AI模型生成方法、电子设备和存储介质技术

本申请提供了一种AI模型生成方法、电子设备和存储介质。方法包括：获取目标AI模型对应的业务需求；根据业务需求在基础数据库中确定目标模型和目标超参数配置信息，或者根据业务需求和预设的专家经验逻辑在预训练模型中确定目标模型以及确定目标超参数配置信息，或者根据业务需求和网络结构搜索逻辑在网络结构向量空间中确定目标模型及根据业务需求和超参数搜索逻辑确定目标超参数配置信息；根据目标超参数配置信息配置目标模型，及根据训练数据对目标模型进行训练，以生成目标AI模型。通过不同的模式确定业务需求对应的模型和超参数配置，基于不同模式的AI模型生成方法可以实现系统化、低门槛化的降本增效，推动AI规模化落地。落地。落地。

【技术实现步骤摘要】
AI模型生成方法、电子设备和存储介质


[0001]本申请涉及人工智能
，尤其涉及一种AI模型生成方法、电子设备和存储介质。

技术介绍

[0002]人工智能(AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，近年来，人们对人工智能的需求与日俱增。
[0003]AI技术落地包括数据处理、模型设计、模型训练、模型发布等，落地门槛较高。尽管已经有了pytorch、tensorflow、caffe等较为主流的深度学习开源框架，但是仍然需要对AI算法有较强开发能力，针对不同的数据、场景等需求，反复调试数据、网络结构、超参数等，费时费力，且需求专家级工程师经验。
[0004]在此背景下，AutoML(自动化机器学习技术)技术应运而生，可以用AI设计AI，降低AI技术的使用门槛。但是，目前AutoML相关产品要么是面向专业工程师，要么是功能简单，比如只有一个公开常见预训练模型，不利于AI低门槛落地。

技术实现思路

[0005]本申请提供了一种AI模型生成方法、电子设备和存储介质，旨在提高AutoML技术生成的AI模型的适应性和降低使用门槛。
[0006]第一方面，本申请实施例提供了一种AI模型生成方法，包括：
[0007]获取目标AI模型对应的业务需求；
[0008]确定模型生成模式，所述模型生成模式包括第一生成模式、第二生成模式、第三生成模式中的至少一种；
[0009]若确定所述模型生成模式为所述第一生成模式，根据所述业务需求在基础数据库中确定目标模型和目标超参数配置信息；
[0010]若确定所述模型生成模式为所述第二生成模式，根据所述业务需求和预设的专家经验逻辑在预训练模型中确定目标模型，以及确定目标超参数配置信息；
[0011]若确定所述模型生成模式为所述第三生成模式，根据所述业务需求和网络结构搜索逻辑在网络结构向量空间中确定目标模型，根据所述业务需求和超参数搜索逻辑确定目标超参数配置信息；
[0012]根据所述目标超参数配置信息配置所述目标模型，及根据训练数据对所述目标模型进行训练，以生成目标AI模型。
[0013]第二方面，本申请实施例提供了一种电子设备，包括存储器和处理器；
[0014]所述存储器用于存储计算机程序；
[0015]所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现上述的AI模型生成方法。
[0016]第三方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储
介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述的AI模型生成方法。
[0017]本申请实施例提供了一种AI模型生成方法、电子设备和存储介质，通过获取目标AI模型对应的业务需求；根据业务需求在基础数据库中确定目标模型和目标超参数配置信息，或者根据业务需求和预设的专家经验逻辑在预训练模型中确定目标模型以及确定目标超参数配置信息，或者根据业务需求和网络结构搜索逻辑在网络结构向量空间中确定目标模型及根据业务需求和超参数搜索逻辑确定目标超参数配置信息；根据目标超参数配置信息配置目标模型，及根据训练数据对目标模型进行训练，以生成目标AI模型。通过不同的模式确定业务需求对应的模型和超参数配置，不同的模式具有不同的特点，不同模式之间相互耦合，基于不同模式的AI模型生成方法可以实现系统化、低门槛化的降本增效，推动AI规模化落地。
[0018]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请实施例的公开内容。
附图说明
[0019]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本申请实施例提供的一种AI模型生成方法的流程示意图；
[0021]图2是AI模型生成方法应用场景的示意图；
[0022]图3是AutoML系统的基础层的有向无环图的示意图；
[0023]图4是AutoML系统的预制层的有向无环图的示意图；
[0024]图5是一实施方式中AutoML系统的定制层的有向无环图的示意图；
[0025]图6是另一实施方式中AutoML系统的定制层的有向无环图的示意图；
[0026]图7是一实施方式中AutoML系统底层框架的示意图；
[0027]图8是本申请实施例提供的一种电子设备的示意性框图。
具体实施方式
[0028]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0029]附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0030]下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
[0031]请参阅图1，图1是本申请实施例提供的一种AI模型生成方法的流程示意图。所述AI模型生成方法可以应用在电子设备，如终端设备或服务器中，用于生成AI模型等过程；其
中，终端设备可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备；服务器可以为独立的服务器，也可以为服务器集群。
[0032]示例性的，如图2所示，AI模型生成方法应用在服务器时的场景示意图。服务器可以从终端设备获取业务需求，执行AI模型生成方法生成目标AI模型，还可以将生成的目标AI模型发送给终端设备，以便终端设备进行模型测试或部署等操作。
[0033]如图1所示，本申请实施例的AI模型生成方法包括步骤S110至步骤S160。
[0034]S110、获取目标AI模型对应的业务需求。
[0035]示例性的，在终端设备的显示装置显示需求获取界面，用户可以在需求获取界面输入业务需求。可以理解的，目标AI模型表示用户需要的AI模型。
[0036]在一些实施方式中，所述业务需求包括以下至少一种：任务类型、终端类型、应用场景、算力需求。从而终端设备的用户可以根据需要设定业务需求，以便服务器执行AI模型生成方法，生成符合用户需要的目标AI模型，生成的目标AI模型更有针对性。
[0037]其中，任务类型表示用户需要的目标AI模型的实用场景，如该目标AI模型需要处理的任务，如分类、检测、视频、自然语言处理等。终端类型表示目标AI模型的部署环境，如部署该目标AI模型的终端的型号、终端的处理器类型、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种AI模型生成方法，其特征在于，包括：获取目标AI模型对应的业务需求；确定模型生成模式，所述模型生成模式包括第一生成模式、第二生成模式、第三生成模式中的至少一种；若确定所述模型生成模式为所述第一生成模式，根据所述业务需求在基础数据库中确定目标模型和目标超参数配置信息；若确定所述模型生成模式为所述第二生成模式，根据所述业务需求和预设的专家经验逻辑在预训练模型中确定目标模型，以及确定目标超参数配置信息；若确定所述模型生成模式为所述第三生成模式，根据所述业务需求和网络结构搜索逻辑在网络结构向量空间中确定目标模型，根据所述业务需求和超参数搜索逻辑确定目标超参数配置信息；根据所述目标超参数配置信息配置所述目标模型，及根据训练数据对所述目标模型进行训练，以生成目标AI模型。2.根据权利要求1所述的AI模型生成方法，其特征在于，所述业务需求包括以下至少一种：任务类型、终端类型、应用场景、算力需求。3.根据权利要求1所述的AI模型生成方法，其特征在于，所述方法还包括：根据所述业务需求确定所述训练数据的数据增强策略，所述数据增强策略包括以下至少一种：数据清洗、数据预处理、数据扩充；基于所述基础数据库中与所述数据增强策略对应的数据增强处理单元，对所述训练数据进行增强处理。4.根据权利要求1
‑
3中任一项所述的AI模型生成方法，其特征在于，所述AI模型生成方法用于AutoML系统，所述AutoML系统包括有向无环图；所述根据所述目标超参数配置信息配置所述目标模型，及根据训练数据对所述目标模型进行训练，以生成目标AI模型，包括：在所述有向无环图中确定工作流路径，所述有向无环图用于描述所述AutoML系统的自动化工作流，所述工作流路径包括所述目标模型的标识、所述目标超参数配置信息的标识、训练策略的标识，以及所述目标模型的标识和所述目标超参数配置信息的标识之间的路径、所述目标超参数配置信息的标识和所述训练策略的标识之间的路径；基于所述工作流路径，根据所述训练数据对所述目标模型进行训练，以生成目标AI模型。5.根据权利要求4所述的AI模型生成方法，其特征在于，所述有向无环图包括所述基础数据库中多个AI模型的标识和多个超参数配置信息的标识；所述根据所述业务需求在基础数据...

【专利技术属性】
技术研发人员：蒋阳，豆泽阳，庞磊，赵丛，
申请(专利权)人：共达地创新技术深圳有限公司，
类型：发明
国别省市：