深度学习方法、装置、电子设备及计算机可读介质与流程

本公开涉及计算机信息处理领域，具体而言，涉及一种用于定制培训的深度学习方法、装置、电子设备及计算机可读介质。

背景技术：

自驾出行已经成为一种常见的出行方式，为此，通过考试获得驾照已经是很多人的刚需。目前，人们主要通过参加驾校的培训班，经过培训，然后参加驾驶科目考试。驾校一般为参加培训的学员预先设定了几种班型，学员通常根据自身经济情况和时间情况选择一种班型。但是，这些班型的设定以及学员对于班型的选择通常并没有考虑到培训效率和考试通过率。

获得驾照的必要途径就是通过驾驶培训考试，因此为了提高考试通过率，提高培训的效率与考试的通过率，预测驾驶培训考试分数便变得尤为重要。

因此，需要一种新的培训定制方法，提高培训效率。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本申请提供一种用于定制培训的深度学习方法、装置、电子设备及计算机可读介质，能够提高培训效率。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提供一种用于定制培训的深度学习方法，包括：对学员特征进行预处理，得到预处理学员特征；对定制培训特征进行预处理，得到预处理定制培训特征；将所述预处理学员特征和所述预处理定制培训特征作为输入，利用深度学习关联模型预测培训成果，其中，所述深度学习关联模型包括：第一cnn网络，接收所述预处理学员特征，产生第一特征数据；第二cnn网络，接收所述预处理定制培训特征，产生第二特征数据；全连接层，接收所述第一特征数据和所述第二特征数据，产生第三特征数据；输出层，基于来自所述全连接层的所述第三特征数据输出预测的培训成果。

根据一些实施例，深度学习方法还包括：从历史培训样本提取行向量形式的学员特征和培训特征；将行向量形式的学员特征和培训特征分别转换为学员特征矩阵和培训特征矩阵；根据所述学员特征矩阵和培训特征矩阵训练所述深度学习关联模型。

根据一些实施例，所述历史培训样本包括正样本和负样本，所述正样本与所述负样本的比例为1:1。

根据一些实施例，所述历史培训样本包括正样本和负样本，所述正样本与所述负样本的比例为8:1至3:1。

根据一些实施例，深度学习方法还包括：利用新的样本更新所述深度学习关联模型。

根据一些实施例，所述第一cnn网络和所述第二cnn网络分别包括输入层、卷积层、激活函数层。

根据一些实施例，所述定制培训为定制驾驶培训。

根据一些实施例，所述学员特征包括下述特征中的至少两种：年龄、性别、职业类型、教育程度、时间保证度、自我描述选项。

根据一些实施例，所述学员特征包括操控类游戏测试结果。

根据一些实施例，所述定制培训特征包括：时间类别、教学方式、教练数量、车型。

根据一些实施例，所述定制培训特征还包括教练评价。

根据一些实施例，所述定制培训特征包括教练属性。

根据一些实施例，所述对学员特征进行预处理包括：将学员特征表示为行向量形式；将行向量形式的学员特征转换为学员特征矩阵，所述对定制培训特征进行预处理包括：将定制培训特征表示为行向量形式；将行向量形式的定制培训特征转换为定制培训特征矩阵。

根据本发明的另一方面，提供一种用于定制培训的深度学习装置，包括：第一预处理模块，对学员特征进行预处理从而得到预处理学员特征；第二预处理模块，对定制培训特征进行预处理从而得到预处理定制培训特征；预测模块，将所述预处理学员特征和所述预处理定制培训特征作为输入，利用深度学习关联模型预测培训成果，其中，所述深度学习关联模型包括：第一cnn网络，接收所述预处理学员特征，产生第一特征数据；第二cnn网络，接收所述预处理定制培训特征，产生第二特征数据；全连接层，接收所述第一特征数据和所述第二特征数据，产生第三特征数据；输出层，基于来自所述全连接层的所述第三特征数据输出预测的培训成果。

根据本发明的再一方面，提供一种电子设备，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；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现前述任一所述的方法。

根据本发明的再一方面，提供一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现前述任一所述的方法。

根据本发明的一些实施例，通过定制培训的方法，提高培训效率，进而提高考试通过率。

根据本发明的另一些实施例，根据学员情况和培训方式，预测培训考试分数，从而可根据预测结果对培训方式进行调整。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。

图1a示出根据示例性实施例的可应用根据本发明实施例的方法或装置的系统的框图；

图1b示出根据本发明示例性实施例的用于定制培训的深度学习方法的框架原理图；

图2示出根据本发明示例性实施例的用于定制培训的深度学习方法的流程图；

图3示出根据本发明实施例的用于定制培训的深度学习关联模型；

图4示出根据本发明示例实施例对学员特征和定制培训特征进行预处理的方法；

图5示出根据本发明示例实施例通过折行的方式将行向量形式的特征转换为特征矩阵；

图6示出根据本发明另一实施例通过行向量与其转置相乘的方式将行向量形式的特征转换为特征矩阵；

图7示出根据本发明示例实施例利用历史培训样本训练深度学习关联模型的过程；

图8示意性示出了根据本发明示例实施例的用于定制培训的深度学习装置的框图；

图9示出根据示例性实施例用于定制培训的电子设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

在现有技术中，一方面，学员只能从给定的培训班型中选择一种参加培训，或者参加价格高昂的所谓贵宾班；另一方面，学员或者培训机构对于学员与所选培训班之间的匹配度处于混沌无知状态，对于学习效果和通过考试的可能性均没有明确可度量的把握。

本发明提出一种技术构思和方案，基于深度神经网络建立深度学习关联模型，基于学员特征和定制培训特征，预测培训结果，从而可以对培训进行个性化定制，提高培训效率，进而提高考试通过率。另外，通过预测特定培训方式的预期考试分数，可根据预测结果对培训方式进行调整。

易于理解，虽然下面以驾驶培训为例对本发明的技术构思和方案进行描述，但本发明的技术构思和方案也可应用于其他培训领域，本发明的保护范围涵盖所有这些可以应用本发明技术方案的领域。

下面参照附图对本发明实施例进行详细说明。

图1a示出根据示例性实施例的可应用根据本发明实施例的方法或装置的系统的框图。

如图1a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，例如预测应用、网页浏览器应用、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网页浏览的各种电子设备，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。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所提交的信息提供预测处理的后台管理服务器。后台管理服务器可以利用预测模型对接收到的信息和系统已存储的数据进行计算等处理，并将处理结果反馈给终端设备。服务器105还可根据实际需要进行其他相关操作和处理。服务器105可以是一个实体的服务器，还可例如为由多个服务器组成。

图1b示出根据本发明示例性实施例的用于定制培训的深度学习方法的框架原理图。

如图1b所示，s102包括数据采集清洗与处理。具体地，采集历史培训数据，清洗异常培训数据，利用数理统计、数据挖掘或预定义的清理规则将脏数据转化为满足数据质量要求的数据。

在此过程中，一般需要经过一致性检查、无效值和缺失值的处理(包括估算、整例删除、变量删除、成对删除等)。主要清洗数据类型包括残缺数据、错误数据、重复数据等。

清洗数据的方法一般包括解决不完整数据(即值缺失)的方法、错误值的检测及解决方法、重复记录的检测及消除方法、不一致性(数据源内部及数据源之间)的检测及解决方法等。

然后，可对数据进行统计与分析，并可提供一种统计数据结果可视化的方式。

s104包括特征选择与特征处理。例如，对历史数据进行特征处理，对数值型数据进行幅度调整/归一化，对类别型数据(例如文本信息)进行编码或转化成词向量进行处理，对时间型数据进行连续值提取(持续时间等)和离散值提取(时间点分析)，对文本类型数据进行自然语言处理等等。

特征一般可包括加减平均、分位线、次序型、比例型等。加减平均例如为这个学员的考试分数高于所有学员考试分数的多少(权衡一个人的考试能力)，学员连续考试天数超过平均多少(表明这个学员对驾培的黏性)。分位线例如为培训天数处于所有学员的多少分位线处。次序型为排在第几位。

s106包括构建特征工程。历史数据特征可包括例如学员特征、培训特征以及其他特征。学员特征可包括年龄、性别、职业类型、教育程度、时间保证度、自我描述选项等。培训特征可包括时间类别、教学方式、教练属性、教练数量、车型等。其他特征可包括教练评价等。

可从这些特征中进行特征选择并构建特征工程。例如，可以使用pca主成分分析、lda线性判别分析、ica独立成分分析进行特征提取。特征选择是剔除不相关或者冗余的特征，减少有效特征的个数，减少模型训练的时间，提高模型的精确度。运用统计学的方法，衡量单个特征与响应变量(lable)之间的关系。

当然，基于深度神经网络的使用，可以不需要做大量的特征工程甚至略去，可以直接把数据灌进去，让网络自己训练，自我修正。

s108包括构建深度神经网络模型，例如构建dnn深度神经网络回归模型或分类模型，并使用历史数据例如驾驶培训数据对模型进行训练。dnn内部的神经网络层可以包括三类：输入层，隐藏层和输出层。第一层是输入层，最后一层是输出层，而中间的都是隐藏层。使用dnn前向传播算法，设定损失函数，进行神经网络的训练与预测。

除了构建深度神经网络模型，在其他方法中，也可构建逻辑回归模型、线性回归模型、支持向量回归模型、多项式回归模型、岭回归模型、lasso回归模型、弹性网络回归模型等。

s110包括利用模型进行预测。将学员特征表示为行向量形式；将行向量形式的学员特征转换为学员特征矩阵；将定制培训特征表示为行向量形式；将行向量形式的定制培训特征转换为定制培训特征矩阵；将特征矩阵作为输入，利用模型预测培训成果。

以上描述了一般性原理，下面参照附图说明根据本发明技术构思的技术方案。

图2示出根据本发明示例性实施例的用于定制培训的深度学习方法的流程图。

如图2所示，在s202，对学员特征进行预处理，得到预处理学员特征。

根据本发明的技术构思，根据学员特征选择定制培训具体方案。以定制驾驶培训为例，根据一些实施例，学员特征包括下述特征中的至少两种：年龄、性别、职业类型、教育程度、时间保证度、自我描述选项。职业类型可以为例如研发类、行政销售类、设备操控类等。时间保证度可以分为完全保证、大部分保证、部分保证、难以保证等，也可以采用相应评分制。自我描述可以包括例如细心度、耐心度、协调性、驾驶爱好度等。

根据另一些实施例，学员特征包括操控类游戏测试结果。驾驶技能是一项与操控能力相关的技能。因此，通过预先对学员进行操控类游戏进行测试，例如驾驶游戏，可以更好地了解学员特质，从而提供更匹配的培训。

根据本发明的技术构思，采用深度神经网络进行培训预测。为此，需要对学员特征进行预处理，转化为深度神经网络可以出来的输入数据。下文还将对此进行示例性详细描述。

在s204，对定制培训特征进行预处理，得到预处理定制培训特征。

这里所说的定制培训特征可以是已有各个培训班型的特征，也可以是根据培训方式组合出的各种定制培训的特征。

以驾驶培训为例，有的驾校有平日班、全日班、普通贵宾全日班、贵宾班等。这些班的区别主要在于约车时间、教练是否固定等。另外，不同班型还存在一对一教学与集体教学的差别、以及自动挡车型与手动挡车型的差别等。在现有技术中，一般学员的选择余地比较小，只能从固定班型中选择。所谓的定制，也只是资源的档次提高和相应费用的增加，而很少根据学员的具体情况进行量化分析预测。

根据本发明的一些实施例，本发明的方法应用于定制驾驶培训。定制培训特征包括：时间类别、教学方式、教练数量、车型。时间类别可以是例如平日班或全日班。教学方式可以为一对一或集体教学。教练数量可以为1或1/n(n个教练时，取倒数即1/n)。车型可以为自动挡或手动挡。

根据一些实施例，定制培训特征在时间类别、教学方式、教练数量、车型的基础上，还可包括学员给出的教练评价，例如学员给出的总评分或分类评分，诸如耐心、是否善于教学、态度等。

根据一些实施例，定制培训特征包括教练属性。根据统计，教练在很大程度上决定培训效果。另外，不同学员也更加适应不同类型的教练，反之亦然。教练属性可包括教练年龄、性格类别(例如，内向、外向)、教龄、驾龄、历史通过率等。在计算历史通过率时，如果一个学员约过n个教练，则按每个教练带1/n个学员计算。

根据本发明的技术构思，采用深度神经网络进行培训预测。为此，需要对定制培训特征进行预处理，转化为深度神经网络可以出来的输入数据。下文还将对此进行示例性详细描述。

在s206，将预处理学员特征和预处理定制培训特征作为输入，利用深度学习关联模型预测培训成果。

根据本发明的技术构思，培训效果与学员和培训方式均相关。但是，传统方式没有根据二者的结合进行培训的选择、调整或定制。另一方面，虽然培训效果与学员和培训方式均相关，但是现有技术难以发现或寻找学员和培训方式与培训效果之间的关系或关联。

根据本发明的技术方案，利用深度学习模型来寻找这种关系。但是，本发明并非简单地套用现有的神经网络模型。考虑到学员特征与定制培训特征既不相同，又存在培训效果的关联性，本发明采用一种关联模型，即两个网络模型处理不同输入特征，然后再统一处理，如后面所描述的。这样，能够较快地训练模型，并能够得到相对准确的预测结果。

图3示出根据本发明实施例的用于定制培训的深度学习关联模型。

如图3所示，根据本发明实施例的深度学习关联模型包括：第一cnn网络301，接收预处理学员特征，产生第一特征数据；第二cnn网络303，接收预处理定制培训特征，产生第二特征数据；全连接层305，接收第一特征数据和第二特征数据，产生第三特征数据；输出层307，基于来自全连接层的第三特征数据输出预测的培训成果。

深度学习是一种特殊的机器学习，本质上就是深度神经网络(dnn)。多隐层的深度神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画。深度神经网络强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。目前已经提出多种深度神经网络模型，并且人们还在继续探索和提出其他深度神经网络模型。

卷积神经网络(convolutionalneuralnetwork，cnn)作为深度神经网络的一种，能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式。cnn能够将二维形式的数据转换为预设类别数量的、可以保留数据特征信息的一维向量数据予以输出，具有较强的数据拟合能力及数据泛化能力。只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。卷积网络执行的是有导师训练，所以其样本集是由形如：(输入向量，理想输出向量)的向量对构成的。所有这些向量对，都应该是来源于网络即将模拟的系统的实际“运行”结果。它们可以是从实际运行系统中采集来的。在开始训练前，所有的权都应该用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态而导致训练失败；“不同”用来保证网络可以正常地学习。

在本实施例中，通过第一cnn网络301接收预处理学员特征，产生第一特征数据；同时，通过第二cnn网络303接收预处理定制培训特征，产生第二特征数据。这样，通过cnn优异的特征学习能力和数据泛化能力协助建立输入输出对之间的映射。

根据一些实施例，第一cnn网络301和第二cnn网络303可分别包括输入层、卷积层和激活函数层。输入层、卷积层和激活函数层为本领域技术人员所熟知，不再赘述。

然后，通过全连接层305接收第一特征数据和第二特征数据，产生第三特征数据。全连接层305起到“分类器”的作用。如果第一和第二cnn网络301和303是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。全连接层305是学习这些特征的非线性组合的简单方法。从cnn网络得到的大多数特征可能对分类任务有效，但这些特征的组合可能会更好。根据本发明的技术构思，从学员特征输入和定制培训特征输入分别利用cnn网络进行特征学习和抽取，然后通过全连接层进行组合学习。这样，既可以通过cnn网络进行分别学习，也可以组合利用学习得到的特征，从而提高预测准确性。

最后，通过输出层307，基于来自全连接层的第三特征数据输出预测的培训成果，例如通过分类或者回归预测结果。输出层307可以没有激活函数，作为回归问题可直接取结果，即输出分数。根据另一些实施例，在输出层307中可使用sigmoid激活函数，输出最终的通过或不通过的预测结果。这些仅是示例性说明，本发明的技术方案不限于此。

根据一些实施例，预测结果是一种量化的概率值。当输出的概率值超过一个预设的第一概率阈值时，确定预测结果为“通过”，否则为“不通过”。

根据另一些实施例，预测结果可直接输出一个分数值，例如介于0和1之间的一个分数值，再通过等比例放大变换为正常考试分数值，据此可判断考试结果为通过或不通过。

图4示出根据本发明示例实施例对学员特征和定制培训特征进行预处理的方法。

如图4所示，在s401，将学员特征表示为行向量形式。

在s403，将定制培训特征表示为行向量形式。

使用计算机对自然语言进行处理，需要将自然语言处理成为机器能够识别的符号，而且在机器学习过程中，需要将其进行数值化。

学员特征和定制培训特征的原始形态一般为字符串形式，在将这些原始特征进行首尾拼接后，获得行向量形式的特征。

根据本发明的一些实施例，可以通过将一部分特征值表示为二进制值形式，同时，将另一部分特征值变换为特征，并将变换得到的特征的特征值表示为二进制值形式。将这些布尔值顺序相连，可以得到行向量形式的特征。例如，对于车型，可以用0或00表示手动挡，用1或01表示自动挡。对于年龄，可划分年龄段，例如18-28岁表示为第一年龄段特征，如果学员年龄落在此范围，则该第一年龄段特征的值为1，这时其他年龄段特征的值则相应为0。当然，也可划分年龄段，每个年龄段分别用例如000、001、010、011、100等表示。其他特征可以此进行类似处理。

在s405，将行向量形式的学员特征转换为学员特征矩阵。

在s407，将行向量形式的定制培训特征转换为定制培训特征矩阵。

将特征从行向量形式转换为矩阵形式的目的在于满足cnn网络对输入数据格式的要求。

实际上，可以有多种方式将自然语言的学员特征和定制培训特征转化为特征矩阵。例如，可以通过one-hot矩阵或者word2vec的方法实现此目的。

根据一些实施例，在得到特征的行向量后，可以通过折行的方式将行向量形式的特征转换为特征矩阵，如图5所示。

根据另一些实施例，通过行向量与其转置相乘的方式将行向量形式的特征转换为特征矩阵，如图6所示。

图7示出根据本发明示例实施例利用历史培训样本训练深度学习关联模型的过程。

如图7所示，在s701，从历史培训样本提取行向量形式的学员特征和培训特征。

如前，学员特征和定制培训特征的原始形态一般为字符串形式，在将这些原始特征进行首尾拼接后，获得行向量形式的特征。

根据本发明的一些实施例，可以通过将一部分特征值表示为二进制值形式，同时，将另一部分特征值变换为特征，并将变换得到的特征的特征值表示为二进制值形式。将这些布尔值顺序相连，可以得到行向量形式的特征。例如，对于车型，可以用0或00表示手动挡，用1或01表示自动挡。对于年龄，可划分年龄段，例如18-28岁表示为第一年龄段特征，如果学员年龄落在此范围，则该第一年龄段特征的值为1，这时其他年龄段特征的值则相应为0。当然，也可划分年龄段，每个年龄段分别用例如000、001、010、011、100等表示。其他特征可以此进行类似处理。

在s703，将行向量形式的学员特征和培训特征分别转换为学员特征矩阵和培训特征矩阵。

如前，将特征从行向量形式转换为矩阵形式的目的在于满足cnn网络对输入数据格式的要求。

实际上，可以有多种方式将自然语言的学员特征和定制培训特征转化为特征矩阵。例如，可以通过one-hot矩阵或者word2vec的方法实现此目的。

根据一些实施例，在得到特征的行向量后，可以通过折行的方式将行向量形式的特征转换为特征矩阵，如图5所示。

根据另一些实施例，通过行向量与其转置相乘的方式将行向量形式的特征转换为特征矩阵，如图6所示。

在s705，根据学员特征矩阵和培训特征矩阵训练深度学习关联模型。

根据示例实施例，利用历史培训样本中的考试结果作为样本标注，然后利用标注的样本训练深度学习关联模型。可以直接使用考试分数作为标注，或者将考试通过或未通过作为样本标注。

根据一些实施例，历史培训样本包括正样本和负样本，考试通过的为正样本，未通过的为负样本。正样本与负样本的比例为1:1。根据另一些实施例，正样本与负样本的比例为8:1至3:1。

根据一些实施例，随着培训样本的积累和增加或者考试情况的变化，可利用新的样本更新深度学习关联模型。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本公开提供的上述方法所限定的上述功能。的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开的方法。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图8示意性示出了根据本发明示例实施例的用于定制培训的深度学习装置的框图。

如图8所示，根据本发明示例实施例的用于定制培训的深度学习装置800包括第一预处理模块810、第二预处理模块820及预测模块830。

第一预处理模块810对学员特征进行预处理从而得到预处理学员特征。第二预处理模块820对定制培训特征进行预处理从而得到预处理定制培训特征。预测模块830将预处理学员特征和预处理定制培训特征作为输入，利用深度学习关联模型预测培训成果。深度学习关联模型为如前的模型，此处不再赘述。

图8所示装置与前述方法对应，此处省略其详细描述。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

图9示出根据示例性实施例用于定制培训的电子设备的框图。

下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图9所示，计算机系统900包括中央处理单元(cpu)901，其可以根据存储在只读存储器(rom)902中的程序或者从储存部分908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram903中，还存储有系统操作所需的各种程序和数据。cpu901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。

以下部件连接至i/o接口905：包括触摸屏、键盘等的输入部分906；包括诸如液晶显示器(lcd)等以及扬声器等的输出部分907；包括闪存等的储存部分908；以及包括诸如无线网卡、高速网卡等的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，诸如半导体存储器、磁盘等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入储存部分908。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上描述了根据本发明实施例的用于定制培训的方法和装置及电子设备和介质。通过以上的详细描述，本领域的技术人员易于理解，根据本发明实施例的方法和装置具有以下优点中的一个或多个。

根据本发明的一些实施例，通过定制培训的方法，提高培训效率，进而提高考试通过率。

根据本发明的另一些实施例，根据学员情况和培训方式，预测培训考试分数，从而可根据预测结果对培训方式进行调整。

本发明包括以下实施方式：

实施方式1、一种用于定制培训的深度学习方法，其特征在于，包括：

对学员特征进行预处理，得到预处理学员特征；

对定制培训特征进行预处理，得到预处理定制培训特征；

将所述预处理学员特征和所述预处理定制培训特征作为输入，利用深度学习关联模型预测培训成果，

其中，所述深度学习关联模型包括：

第一cnn网络，接收所述预处理学员特征，产生第一特征数据；

第二cnn网络，接收所述预处理定制培训特征，产生第二特征数据；

全连接层，接收所述第一特征数据和所述第二特征数据，产生第三特征数据；

输出层，基于来自所述全连接层的所述第三特征数据输出预测的培训成果。

实施方式2、如实施方式1所述的深度学习方法，其特征在于，还包括：

从历史培训样本提取行向量形式的学员特征和培训特征；

将行向量形式的学员特征和培训特征分别转换为学员特征矩阵和培训特征矩阵；

根据所述学员特征矩阵和培训特征矩阵训练所述深度学习关联模型。

实施方式3、如实施方式2所述的深度学习方法，其特征在于，所述历史培训样本包括正样本和负样本，所述正样本与所述负样本的比例为1:1。

实施方式4、如实施方式2所述的深度学习方法，其特征在于，所述历史培训样本包括正样本和负样本，所述正样本与所述负样本的比例为8:1至3:1。

实施方式5、如实施方式2所述的深度学习方法，其特征在于，还包括：

利用新的样本更新所述深度学习关联模型。

实施方式6、如实施方式1所述的深度学习方法，其特征在于，所述第一cnn网络和所述第二cnn网络分别包括输入层、卷积层、激活函数层。

实施方式7、如实施方式1所述的深度学习方法，其特征在于，所述定制培训为定制驾驶培训。

实施方式8、如实施方式7所述的深度学习方法，其特征在于，所述学员特征包括下述特征中的至少两种：年龄、性别、职业类型、教育程度、时间保证度、自我描述选项。

实施方式9、如实施方式7所述的深度学习方法，其特征在于，所述学员特征包括操控类游戏测试结果。

实施方式10、如实施方式7所述的深度学习方法，其特征在于，所述定制培训特征包括：时间类别、教学方式、教练数量、车型。

实施方式11、如实施方式10所述的深度学习方法，其特征在于，所述定制培训特征还包括教练评价。

实施方式12、如实施方式7所述的深度学习方法，其特征在于，所述定制培训特征包括教练属性。

实施方式13、如实施方式1所述的深度学习方法，其特征在于，

所述对学员特征进行预处理包括：

将学员特征表示为行向量形式；

将行向量形式的学员特征转换为学员特征矩阵，

所述对定制培训特征进行预处理包括：

将定制培训特征表示为行向量形式；

将行向量形式的定制培训特征转换为定制培训特征矩阵。

实施方式14、一种用于定制培训的深度学习装置，其特征在于，包括：

第一预处理模块，对学员特征进行预处理从而得到预处理学员特征；

第二预处理模块，对定制培训特征进行预处理从而得到预处理定制培训特征；

预测模块，将所述预处理学员特征和所述预处理定制培训特征作为输入，利用深度学习关联模型预测培训成果，

其中，所述深度学习关联模型包括：

第一cnn网络，接收所述预处理学员特征，产生第一特征数据；

第二cnn网络，接收所述预处理定制培训特征，产生第二特征数据；

全连接层，接收所述第一特征数据和所述第二特征数据，产生第三特征数据；

输出层，基于来自所述全连接层的所述第三特征数据输出预测的培训成果。

实施方式15、一种电子设备，其特征在于，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；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如实施方式1-13中任一所述的深度学习方法。

实施方式16、一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如实施方式1-13中任一所述的深度学习方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。