10分钟搭建深度异常检测网络

本教程将分4个步骤，教你如何从0开始构建自己的电池深度异常检测网络。

第一步：查看数据集

第二步：选择算法模板

第三步：创建训练任务

第四步：算法参数优化

第一步：查看数据集

点击“数据集管理”，再点击“预置数据集”进行切换，切换后可看到下列数据集。

平台当前预置了9个数据集，涵盖机构开源数据集、论文开源数据集及车端数据集三大类。本教程中需要使用到MOVNOP数据集（平台已预先划分了训练集train和测试集test），MOVNOP数据集为标准化的高质量有标签实车数据集。

点击“算法管理”，再点击“预置算法”进行切换，并在模型类别中选择“异常检测”进行筛选。本教程中需要使用到vGRU深度异常检测框架，这里点击操作中的“Fork”将预置算法模板拷贝到“我的算法”中。

平台当前预置了11个算法，包含vGRU深度异常检测框架、健康状态和安全预警类算法及针对开源数据集的示例算法等。

在预置算法界面，可以直接点击创建训练任务，关联数据集进行训练。这里我们为了后续可以对算法进行优化和二次开发，选择“Fork”预置算法。

点击“Fork”预置算法之后，切换到“我的算法”即可看到拷贝成功的vGRU算法模板。点击“创建训练任务”。

点击“创建训练任务”后，弹出如下界面，填写配置参数如下：

点击“开始训练”，界面会自动跳转到训练任务中的任务详情页，状态会变成“运行中”。

点击“运行日志”查看训练进展，当状态变成“运行完成”后，可以点击或下载“运行日志”查看训练效果。

从运行日志中我们可以看到本次训练的结果：检出率为73%，误报率为3%。

上一步骤中得到的训练效果并不理想，可以通过调整训练参数进行优化。点击“在线编辑”，会弹出Jupyter Notebook在线编辑界面。本教程中我们尝试对配置文件(configs/test.json)中的batch_size和learning_rate这两个参数进行修改。

修改后保存并退出Jupyter Notebook，重新创建训练任务，训练完成后再次查看训练效果。

从运行日志中我们可以看到本次训练效果明显提升：检出率提升为100%，误报率为5%。

通过本教程，相信你已经学会了通过算法模板关联数据集并创建训练任务，搭建了自己的电池深度异常检测网络。迈出第一步之后，就可以根据每一次训练任务的结果进一步优化算法啦！