分类模型训练、平稳分类方法、装置、设备、介质及产品与流程

本公开涉及人工智能领域中的深度学习和语音，尤其涉及一种分类模型训练、平稳分类方法、装置、设备、介质及产品。

背景技术：

1、随着人工智能(简称ai，全称artificial intelligence)技术的快速推广，对各类深度学习模型的应用场景的测试需求越来越多。例如，语言识别模型测试过程中，需要对车载音频系统、智能家居系统、电子地图导航等不同的应用场景分别进行测试，使得语音识别模型能够适应于不同的应用场景。

2、为了确保深度学习模型在不同应用场景的测试有效性，需要深度学习模型在测试过程中平稳运行。因此，如何实现对深度学习模型的平稳性监测是目前亟待解决的问题。

技术实现思路

1、本公开提供了一种用于ai测试过程中对测试稳定性进行分类的分类模型训练、平稳分类方法、装置、设备、介质及产品。

2、根据本公开的第一方面，提供了一种分类模型训练方法，包括：

3、确定待训练的目标分类模型，所述目标分类模型用于对目标模型的测试过程进行平稳性分类；

4、确定用于训练所述目标分类模型的训练数据，所述训练数据包括曲线图像以及所述曲线图像的平稳类别标签，所述曲线图像基于所述目标模型测试过程中产生的运行数据生成，所述平稳类别标签包括运行平稳或运行异常；

5、根据所述训练数据，训练所述目标分类模型，并确定训练结束获得的所述目标分类模型的模型参数，所述模型参数对应的目标分类模型用于对待分类曲线图像执行分类处理，获得平稳分类结果，所述平稳分类结果包括运行平稳或运行异常。

6、根据本公开的第二方面，提供了一种平稳分类方法，包括：

7、接收配置请求，所述配置请求包括训练获得的目标分类模型的模型参数，所述目标分类模型是基于上述第一方面所提供的方法训练获得；

8、配置所述目标分类模型的模型参数；

9、确定目标模型测试过程中产生的待分类运行数据对应的待分类曲线图像；

10、采用已配置所述模型参数的目标分类模型和所述待分类曲线图像，确定所述目标模型运行时的平稳分类结果，所述平稳分类结果包括运行平稳或运行异常。

11、根据本公开的第三方面，提供了一种分类模型训练装置，包括：

12、模型确定单元，用于确定待训练的目标分类模型，所述目标分类模型用于对目标模型的测试过程进行平稳性分类；

13、数据确定单元，用于确定用于训练所述目标分类模型的训练数据，所述训练数据包括曲线图像以及所述曲线图像的平稳类别标签，所述曲线图像基于所述目标模型测试过程中产生的运行数据生成，所述平稳类别标签包括运行平稳或运行异常；

14、模型训练单元，用于根据所述训练数据，训练所述目标分类模型，并确定训练结束获得的所述目标分类模型的模型参数，所述模型参数对应的目标分类模型用于对待分类曲线图像执行分类处理，获得平稳分类结果，所述平稳分类结果包括运行平稳或运行异常。

15、根据本公开的第四方面，提供了一种平稳分类装置，包括：

16、请求接收单元，用于接收配置请求，所述配置请求包括训练获得的目标分类模型的模型参数，所述目标分类模型基于上述第二方面所涉及的方法训练获得；

17、模型配置单元，用于配置所述目标分类模型的模型参数；

18、图像采集单元，用于确定目标模型测试过程中产生的分类运行数据对应的待分类曲线图像；

19、平稳分类单元，用于采用已配置所述模型参数的目标分类模型和所述待分类曲线图像，确定所述目标模型运行时的平稳分类结果，所述平稳分类结果包括运行平稳或运行异常。

20、根据本公开的第五方面，提供了一种电子设备，包括：

21、至少一个处理器；以及

22、与所述至少一个处理器通信连接的存储器；其中，

23、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面或第二方面所涉及的方法。

24、根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面或第二方面任一项所述的方法。

25、根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。

26、根据本公开的技术方案，可以先确定待训练的目标分类模型，目标分类模型可以用于对目标模型的测试过程进行平稳性分类。进而利用曲线图像以及曲线图像的平稳类别标签构成的训练数据可以对目标分类模型进行训练，直至训练结束，自动完成目标分类模型的训练。训练获得的目标分类模型可以用于对待分类曲线图像执行分类处理，获得平稳分类结果，平稳分类结果可以准确表示待分类曲线图像是否平稳。通过对目标分类模型的训练，可以实现目标分类模型的自动训练，进而可以快速获取目标分类模型的模型参数，而模型参数已知的目标分类模型可以对待分类曲线图像执行自动化的平稳分类。通过对目标分类模型的自动训练，可以提高目标分类模型的训练效率，将目标分类模型用于目标模型测试过程中产生的运行数据的平稳性分类，可以有效提升电子设备测试目标模型时电子设备的测试稳定性的判别效率。

27、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种分类模型训练方法，包括：

2.根据权利要求1所述的方法，其中，所述确定待训练的目标分类模型，包括：

3.根据权利要求2所述的方法，其中，所述利用至少一个所述选型因子，对至少一个候选分类模型分别进行评分，获得至少一个所述候选分类模型分别对应的模型分数，包括：

4.根据权利要求3所述的方法，其中，所述根据至少一个所述候选因子分别对应的需求内容，确定至少一个所述候选因子分别对应的评价权重，包括：

5.根据权利要求2-4任一项所述的方法，其中，所述利用至少一个所述选型因子，对至少一个候选分类模型进行评分之前，所述方法还包括：

6.根据权利要求5所述的方法，其中，任一个所述候选分类模型的确定步骤，包括：

7.根据权利要求1-6任一项所述的方法，其中，所述训练数据的获取步骤，包括：

8.根据权利要求1-6任一项所述的方法，其中，所述训练数据的获取步骤，包括：

9.根据权利要求1-8任一项所述的方法，其中，所述根据所述训练数据，训练所述目标分类模型，以确定训练结束获得的目标分类模型之后，还包括：

10.根据权利要求9所述的方法，其中，还包括：

11.根据权利要求9所述的方法，其中，所述部署所述目标分类模型至第一电子设备，包括：

12.根据权利要求1-11任一项所述的方法，其中，所述曲线图像的生成步骤，包括：

13.一种平稳分类方法，包括：

14.一种分类模型训练装置，包括：

15.根据权利要求14所述的装置，其中，所述模型确定单元，包括：

16.根据权利要求15所述的装置，其中，所述选型评分模块，包括：

17.根据权利要求16所述的装置，其中，所述权重确定子模块，具体用于：

18.根据权利要求15-17任一项所述的装置，还包括：

19.根据权利要求18所述的装置，其中，所述模型构建单元，包括：

20.根据权利要求14-19任一项所述的装置，还包括：

21.根据权利要求14-19任一项所述的装置，还包括：

22.根据权利要求14-21任一项所述的装置，还包括：

23.根据权利要求22所述的装置，还包括：

24.根据权利要求22所述的装置，其中，所述部署单元，包括：

25.根据权利要求14-23任一项所述的装置，还包括：

26.一种平稳分类装置，包括：

27.一种电子设备，包括：

28.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12或13中任一项所述的方法。

29.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-12或13中任一项所述方法的步骤。

技术总结
本公开提供了一种分类模型训练、平稳分类方法、装置、设备、介质及产品，涉及人工智能领域，尤其涉及深度学习和语音技术领域。具体实现方案为：确定待训练的目标分类模型；确定用于训练目标分类模型的训练数据，训练数据包括曲线图像以及曲线图像的平稳类别标签，曲线图像基于目标模型测试过程中产生的运行数据生成，平稳类别标签包括运行平稳或运行异常；根据训练数据，训练目标分类模型，并确定训练结束获得的目标分类模型的模型参数，模型参数对应的目标分类模型用于对待分类曲线图像执行分类处理，获得平稳分类结果，平稳分类结果包括运行平稳或运行异常。

技术研发人员：贺佳佳,刘巍
受保护的技术使用者：百度时代网络技术（北京）有限公司
技术研发日：
技术公布日：2024/1/13