模型生成方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了模型生成方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及深度学习等人工智能等技术领域。具体实现方案为：确定样本中的多个属性分别对目标模型的稳定性影响程度；根据所述稳定性影响程度，从所述多个属性中确定目标属性；根据所述样本中的所述目标属性，对所述目标模型进行优化，生成优化后的目标模型。采用上述方案能够提高目标模型的稳定性。模型的稳定性。模型的稳定性。

【技术实现步骤摘要】
模型生成方法、装置、电子设备及存储介质


[0001]本公开涉及计算机
，尤其涉及深度学习等人工智能等
，具体涉及一种模型生成方法、装置、电子设备及存储介质。

技术介绍

[0002]随着计算机技术的发展，人工智能技术也飞速发展。出现深度学习模型、机器学习模型等。这些模型能够根据输入的数据，进行某些数据的预测。由于模型可处理的数据类型广泛，因此可应用于各种场景。一般情况下，模型生成时，首要要求是预测效果准确，从而大部分模型生成或训练过程也以此为标准。但是仅具有预测效果准确的特点，仍然难以满足某些特殊场景下的预测要求，需要对模型进行进一步优化，使得模型在这些特殊场景下具有更优的综合效果。

技术实现思路

[0003]本公开提供了一种模型生成方法、装置、电子设备及存储介质。
[0004]根据本公开的第一方面，提供了一种模型生成方法，包括：确定样本中的多个属性分别对目标模型的稳定性影响程度；根据所述稳定性影响程度，从所述多个属性中确定目标属性；根据所述样本中的所述目标属性，对所述目标模型进行优化，生成优化后的目标模型。
[0005]根据本公开的第二方面，提供了一种模型生成装置，包括：影响程度确定模块，用于确定样本中的多个属性分别对目标模型的稳定性影响程度；选取模块，用于根据所述稳定性影响程度，从所述多个属性中确定目标属性；优化模块，用于根据所述样本中的所述目标属性，对所述目标模型进行优化，生成优化后的目标模型。
[0006]根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面的方法。
[0007]根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使该计算机执行前述方法。
[0008]根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述方法。
[0009]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
[0010]本实施例提供的方案，根据属性对目标模型的稳定性影响程度，选择目标属性，根据目标属性生成优化后的目标模型，从而能够提高目标模型的稳定性，使得目标模型能够适用于对模型稳定性要求较高的场景。
附图说明
[0011]附图用于更好地理解本方案，不构成对本公开的限定。其中：图1是根据本公开一实施例的模型生成方法的流程示意图；图2a和图2b是根据本公开一实施例的模型生成方法中的单属性的内容的稳定性评估示例的示意图；图3是根据本公开另一实施例的模型生成方法中的评估流程示意图；图4a和图4b是根据本公开另一实施例的决策树组成结构示意图；图5是根据本公开一实施例的模型生成装置的一种组成结构示意图；图6是根据本公开一实施例的模型生成装置的另一种组成结构示意图；图7是用来实现本公开实施例的模型生成方法的电子设备的框图。
具体实施方式
[0012]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0013]本公开第一方面实施例提供一种模型生成方法，如图1所示，包括：步骤S101：确定样本中的多个属性分别对目标模型的稳定性影响程度；步骤S102：根据所述稳定性影响程度，从所述多个属性中确定目标属性；步骤S103：根据所述样本中的所述目标属性，对所述目标模型进行优化，生成优化后的目标模型。
[0014]上述样本的数量可以为一个或多个，比如可以是一个或多个样本集中，每个样本集包含的一个或多个样本；其中，每一个样本可以是实物、虚拟物、虚拟信息、生物等任意之一。
[0015]在样本不同的情况下，样本所包含的多个属性可能不同。比如，样本为动物的情况下，多个属性可以包括动物的体重、毛发颜色、高度等。再如，样本为植物的情况下，多个属性可以包括植物的高度、果实生长状况、枝干粗细等。再如，样本为人的情况下，多个属性可以包括人的身高、年龄、性别、年收入、职业等。再如，样本为网络新闻的情况下，多个属性可以包括网络新闻的文本长度、图片数量、图片清晰度、标题清晰度、文本流畅性等。
[0016]在一种可能的实现方式中，样本中的多个属性分别对目标模型的稳定性影响程度，可以包括任意一个属性本身对目标模型的结构稳定性的影响程度，和任意一个属性对目标模型的输出结果稳定性的影响程度中至少之一。
[0017]目标模型可以是未训练的模型，也可以是经过一定的训练过程而得到的模型。
[0018]在一种可能的实现方式中，确定样本中的多个属性分别对目标模型的稳定性影响程度，可以是将样本中的多个属性中各属性分别作为目标模型的输入数据，得到各属性分
别对应的输出结果，基于各属性分别对应的输出结果得到属性对目标模型的稳定性的影响程度。
[0019]再进一步地，所述将样本中的多个属性中各项属性分别作为目标模型的输入数据，得到各属性分别对应的输出结果，可以是将样本中的多个属性中第i个属性的不同内容分别作为目标模型的输入数据，得到第i个属性的不同内容分别对应的输出结果；其中，第i个属性为所述多个属性中任意之一，i为大于等于1的整数。
[0020]所述输出结果的稳定性具体可以指的是：所述输出结果的准确性是否稳定。
[0021]比如，样本中（比如一个样本集中的一个或多个样本）存在多个属性A、B、C、D，将属性A作为第i个属性，仅将该属性A的不同内容（即属性A的内容发生变化）作为目标模型的输入数据，得到目标模型输出的不同的输出结果，基于该不同的输出结果的准确性是否稳定，确定属性A对目标模型的影响程度。另外，针对属性B、C、D也可以依次采用同样的方法进行影响程度的判断。
[0022]再如，样本中（比如一个样本集中的一个或多个样本）存在多个属性A、B、C、D，将属性A作为第i个属性，将该属性A的不同内容（即属性A的内容发生变化）以及其他属性的不变的内容（即属性B、C、D的内容不变）共同作为目标模型的输入数据，得到目标模型输出的不同的输出结果，基于该不同的输出结果的准确性是否稳定，确定属性A对目标模型的影响程度。另外，针对属性B、C、D也可以依次采用同样的方法进行影响程度的判断。
[0023]再如，样本中（比如一个样本集中的一个或多个样本）存在多个属性A、B、C、D，将属性A作为第i个属性，判断A的内容发生变化，其它目标属性的内容不发生变化的情况下（即属性A的内容发生变化），是否对目标模型的结构稳定性存在影响，进而确定属性A对目标模型的影响程度。对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型生成方法，包括：确定样本中的多个属性分别对目标模型的稳定性影响程度；根据所述稳定性影响程度，从所述多个属性中确定目标属性；根据所述样本中的所述目标属性，对所述目标模型进行优化，生成优化后的目标模型。2.根据权利要求1所述的方法，其中，所述确定样本中的多个属性分别对目标模型的稳定性影响程度，包括：确定所述样本中的所述多个属性的内容的稳定性；根据所述多个属性的内容的稳定性，确定所述多个属性分别对所述目标模型的稳定性影响程度。3.根据权利要求2所述的方法，其中，所述确定所述样本中的所述多个属性的内容的稳定性，包括：确定所述多个属性中第i个属性的内容在不同样本中的变化信息；i为大于等于1的整数；根据所述变化信息，确定所述第i个属性的内容的稳定性。4.根据权利要求2所述的方法，其中，所述确定所述样本中的所述多个属性的内容的稳定性，包括：确定所述样本中所述多个属性中第i个属性的内容的区分度评估指标；i为大于等于1的整数；根据所述区分度评估指标，确定所述第i个属性的内容的稳定性。5.根据权利要求2所述的方法，其中，所述确定所述样本中的所述多个属性的内容的稳定性，包括：根据所述多个属性中第i个属性对应的正样本以及负样本，确定所述第i个属性对应的标记正样本率、未标记正样本率、标记负样本率、未标记负样本率；i为大于等于1的整数；根据所述第i个属性对应的标记正样本率、未标记正样本率、标记负样本率和未标记负样本率，确定所述第i个属性的内容的稳定性。6.根据权利要求1所述的方法，还包括：对所述优化后的目标模型进行稳定性评估，得到评估结果；根据所述评估结果，更新所述优化后的目标模型。7.根据权利要求6所述的方法，其中，所述对所述优化后的目标模型进行稳定性评估，得到评估结果，包括：将第j个属性在多个样本的多个内容分别输入所述优化后的目标模型，获得多个输出结果；j为大于等于1的整数；根据所述多个输出结果，确定所述评估结果。8.根据权利要求6所述的方法，其中，所述对所述优化后的目标模型进行稳定性评估，得到评估结果，包括：利用所述优化后的目标模型，对多个样本进行打分，获得多个分数；根据所述多个分数的取值范围，确定分数划分区间；根据所述优化后的目标模型在所述分数划分区间的区分度评估指标，确定待校验区间；
根据所述待校验区间对应的样本的待校验参数值，对所述优化后的目标模型进行稳定性评估，得到评估结果。9.根据权利要求1所述的方法，还包括：确定所述优化后的目标模型所包含的函数；根据所述函数之间的关联关系以及所述目标属性的样本的标签信息，确定区分度评估指标，根据所述区分度评估指标更新所述优化后的目标模型。10.一种模型生成装置，包括：影响程度确定模块，用于确定样本中的多个属性分别对目标模型的稳定性影响程度；选取模块，用于根据所述稳定性影响程度，从所述多个属性中确定目标属性；优化模块，用于根据所述样本中的所述目标属性，对所述目标模型进行优化，生成优化后的目...

【专利技术属性】
技术研发人员：李硕，陈才，刘昊骋，徐靖宇，孙倩，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：