用于训练机器学习模型的方法及系统与流程

本发明总体说来涉及机器学习领域，更具体地讲，涉及一种用于训练机器学习模型的方法及系统。

背景技术：

随着海量数据的出现，人们倾向于使用机器学习技术来从数据中挖掘出价值。机器学习是人工智能研究发展到一定阶段的必然产物，其致力于通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”形式存在，通过机器学习算法，可从数据中产生“模型”，也就是说，将经验数据提供给机器学习算法，就能基于这些经验数据产生模型；在面对新的情况时，利用训练好的模型来得到相应的预测结果。

现阶段，基于经验数据产生模型的基本过程主要包括：

1、导入包含历史数据记录的数据集(例如，数据表)；

2、完成特征工程，其中，通过对数据集中的数据记录的属性信息进行各种处理，以得到各个特征，这些特征构成的特征向量可作为机器学习样本；

3、训练模型，其中，按照设置的机器学习算法(例如，逻辑回归算法、决策树算法、神经网络算法等)，基于经过特征工程所得到的机器学习样本来学习出模型。

当前的机器学习平台或系统的模型训练框架的底层大多使用c语言来实现，其特点是运行效率高，但使用门槛较高，不适合用户直接使用。因此，通常由开发人员使用脚本语言(例如，python)对底层代码进行一层封装，这样，用户可通过使用脚本语言编写用于调用模型训练框架的底层接口的可运行代码(也即，脚本)，来实现调用模型训练框架提供的处理逻辑。然而，考虑到算法本身的复杂度以及框架所支持算法的不断扩充，目前缺乏有效的用户交互方式，导致用户难以方便地研发各种机器学习模型。

技术实现要素：

本发明的示例性实施例在于提供一种用于训练机器学习模型的方法及系统，其能够基于用于限定机器学习模型的训练过程的配置训练出机器学习模型。

根据本发明的示例性实施例，提供一种用于训练机器学习模型的方法，包括：获取用于限定机器学习模型的训练过程的配置；以及使用针对机器学习模型的模型训练框架对获取的配置进行解析，并执行解析得到的用于训练机器学习模型的处理逻辑，以训练出机器学习模型，其中，用于限定机器学习模型的训练过程的配置包括以下配置之中的至少一种：算法配置，用于限定用于训练机器学习模型的机器学习算法的运算逻辑；输入配置，用于限定所述机器学习算法的输入数据；参数配置，用于限定机器学习模型的参数；以及环境配置，用于限定训练机器学习模型时的环境。

可选地，算法配置用于限定表示所述机器学习算法的运算逻辑的计算图的配置；和/或，输入配置用于限定从原始输入数据生成所述机器学习算法的输入数据的方式；和/或，参数配置用于限定以下项之中的至少一项：机器学习模型的参数的初始值或初始值的生成方式、机器学习模型的参数的更新方式、机器学习模型的参数的数据类型；和/或，环境配置用于限定以下项之中的至少一项：原始输入数据的存储路径、训练出的机器学习模型的参数的存储路径、执行解析得到的处理逻辑所使用的运算线程数量、是否使用图形处理器来执行解析得到的处理逻辑、是否使用集群执行解析得到的处理逻辑、执行解析得到的处理逻辑所使用的集群。

可选地，用于训练机器学习模型的机器学习算法包括神经网络算法、逻辑回归算法或决策树算法。

可选地，获取用于限定机器学习模型的训练过程的配置的步骤包括：获取用于定义机器学习模型的训练逻辑的脚本；基于获取的脚本来生成用于限定机器学习模型的训练过程的配置。

可选地，获取用于限定机器学习模型的训练过程的配置的步骤包括：向用户提供用于设置用于限定机器学习模型的训练过程的配置的图形界面；接收用户为了设置所述配置而在所述图形界面上执行的输入操作，并根据所述输入操作来获取用户设置的配置。

根据本发明的另一示例性实施例，提供一种用于训练机器学习模型的系统，包括：配置获取装置，获取用于限定机器学习模型的训练过程的配置；以及训练装置，使用针对机器学习模型的模型训练框架对获取的配置进行解析，并执行解析得到的用于训练机器学习模型的处理逻辑，以训练出机器学习模型，其中，用于限定机器学习模型的训练过程的配置包括以下配置之中的至少一种：算法配置，用于限定用于训练机器学习模型的机器学习算法的运算逻辑；输入配置，用于限定所述机器学习算法的输入数据；参数配置，用于限定机器学习模型的参数；以及环境配置，用于限定训练机器学习模型时的环境。

可选地，算法配置用于限定表示所述机器学习算法的运算逻辑的计算图的配置；和/或，输入配置用于限定从原始输入数据生成所述机器学习算法的输入数据的方式；和/或，参数配置用于限定以下项之中的至少一项：机器学习模型的参数的初始值或初始值的生成方式、机器学习模型的参数的更新方式、机器学习模型的参数的数据类型；和/或，环境配置用于限定以下项之中的至少一项：原始输入数据的存储路径、训练出的机器学习模型的参数的存储路径、执行解析得到的处理逻辑所使用的运算线程数量、是否使用图形处理器来执行解析得到的处理逻辑、是否使用集群执行解析得到的处理逻辑、执行解析得到的处理逻辑所使用的集群。

可选地，用于训练机器学习模型的机器学习算法包括神经网络算法、逻辑回归算法或决策树算法。

可选地，配置获取装置获取用于定义机器学习模型的训练逻辑的脚本；并基于获取的脚本来生成用于限定机器学习模型的训练过程的配置。

可选地，配置获取装置向用户提供用于设置用于限定机器学习模型的训练过程的配置的图形界面；接收用户为了设置所述配置而在所述图形界面上执行的输入操作，并根据所述输入操作来获取用户设置的配置。

根据本发明的另一示例性实施例，提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如上所述的用于训练机器学习模型的方法。

根据本发明的另一示例性实施例，提供一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如上所述的用于训练机器学习模型的方法。

根据本发明示例性实施例的用于训练机器学习模型的方法及系统，能够基于用于限定机器学习模型的训练过程的配置训练出机器学习模型，一方面，不需要开发人员对模型训练框架的底层代码进行进一步的封装，减轻了开发人员的工作量；另一方面，即使用户不懂编程语言，也能通过所述方法训练出满足需求的机器学习模型，降低了模型训练的使用门槛，提高了模型训练的易用性。此外，根据本发明示例性实施例的用于训练机器学习模型的方法适用于各种机器学习算法，无论是针对参数个数少、层级简单的传统机器学习算法，还是针对运算逻辑更为复杂的人工神经网络算法，都能通过所述方法统一地训练出机器学习模型。

将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明总体构思的实施而得知。

附图说明

通过下面结合示例性地示出实施例的附图进行的描述，本发明示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：

图1示出根据本发明示例性实施例的用于训练机器学习模型的方法的流程图；

图2示出根据本发明示例性实施例的用于训练机器学习模型的系统的框图。

具体实施方式

现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。

图1示出根据本发明示例性实施例的用于训练机器学习模型的方法的流程图。这里，作为示例，所述方法可通过计算机程序来执行，也可由专门的用于执行机器学习、大数据计算、或数据分析等的硬件设备或软硬件资源的集合体来执行，例如，所述方法可由用于实现机器学习相关业务的机器学习平台或框架来执行。

参照图1，在步骤s10中，获取用于限定机器学习模型的训练过程的配置。这里，用于限定机器学习模型的训练过程的配置包括以下配置之中的至少一种：算法配置、输入配置、参数配置和环境配置。

在步骤s20中，使用针对机器学习模型的模型训练框架对获取的配置进行解析，并执行解析得到的用于训练机器学习模型的处理逻辑，以训练出机器学习模型。具体说来，使用模型训练框架来对用于限定机器学习模型的训练过程的配置进行解析以得到用于训练机器学习模型的处理逻辑，然后，执行解析得到的处理逻辑以实现训练机器学习模型的过程。

作为示例，当所述方法由用于执行机器学习过程的机器学习平台来执行时，针对机器学习模型的模型训练框架可以是所述机器学习平台的模型训练框架，这里，机器学习平台的模型训练框架可指示用于机器学习平台实现模型训练的主体逻辑架构。

以下，将详细说明算法配置、输入配置、参数配置和环境配置。

具体说来，算法配置用于限定用于训练机器学习模型的机器学习算法的运算逻辑。

作为示例，算法配置可用于限定表示所述机器学习算法的运算逻辑的计算图的配置。这里，所述计算图可以是一个有向无环图。例如，算法配置可用于限定所述计算图所包括的各个节点以及各个节点之间的连接关系。

应该理解，用于训练机器学习模型的机器学习算法可以是各种类型的机器学习算法及其组合。作为示例，用于训练机器学习模型的机器学习算法可包括神经网络算法、逻辑回归算法或决策树算法。

输入配置用于限定所述机器学习算法的输入数据。例如，表示所述机器学习算法的运算逻辑的计算图中的节点的输入可以是所述输入数据。

作为示例，输入配置可用于限定从原始输入数据生成所述机器学习算法的输入数据的方式。这里，原始输入数据可以是通过特征工程得到的机器学习样本。

实质上，输入配置声明了一个或多个输入接口，每一个输入接口表示从原始输入数据到该接口所需数据格式的转换过程，转换后的数据用作所述机器学习算法的输入数据(例如，用作计算图的计算输入)。根据本发明的示例性实施例，模型训练框架通过解析输入配置，可在执行与所述机器学习算法对应的处理逻辑之前就获知所有需要的输入接口及其对应的数据格式，作为示例，可先执行解析得到的与输入配置对应的处理逻辑，然后再执行解析得到的与算法配置对应的处理逻辑，从而能够提前将转换好的输入数据存储在本地，而不是在每次需要时才转换，通过这种优化执行过程的方式，能够提高执行效率。并且，对于用户来说，只需在配置时考虑所述机器学习算法所需的输入接口即可，不需要考虑如何优化执行过程。

参数配置用于限定机器学习模型的参数。关于机器学习模型的参数，一方面，参数是整个机器学习模型训练过程的输出；另一方面，对于一些用于训练机器学习模型的机器学习算法(例如，人工神经网络算法)来说，参数也是该机器学习算法的输入(例如，表示该机器学习算法的运算逻辑的计算图中的节点的输入可以是输入数据和参数)，但与该机器学习算法的输入数据不同，参数本身不是固定值，而是随着算法运算在不断迭代更新的，且参数的更新方法也是需要指定的。

作为示例，参数配置可用于限定以下项之中的至少一项：机器学习模型的参数的初始值或初始值的生成方式、机器学习模型的参数的更新方式、机器学习模型的参数的数据类型。例如，参数的数据类型可包括稀疏和/或连续，如果参数的数据类型为连续，则该参数的取值可以是具有一定连续性的数值；如果参数的数据类型为稀疏，则该参数的取值不具有连续性。

环境配置用于限定训练机器学习模型时的环境。作为示例，环境配置可用于限定以下项之中的至少一项：原始输入数据的存储路径、训练出的机器学习模型的参数的存储路径、执行解析得到的处理逻辑所使用的运算线程数量、是否使用图形处理器(gpu)来执行解析得到的处理逻辑、是否使用集群执行解析得到的处理逻辑、执行解析得到的处理逻辑所使用的集群。

作为示例，步骤s10可包括：直接从外部获取用于限定机器学习模型的训练过程的配置。作为另一示例，步骤s10可包括：向用户提供用于设置用于限定机器学习模型的训练过程的配置的图形界面；接收用户为了设置所述配置而在所述图形界面上执行的输入操作，并根据所述输入操作来获取用户设置的配置。

作为示例，所述图形界面可包括：用于设置算法配置的图形界面部分、用于设置输入配置的图形界面部分、用于设置参数配置的图形界面部分、用于设置环境配置的图形界面部分。根据本发明的上述方式，便于用户从算法、输入、参数、环境这四个方面，来配置训练机器学习模型的过程，即使需要设置的用于限定机器学习模型的训练过程的配置较多，用户通过上述图形界面也能够系统地、有逻辑地进行配置，从而提高配置效率。

作为示例，所述图形界面可包括以下项之中的至少一项：用于设置配置的选择输入型界面、用于编辑配置的编辑型界面、和用于设置有向无环图的画布型界面。

作为示例，用于设置算法配置的图形界面可以是用于设置计算图的画布型界面。例如，可根据用户通过所述画布型界面设置并配置计算图的节点的操作，获取用户设置的算法配置。用于设置输入配置的图形界面、用于设置参数配置的图形界面以及用于设置环境配置的图形界面可以是用于设置配置的选择输入型界面和/或用于编辑配置的编辑型界面。

根据本发明的示例性实施例，即使用户不熟悉底层的编程语言，也能够很好地设置用于限定机器学习模型的训练过程的配置，从而能够训练出满足需求的机器学习模型，降低了训练机器学习模型的使用门槛。

作为示例，步骤s10可包括：获取用于定义机器学习模型的训练逻辑的脚本；然后，基于获取的脚本来生成用于限定机器学习模型的训练过程的配置。通过该方式，根据本发明示例性实施例的用于训练机器学习模型的方法既能够支持用于限定机器学习模型的训练过程的配置，也能够兼容用于定义机器学习模型的训练逻辑的脚本。

图2示出根据本发明示例性实施例的用于训练机器学习模型的系统的框图。如图2所示，根据本发明示例性实施例的用于训练机器学习模型的系统包括：配置获取装置10和训练装置20。

具体说来，配置获取装置10用于获取用于限定机器学习模型的训练过程的配置。这里，用于限定机器学习模型的训练过程的配置包括以下配置之中的至少一种：算法配置、输入配置、参数配置和环境配置。

训练装置20用于使用针对机器学习模型的模型训练框架对获取的配置进行解析，并执行解析得到的用于训练机器学习模型的处理逻辑，以训练出机器学习模型。具体说来，训练装置20使用模型训练框架来对用于限定机器学习模型的训练过程的配置进行解析以得到用于训练机器学习模型的处理逻辑，然后，执行解析得到的处理逻辑以实现训练机器学习模型的过程。

以下，将详细说明算法配置、输入配置、参数配置和环境配置。

具体说来，算法配置用于限定用于训练机器学习模型的机器学习算法的运算逻辑。

作为示例，算法配置可用于限定表示所述机器学习算法的运算逻辑的计算图的配置。这里，所述计算图可以是一个有向无环图。例如，算法配置可用于限定所述计算图所包括的各个节点以及各个节点之间的连接关系。

应该理解，用于训练机器学习模型的机器学习算法可以是各种类型的机器学习算法。作为示例，用于训练机器学习模型的机器学习算法可包括神经网络算法、逻辑回归算法或决策树算法。

输入配置用于限定所述机器学习算法的输入数据。例如，表示所述机器学习算法的运算逻辑的计算图中的节点的输入可以是所述输入数据。

作为示例，输入配置可用于限定从原始输入数据生成所述机器学习算法的输入数据的方式。这里，原始输入数据可以是通过特征工程得到的机器学习样本。

实质上，输入配置声明了一个或多个输入接口，每一个输入接口表示从原始输入数据到该接口所需数据格式的转换过程，转换后的数据用作所述机器学习算法的输入数据(例如，用作计算图的计算输入)。根据本发明的示例性实施例，模型训练框架通过解析输入配置，可在执行与所述机器学习算法对应的处理逻辑之前就获知所有需要的输入接口及其对应的数据格式，作为示例，训练装置20可先执行解析得到的与输入配置对应的处理逻辑，然后再执行解析得到的与算法配置对应的处理逻辑，从而能够提前将转换好的输入数据存储在本地，而不是在每次需要时才转换，通过这种优化执行过程的方式，能够提高执行效率。并且，对于用户来说，只需在配置时考虑所述机器学习算法所需的输入接口即可，不需要考虑如何优化执行过程。

参数配置用于限定机器学习模型的参数。关于机器学习模型的参数，一方面，参数是整个机器学习模型训练过程的输出；另一方面，对于一些用于训练机器学习模型的机器学习算法(例如，人工神经网络算法)来说，参数也是该机器学习算法的输入(例如，表示该机器学习算法的运算逻辑的计算图中的节点的输入可以是输入数据和参数)，但与该机器学习算法的输入数据不同，参数本身不是固定值，而是随着算法运算在不断迭代更新的，且参数的更新方法也是需要指定的。

作为示例，参数配置可用于限定以下项之中的至少一项：机器学习模型的参数的初始值或初始值的生成方式、机器学习模型的参数的更新方式、机器学习模型的参数的数据类型。例如，参数的数据类型可包括稀疏和/或连续，如果参数的数据类型为连续，则该参数的取值可以是具有一定连续性的数值；如果参数的数据类型为稀疏，则该参数的取值不具有连续性。

环境配置用于限定训练机器学习模型时的环境。作为示例，环境配置可用于限定以下项之中的至少一项：原始输入数据的存储路径、训练出的机器学习模型的参数的存储路径、执行解析得到的处理逻辑所使用的运算线程数量、是否使用图形处理器(gpu)来执行解析得到的处理逻辑、是否使用集群执行解析得到的处理逻辑、执行解析得到的处理逻辑所使用的集群。

作为示例，配置获取装置10可直接从外部获取用于限定机器学习模型的训练过程的配置。作为另一示例，配置获取装置10可向用户提供用于设置用于限定机器学习模型的训练过程的配置的图形界面；接收用户为了设置所述配置而在所述图形界面上执行的输入操作，并根据所述输入操作来获取用户设置的配置。

作为示例，所述图形界面可包括：用于设置算法配置的图形界面部分、用于设置输入配置的图形界面部分、用于设置参数配置的图形界面部分、用于设置环境配置的图形界面部分。根据本发明的上述方式，便于用户从算法、输入、参数、环境这四个方面，来配置训练机器学习模型的过程，即使需要设置的用于限定机器学习模型的训练过程的配置较多，用户通过上述图形界面也能够系统地、有逻辑地进行配置，从而提高配置效率。

作为示例，所述图形界面可包括以下项之中的至少一项：用于设置配置的选择输入型界面、用于编辑配置的编辑型界面、和用于设置有向无环图的画布型界面。

作为示例，用于设置算法配置的图形界面可以是用于设置计算图的画布型界面。例如，可根据用户通过所述画布型界面设置并配置计算图的节点的操作，获取用户设置的算法配置。用于设置输入配置的图形界面、用于设置参数配置的图形界面以及用于设置环境配置的图形界面可以是用于设置配置的选择输入型界面和/或用于编辑配置的编辑型界面。

根据本发明的示例性实施例，即使用户不懂编程语言，也能够很好地设置用于限定机器学习模型的训练过程的配置，从而能够训练出满足需求的机器学习模型，降低了训练机器学习模型的使用门槛。

作为示例，配置获取装置10可获取用于定义机器学习模型的训练逻辑的脚本；并基于获取的脚本来生成用于限定机器学习模型的训练过程的配置。通过该方式，根据本发明示例性实施例的用于训练机器学习模型的系统既能够支持用于限定机器学习模型的训练过程的配置，也能够兼容用于定义机器学习模型的训练逻辑的脚本。

应该理解，根据本发明示例性实施例的用于训练机器学习模型的系统的具体实现方式可参照结合图1描述的相关具体实现方式来实现，在此不再赘述。

根据本发明示例性实施例的用于训练机器学习模型的系统所包括的装置可被分别配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如，这些装置可对应于专用的集成电路，也可对应于纯粹的软件代码，还可对应于软件与硬件相结合的模块。此外，这些装置所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。

应理解，根据本发明示例性实施例的用于训练机器学习模型的方法可通过记录在计算可读介质上的程序来实现，例如，根据本发明的示例性实施例，可提供一种用于统一地执行特征抽取的计算机可读介质，其中，在所述计算机可读介质上记录有用于执行以下方法步骤的计算机程序：获取用于限定机器学习模型的训练过程的配置；以及使用针对机器学习模型的模型训练框架对获取的配置进行解析，并执行解析得到的用于训练机器学习模型的处理逻辑，以训练出机器学习模型，其中，用于限定机器学习模型的训练过程的配置包括以下配置之中的至少一种：算法配置，用于限定用于训练机器学习模型的机器学习算法的运算逻辑；输入配置，用于限定所述机器学习算法的输入数据；参数配置，用于限定机器学习模型的参数；以及环境配置，用于限定训练机器学习模型时的环境。

上述计算机可读介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，应注意，所述计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理，这些附加步骤和进一步处理的内容已经参照图1进行了描述，这里为了避免重复将不再进行赘述。

应注意，根据本发明示例性实施例的用于训练机器学习模型的系统可完全依赖计算机程序的运行来实现相应的功能，即，各个装置与计算机程序的功能架构中与各步骤相应，使得整个系统通过专门的软件包(例如，lib库)而被调用，以实现相应的功能。

另一方面，根据本发明示例性实施例的用于训练机器学习模型的系统所包括的各个装置也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时，用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中，使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。

例如，本发明的示例性实施例还可以实现为计算装置，该计算装置包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当所述计算机可执行指令集合被所述处理器执行时，执行用于训练机器学习模型的方法。

具体说来，所述计算装置可以部署在服务器或客户端中，也可以部署在分布式网络环境中的节点装置上。此外，所述计算装置可以是pc计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。

这里，所述计算装置并非必须是单个的计算装置，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子装置。

在所述计算装置中，处理器可包括中央处理器(cpu)、图形处理器(gpu)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。

根据本发明示例性实施例的用于训练机器学习模型的方法中所描述的某些操作可通过软件方式来实现，某些操作可通过硬件方式来实现，此外，还可通过软硬件结合的方式来实现这些操作。

处理器可运行存储在存储部件之一中的指令或代码，其中，所述存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，所述网络接口装置可采用任何已知的传输协议。

存储部件可与处理器集成为一体，例如，将ram或闪存布置在集成电路微处理器等之内。此外，存储部件可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合，或者可例如通过i/o端口、网络连接等互相通信，使得处理器能够读取存储在存储部件中的文件。

此外，所述计算装置还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。

根据本发明示例性实施例的用于训练机器学习模型的方法所涉及的操作可被描述为各种互联或耦合的功能块或功能示图。然而，这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。

例如，如上所述，根据本发明示例性实施例的用于训练机器学习模型的计算装置可包括存储部件和处理器，其中，存储部件中存储有计算机可执行指令集合，当所述计算机可执行指令集合被所述处理器执行时，执行下述步骤：获取用于限定机器学习模型的训练过程的配置；以及使用针对机器学习模型的模型训练框架对获取的配置进行解析，并执行解析得到的用于训练机器学习模型的处理逻辑，以训练出机器学习模型，其中，用于限定机器学习模型的训练过程的配置包括以下配置之中的至少一种：算法配置，用于限定用于训练机器学习模型的机器学习算法的运算逻辑；输入配置，用于限定所述机器学习算法的输入数据；参数配置，用于限定机器学习模型的参数；以及环境配置，用于限定训练机器学习模型时的环境。

以上描述了本发明的各示例性实施例，应理解，上述描述仅是示例性的，并非穷尽性的，本发明不限于所披露的各示例性实施例。在不偏离本发明的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此，本发明的保护范围应该以权利要求的范围为准。