用于训练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，具体涉及用于训练模型的方法和装置。

背景技术：

随着机器学习逐渐被各行各业采用，通用的机器学习模型往往无法满足用户的定制化的ai(artificialintelligence，人工智能)需求。用户通常会想到使用特定的数据，定制化训练自己的模型以适应特定的场景，如图像分类、物体检测、声音识别、声纹识别等等。由于不同种类的模型可能需要在不同种类的机器学习框架下训练，而现有的模型训练系统通常支持有限的机器学习框架，因此，现有的模型训练系统一般无法满足用户的不同的模型训练需求。

技术实现要素：

本申请实施例提出了用于训练模型的方法和装置。

第一方面，本申请实施例提供了一种用于训练模型的方法，该方法包括：获取配置文件，其中，配置文件包括数据集标识、机器学习框架标识、机器学习算法标识和参数信息；从数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集，其中，数据集中的数据预先关联标签；从预置的机器学习框架集合中选取机器学习框架标识所指示的机器学习框架作为目标机器学习框架；在目标机器学习框架下，利用机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。

在一些实施例中，配置文件还包括用于表征数据集所关联的标签与目标标签之间的对应关系的对应关系信息，目标标签是在训练过程中用于预测的标签；以及利用机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型，包括：利用上述机器学习算法和上述参数，基于训练数据集、训练数据集中的训练数据所关联的标签和对应关系信息，训练得到分类模型。

在一些实施例中，上述方法还包括：执行以下展示操作：从数据集中选取数据作为测试数据，生成测试数据集；利用分类模型对测试数据集中的测试数据进行类别预测，得到预测结果；基于测试数据集中的测试数据所关联的标签和预测结果，对分类模型进行预测效果评估，生成评估结果，以及展示评估结果。

在一些实施例中，上述展示操作的步骤还包括：对训练轮数执行递增操作；确定训练轮数是否达到目标训练轮数，若是，则结束上述展示操作；如果训练轮数未达到目标训练轮数，则将分类模型作为初始模型，从数据集中重新选取数据作为训练数据，生成训练数据集，在目标机器学习框架下，利用上述机器学习算法，基于重新生成的训练数据集和训练数据集中的训练数据所关联的标签，对初始模型进行训练，得到分类模型，以及继续执行所述展示操作。

在一些实施例中，获取配置文件包括：获取用户在配置界面上配置的信息，基于该信息生成配置文件，其中，配置界面包括机器学习框架选取区域、机器学习算法选取区域和参数信息选取区域。

在一些实施例中，机器学习算法选取区域中展示有至少一个机器学习算法名称组，机器学习算法名称组是按照机器学习算法的用途划分的。

第二方面，本申请实施例提供了一种用于训练模型的装置，该装置包括：获取单元，被配置成获取配置文件，其中，配置文件包括数据集标识、机器学习框架标识、机器学习算法标识和参数信息；生成单元，被配置成从数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集，其中，数据集中的数据预先关联标签；确定单元，被配置成从预置的机器学习框架集合中选取机器学习框架标识所指示的机器学习框架作为目标机器学习框架；训练单元，被配置成在目标机器学习框架下，利用机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。

在一些实施例中，配置文件还包括用于表征数据集所关联的标签与目标标签之间的对应关系的对应关系信息，目标标签是在训练过程中用于预测的标签；以及训练单元进一步被配置成：利用上述机器学习算法和上述参数，基于训练数据集、训练数据集中的训练数据所关联的标签和对应关系信息，训练得到分类模型。

在一些实施例中，上述装置还包括：展示单元，被配置成执行以下展示操作：从数据集中选取数据作为测试数据，生成测试数据集；利用分类模型对测试数据集中的测试数据进行类别预测，得到预测结果；基于测试数据集中的测试数据所关联的标签和预测结果，对分类模型进行预测效果评估，生成评估结果，以及展示评估结果。

在一些实施例中，上述展示操作的步骤还包括：对训练轮数执行递增操作；确定训练轮数是否达到目标训练轮数，若是，则结束上述展示操作；如果训练轮数未达到目标训练轮数，则将分类模型作为初始模型，从数据集中重新选取数据作为训练数据，生成训练数据集，在目标机器学习框架下，利用上述机器学习算法，基于重新生成的训练数据集和训练数据集中的训练数据所关联的标签，对初始模型进行训练，得到分类模型，以及继续执行上述展示操作。

在一些实施例中，获取单元进一步被配置成：获取用户在配置界面上配置的信息，基于该信息生成配置文件，其中，配置界面包括机器学习框架选取区域、机器学习算法选取区域和参数信息选取区域。

在一些实施例中，机器学习算法选取区域中展示有至少一个机器学习算法名称组，机器学习算法名称组是按照机器学习算法的用途划分的。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于训练模型的方法和装置，通过获取配置文件，而后从配置文件中的数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集，然后从预置的机器学习框架集合中选取配置文件中的机器学习框架标识所指示的机器学习框架作为目标机器学习框架，以便在目标机器学习框架下，利用配置文件中的机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。可以使用户根据实际需要选择不同的机器学习框架和相应的机器学习算法、参数，扩展了模型训练的适用范围。

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是本申请的一个实施例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训练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训练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训练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训练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电子设备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训练模型的方法或用于训练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，例如网页浏览器应用、模型训练类应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器。例如服务器105可以从终端设备101、102、103获取与模型训练相关的配置文件，并根据配置文件执行相应模型训练操作，得到训练结果(例如分类模型)。

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

需要指出的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器生成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

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。

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

步骤201，获取配置文件。

在本实施例中，用于训练模型的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取配置文件。其中，配置文件例如可以包括数据集标识、机器学习框架标识、机器学习算法标识和参数信息。该参数信息可以用于指示该机器学习算法标识所指示的机器学习算法所需的参数。参数信息例如可以包括参数标识。应该理解，标识可以用字母、数字或其组合表示。

需要说明的是，配置文件中的数据集标识、机器学习框架标识、机器学习算法标识、参数信息分别指示的数据集、机器学习框架、机器学习算法、参数可以预先存储在上述执行主体本地。此外，该数据集中的数据可以预先关联标签。标签可以用于指示所关联的数据的类别。

在本实施例中，上述执行主体可以获取用户通过终端设备(例如图1所示的终端设备101、102、103)上传的配置文件。上述执行主体可以向用户提供与模型训练相关的配置界面。用户可以通过配置界面上传预先生成的配置文件。

需要强调的是，上述执行主体本地可以预先设置有机器学习框架集合、机器学习算法集合、与机器学习算法相关的参数。其中，机器学习框架、机器学习算法、参数可以均设置有相应的标识。

应该理解，机器学习框架可以包括但不限于tensorflow、caffe、theano、keras、torch、mxnet、cntk、paddlepaddle等。其中，tensorflow是相对高阶的机器学习库，用户可以方便地用它设计神经网络结构。caffe的英文全称为convolutionalarchitectureforfastfeatureembedding，是一个被广泛使用的开源深度学习框架。theano是一个高性能的符号计算及深度学习库。keras是高度模块化的神经网络库，使用python(面向对象的解释型计算机程序设计语言)实现，并可以同时运行在tensorflow和theano上。torch是基于lua语言的深度学习框架，具有较高的扩展性。mxnet是深度学习框架，支持从单机到多gpu(graphicsprocessingunit，图形处理器)、多集群的计算能力。cntk可以通过细粒度的构件块让用户不需要使用低层次的语言就能创建新的、复杂的层类型。paddlepaddle是一种深度学习开源平台。paddle的英文全称为paralleldistributeddeeplearning，中文名称为并行分布式深度学习。paddlepaddle已实现cpu(centralprocessingunit，中央处理器)/gpu单机和分布式模式，同时可以支持海量数据训练、数百台机器并行运算，能够轻松应对大规模的数据训练。

机器学习算法可以包括但不限于sdm(superviseddescentmethod)、cnn(convolutionalneuralnetwork，卷积神经网络)、rnn(recurrentneuralnetwork，循环神经网络)、lstm(longshort-termmemory，长短期记忆网络)、fasttext、ulmfit(universallanguagemodelfine-tuning)、线性回归、逻辑回归、决策树、svm(supportvectormachine，支持向量机)、朴素贝叶斯、k最近邻算法、k均值算法、随机森林算法、降维算法、gradientboost和adaboost算法等。需要说明的是，以上算法是目前广泛研究和应用的公知技术，在此不再赘述。

实践中，配置文件中的机器学习框架标识、机器学习算法标识、参数信息中的参数标识可以是上述执行主体本地已有的机器学习框架、机器学习算法、参数的标识。

在本实施例的一些可选的实现方式中，配置文件中的参数信息除了包括参数标识以外，还可以包括参数。该参数可以是用户根据实际需要设定的参数。

在本实施例的一些可选的实现方式中，配置文件还可以包括用于表征上述数据集所关联的标签与目标标签之间的对应关系的对应关系信息。其中，目标标签可以是在训练过程中用于预测的标签。作为示例，假设上述数据集所关联的标签包括“汽车”、“摩托车”、“自行车”、“三轮车”。目标标签包括“机动车”和“非机动车”。上述对应关系信息可以是用于指示标签“汽车”、“摩托车”与目标标签“机动车”之间的对应关系、标签“自行车”、“三轮车”与目标标签“非机动车”之间的对应关系的对应关系信息。

在本实施例的一些可选的实现方式中，上述配置界面可以包括机器学习框架选取区域、机器学习算法选取区域和参数选取区域。机器学习框架选取区域中可以展示有上述机器学习框架集合中的机器学习框架的名称。机器学习算法选取区域中可以展示有上述机器学习算法集合中的机器学习算法的名称。参数选取区域中可以展示有与机器学习算法选取区域所展示的机器学习算法名称相关联的参数名称。用户可以在上述配置界面上的不同区域选取所需的信息进行信息配置。此外，上述配置界面还可以包括用于输入机器学习算法的参数和其它信息(例如上述对应关系信息)的输入区域。因而上述执行主体可以获取用户在上述配置界面上配置的信息，基于该信息生成配置文件。

在本实施例的一些可选的实现方式中，机器学习算法选取区域中可以展示有至少一个机器学习算法名称组。机器学习算法名称组可以是按照机器学习算法的用途(例如人脸对齐、语音识别、文本识别、图像识别等等)划分的。这样，可以方便不具有机器学习知识背景的用户快速地选取出所需的算法。需要说明的是，机器学习算法名称组可以是上述执行主体自动划分的，也可以是人为划分的，在此不做具体限定。

步骤202，从配置文件中的数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集。

在本实施例中，上述执行主体可以从配置文件中的数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集。例如，上述执行主体可以按照设定的训练数据数目、正例和负例所占的比例，从数据集中选取出正例数据和负例数据作为训练数据。再例如，上述执行主体可以选取数据集中的全部数据作为训练数据。

步骤203，从预置的机器学习框架集合中选取配置文件中的机器学习框架标识所指示的机器学习框架作为目标机器学习框架。

在本实施例中，上述执行主体可以从预置的机器学习框架集合中选取配置文件中的机器学习框架标识所指示的机器学习框架作为目标机器学习框架。

步骤204，在目标机器学习框架下，利用配置文件中的机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。

在本实施例中，上述执行主体在确定目标机器学习框架后，可以在目标机器学习框架下，利用配置文件中的机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。

作为示例，上述执行主体可以将训练数据集中的训练数据作为输入，将训练数据所关联的标签作为输出，进行模型训练。在训练过程中，上述执行主体可以将训练数据集中的训练数据输入正在训练的模型中，得到相应的预测结果。上述执行主体可以将该预测结果与该训练数据所关联的标签进行比较，根据比较结果确定模型是否训练完成。若确定模型训练完成，则上述执行主体可以将训练完成的模型确定为分类模型。

这里，上述执行主体可以根据比较结果确定模型是否达到预设的优化目标，若达到，则上述执行主体可以确定模型训练完成。其中，优化目标例如可以指预测结果的准确率大于预设的准确率阈值。若上述执行主体确定模型未达到预设的优化目标，则上述执行主体可以调整模型的参数，继续使用训练数据集中的其它训练数据进行模型训练。

可选地，若上述执行主体在得到与训练数据集中的各条训练数据分别对应的预测结果后，仍然确定模型未达到预设的优化目标，上述执行主体也可以确定模型训练完成。

在本实施例的一些可选的实现方式中，若配置文件包括上述对应关系信息，则上述执行主体可以利用配置文件中的机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集、训练数据集中的训练数据所关联的标签和上述对应关系信息，训练得到分类模型。这里，上述执行主体可以将训练数据集中的训练数据作为输入，将与该训练数据所关联的标签相对应的目标标签作为输出，进行模型训练。

继续参见图3，图3是根据本实施例的用于训练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，服务器301本地可以存储有用户预先上传的数据集。而且，服务器301本地可以预先存储机器学习框架集合、机器学习算法集合和与机器学习算法相应的参数。用户想要进行模型训练时，可以根据实际业务需求以及服务器301预存的以上信息，确定训练时需要使用的数据集、机器学习框架、机器学习算法和参数等信息，然后通过终端设备302创建相应的配置文件，将配置文件上传至服务器301。其中，配置文件可以包括数据集名称、机器学习框架名称、机器学习算法名称和参数信息。服务器301在获取到上述配置文件后，可以在本地存储的、上述数据集名称所指示的数据集中选取数据作为训练数据，生成训练数据集303。其中，该数据集中的数据可以预先关联标签。而后，服务器301可以从上述机器学习框架集合中选取上述机器学习框架名称所指示的机器学习框架作为目标机器学习框架304。最后，服务器301可以在目标机器学习框架304下，利用本地预先存储的上述机器学习算法集合中的、上述机器学习算法名称所指示的机器学习算法305和上述参数信息所指示的参数306，将训练数据集303中的训练数据作为输入，将该训练数据所关联的标签作为输出，训练得到分类模型307。

本申请的上述实施例提供的方法，通过获取配置文件，而后从配置文件中的数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集，然后从预置的机器学习框架集合中选取配置文件中的机器学习框架标识所指示的机器学习框架作为目标机器学习框架，以便在目标机器学习框架下，利用配置文件中的机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。可以使用户根据实际需要选择不同的机器学习框架和相应的机器学习算法、参数，扩展了模型训练的适用范围。

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

步骤401，获取配置文件。

步骤402，从配置文件中的数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集。

步骤403，从预置的机器学习框架集合中选取配置文件中的机器学习框架标识所指示的机器学习框架作为目标机器学习框架。

步骤404，在目标机器学习框架下，利用配置文件中的机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。

在本实施例中，针对步骤401-404的解释说明，可参看图2所示实施例中的步骤201-204的相关说明，在此不再赘述。

步骤405，从数据集中选取数据作为测试数据，生成测试数据集。

在本实施例中，用于训练模型的方法的执行主体(例如图1所示的服务器105)可以从上述数据集中选取数据作为测试数据，生成测试数据集。这里，测试数据选取方法例如可以包括：从上述数据集中随机选取数据作为测试数据。测试数据选取方法例如还可以包括：按照设定的测试数据数目、正例和负例所占的比例，从上述数据集中选取出正例数据和负例数据作为测试数据。需要说明的是，测试数据集和训练数据集中的数据可以相同，也可以不同，在此不做具体限定。

步骤406，利用分类模型对测试数据集中的测试数据进行类别预测，得到预测结果。

在本实施例中，上述执行主体可以利用分类模型对测试数据集中的测试数据进行类别预测，得到预测结果。例如，上述执行主体可以将测试数据集中的测试数据输入分类模型，以使分类模型输出与该测试数据对应的预测结果。其中，预测结果可以包括分类模型预测出的与该测试数据对应的标签。

步骤407，基于测试数据集中的测试数据所关联的标签和预测结果，对分类模型进行预测效果评估，生成评估结果，以及展示评估结果。

在本实施例中，上述执行主体可以基于测试数据集中的测试数据所关联的标签和在步骤406中得到的预测结果，对分类模型进行预测效果评估，生成评估结果，以及展示评估结果。

作为示例，对于测试数据集中的每条测试数据，上述执行主体可以将该测试数据所关联的标签与对应的预测结果进行比较，确定预测结果是否正确。而后，上述执行主体可以统计出正确的预测结果的数目。之后，上述执行主体可以计算出该数目与测试数据集中的测试数据的总数目之间的比值。然后，上述执行主体可以将该比值确定为分类模型的实际预测准确率，上述执行主体可以生成包括实际预测准确率的评估结果，以及展示该评估结果。

可选地，上述执行主体还可以将上述实际预测准确率与准确率阈值进行比较，得到比较结果。上述执行主体可以生成包括上述实际预测准确率和该比较结果的评估结果。

步骤408，对训练轮数执行递增操作。

在本实施例中，上述执行主体可以对训练轮数执行递增操作。其中，训练轮数的初始值可以为0。上述执行主体在对训练轮数执行递增操作时所使用的步长可以为1。

由于上述执行主体在步骤404中进行了一轮模型训练，因而上述执行主体首次执行步骤408时，可以将训练轮数递增1，此时训练轮数的值为1。

步骤409，确定训练轮数是否达到目标训练轮数。

在本实施例中，上述执行主体对训练轮数执行递增操作后，可以接着确定训练轮数是否达到目标训练轮数。其中，目标训练轮数可以是上述执行主体预先设置的，也可以是用户指定的。例如，配置文件中可以包括目标训练轮数。

步骤410，响应于确定训练轮数达到目标训练轮数，执行结束操作。

在本实施例中，上述执行主体可以响应于确定训练轮数达到目标训练轮数，执行结束操作，以结束对步骤405-411的循环执行。

步骤411，响应于确定训练轮数未达到目标训练轮数，将分类模型作为初始模型，从数据集中重新选取数据作为训练数据，生成训练数据集，在目标机器学习框架下，利用机器学习算法，基于重新生成的训练数据集和训练数据集中的训练数据所关联的标签，对初始模型进行训练，得到分类模型。

在本实施例中，上述执行主体可以响应于确定训练轮数未达到目标训练轮数，将分类模型作为初始模型，从上述数据集中重新选取数据作为训练数据，生成训练数据集。而后，上述执行主体可以在目标机器学习框架下，利用配置文件中的机器学习算法标识所指示的机器学习算法，基于重新生成的训练数据集和训练数据集中的训练数据所关联的标签，对初始模型进行训练，得到分类模型。然后，上述执行主体可以转去执行步骤405。

作为示例，上述执行主体可以将训练数据集中的训练数据作为输入，将该训练数据所关联的标签作为输出，对初始模型进行训练。其中，训练过程可以包括：从训练数据集中选取训练数据，将该训练数据输入初始模型，得到预测结果；将该训练数据所关联的标签和该预测结果进行比较；根据比较结果，确定初始模型是否训练完成；若确定初始模型训练完成，则将训练完成的初始模型作为分类模型。这里，确定初始模型是否训练完成的方法可参看图2所示实施例中的步骤204的相关说明，在此不再赘述。

若上述执行主体确定初始模型未训练完成，上述执行主体可以调整初始模型的参数，而后从训练数据集中选取其它的训练数据，继续执行上述训练过程。

可选地，若上述执行主体在得到与训练数据集中的各条训练数据分别对应的预测结果后，仍然确定初始模型未达到预设的优化目标，上述执行主体也可以确定模型训练完成。

在本实施例的一些可选的实现方式中，若配置文件包括用于表征上述数据集所关联的标签与目标标签之间的对应关系的对应关系信息，则上述执行主体可以在目标机器学习框架下，利用配置文件中的机器学习算法标识所指示的机器学习算法，基于重新生成的训练数据集、训练数据集中的训练数据所关联的标签和该对应关系信息，对初始模型进行训练，得到分类模型。其中，目标标签可以是在训练过程中用于预测的标签。上述执行主体可以将训练数据集中的训练数据作为输入，将与该训练数据所关联的标签对应的目标标签作为输出，对初始模型进行训练。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于训练模型的方法的流程400突出了基于目标训练轮数控制模型训练的轮数，并且在每一轮训练完成后，对分类模型进行预测效果评估，生成评估结果，以及展示评估结果。由此本实施例描述的方案可以实现多轮模型训练，并且可以方便用户查看针对每轮训练完成的分类模型的预测效果的评估结果。

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训练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，本实施例的用于训练模型的装置500包括：获取单元501被配置成获取配置文件，其中，配置文件可以包括数据集标识、机器学习框架标识、机器学习算法标识和参数信息；生成单元502被配置成从数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集，其中，数据集中的数据可以预先关联标签；确定单元503被配置成从预置的机器学习框架集合中选取机器学习框架标识所指示的机器学习框架作为目标机器学习框架；训练单元504被配置成在目标机器学习框架下，利用机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。

在本实施例中，用于训练模型的装置500中：获取单元501、生成单元502、确定单元503和训练单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，配置文件还可以包括用于表征数据集所关联的标签与目标标签之间的对应关系的对应关系信息，目标标签可以是在训练过程中用于预测的标签；以及训练单元504可以进一步被配置成：利用上述机器学习算法和上述参数，基于训练数据集、训练数据集中的训练数据所关联的标签和对应关系信息，训练得到分类模型。

在本实施例的一些可选的实现方式中，上述装置500还可以包括：展示单元(图中未示出)，被配置成执行以下展示操作：从数据集中选取数据作为测试数据，生成测试数据集；利用分类模型对测试数据集中的测试数据进行类别预测，得到预测结果；基于测试数据集中的测试数据所关联的标签和预测结果，对分类模型进行预测效果评估，生成评估结果，以及展示评估结果。

在本实施例的一些可选的实现方式中，上述展示操作的步骤还可以包括：对训练轮数执行递增操作；确定训练轮数是否达到目标训练轮数，若是，则结束上述展示操作；如果训练轮数未达到目标训练轮数，则将分类模型作为初始模型，从数据集中重新选取数据作为训练数据，生成训练数据集，在目标机器学习框架下，利用上述机器学习算法，基于重新生成的训练数据集和训练数据集中的训练数据所关联的标签，对初始模型进行训练，得到分类模型，以及继续执行上述展示操作。

在本实施例的一些可选的实现方式中，获取单元501可以进一步被配置成：获取用户在配置界面上配置的信息，基于该信息生成配置文件，其中，配置界面可以包括机器学习框架选取区域、机器学习算法选取区域和参数信息选取区域。

在本实施例的一些可选的实现方式中，机器学习算法选取区域中可以展示有至少一个机器学习算法名称组，机器学习算法名称组可以是按照机器学习算法的用途划分的。

本申请的上述实施例提供的装置，通过获取配置文件，而后从配置文件中的数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集，然后从预置的机器学习框架集合中选取配置文件中的机器学习框架标识所指示的机器学习框架作为目标机器学习框架，以便在目标机器学习框架下，利用配置文件中的机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。可以使用户根据实际需要选择不同的机器学习框架和相应的机器学习算法、参数，扩展了模型训练的适用范围。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器105)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，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，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示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，上述模块、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，框图或流程图中的每个方框、以及框图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：一种处理器包括获取单元、生成单元、确定单元和分析单元。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，获取单元还可以被描述为“获取配置文件的单元”。

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电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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一个该电子设备执行时，使得该电子设备：获取配置文件，其中，配置文件可以包括数据集标识、机器学习框架标识、机器学习算法标识和参数信息；从数据集标识所指示的数据集中选取数据作为训练数据，生成训练数据集，其中，数据集中的数据可以预先关联标签；从预置的机器学习框架集合中选取机器学习框架标识所指示的机器学习框架作为目标机器学习框架；在目标机器学习框架下，利用机器学习算法标识所指示的机器学习算法和参数信息所指示的参数，基于训练数据集和训练数据集中的训练数据所关联的标签，训练得到分类模型。

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上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。