性数据没有针对目标运行平台的属性数据的情况，上述步骤S130可以进一 步包括以下子步骤:首先，根据目标运行平台与其他运行平台之间的相似度以及模型在其 他运行平台上的属性数据，计算模型数据库中的模型在目标运行平台上的属性数据。然后， 根据在目标运行平台上的属性数据和与运行平台有关的属性指标，确定训练模型。
[0054] 这里，通过运行平台之间相似度的联系，使得即使模型数据库中缺乏目标运行平 台的相关数据时，也能更合理地确定训练模型。
[0055] 可选地，上述在目标运行平台p上的属性数据d的计算是根据以下公式：
[0057]其中，ρ?，ρ2，···，ρη表示其他运行平台。η为其他运行平台的个数，其为大于0的整 数。dk表示在对应的运行平台pk上的属性数据，k为索引。函数S表示两个平台之间的相似度。 具体例如，如果平台A和平台B指令集不同，可以视为二者相似度为0。如果平台A和平台B指 令集相同，例如均为X86CPU，则可以将每个平台的特征组成特征向量并计算两个特征向量 的余弦相似度，以作为平台之间的相似度。平台的特征可以包括以下特征中的至少两个： 平台的主频、每拍乘法指令发射数和高速缓存大小等。
[0058]本领域普通技术人员可以理解，除了利用上述方式计算目标运行平台上的属性数 据。也可以采用其他方式。例如直接选择与目标运行平台的相似度最大的一个运行平台的 属性数据作为目标运行平台上的属性数据。与这种方式相比，上述利用公式计算的属性数 据更具合理性。由此，可以使训练方法获得更理想的模型。
[0059]图2示出了根据本发明另一个实施例的机器学习模型的训练方法200的流程图。如 图2所示，该方法200包括步骤S210、步骤S230、步骤S250、步骤S260、步骤S270和步骤S280。 其中步骤S210、步骤S230、步骤S250和步骤S270分别与上述方法100中的相应步骤类似，为 了简洁，在此不再赘述。
[0060] 如图2所示，在步骤S250之后，方法200进一步包括步骤S260,将经训练的模型以及 经训练的模型的属性数据存入模型数据库。该步骤更新了模型数据库，使其数据更充实。通 过步骤S260,模型数据库可以随着训练次数的增加而增大。相应地，训练方法的模型推荐能 力也得以逐渐增强。
[0061 ] 可选地，在步骤S230之前，方法200进一步包括步骤S280:调整属性指标，以用于下 一次确定训练模型。该调整可以根据用户的实时输入指令进行。也可以根据预先设定的规 则自动进行。
[0062]该调整属性指标的步骤使得方法200更具灵活性，能够更好地提高用户体验。
[0063]本领域普通技术人员可以理解，方法200中的步骤以及其中的执行顺序仅为示例， 而非限制。例如步骤S260可以在步骤S270之后执行，而非如图2所示，紧随步骤S250执行。 [0064]根据本发明另一方面，还提供了一种机器学习模型的训练装置。图3示出了根据本 发明一个实施例的机器学习模型的训练装置300。如图3所示，该训练装置300包括输入模块 310、初定模块330、训练模块350和确定模块370。
[0065]输入模块310用于接收训练数据和机器学习模型的属性指标。初定模块330用于根 据属性指标中的至少一部分、利用模型数据库确定训练模型。其中模型数据库包括机器学 习模型及其属性数据。训练模块350用于利用训练数据对训练模型进行训练，以获得经训练 的模型及其属性数据。确定模块370用于根据经训练的模型的属性数据确定经训练的模型 是否满足属性指标，对于经训练的模型不满足属性指标的情况，启动初定模块330,直至获 得满足属性指标的模型。
[0066] 属性数据可以包括以下项中的至少一项:模型的输入数据的属性、模型的参数的 个数、模型针对输入数据和运行平台的计算速度以及计算精度。
[0067] 根据本发明一个示例，属性指标包括目标运行平台以及与运行平台有关的属性指 标。初定模块330进一步包括平台属性数据计算单元和训练模型确定单元。
[0068] 平台属性数据计算单元用于根据目标运行平台与其他运行平台之间的相似度以 及模型在其他运行平台上的属性数据，计算模型数据库中的机器学习模型在目标运行平台 上的属性数据。训练模型确定单元用于根据在目标运行平台上的属性数据和与运行平台有 关的属性指标，确定训练模型。
[0069] 可选地，平台属性数据计算单元是根据以下公式计算模型在目标运行平台p上的 属性数据d。
[0071]其中，ρ?，ρ2，···，ρη表示其他运行平台，η为其他运行平台的个数，函数S表示两个平 台之间的相似度，dk表示在对应的运行平台pk上的属性数据，k为索引。
[0072]根据本发明一个示例，初定模块330进一步包括选择单元和组合单元。该选择单元 用于根据属性指标中的至少一部分，从模型数据库中选择多个模型。该组合单元用于组合 选择单元所选择的多个模型，以生成训练模型。
[0073]根据本发明另一个示例，初定模块330根据属性指标中的至少一部分，从模型数据 库中选择模型以作为训练模型。可选地，从模型数据库中选择模型利用启发式排序方法。 [0074]图4示出了根据本发明另一个实施例的机器学习模型的训练装置400的示意性框 图。如图4所示，该装置400包括输入模块410、初定模块430、训练模块450和确定模块470，其 分别与上述装置400中的相应模块类似，为了简洁，在此不再赘述。
[0075] 如图4所示，该装置400还可以包括存储模块460,用于将经训练的模型以及经训练 的模型的属性数据存入模型数据库。
[0076]可选地，该装置400还包括调整模块480,用于调整属性指标，以用于初定模块430 确定训练模型。
[0077]本领域普通技术人员通过阅读上文关于机器学习模型的训练方法的详细描述，能 够理解上述机器学习模型的训练装置的结构、实现以及优点，因此这里不再赘述。
[0078]在此提供的方法和装置不与任何特定计算机、虚拟系统或者其它设备固有相关。 各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求 的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种 编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发 明的最佳实施方式。
[0079] 在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施 例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构 和技术，以便不模糊对本说明书的理解。
[0080] 类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在 上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个