，配置完毕后，模型配置界面将配置值替换到与该模型描述文件相对应的标记模型源码中，以完成智能模型的设计。实施例：本实施例中，采用本专利技术提供的基于元特征的智能模型构建方法，实现模型的快速开发，具体过程包括如下步骤：步骤1.1、编写机器学习算法的实现源码，本例中用python语言实现了DBSCA算法的源码。根据元特征，从DBSCA算法的源码中搜集模型参数，生成模型描述文件，本实施例中使用xml文件记录模型描述文件，文件内容如下图1所示。本实施例中的模型描述文件包括以下几个方面：·模型名称：模型的名称，显示的模型选择列表中。·模型作者：模型的作者名称。·模型支持：模型的支持领域。·使用框架：模型内部使用的智能框架，包括开发语言、开发工具、硬件系统、操作系统。·模型描述：模型的功能等方面的描述，包括算法参数。·可视化：模型是否支持可视化。·分布式：模型是否支持分布式部署。·参数标记名称，用来和模型源码中的标记进行匹配，方便参数值替换到模型源码中。·参数显示名称，用来显示到模型配置界面上的名称。·是否必须：表明该参数是否在模型配置时必填·参数描述：用于描述该参数作用的文字内容。·参数值：若干个合法参数值，供用户选择。若不存在供选择的参数值，可让用户自由输入。然后，对BDSCAN算法的源码进行标记，本实施例使用的标记方式如图2所示，采用’<％％>’标记和正常源码区分，’<％％>’标记中的内容为参数标记名称，用于参数值的替换。将上述模型描述文件及标记模型源代码打包放置到计算机目录中，本例中模型打包的目录结构如下所示：|----模型仓库目录||----模型名称|||------model(模型模板源码所在目录)|||------model.properties(模型描述文件)|本文档来自技高网...

【技术保护点】
1.基于元特征的智能模型构建方法，其特征在于，包括以下步骤：/n步骤1、从智能模型的模型源代码中提取元特征，所述元特征为智能模型的特征信息；基于所述元特征生成智能模型的模型描述文件；根据所述模型描述文件中记录的算法参数特征信息在所述模型源代码中添加相应的参数标记，形成标记模型源代码；/n步骤2、使用时，从步骤1形成的一系列标记模型源代码及模型描述文件中，选择待构建智能模型的标记模型源代码及模型描述文件，设置模型描述文件中的算法参数完成模型描述文件的配置；根据配置好的模型描述文件修改标记模型源代码，得到最终的待构建智能模型的标记模型源代码，完成待构建智能模型的构建。/n

【技术特征摘要】
1.基于元特征的智能模型构建方法，其特征在于，包括以下步骤：
步骤1、从智能模型的模型源代码中提取元特征，所述元特征为智能模型的特征信息；基于所述元特征生成智能模型的模型描述文件；根据所述模型描述文件中记录的算法参数特征信息在所述模型源代码中添加相应的参数标记，形成标记模型源代码；
步骤2、使用时，从步骤1形成的一系列标记模型源代码及模...

【专利技术属性】
技术研发人员：温研，
申请(专利权)人：北京麟卓信息科技有限公司，
类型：发明
国别省市：北京;11