算法的参数配置方法、装置及电子设备制造方法及图纸

本申请公开了一种算法的参数配置方法、装置及电子设备。其中，该方法包括：获取目标算法的输入数据和多个参数配置数据，其中，输入数据为目标算法待处理的数据；将输入数据与多个参数配置数据输入目标推荐模型，得到多个匹配值，其中，目标推荐模型由目标样本数据对机器学习模型训练得到，目标样本数据是依据目标评价函数对未标注样本数据进行标注得到的数据；依据多个匹配值和多个参数配置数据，对目标算法进行参数配置，得到配置后的目标算法；依据配置后的目标算法对输入数据进行处理。本申请解决了相关技术中采用固定的默认参数配置数据对算法进行参数配置，影响该算法对数据的处理效率的技术问题。理效率的技术问题。理效率的技术问题。

【技术实现步骤摘要】
算法的参数配置方法、装置及电子设备


[0001]本申请涉及人工智能
，具体而言，涉及一种算法的参数配置方法、装置及电子设备。

技术介绍

[0002]算法是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，算法能够对一定规范的输入，在有限时间内获得所要求的输出。
[0003]通常，算法的设计者会提供一组默认的参数，以保证算法的使用者可以快速使用并获得基准表现。由于算法的参数一般对应着算法的结构或搜索策略，通常直接地影响着算法的性能表现，例如在神经网络中，不同的模型超参数训练出来的模型在精度上天差地别，在运筹优化算法中，不同的输入参数也会带来求解效率数倍的差别，因此，对算法的动态参数配置研究具有重大意义。
[0004]目前，为了匹配应用场景，获得更好的模型性能，用户通常会手动对参数进行设定，这个过程也被称为参数整定。然而，无论是采用默认的参数配置还是用户以固定的参数配置进行手动设定，其根本都是静态整定，即只能确定出一组平均意义上的基准参数，无法发挥出算法的较好性能，从而影响该算法对数据的处理效率。
[0005]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0006]本申请实施例提供了一种算法的参数配置方法、装置及电子设备，以至少解决相关技术中采用固定的默认参数配置数据对算法进行参数配置，影响该算法对数据的处理效率的技术问题。
[0007]根据本申请实施例的一个方面，提供了一种算法的参数配置方法，包括：获取目标算法的输入数据和多个参数配置数据，其中，输入数据为目标算法待处理的数据，参数配置数据用于对目标算法进行参数配置；将输入数据与多个参数配置数据输入目标推荐模型，得到多个匹配值，其中，匹配值表征输入数据与多个参数配置数据中的参数配置数据之间的匹配程度，目标推荐模型由目标样本数据对机器学习模型训练得到，目标样本数据是依据目标评价函数对未标注样本数据进行标注得到的数据；依据多个匹配值和多个参数配置数据，对目标算法进行参数配置，得到配置后的目标算法；依据配置后的目标算法对输入数据进行处理。
[0008]进一步地，依据多个匹配值和多个参数配置数据，对目标算法进行参数配置，得到配置后的目标算法，包括：依据多个匹配值，从多个参数配置数据中确定目标参数配置数据；采用目标参数配置数据对目标算法进行参数配置，得到配置后的目标算法。
[0009]进一步地，通过以下步骤生成目标推荐模型：获取目标算法的第一输入数据和第一输入数据的数据特征；在目标算法对应的参数配置数据集合中，确定第一输入数据对应
的第一目标参数配置数据；对第一目标参数配置数据进行参数特征提取，得到多个第一目标参数特征；依据数据特征和多个第一目标参数特征训练机器学习模型，得到目标推荐模型。
[0010]进一步地，依据数据特征和多个第一目标参数特征训练机器学习模型，得到目标推荐模型，包括：依据数据特征和多个第一目标参数特征生成多个样本数据，得到样本数据集，并通过样本数据集训练机器学习模型，得到第一推荐模型，其中，样本数据为未标注的样本数据；依据第一推荐模型，从样本数据集中确定多个第二样本数据，得到第二样本数据集；通过目标算法和目标评价函数，对第二样本数据集中的第二样本数据进行标注，得到目标样本数据，并通过目标样本数据训练机器学习模型，得到目标推荐模型。
[0011]进一步地，在目标算法对应的参数配置数据集合中，确定第一输入数据对应的第一目标参数配置数据，包括：获取目标算法对应的参数配置数据集合；依据第一规则，从参数配置数据集合中确定参数配置数据子集合，并通过预设的超参数采样器对参数配置数据子集合进行采样处理，得到多个第一参数配置数据，其中，多个第一参数配置数据中包含目标算法的默认参数配置数据；依据多个第一参数配置数据和目标评价函数，从多个第一参数配置数据中确定第一目标参数配置数据。
[0012]进一步地，依据多个第一参数配置数据和目标评价函数，从多个第一参数配置数据中确定第一目标参数配置数据，包括：依据多个第一参数配置数据分别对目标算法进行参数配置，得到多个配置后的第一目标算法，并分别通过多个配置后的第一目标算法处理第一输入数据，得到多个第一处理结果；依据多个第一处理结果和目标评价函数，计算多个第一参数配置数据的评价分数，得到多个第一分数，其中，第一分数表征第一处理时长与第二处理时长相比的优劣程度，第一处理时长为采用多个第一参数配置数据中除默认参数配置数据之外的第一参数配置数据对目标算法进行参数配置得到的配置后的第一目标算法对第一输入数据的处理时长，第二处理时长为采用默认参数配置数据对目标算法进行参数配置得到的配置后的第一目标算法对第一输入数据的处理时长；依据多个第一分数，从多个第一参数配置数据中确定第一目标参数配置数据。
[0013]进一步地，第一推荐模型至少包括第二推荐模型和第三推荐模型，第二推荐模型和第三推荐模型是分别通过样本数据集中的第一比例的随机样本数据训练机器学习模型得到的，其中，依据第一推荐模型，从样本数据集中确定多个第二样本数据，得到第二样本数据集，包括：将第一输入数据与参数配置数据子集合中的参数配置数据输入第二推荐模型，得到多个第一匹配值，其中，第一匹配值表征第一输入数据与参数配置数据子集合中的参数配置数据之间的匹配程度；依据多个第一匹配值，从参数配置数据子集合中确定目标数据集合；将第一输入数据与目标数据集合中的参数配置数据输入第三推荐模型，得到多个第二匹配值，其中，第二匹配值表征第一输入数据与目标数据集合中的参数配置数据之间的匹配程度；依据多个第一匹配值和多个第二匹配值，从样本数据集中确定多个第二样本数据，得到第二样本数据集。
[0014]进一步地，依据多个第一匹配值，从参数配置数据子集合中确定目标数据集合，包括：对多个第一匹配值进行排序处理，得到排序结果；依据排序结果，确定第二比例的第一匹配值对应的参数配置数据为第二参数配置数据，得到多个第二参数配置数据；基于多个第二参数配置数据，生成目标数据集合。
[0015]进一步地，依据多个第一匹配值和多个第二匹配值，从样本数据集中确定多个第二样本数据，得到第二样本数据集，包括：依据多个第一匹配值和多个第二匹配值，从多个第二参数配置数据中确定多个第二目标参数配置数据，其中，第二目标参数配置数据为第二推荐模型与第三推荐模型之间的差异匹配值对应的参数配置数据，差异匹配值为第一匹配值与第二匹配值之差的绝对值；将样本数据集中与多个第二目标参数配置数据对应的样本数据作为多个第二样本数据，得到第二样本数据集。
[0016]进一步地，通过目标算法和目标评价函数，对第二样本数据集中的第二样本数据进行标注，得到目标样本数据，包括：依据多个第二目标参数配置数据分别对目标算法进行参数配置，得到多个配置后的第二目标算法，并分别通过多个配置后的第二目标算法处理第一输入数据，得到多个第二处理结果；依据多个第二处理结果和目标评价函数，计算多个第二目标参数配置数据的评价分数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种算法的参数配置方法，其特征在于，包括：获取目标算法的输入数据和多个参数配置数据，其中，所述输入数据为所述目标算法待处理的数据，所述参数配置数据用于对所述目标算法进行参数配置；将所述输入数据与所述多个参数配置数据输入目标推荐模型，得到多个匹配值，其中，所述匹配值表征所述输入数据与所述多个参数配置数据中的参数配置数据之间的匹配程度，所述目标推荐模型由目标样本数据对机器学习模型训练得到，所述目标样本数据是依据目标评价函数对未标注样本数据进行标注得到的数据；依据所述多个匹配值和所述多个参数配置数据，对所述目标算法进行参数配置，得到配置后的目标算法；依据所述配置后的目标算法对所述输入数据进行处理。2.根据权利要求1所述的方法，其特征在于，依据所述多个匹配值和所述多个参数配置数据，对所述目标算法进行参数配置，得到配置后的目标算法，包括：依据所述多个匹配值，从所述多个参数配置数据中确定目标参数配置数据；采用所述目标参数配置数据对所述目标算法进行参数配置，得到所述配置后的目标算法。3.根据权利要求1所述的方法，其特征在于，通过以下步骤生成所述目标推荐模型：获取所述目标算法的第一输入数据和所述第一输入数据的数据特征；在所述目标算法对应的参数配置数据集合中，确定所述第一输入数据对应的第一目标参数配置数据；对所述第一目标参数配置数据进行参数特征提取，得到多个第一目标参数特征；依据所述数据特征和所述多个第一目标参数特征训练所述机器学习模型，得到所述目标推荐模型。4.根据权利要求3所述的方法，其特征在于，依据所述数据特征和所述多个第一目标参数特征训练所述机器学习模型，得到所述目标推荐模型，包括：依据所述数据特征和所述多个第一目标参数特征生成多个样本数据，得到样本数据集，并通过所述样本数据集训练所述机器学习模型，得到第一推荐模型，其中，所述样本数据为未标注的样本数据；依据所述第一推荐模型，从所述样本数据集中确定多个第二样本数据，得到第二样本数据集；通过所述目标算法和所述目标评价函数，对所述第二样本数据集中的第二样本数据进行标注，得到所述目标样本数据，并通过所述目标样本数据训练所述机器学习模型，得到所述目标推荐模型。5.根据权利要求3所述的方法，其特征在于，所述在所述目标算法对应的参数配置数据集合中，确定所述第一输入数据对应的第一目标参数配置数据，包括：获取所述目标算法对应的参数配置数据集合；依据第一规则，从所述参数配置数据集合中确定参数配置数据子集合，并通过预设的超参数采样器对所述参数配置数据子集合进行采样处理，得到多个第一参数配置数据，其中，所述多个第一参数配置数据中包含所述目标算法的默认参数配置数据；依据所述多个第一参数配置数据和所述目标评价函数，从所述多个第一参数配置数据
中确定所述第一目标参数配置数据。6.根据权利要求5所述的方法，其特征在于，依据所述多个第一参数配置数据和所述目标评价函数，从所述多个第一参数配置数据中确定所述第一目标参数配置数据，包括：依据所述多个第一参数配置数据分别对所述目标算法进行参数配置，得到多个配置后的第一目标算法，并分别通过所述多个配置后的第一目标算法处理所述第一输入数据，得到多个第一处理结果；依据所述多个第一处理结果和所述目标评价函数，计算所述多个第一参数配置数据的评价分数，得到多个第一分数，其中，所述第一分数表征第一处理时长与第二处理时长相比的优劣程度，所述第一处理时长为采用所述多个第一参数配置数据中除所述默认参数配置数据之外的第一参数配置数据对所述目标算法进行参数配置得到的配置后的第一目标算法对所述第一输入数据的处理时长，所述第二处理时长为采用所述默认参数配置数据对所述目标算法进行参数配置得到的配置后的第一目标算法对所述第一输入数据的处理时长；依据所述多个第一分数，从所述多个第一参数配置数据中确定所述第一目标参数配置数据。7.根据权利要求4所述的方法，其特征在于，所述第一推荐模型至少包括第二推荐模型和第三推荐模型，所述第二推荐模型和所述第三推荐模型是分别通过所述样本数据集中的第一比例的随机样本数据训练所述机器学习模型得到的，其中，依据所述第一推荐模型，从所述样本数据集中确定多个第二样本数据，得到第二样本数据集，包括：将所述第一输入数据与参数配置数据子集合中的参数配置数据输入所述第二推荐模型，得到多个第一匹配值，其中，所述第一匹配值表征所述第...

【专利技术属性】
技术研发人员：徐捷，潘兴薇，王磊，
申请(专利权)人：阿里云计算有限公司，
类型：发明
国别省市：