用于生成模型的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成模型的方法和装置。

背景技术：

人工智能(artificialintelligence)，英文缩写为ai。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

随着深度学习的发展，现有的ai技术在通用领域往往能取得较好的效果，比如：通用文字识别、有限集合的图像分类、通用分词、通用语音识别。然而，现实应用中需要ai能力的场景往往都是定制化的，比如：特定单据的文字识别、医学术语的分词、特殊场景的语音识别。

技术实现要素：

本申请实施例提出了用于生成模型的方法和装置。

第一方面，本申请实施例提供了一种用于生成模型的方法，包括：响应于接收到用户的终端发送的包括用户标识的模型生成请求，从预设的模型表中查找与用户标识对应的模型信息集合，并向终端发送模型信息集合，其中，模型信息集合中的模型信息包括模型类别和模型参数，模型表用于表征用户标识和模型信息的对应关系；响应于接收到终端发送的用户从模型信息集合选择的模型类别和模型参数，确定与用户选择的模型类别和模型参数匹配的神经网络；响应于接收到终端发送的样本数据集合，利用机器学习方法，基于样本数据集合和神经网络训练得到模型。

在一些实施例中，样本数据集合中的样本数据包括输入样本数据和输出样本数据；以及该方法还包括：从样本数据集合中获取预定数目的输入样本数据和与预定数目的输入样本数据对应的预定数目的输出样本数据；对于所获取的每条输入样本数据，将该输入样本数据输入到模型，得到与该输入样本数据对应的输出结果，若该输出结果与该输入样本数据对应的输出样本数据的相似度大于预定相似度阈值，则累加验证正确的次数；将验证正确的次数与预定数目的比值确定为准确率。

在一些实施例中，该方法还包括：若准确率大于预定准确率阈值，则将模型转换成应用，并将应用发布到目标服务器以供至少一个终端下载使用。

在一些实施例中，该方法还包括：接收下载使用应用的终端发送的反馈数据并将反馈数据添加到样本数据集合，其中，反馈数据包括下载使用应用的终端输入到应用中的实际输入数据、实际输入数据对应的实际输出结果、下载使用应用的终端的用户输入的期望输出结果，并且实际输出结果与期望输出结果的相似度小于预定相似度阈值；基于实际输入数据、实际输出结果、期望输出结果重新训练模型，并将更新后的模型重新发布到目标服务器。

在一些实施例中，该方法还包括：若准确率小于或等于预定准确率阈值，则根据准确率和用户选择的模型类别、模型参数从模型信息集合确定出推荐模型信息，并向终端发送推荐模型信息，以供用户重新选择模型类别和模型参数。

在一些实施例中，基于样本数据集合和神经网络训练得到模型，包括：从样本数据集合中选取样本数据执行如下训练步骤：利用样本数据训练神经网络；基于训练结果，调整神经网络的网络参数；确定训练完成条件是否已经满足；响应于确定不满足并且没有接收到用户的终端发送的停止训练消息，从样本数据集合中选取其他样本数据继续执行训练步骤；其中，训练完成条件包括以下至少一项：神经网络的训练次数达到预设的训练次数阈值；相邻两次训练中，神经网络的输出之间的损失值小于预设阈值。

第二方面，本申请实施例提供了一种用于生成模型的装置，包括：接收单元，配置用于响应于接收到用户的终端发送的包括用户标识的模型生成请求，从预设的模型表中查找与用户标识对应的模型信息集合，并向终端发送模型信息集合，其中，模型信息集合中的模型信息包括模型类别和模型参数，模型表用于表征用户标识和模型信息的对应关系；确定单元，配置用于响应于接收到终端发送的用户从模型信息集合选择的模型类别和模型参数，确定与用户选择的模型类别和模型参数匹配的神经网络；训练单元，配置用于响应于接收到终端发送的样本数据集合，利用机器学习装置，基于样本数据集合和神经网络训练得到模型。

在一些实施例中，样本数据集合中的样本数据包括输入样本数据和输出样本数据；以及该装置还包括验证单元，配置用于：从样本数据集合中获取预定数目的输入样本数据和与预定数目的输入样本数据对应的预定数目的输出样本数据；对于所获取的每条输入样本数据，将该输入样本数据输入到模型，得到与该输入样本数据对应的输出结果，若该输出结果与该输入样本数据对应的输出样本数据的相似度大于预定相似度阈值，则累加验证正确的次数；将验证正确的次数与预定数目的比值确定为准确率。

在一些实施例中，该装置还包括发布单元，配置用于：若准确率大于预定准确率阈值，则将模型转换成应用，并将应用发布到目标服务器以供至少一个终端下载使用。

在一些实施例中，该装置还包括反馈单元，配置用于：接收下载使用应用的终端发送的反馈数据并将反馈数据添加到样本数据集合，其中，反馈数据包括下载使用应用的终端输入到应用中的实际输入数据、实际输入数据对应的实际输出结果、下载使用应用的终端的用户输入的期望输出结果，并且实际输出结果与期望输出结果的相似度小于预定相似度阈值；基于实际输入数据、实际输出结果、期望输出结果重新训练模型，并将更新后的模型重新发布到目标服务器。

在一些实施例中，该装置还包括推荐单元，配置用于：若准确率小于或等于预定准确率阈值，则根据准确率和用户选择的模型类别、模型参数从模型信息集合确定出推荐模型信息，并向终端发送推荐模型信息，以供用户重新选择模型类别和模型参数。

在一些实施例中，训练单元进一步用于：从样本数据集合中选取样本数据执行如下训练步骤：利用样本数据训练神经网络；基于训练结果，调整神经网络的网络参数；确定训练完成条件是否已经满足；响应于确定不满足并且没有接收到用户的终端发送的停止训练消息，从样本数据集合中选取其他样本数据继续执行训练步骤；其中，训练完成条件包括以下至少一项：神经网络的训练次数达到预设的训练次数阈值；相邻两次训练中，神经网络的输出之间的损失值小于预设阈值。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本申请实施例提供的用于生成模型的方法和装置，通过基于用户自行选择神经网络的模型类别和模型参数和用户上传的训练样本数据，训练出用户定制的模型。从而有效地利用了定制化数据，生成定制化的模型。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成模型的方法的一个实施例的流程图；

图3是根据本申请的用于生成模型的方法的一个应用场景的示意图；

图4是根据本申请的用于生成模型的方法的又一个实施例的流程图；

图5是根据本申请的用于生成模型的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成模型的方法或用于生成模型的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如模型生成类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持选择模型训练参数并且支持上传模型训练所使用的样本数据的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的模型信息提供支持的后台模型生成服务器。后台模型生成服务器可以对接收到的模型生成请求和样本数据进行分析等处理，生成模型。

需要说明的是，本申请实施例所提供的用于生成模型的方法一般由服务器105执行，相应地，用于生成模型的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。一种可选的实施方式中，用于生成模型的方法可在服务器或者由多台服务器组成的服务器集群上进行，训练好的神经网络模型可运行在服务器、pc机、移动终端、车载终端等各种类型的电子设备上。

继续参考图2，示出了根据本申请的用于生成模型的方法的一个实施例的流程200。该用于生成模型的方法，包括以下步骤：

步骤201，响应于接收到用户的终端发送的包括用户标识的模型生成请求，从预设的模型表中查找与用户标识对应的模型信息集合，并向终端发送模型信息集合。

在本实施例中，用于生成模型的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户的终端接收模型生成请求，然后从预设的模型表中查找与用户标识对应的模型信息集合，并向终端发送模型信息集合以供用户选择模型类别和模型参数，其中，模型信息集合中的模型信息包括模型类别和模型参数，模型表用于表征用户标识和模型信息的对应关系。模型类别可以是例如，卷积神经网络、循环神经网络等。模型参数可以包括但不限于网络层数、核函数类型、误差精度、学习速率等。上述电子设备可以为每个用户设置模型信息，还可将用户划分为不同权限，再将模型表与用户权限相关联。服务器可以为不同权限的用户提供不同的模型类别和模型参数供用户选择。可预先根据用户标识为用户设置不同级别的权限，例如，分为两级权限，具有高级权限的用户可以选择10层以上的神经网络，而具有低级权限的用户只可以选择10层以下的神经网络。

步骤202，响应于接收到终端发送的用户从模型信息集合选择的模型类别和模型参数，确定与用户选择的模型类别和模型参数匹配的神经网络。

在本实施例中，终端接收到模型信息集合后，显示该模型信息集合以供用户选择模型类别和模型参数。用户可以从模型信息列表中选择模型参数，也可以手动输入模型参数。用户还可通过终端输入待生成的模型的名称，该名称是用户自定义的，服务器可对该名称进行校验，以避免和其它用户的模型名称重复。此外，如果用户采用手动输入的方式输入模型参数，则服务器还需要对用户输入的参数进行校验。模型信息集合中模型类别和模型参数相关联，用户选择了模型类别后，可选的模型参数与已经选择的模型类别有关。例如，如果用户选择了卷积神经网络，则网络层数可以选3-10层。而如果选择了前馈神经网络，则网络层数可以选3-5层。服务器从候选的神经网络集合中确定与终端发送的用户选择的模型类别和模型参数匹配的神经网络。候选的神经网络集合中的神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。

可选的，用户还可通过终端输入待生成的模型的名称，该名称是用户自定义的，服务器可对该名称进行校验，以避免和其它用户的模型名称重复。

步骤203，响应于接收到终端发送的样本数据集合，利用机器学习方法，基于样本数据集合和神经网络训练得到模型。

在本实施例中，终端可以在发送模型类别和模型参数的同时发送样本数据集合。也可等到服务器验证模型类别和模型参数，确定出神经网络之后再发消息给终端提示用户发送样本数据集合。从而避免在无法为用户生成指定模型类别和模型参数的情况下仍上传样本数据集合，导致浪费网络流量。以用于识别遥感图像中的道路的神经网络和遥感图像样本数据集合为例，说明模型的训练过程。遥感图像样本数据集合包括原始遥感图像和原始遥感图像中的道路信息。电子设备可以将原始遥感图像输入神经网络，得到输出结果，如果输出结果与原始遥感图像中的道路信息之间的相似度小于预定相似度阈值，则调整网络参数，重新将原始遥感图像输入神经网络并将输出结果与原始遥感图像中的道路信息进行比对。不断调整网络参数直到输出结果与原始遥感图像中的道路信息之间的相似度大于预定相似度阈值。再选择其它原始遥感图像进行训练，直到预定数量的原始遥感图像的输出结果与原始遥感图像中的道路信息之间的相似度大于预定相似度阈值，训练得到模型。电子设备训练的可以是初始神经网络，初始神经网络可以是未经训练的神经网络或未训练完成的神经网络，初始神经网络的各层可以设置有初始参数，参数在神经网络的训练过程中可以被不断地调整。初始神经网络可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型。这样，电子设备可以将原始遥感图像从初始神经网络的输入侧输入，依次经过初始神经网络中的各层的参数的处理，并从初始神经网络的输出侧输出，输出侧输出的信息即为原始遥感图像中的道路信息。

在本实施例的一些可选的实现方式中，基于样本数据集合和神经网络训练得到模型，包括：对于样本数据集合中每个样本数据执行如下训练步骤：利用该样本数据训练神经网络，基于训练结果，调整神经网络的网络参数；确定训练完成条件是否已经满足；响应于确定不满足并且没有接收到用户的终端发送的停止训练消息，从样本数据集合中选取其他样本数据继续执行训练步骤。设置训练完成条件可避免出现无限循环地训练该神经网络的情况。训练完成条件可包括但不限于以下至少一项：训练神经网络的训练次数达到预设的训练次数阈值；相邻两次训练中，神经网络的输出之间的损失值小于预设阈值。训练结果指的是将样本数据输入神经网络后的输出结果。以用于识别遥感图像中的道路的神经网络和遥感图像样本数据集合为例，说明模型的一种可选的训练过程。其中，遥感图像样本数据集合包括原始遥感图像和原始遥感图像中的道路信息，该道路特征可包括道路的颜色、纹理、高度、温度、阴影、方向变化等特征。从遥感图像样本数据集合选取部分原始遥感图像输入神经网络；经神经网络提取输入的遥感图像的道路特征；至少根据提取的道路特征和原始遥感图像中的道路信息的差异，确定道路特征提取的损失值；根据损失值调整神经网络的网络参数。在开始训练前，神经网络核参数用一些不同的小随机数进行初始的。“小随机数”用来保证网络不会因核参数值过大而进入饱和状态，从而导致训练失败；“不同”用来保证网络可以正常地学习。实际上，如果用相同的数去初始的核参数，则网络无能力学习。通过把网络训练出来的结果和真实类标进行比对，修正误差。通过调整核参数使误差最小化来不断优化核参数。

可选的，训练过程中向用户的终端输出进度信息，供用户参考进度信息以自行决定是否要提前结束训练过程。如果用户想要停止训练，则通过终端发送停止训练消息。

继续参见图3，图3是根据本实施例的用于生成模型的方法的应用场景的一个示意图。在图3的应用场景中，用户通过终端300向服务器发送包括用户标识的模型生成请求，服务器查找到模型表中与该用户标识匹配的模型信息集合并发送给终端300。终端300展示模型信息集合以供用户输入自定义的模型名称301并选择模型类别302和网络层数303。终端将用户输入自定义的模型名称301、选择的模型类别302和网络层数303发送给服务器。服务器根据模型类别302和网络层数303确定神经网络。再基于终端上传的样本数据集合和神经网络训练得到模型。

本申请的上述实施例提供的方法通过用户上传定制化样本数据集合，不需要编写代码就可生成定制化的模型。

进一步参考图4，其示出了用于生成模型的方法的又一个实施例的流程400。该用于生成模型的方法的流程400，包括以下步骤：

步骤401，响应于接收到用户的终端发送的包括用户标识的模型生成请求，从预设的模型表中查找与用户标识对应的模型信息集合，并向终端发送模型信息集合。

步骤402，响应于接收到终端发送的用户从模型信息集合选择的模型类别和模型参数，确定与用户选择的模型类别和模型参数匹配的神经网络。

步骤403，响应于接收到终端发送的样本数据集合，利用机器学习方法，基于样本数据集合和神经网络训练得到模型。

步骤401-403与步骤201-203基本相同，因此不再赘述。

步骤404，从样本数据集合中获取预定数目的输入样本数据和与预定数目的输入样本数据对应的预定数目的输出样本数据。

在本实施例中，模型训练完成之后可以继续使用样本数据集合对模型进行评估。例如，对于监督学习，样本数据集合中的样本数据包括输入样本数据和输出样本数据。训练模型时使用1万对输入样本数据和输出样本数据，评估模型时可从这1万对输入样本数据和输出样本数据中选取100对。

步骤405，对于所获取的每条输入样本数据，将该输入样本数据输入到模型，得到与该输入样本数据对应的输出结果，若该输出结果与该输入样本数据对应的输出样本数据的相似度大于预定相似度阈值，则累加验证正确的次数。

在本实施例中，为了评估生成的模型的效果，可从样本数据集合选取部分样本数据输入步骤203生成的模型得到输出结果。将该输出结果与输出样本做比对，确定它们之间的相似度。相似度的计算方法可采用通用的余弦相似度、欧氏距离等方法。如果该输出结果与该输入样本数据对应的输出样本数据的相似度大于预定相似度阈值，则认为此次验证通过。使用预定数目的输入样本数据进行预定数目次验证，每次验证后如果通过，则累加验证正确的次数。

步骤406，将验证正确的次数与预定数目的比值确定为准确率。

在本实施例中，重复执行预定数目次步骤405，累加验证正确的次数。将验证正确的次数与预定数目的比值作为准确率。例如，进行了100次验证，如果验证正确的次数为90次，则准确率为90％。

步骤407，若准确率大于预定准确率阈值，则将模型转换成应用，并将应用发布到目标服务器以供至少一个终端下载使用。

在本实施例中，若准确率大于预定准确率阈值，则认为该模型评估通过，可供其他用户使用。可采用restful(rest(representationalstatetransfer，表现层状态转化)指的是一组架构约束条件和原则。满足这些约束条件和原则的应用程序或设计就是restful)架构将模型转换成应用并通过容器服务发布到目标服务器。rest的名称"表现层状态转化"中，省略了主语。"表现层"其实指的是"资源"(resources)的"表现层"。所谓"资源"，就是网络上的一个实体，或者说是网络上的一个具体信息。资源是一个有趣的概念实体，它向客户端公开。资源的例子有：应用程序对象、数据库记录、算法等等。可以用一个uri(universalresourceidentifier，统一资源定位符)指向它，每种资源对应一个特定的uri。要获取这个资源，访问它的uri就可以，因此uri就成了每一个资源的地址或独一无二的识别符。所有资源都共享统一的接口，以便在客户端和服务器之间传输状态。容器服务提供高性能可伸缩的容器应用管理服务，支持容器化应用的生命周期管理，提供多种应用发布方式和持续交付能力并支持微服务架构。容器服务简化了容器管理集群的搭建工作，整合了云虚拟化、存储、网络和安全能力，打造云端最佳容器运行环境。

可选的，对于非监督学习得到的模型，可以不进行评估而直接发布。

在本实施例的一些可选的实现方式中，接收下载使用应用的终端发送的反馈数据并将反馈数据添加到样本数据集合，其中，反馈数据包括下载使用应用的终端输入到应用中的实际输入数据、实际输入数据对应的实际输出结果、下载使用应用的终端的用户输入的期望输出结果，并且实际输出结果与期望输出结果的相似度小于预定相似度阈值；基于实际输入数据、实际输出结果、期望输出结果重新训练模型，并将更新后的模型重新发布到目标服务器。其中，期望输出结果是由使用该模型的用户输入的针对实际输入数据的正确输出结果。用户通过人工或者机器判断出实际输入数据对应的实际输出结果不符合期望输出结果时，将期望输出结果和实际输入数据、实际输入数据对应的实际输出结果一起反馈给服务器。服务器接收反馈数据并添加到样本数据集合，通过数据集版本管理,重新训练模型,并支持模型和服务的持续集成。

步骤408，若准确率小于或等于预定准确率阈值，则根据准确率和用户选择的模型类别、模型参数从模型信息集合确定出推荐模型信息，并向终端发送推荐模型信息，以供用户重新选择模型类别和模型参数。

在本实施例中，若准确率小于或等于预定准确率阈值，说明模型评估未通过，因此推荐用户重新训练模型。根据准确率与预定准确率阈值的差距可以确定调整后的模型信息作为推荐模型信息，例如是否需要调整模型参数或模型类型。并根据不同模型类型的特点可确定调整量。例如，如果预定准确率阈值为90％，当前网络层数为3时实际测试的准确率为89％，则可推荐将网络层数调整为5。如果当前网络层数为3时实际测试的准确率为20％，则仅通过改变网络层数提高准确率的效果可能不好，因此可推荐将模型的类型调整为其它的网络，例如将前馈神经网络调整为卷积神经网络。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成模型的方法的流程400突出了对样本数据进行扩充的步骤。由此，本实施例描述的方案可以引入更多样本数据，从而提高模型生成的速度和准确率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成模型的装置500包括：接收单元501、确定单元502和训练单元503。其中，接收单元501，配置用于响应于接收到用户的终端发送的包括用户标识的模型生成请求，从预设的模型表中查找与用户标识对应的模型信息集合，并向终端发送模型信息集合，其中，模型信息集合中的模型信息包括模型类别和模型参数，模型表用于表征用户标识和模型信息的对应关系；确定单元502配置用于响应于接收到终端发送的用户从模型信息集合选择的模型类别和模型参数，确定与用户选择的模型类别和模型参数匹配的神经网络；训练单元503配置用于响应于接收到终端发送的样本数据集合，利用机器学习装置，基于样本数据集合和神经网络训练得到模型。

在本实施例中，用于生成模型的装置500的接收单元501、确定单元502和训练单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203。

在本实施例的一些可选的实现方式中，样本数据集合中的样本数据包括输入样本数据和输出样本数据；以及该装置500还包括验证单元，配置用于：从样本数据集合中获取预定数目的输入样本数据和与预定数目的输入样本数据对应的预定数目的输出样本数据；对于所获取的每条输入样本数据，将该输入样本数据输入到模型，得到与该输入样本数据对应的输出结果，若该输出结果与该输入样本数据对应的输出样本数据的相似度大于预定相似度阈值，则累加验证正确的次数；将验证正确的次数与预定数目的比值确定为准确率。

在本实施例的一些可选的实现方式中，装置500还包括发布单元，配置用于：若准确率大于预定准确率阈值，则将模型转换成应用，并将应用发布到目标服务器以供至少一个终端下载使用。

在本实施例的一些可选的实现方式中，装置500还包括反馈单元，配置用于：接收下载使用应用的终端发送的反馈数据并将反馈数据添加到样本数据集合，其中，反馈数据包括下载使用应用的终端输入到应用中的实际输入数据、实际输入数据对应的实际输出结果、下载使用应用的终端的用户输入的期望输出结果，并且实际输出结果与期望输出结果的相似度小于预定相似度阈值；基于实际输入数据、实际输出结果、期望输出结果重新训练模型，并将更新后的模型重新发布到目标服务器。

在本实施例的一些可选的实现方式中，装置500还包括推荐单元，配置用于：若准确率小于或等于预定准确率阈值，则根据准确率和用户选择的模型类别、模型参数从模型信息集合确定出推荐模型信息，并向终端发送推荐模型信息，以供用户重新选择模型类别和模型参数。

在本实施例的一些可选的实现方式中，训练单元503进一步用于：从样本数据集合中选取样本数据执行如下训练步骤：利用样本数据训练神经网络；基于训练结果，调整神经网络的网络参数；确定训练完成条件是否已经满足；响应于确定不满足并且没有接收到用户的终端发送的停止训练消息，从样本数据集合中选取其他样本数据继续执行训练步骤；其中，训练完成条件包括以下至少一项：神经网络的训练次数达到预设的训练次数阈值；相邻两次训练中，神经网络的输出之间的损失值小于预设阈值。

下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、确定单元、训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“响应于接收到用户的终端发送的包括用户标识的模型生成请求，从预设的模型表中查找与所述用户标识对应的模型信息集合，并向所述终端发送所述模型信息集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：响应于接收到用户的终端发送的包括用户标识的模型生成请求，从预设的模型表中查找与用户标识对应的模型信息集合，并向终端发送模型信息集合，其中，模型信息集合中的模型信息包括模型类别和模型参数，模型表用于表征用户标识和模型信息的对应关系；响应于接收到终端发送的用户从模型信息集合选择的模型类别和模型参数，确定与用户选择的模型类别和模型参数匹配的神经网络；响应于接收到终端发送的样本数据集合，利用机器学习方法，基于样本数据集合和神经网络训练得到模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。