分类模型训练、平稳分类方法、装置、设备、介质及产品制造方法及图纸

本公开提供了一种分类模型训练、平稳分类方法、装置、设备、介质及产品，涉及人工智能领域，尤其涉及深度学习和语音技术领域。具体实现方案为：确定待训练的目标分类模型；确定用于训练目标分类模型的训练数据，训练数据包括曲线图像以及曲线图像的平稳类别标签，曲线图像基于目标模型测试过程中产生的运行数据生成，平稳类别标签包括运行平稳或运行异常；根据训练数据，训练目标分类模型，并确定训练结束获得的目标分类模型的模型参数，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，平稳分类结果包括运行平稳或运行异常。括运行平稳或运行异常。括运行平稳或运行异常。

【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。
[0009]根据本公开的第二方面，提供了一种平稳分类方法，包括：
[0010]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第一方面所提供的方法训练获得；
[0011]配置所述目标分类模型的模型参数；
[0012]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；
[0013]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。
[0014]根据本公开的第三方面，提供了一种分类模型训练装置，包括：
[0015]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；
[0016]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；
[0017]模型训练单元，用于根据所述训练数据，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。
[0018]根据本公开的第四方面，提供了一种平稳分类装置，包括：
[0019]请求接收单元，用于接收配置请求，所述配置请求包括训练获得的目标分类模型的模型参数，所述目标分类模型基于上述第二方面所涉及的方法训练获得；
[0020]模型配置单元，用于配置所述目标分类模型的模型参数；
[0021]图像采集单元，用于确定目标模型测试过程中产生的分类运行数据对应的待分类曲线图像；
[0022]平稳分类单元，用于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。
[0023]根据本公开的第五方面，提供了一种电子设备，包括：
[0024]至少一个处理器；以及
[0025]与所述至少一个处理器通信连接的存储器；其中，
[0026]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面或第二方面所涉及的方法。
[0027]根据本公开的第六方面，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，其中，所述计算机指令用于使所述计算机执行根据第一方面或第二方面任一项所述的方法。
[0028]根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。
[0029]根据本公开的技术方案，可以先确定待训练的目标分类模型，目标分类模型可以用于对目标模型的测试过程进行平稳性分类。进而利用曲线图像以及曲线图像的平稳类别标签构成的训练数据可以对目标分类模型进行训练，直至训练结束，自动完成目标分类模型的训练。训练获得的目标分类模型可以用于对待分类曲线图像执行分类处理，获得平稳分类结果，平稳分类结果可以准确表示待分类曲线图像是否平稳。通过对目标分类模型的训练，可以实现目标分类模型的自动训练，进而可以快速获取目标分类模型的模型参数，而模型参数已知的目标分类模型可以对待分类曲线图像执行自动化的平稳分类。通过对目标分类模型的自动训练，可以提高目标分类模型的训练效率，将目标分类模型用于目标模型测试过程中产生的运行数据的平稳性分类，可以有效提升电子设备测试目标模型时电子设备的测试稳定性的判别效率。
[0030]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。
附图说明
[0031]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0032]图1是根据本公开提供的一种平稳分类系统的系统架构图；
[0033]图2是根据本公开提供的第一实施例的分类模型训练方法示意图；
[0034]图3是根据本公开提供的第二实施例的分类模型训练方法示意图；
[0035]图4是根据本公开提供的一种运行平稳的曲线图像示例图；
[0036]图5是根据本公开提供的一种运行异常的曲线图像示例图；
[0037]图6是根据本公开提供的第三实施例的平稳分类方法示意图；
[0038]图7是根据本公开提供的第四实施例的分类模型训练装置的结构示意图；
[0039]图8是根据本公开提供的第五实施例的平稳分类装置的结构示意图；
[0040]图9是用来实现本公开实施例的分类模型训练或平稳分类的方法的电子设备的框图。
具体实施方式
[0041]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本文档来自技高网...

【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：