[发明专利]一种深度学习平台

说明书

本发明适用于计算机技术领域，提供了一种深度学习平台，包括：数据输入模块，用于输入数据集，并获取所述数据集的特征信息，所述特征信息至少包括数据类型和期望结果属性；模型调用模块，用于根据所述特征信息，调用对应的标准模型框架，并接受用户对标准模型框架的参数修改，对所述数据集进行无监督学习，得到深度学习模型；修正模块，用于从所述数据集中筛选出具有不同显著特征的若干数据，以若干所述数据组成修正样本集，以所述修正样本集对深度学习模型进行精度验证；以及发布模块，用于当所述深度学习模型的精度达到设定阈值时，发布和保存所述深度学习模型，本发明的有益效果是：能大大提升深度学习的速度和效率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种深度学习平台。

背景技术

深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：基于卷积运算的神经网络系统，即卷积神经网络(Convolutional Neural Networks，CNN)；基于多层神经元的自编码神经网络，包括自编码(Auto Encoder)以及近年来受到广泛关注的稀疏编码(Sparse Coding)两类；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(Deep Belief Network，DBN)。以深度学习为理论技术的任务包括图像分类、物体检测、实体识别、光学字符识别(OpticalCharacter Recognition，OCR)等。

一般来说，深度学习具有无监督学习和有监督学习两种，有监督学习虽然精度高，但是数据处理量大，无监督学习的由于缺乏足够的先验知识，其精度相对较低。

因此，本申请在保证精度的前提下，为了提升深度学习的效率，提出了一种深度学习平台。

发明内容

本发明实施例的目的在于提供一种深度学习平台，旨在解决背景技术中确定的现有技术存在的技术问题。

本发明实施例是这样实现的，一种深度学习平台，包括：

数据输入模块，用于输入数据集，并获取所述数据集的特征信息，所述特征信息至少包括数据类型和期望结果属性；

模型调用模块，用于根据所述特征信息，调用对应的标准模型框架，并接受用户对标准模型框架的参数修改，对所述数据集进行无监督学习，得到深度学习模型；

修正模块，用于从所述数据集中筛选出具有不同显著特征的若干数据，以若干所述数据组成修正样本集，以所述修正样本集对深度学习模型进行精度验证；以及

发布模块，用于当所述深度学习模型的精度达到设定阈值时，发布和保存所述深度学习模型，并将所述深度学习模型与数据集的特征信息进行关联。

作为本发明进一步的方案：所述数据输入模块包括：

数据处理单元，用于对数据进行归一化处理，并对数据进行特征提取；

排序单元，用于对处于显著性阈值内的数据按特征显著性进行特征值排序，使得处于显著性阈值内的数据形成多个数据段落；以及

分析单元，用于分析处于显著性阈值内的数据的类型和获取用户输入的期望结果属性。

作为本发明再进一步的方案：所述排序单元包括：

降序排列子单元，用于对处于显著性阈值内的数据按特征显著性进行特征值降序排列；以及

范围确定子单元，用于根据用户指令生成多个特征值范围，使得所述数据形成多个数据段落。

作为本发明再进一步的方案：所述模型调用模块包括：

检索单元，用于根据所述特征信息在模型库中检索，并将检索结果按照相关度降序排列，选择相关度最大的模型作为标准模型框架；