[发明专利]模型训练方法、装置、电子设备以及存储介质

说明书

本公开提供了模型训练方法、装置、电子设备以及存储介质，涉及计算机技术领域，尤其涉及深度学习领域。具体实现方案为：获取用于机器学习的第一目标特征数据，其中，第一目标特征数据为利用第一计算节点对训练数据进行处理得到的；以及基于第二计算节点，完成利用第一目标特征数据对待训练模型的训练。

技术领域

本公开涉及计算机技术领域，尤其涉及人工智能中的深度学习领域。

背景技术

深度学习(也称为深度结构化学习或分层学习)是基于人工神经网络的更广泛的机器学习方法族的一部分。深度学习架构，例如深度神经网络、深度信念网络、循环神经网络和卷积神经网络，已经被应用于包括计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序在内的领域。为保证各领域内输出结果的准确性，相应的模型训练必不可少。

发明内容

本公开提供了一种模型训练方法、装置、电子设备、存储介质和计算机程序产品。

根据本公开的一方面，提供了一种模型训练方法，包括：获取用于机器学习的第一目标特征数据，其中，所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的；以及基于第二计算节点，完成利用所述第一目标特征数据对待训练模型的训练。

根据本公开的另一方面，提供了另一种模型训练方法，包括：利用第一计算节点对训练数据进行处理，得到用于机器学习的第一目标特征数据；以及将所述第一目标特征数据输入至第二计算节点中，以便基于所述第二计算节点，完成利用所述第一目标特征数据对待训练模型的训练。

根据本公开的另一方面，提供了又一种模型训练方法，包括：获取用于机器学习的第一目标特征数据，其中，所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的；将所述第一目标特征数据输入第二计算节点；以及第二计算节点利用所述第一目标特征数据对所述待训练模型进行训练。

根据本公开的另一方面，提供了一种模型训练装置，包括：第一获取模块，用于获取用于机器学习的第一目标特征数据，其中，所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的；以及第一训练模块，用于基于第二计算节点，完成利用所述第一目标特征数据对待训练模型的训练。

根据本公开的另一方面，提供了另一种模型训练装置，包括：处理模块，用于利用第一计算节点对训练数据进行处理，得到用于机器学习的第一目标特征数据；以及第一输入模块，用于将所述第一目标特征数据输入至第二计算节点中，以便基于所述第二计算节点，完成利用所述第一目标特征数据对待训练模型的训练。

根据本公开的另一方面，提供了又一种模型训练装置，包括：第三获取模块，用于获取用于机器学习的第一目标特征数据，其中，所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的；第三输入模块，用于将所述第一目标特征数据输入第二计算节点；以及第二训练模块，用于第二计算节点利用所述第一目标特征数据对所述待训练模型进行训练。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，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如上所述的模型训练方法。

根据本公开的另一方面，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如上所述的模型训练方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的模型训练方法。

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。

附图说明