[发明专利]一种基于云服务的训练模型生成方法及系统

说明书

本发明公开了一种基于云服务的训练模型生成方法及系统，采用云服务器针对用户提交的训练对象在母模型的基础上进行再训练，获取到对特定目标敏感的网络模型，实现了优化母模型对训练对象的敏感程度，忽略其他目标，进一步对模型进行压缩，使地训练后的模型能够易于部署在嵌入式环境中，使得模型能够在本地进行推理和预测。

技术领域

本发明涉及神经网络模型和深度学习的人工智能领域，尤其涉及一种基于云服务的训练模型生成方法及系统。

背景技术

近年来，随着人工智能(AI：Artificial Intelligence)的快速发展，深度学习(DL:Deep Learning)网络由于通过组合底层特征形成高层特征，受环境变化的影响较小，在计算机视觉领域取得了突破性成果。

目前，现有的深度学习模型需要根据训练数据集的更新不断地进行训练，得出更精确的预测模型，通过使得该预测模型对该深度学习模型进行更新，以使该预测模型用于在线执行数据预测操作。然而，在人工智能实际应用中，AI应用通常是基于嵌入式端，通过离线模型在本地进行推理、预测。且不同的AI应用是针对不同的执行对象存在不同的模型，需要进行特定的训练。

现有技术主要解决了网络模型的在线学习能力，具体包括提交一定的训练数据集，然后得到更精确的预测模型，并没有做到只对某此目标的分类、检测或识别，也无法做到压缩并部署在嵌入式环境中。

发明内容

针对现有技术中存在的上述问题，现提供一种基于云服务的训练模型生成方法及系统。

具体技术方案如下：

一种基于云服务的训练模型生成方法，所述云服务器通过网络接口远程连接本地的客户端，所述云服务器内设置有多类母模型；

包括以下步骤：

步骤S1：用户通过所述客户端向所述云服务器上传预先设定的训练数据，并选择本次训练所需的所述母模型；

步骤S2：所述云服务器采用所述训练数据对所述母模型进行训练以获取一目标模型；

步骤S3：所述云服务器对所述目标模型进行权值调整；

步骤S4：所述云服务器对经过权值调整后的所述目标模型进行性能测试，并根据测试结果判断所述目标模型是否达到预设的性能指标；

若是，则进入步骤S6；若否，则进入步骤S5；

步骤S5：所述云服务器再次对所述目标模型进行权值调整，随后返回所述步骤S4；

步骤S6：所述云服务器将所述目标模型作为用户需要的训练模型进行保存，并向所述客户端反馈所述训练模型。

优选的，所述训练数据包括训练目标；

所述云服务器内设置有一数据库，所述数据库中预存有多个本地数据集，每个所述本地数据集分别对应于至少一个所述训练目标，每个所述本地数据集分别对应于至少一类所述母模型；

所述步骤S1具体包括：

步骤S11a：所述用户通过所述客户端向所述云服务器上传所述训练目标；

步骤S12a：所述云服务器对所述数据库进行检索以获取与所述训练目标相匹配的所述本地数据集；

若未检索到匹配的所述本地数据集，则进入步骤S13a；

若检索到匹配的所述本地数据集，则步骤S14a；

步骤S13a：向所述客户端反馈训练失败的消息，随后退出；

步骤S14a：向所述客户端反馈成功接收的消息，并接收所述客户端发送的开始训练的训练指令，随后将检索得到的所述本地数据集作为所述训练数据，并转向所述步骤S2。