实施 例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保 护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面 的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此， 遵循【具体实施方式】的权利要求书由此明确地并入该【具体实施方式】，其中每个权利要求本身 都作为本发明的单独实施例。
[0081] 本领域那些技术人员可以理解，除了这样的特征和/或过程或者单元中的至少一 些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图）中 公开的所有特征以及如此公开的任何方法或者装置的所有过程或单元进行组合。除非另外 明确陈述，本说明书(包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相 同、等同或相似目的的替代特征来代替。
[0082]此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例 中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的 范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任 意之一都可以以任意的组合方式来使用。
[0083] 本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行 的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用 微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的机器学习模型的训练装置 中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一 部分或者全部的装置程序(例如，计算机程序和计算机程序产品）。这样的实现本发明的程 序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可 以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0084] 应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领 域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中， 不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词"包含"不排除存在未 列在权利要求中的元件或步骤。位于元件之前的单词"一"或"一个"不排除存在多个这样的 元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实 现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项 来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名 称。
【主权项】
1. 一种机器学习模型的训练方法，包括： 步骤S110,接收训练数据和机器学习模型的属性指标； 步骤S130,根据所述属性指标中的至少一部分、利用模型数据库确定训练模型，其中所 述模型数据库包括机器学习模型及其属性数据； 步骤S150,利用所述训练数据对所述训练模型进行训练，W获得经训练的模型及其属 性数据；W及 步骤S170,根据所述经训练的模型的属性数据确定所述经训练的模型是否满足所述属 性指标，对于所述经训练的模型不满足所述属性指标的情况，转所述步骤S130,直至获得满 足所述属性指标的模型。2. 如权利要求1所述的方法，其中，所述属性指标包括目标运行平台W及与运行平台有 关的属性指标，所述步骤S130进一步包括： 根据所述目标运行平台与其他运行平台之间的相似度W及模型在所述其他运行平台 上的属性数据，计算所述模型数据库中的机器学习模型在所述目标运行平台上的属性数 据； 根据所述在所述目标运行平台上的属性数据和所述与运行平台有关的属性指标，确定 所述训练模型。3. 如权利要求2所述的方法，其中，所述计算是根据W下公式：其中，P表示目标运行平台，d表示在目标运行平台上的属性数据，P1，P2，…，Pn表示所述 其他运行平台，η为所述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。4. 如权利要求1至3任一项所述的方法，其中，所述步骤S130进一步包括： 根据所述属性指标中的至少一部分，从所述模型数据库中选择多个模型；W及 组合所述多个模型，W生成所述训练模型。5. 如权利要求1至3任一项所述的方法，其中，所述步骤S130进一步包括： 根据所述属性指标中的至少一部分，从所述模型数据库中选择模型W作为所述训练模 型。6. 如权利要求5所述的方法，其中，所述从所述模型数据库中选择模型利用启发式排序 方法。7. 如权利要求1至3任一项所述的方法，其中，在所述步骤S150之后，所述方法进一步包 括： 将所述经训练的模型W及所述经训练的模型的属性数据存入所述模型数据库。8. 如权利要求1至3任一项所述的方法，其中，在所述步骤S170之后，所述步骤S130之 前，所述方法进一步包括： 调整所述属性指标。9. 如权利要求1所述的方法，其中，所述属性数据包括W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；w及 模型针对输入数据和运行平台的计算精度。10. -种机器学习模型的训练装置，包括： 输入模块，用于接收训练数据和机器学习模型的属性指标； 初定模块，用于根据所述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 中所述模型数据库包括机器学习模型及其属性数据； 训练模块，用于利用所述训练数据对所述训练模型进行训练，W获得经训练的模型及 其属性数据；W及 确定模块，用于根据所述经训练的模型的属性数据确定所述经训练的模型是否满足所 述属性指标，对于所述经训练的模型不满足所述属性指标的情况，启动所述初定模块，直至 获得满足所述属性指标的模型。
【专利摘要】本发明公开了一种机器学习模型的训练方法和训练装置。该方法包括：步骤S110，接收训练数据和机器学习模型的属性指标；步骤S130，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；步骤S150，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；步骤S170，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，转步骤S130，直至获得满足属性指标的模型。上述方法和装置，在训练过程中无需用户修改模型，不要求用户具有模型调优的相关经验。从而，节约了用户的时间和精力，并且显著地扩大了机器学习模型的可能用户群。
【IPC分类】G06N3/08
【公开号】CN105550746
【申请号】CN201510897584
【发明人】周舒畅, 姚聪, 周昕宇, 吴文昊, 倪泽堃, 曹志敏, 印奇
【申请人】北京旷视科技有限公司, 北京小孔科技有限公司
【公开日】2016年5月4日
【申请日】2015年12月8日