模型生成方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种模型生成方法、装置、电子设备及存储介质，涉及机器学习技术领域。通过所提供的AI算法平台可输入业务类型及训练数据集，并根据业务类型及训练数据集中的数据类型分别实现对训练数据集的标注、探索，并生成模型配置信息，从而执行模型配置信息生成用于执行业务类型对应业务的模型。通过本方法用户仅需输入生成模型所需的相关信息，即可自动化的生成业务类型对应的模型，减少人工训练模型时的人力投入，且用户无需学习底层算法的细节就可以获得所需的模型，门槛较低。另外，基于用户输入的精度损失阈值即可自动化的生成满足精度损失阈值的轻量化模型，从而满足模型在边缘端平台上的部署，使得生成的模型更加适用于边缘AI的业务场景。边缘AI的业务场景。边缘AI的业务场景。

【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]本申请涉及机器学习
，具体而言，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]随着机器学习的不断发展，越来越多的企业通过在业务平台中部署高性能的神经网络模型以代替人工解决业务问题。
[0003]目前，大多企业均是采用边缘端平台部署神经网络模型，如移动端/嵌入式设备，这些平台的特点是内存资源少，处理器性能不高，功耗受限，这使得目前大多精度较高的模型根本无法在这些平台进行部署和达到实时运行，而轻量化的模型，计算速度更快，对硬件的要求更低，可以适用于边缘端平台。因此，如何生成轻量化的神经网络模型成为亟待解决的问题。

技术实现思路

[0004]本申请的目的在于，针对上述现有技术中的不足，提供一种模型生成方法、装置、电子设备及存储介质，以便于实现模型的轻量化处理。
[0005]为实现上述目的，本申请实施例采用的技术方案如下：
[0006]第一方面，本申请实施例提供了一种模型生成方法，包括：
[0007]获取用户输入的业务类型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型生成方法，其特征在于，包括：获取用户输入的业务类型及训练数据集；根据所述业务类型，确定所述训练数据集的标注方式，并根据所述标注方式得到标注后的训练数据集；根据所述训练数据集的数据类型、以及所述业务类型，对所述标注后的训练样本集执行对应的数据探索任务，得到数据探索结果；根据所述数据探索结果以及所述业务类型，确定模型生成参数，所述模型生成参数至少包括：人工智能算法以及参数；根据所述数据探索结果、所述模型生成参数以及用户输入的精度损失阈值，生成模型配置信息，并根据所述模型配置信息，生成目标模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述业务类型，确定所述训练数据集的标注方式，并根据所述标注方式得到标注后的训练数据集，包括：根据所述业务类型，从所述训练数据集的数据类型所匹配的标注方法中确定目标标注方法；采用目标标注方法对所述训练数据集中的各训练样本数据进行标注，得到标注后的训练数据集。3.根据权利要求1所述的方法，其特征在于，所述根据所述标注方式得到标注后的训练数据集之后，还包括：根据所述训练数据集的数据类型，采用与所述数据类型匹配的至少一种数据增强算法，对所述训练数据集中的各训练样本数据进行扩增，得到各训练样本数据对应的扩增样本数据，所述数据类型包括：文本数据、图像数据、结构化数据；根据生成所述扩增样本数据所采用的数据增强算法，生成所述扩增样本数据的标注信息；根据所述各训练样本数据、以及各训练样本数据对应的扩增样本数据，得到目标训练数据集。4.根据权利要求1所述的方法，其特征在于，所述根据所述数据探索结果以及所述业务类型，确定模型生成参数，包括：根据所述数据探索结果、以及所述业务类型，从人工智能算法库中确定至少一种人工智能算法；分别确定各人工智能算法的参数信息，所述参数信息包括：算法所使用的算子和/或算法的参数值。根据各人工智能算法及参数信息，得到所述模型生成参数。5.根据权利要求1所述的方法，其特征在于，所述根据所述模型配置信息，生成目标模型，包括：执行所述模型配置信息，生成初始的模型；采用重要度计算公式，分别确定所述初始的模型中各卷积层中各卷积核的重要度；根据各卷积层中各卷积核的重要度、以及所述精度损失阈值，依次对所述初始的模型的各卷积层进行剪枝，得到所述目标模型。6.根据权利要求5所述的方法，其特征在于，所述根据各卷积层中各卷积核的重要度、
以及所述精度损失阈值，依次对所述初始的模型的各卷积层进行剪枝，得到所述目标模型，包括：...

【专利技术属性】
技术研发人员：朱凡凡，钟超文，姜雪明，黄乙元，
申请(专利权)人：浙江中控信息产业股份有限公司，
类型：发明
国别省市：