【技术实现步骤摘要】
分类模型训练、平稳分类方法、装置、设备、介质及产品
[0001]本公开涉及人工智能领域中的深度学习和语音
,尤其涉及一种分类模型训练、平稳分类方法、装置、设备、介质及产品。
技术介绍
[0002]随着人工智能(简称AI,全称Artificial Intelligence)技术的快速推广,对各类深度学习模型的应用场景的测试需求越来越多。例如,语言识别模型测试过程中,需要对车载音频系统、智能家居系统、电子地图导航等不同的应用场景分别进行测试,使得语音识别模型能够适应于不同的应用场景。
[0003]为了确保深度学习模型在不同应用场景的测试有效性,需要深度学习模型在测试过程中平稳运行。因此,如何实现对深度学习模型的平稳性监测是目前亟待解决的问题。
技术实现思路
[0004]本公开提供了一种用于AI测试过程中对测试稳定性进行分类的分类模型训练、平稳分类方法、装置、设备、介质及产品。
[0005]根据本公开的第一方面,提供了一种分类模型训练方法,包括:
[0006]确定待训练的目标分类模型,所述目标分类模型用于对目标模型的测试过程进行平稳性分类;
[0007]确定用于训练所述目标分类模型的训练数据,所述训练数据包括曲线图像以及所述曲线图像的平稳类别标签,所述曲线图像基于所述目标模型测试过程中产生的运行数据生成,所述平稳类别标签包括运行平稳或运行异常;
[0008]根据所述训练数据,训练所述目标分类模型,并确定训练结束获得的所述目标分类模型的模型参数,所述模型参数对应的 ...
【技术保护点】
【技术特征摘要】
1.一种分类模型训练方法,包括:确定待训练的目标分类模型,所述目标分类模型用于对目标模型的测试过程进行平稳性分类;确定用于训练所述目标分类模型的训练数据,所述训练数据包括曲线图像以及所述曲线图像的平稳类别标签,所述曲线图像基于所述目标模型测试过程中产生的运行数据生成,所述平稳类别标签包括运行平稳或运行异常;根据所述训练数据,训练所述目标分类模型,并确定训练结束获得的所述目标分类模型的模型参数,所述模型参数对应的目标分类模型用于对待分类曲线图像执行分类处理,获得平稳分类结果,所述平稳分类结果包括运行平稳或运行异常。2.根据权利要求1所述的方法,其中,所述确定待训练的目标分类模型,包括:确定至少一个选型因子,所述选型因子是指对分类模型的分类效果进行评价的因子;利用至少一个所述选型因子,对至少一个候选分类模型分别进行评分,获得至少一个所述候选分类模型分别对应的模型分数;根据至少一个所述候选分类模型分别对应的模型分数,确定所述待训练的目标分类模型。3.根据权利要求2所述的方法,其中,所述利用至少一个所述选型因子,对至少一个候选分类模型分别进行评分,获得至少一个所述候选分类模型分别对应的模型分数,包括:获取用户需求信息,所述用户需求信息包括用户针对至少一个所述候选因子分别设置的需求内容;根据至少一个所述候选因子分别对应的需求内容,确定至少一个所述候选因子分别对应的评价权重;根据至少一个所述候选因子分别对应的评价权重,对至少一个所述候选分类模型分别进行评分,获得至少一个所述候选分类模型分别对应的模型分数。4.根据权利要求3所述的方法,其中,所述根据至少一个所述候选因子分别对应的需求内容,确定至少一个所述候选因子分别对应的评价权重,包括:根据至少一个所述候选因子分别对应的需求内容,对各候选因子在所述目标模型的训练过程进行关键性评分,获得至少一个所述候选因子分别对应的权重分数;将至少一个所述候选因子分别对应的权重分数进行归一化处理,获得至少一个所述候选因子分别对应的评价权重。5.根据权利要求2
‑
4任一项所述的方法,其中,所述利用至少一个所述选型因子,对至少一个候选分类模型进行评分之前,所述方法还包括:根据所述目标模型的模型处理功能,确定至少一个所述候选分类模型。6.根据权利要求5所述的方法,其中,任一个所述候选分类模型的确定步骤,包括:根据所述目标模型的模型处理功能,确定分类模型的模型框架,所述模型框架包括对所述目标模型的模型处理功能进行平稳性分类的至少一个网络子框架;分别为至少一个所述网络子框架确定相应的处理算法,以获得至少一个所述网络子框架分别对应的处理网络;确定至少一个所述处理网络组成的所述候选分类模型。7.根据权利要求1
‑
6任一项所述的方法,其中,所述训练数据的获取步骤,包括:
显示所述曲线图像,并检测用户针对所述曲线图像执行的标注操作,获得所述曲线图像的平稳类别标签;确定所述曲线图像以及所述曲线图像的平稳类别标签构成的训练数据。8.根据权利要求1
‑
6任一项所述的方法,其中,所述训练数据的获取步骤,包括:通过平稳性检验算法,对所述曲线图像进行曲线平稳性检测,获得所述曲线图像的平稳性检测结果;若所述曲线图像平稳性检测结果为平稳,则确定运行平稳所述曲线图像的平稳类别标签;若所述曲线图像平稳性检测结果为异常,则确定运行异常为所述曲线图像的平稳类别标签;确定所述曲线图像以及所述曲线图像的平稳类别标签构成的所述训练数据。9.根据权利要求1
‑
8任一项所述的方法,其中,所述根据所述训练数据,训练所述目标分类模型,以确定训练结束获得的目标分类模型之后,还包括:对所述目标分类模型的进行测试分析处理,以获得测试结果,所述测试结果包括满足测试需求或者未满足测试需求;若所述测试结果为满足测试需求,则部署所述目标分类模型至第一电子设备。10.根据权利要求9所述的方法,其中,还包括:若所述测试结果为不满足测试需求,则更新所述训练数据并重新确定待训练的目标分类模型;重新执行根据所述训练数据,训练所述目标分类模型,以确定训练结束获得的目标分类模型的步骤。11.根据权利要求9所述的方法,其中,所述部署所述目标分类模型至第一电子设备,包括:根据所述目标分类模型的模型参数,生成配置请求;发送所述配置请求至所述第一电子设备,所述配置请求指示所述第一电子设备配置所述模型参数对应的目标分类模型。12.根据权利要求1
‑
11任一项所述的方法,其中,所述曲线图像的生成步骤,包括:获取测试所述目标模型的第二电子设备在测试过程中产生的运行数据;以时间轴为横轴以所述运行数据为纵轴,生成所述运行数据对应的曲线图像。13.一种平稳分类方法,包括:接收配置请求,所述配置请求包括训练获得的目标分类模型的模型参数,所述目标分类模型是基于上述权利要求1
‑
10任一项所述的方法训练获得;配置所述目标分类模型的模型参数;确定目标模型测试过程中产生的待分类运行数据对应的待分类曲线图像;采用已配置所述模型参数的目标分类模型和所述待分类曲线图像,确定所述目标模型运行时的平稳分类结果,所述平稳分类结果包括运行平稳或运行异常。14.一种分类模型训练装置,包括:模型确定单元,用于确定待训练的目标分类模型,所述目标分类模型用于对目标模型的测试过程进行平稳性分类;
数据确定单元,用于确定用于训练所述目标分类模型的训练数据,所述训练数据包括曲线图像以及所述曲线图像的平稳类别标签,所述曲线图像基于所述目标模型测试过程中产生的运行数据生成,所述平稳类别标签包括运行平稳或运行异常;模...
【专利技术属性】
技术研发人员:贺佳佳,刘巍,
申请(专利权)人:百度时代网络技术北京有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。