CN109685160A - 一种在线模型自动训练及部署方法及系统 - Google Patents
一种在线模型自动训练及部署方法及系统 Download PDFInfo
- Publication number
- CN109685160A CN109685160A CN201910049968.6A CN201910049968A CN109685160A CN 109685160 A CN109685160 A CN 109685160A CN 201910049968 A CN201910049968 A CN 201910049968A CN 109685160 A CN109685160 A CN 109685160A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- mission
- data
- deployment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种在线模型自动训练及部署方法及系统,包括:在每个项目下添加相应的训练任务,并将训练任务上传至任务队列;由训练平台从训练队列中获取新的训练任务,开始执行模型训练,在训练结束后进行模型验证,将训练过程状态和模型验证结果上传到模型管理平台;将模型导出并上传到模型管理平台,由模型管理平台根据模型信息进行后续的模型测试和部署;当用户选择模型测试或部署时,由模型部署平台利用模型管理平台下载指定模型并进行模型测试和部署;当测试通过后,将该模型文件部署在运行平台实施,以满足训练任务的任务需求。本发明通过用户初始简单配置,即可完成模型的训练、测试和部署,做到简单操作、快速响应、持续迭代的目的。
Description
技术领域
本发明涉及计算机视觉领域内应用技术领域,特别涉及一种在线模型自动训练及部署方法及系统。
背景技术
在如今人工智能如火如荼的今天,每家人工智能公司每天都会产生大量标注数据或生产数据,如果快速加入新数据到模型训练中,持续优化模型成为了一个十分重要的问题,相比于人工完成数据整理、模型重训练以及测试部署,自动流程化的数据递增模型迭代系统是十分必要的。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此,本发明的目的在于提出一种在线模型自动训练及部署方法及系统。
为了实现上述目的,本发明一方面的实施例提供一种在线模型自动训练及部署方法,包括如下步骤:
步骤S1,接收用户设置的项目,并在每个所述项目下添加相应的训练任务,并将训练任务上传至任务队列;
步骤S2,由训练平台自动从所述训练队列中获取新的训练任务,开始执行模型训练,在训练结束后进行模型验证,并将训练过程状态和模型验证结果上传到模型管理平台;
步骤S3,将模型信息导出并上传到模型管理平台,由所述模型管理平台根据所述模型信息进行后续的模型测试和部署;
步骤S4,当用户选择模型测试或部署时,由模型部署平台利用所述模型管理平台下载指定模型并进行模型测试和部署;
步骤S5,当测试通过后,将模型信息进行打包成模型文件,将该模型文件部署在运行平台实施,以满足所述训练任务的任务需求。
进一步,在所述步骤S1中,所述在每个所述项目下添加相应的训练任务,包括:根据用户设置的项目,选择需要识别的类别列表,人工创建训练需求,拉取任务sku数据并计算任务sku负样本,拉取sku数据集,对上述sku数据集进行数据扩充,配置网络及训练参数后,自动创建训练任务,然后将训练任务上传到任务队列里。
进一步,所述配置负样本采用以下两种方式之一:
(1)自动生成负样本;
(2)人工配置负样本。
进一步,所述数据扩充包括:对sku数据进行贴图、使用生成对抗网络GAN在原有数据集的基础上生成新的数据。
进一步,在所述步骤S2中,所述训练平台在获取新的训练任务后,读取所述训练任务中的任务信息,根据该任务信息从数据平台下载对应的训练数据,根据该训练数据执行模型训练。
本发明另一方面的实施例提供一种在线模型自动训练及部署系统,包括:管理模块、训练模块和部署模块,其中,
所述管理模块用于接收用户设置的项目,并在每个所述项目下添加相应的训练任务,并将训练任务上传至任务队列;
所述训练模块用于自动从所述训练队列中获取新的训练任务,开始执行模型训练,在训练结束后进行模型验证,并将训练过程状态和模型验证结果上传到所述部署模块;
所述部署模块用于将模型信息导出并根据所述模型信息进行后续的模型测试和部署;当用户选择模型测试或部署时,由所述部署模块下载指定模型并进行模型测试和部署;当测试通过后,将模型信息进行打包成模型文件,将该模型文件部署在运行平台实施,以满足所述训练任务的任务需求。
进一步,所述管理模块用于根据用户设置的项目,选择需要识别的类别列表,人工创建训练需求,拉取任务sku数据并计算任务sku负样本,拉取sku数据集,对上述sku数据集进行数据扩充,配置网络及训练参数后,自动创建训练任务,然后将训练任务上传到任务队列里。
进一步,所述配置负样本采用以下两种方式之一:
(1)自动生成负样本;
(2)人工配置负样本。
进一步,所述管理模块进行数据扩充包括:对sku数据进行贴图、使用生成对抗网络GAN在原有数据集的基础上生成新的数据。
进一步,所述训练模块在获取新的训练任务后,读取所述训练任务中的任务信息,根据该任务信息从数据平台下载对应的训练数据,根据该训练数据执行模型训练。
根据本发明实施例的在线模型自动训练及部署方法及系统,具有以下有益效果:定义了一套自动模型迭代系统流程,用户根据需要选择识别的SKU列表,根据用户选择SKU和系统数据自动生成负样本,采用自动数据增强方法,整个过程通过用户初始简单配置,即可完成模型的训练、测试和部署,做到简单操作、快速响应、持续迭代的目的。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的在线模型自动训练及部署方法的流程图;
图2为根据本发明实施例的在线模型自动训练及部署方法的示意图;
图3为根据本发明实施例的在线模型自动训练及部署系统的结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
如图1和图2所示,本发明实施例的在线模型自动训练及部署方法,包括如下步骤:
步骤S1,接收用户设置的项目,并在每个项目下添加相应的训练任务,并将训练任务上传至任务队列。
在每个项目下添加相应的训练任务,包括:根据用户设置的项目,选择需要识别的sku类别列表,人工创建训练需求,拉取任务sku数据并计算任务sku负样本,拉取sku数据集,对上述sku数据集进行数据扩充,配置网络及训练参数后,自动创建训练任务,然后将训练任务上传到任务队列里。需要说明的是,配置的网络为深度学习中的多层神经网络,不同结构的网络,层数,神经元个数,其所使用的激活函数都有所不同。通过神经网络算法可以自动实现数据增强。
在本发明的上述实施例中,sku类别列表可以为商品包装形式,例如瓶装,箱装,袋装等。
在本发明的一个实施例中,配置负样本采用以下两种方式之一:
(1)自动生成负样本;
(2)人工配置负样本。
在本发明中,数据扩充包括:对sku数据进行贴图、使用生成对抗网络GAN在原有数据集的基础上生成新的数据。
步骤S2,由训练平台自动从训练队列中获取新的训练任务,开始执行模型训练,在训练结束后进行模型验证,并将训练过程状态和模型验证结果上传到模型管理平台,告知当前训练任务。
具体的,训练平台在获取新的训练任务后,读取训练任务中的任务信息,根据该任务信息从数据平台下载对应的训练数据,根据该训练数据执行模型训练,训练结束后进行模型验证,使用训练集验证模型的效果,得到准确率和召回率等数据,并实时的将训练过程状态以及验证结果上传到项目平台。其中,训练过程状态包括训练过程中每当训练预设的“步”数之后,模型的识别效果。通过将上述阶段性的识别效果整体结合,能够反应出模型训练过程中的变化特征,从而有利于后续优化。
在本发明中,由于每个项目下均添加有相应的训练任务,项目平台可以实现对各个项目的管理,例如创建,修改,确认,删除等常规操作。当然,项目平台对项目的管理不限于上述操作,还可以包括其他操作类型,在此不再赘述。
步骤S3,将模型信息导出并上传到模型管理平台,由模型管理平台根据模型信息进行后续的模型测试和部署。其中,模型信息为步骤S2中得到的结果的总体集合,即模型信息可以包括训练结束得到的训练过程状态和模型验证结果等数据。
然后进行模型导出,将导出的模型上传到模型管理平台,并通知项目平台进行处理。项目平台收到上传好的模型后,用户即可进行后续的模型测试和部署。
步骤S4,当用户选择模型测试或部署时,由模型部署平台利用模型管理平台下载指定模型并进行模型测试和部署。其中,模型管理平台提供针对模型操作等入口,模型部署平台在部署模型时,从模型管理平台获取相应模型信息。模型管理平台可以支持所有对模型有需要的操作的,“部署”操作是这些操作中的一种。
步骤S5,当测试通过后即可正式部署上线,将模型信息进行打包成模型文件,将该模型文件部署在运行平台实施,以满足训练任务的任务需求。
本发明的整个过程通过用户初始简单配置,即可完成模型的训练、测试和部署,做到简单操作、快速响应、持续迭代的目的。
本发明构建了一套自动模型配置、训练、测试以及部署的完整系统,首先依托一套功能齐全强大的数据类别管理平台和数据标注管理平台,以及方便的项目任务管理平台。
如图3所示,本发明实施例在线模型自动训练及部署系统,包括:管理模块1、训练模块2和部署模块5。
具体的,管理模块1用于接收用户设置的项目,并在每个项目下添加相应的训练任务,并将训练任务上传至任务队列。
管理模块1用于根据用户设置的项目,选择需要识别的类别列表,人工创建训练需求,拉取任务sku数据并计算任务sku负样本,拉取sku数据集,对上述sku数据集进行数据扩充,配置网络及训练参数后,自动创建训练任务,然后将训练任务上传到任务队列里。需要说明的是,配置的网络为深度学习中的多层神经网络,不同结构的网络,层数,神经元个数,其所使用的激活函数都有所不同。通过神经网络算法可以自动实现数据增强。
在本发明的上述实施例中,sku类别列表可以为商品包装形式,例如瓶装,箱装,袋装等。
在本发明的实施例中,配置负样本采用以下两种方式之一:
(1)自动生成负样本;
(2)人工配置负样本。
在本发明中,管理模块1进行数据扩充包括:对sku数据进行贴图、使用生成对抗网络GAN在原有数据集的基础上生成新的数据。
训练模块2用于自动从训练队列中获取新的训练任务,开始执行模型训练,在训练结束后进行模型验证,使用训练集验证模型的效果,得到准确率和召回率等数据,并将训练过程状态和模型验证结果上传到部署模块5。其中,训练过程状态包括训练过程中每当训练预设的“步”数之后,模型的识别效果。通过将上述阶段性的识别效果整体结合,能够反应出模型训练过程中的变化特征,从而有利于后续优化。
在本发明中,由于每个项目下均添加有相应的训练任务,项目平台可以实现对各个项目的管理,例如创建,修改,确认,删除等常规操作。当然,项目平台对项目的管理不限于上述操作,还可以包括其他操作类型,在此不再赘述。
并且,训练模块2在获取新的训练任务后,读取训练任务中的任务信息,根据该任务信息从数据平台下载对应的训练数据,根据该训练数据执行模型训练,训练结束后进行模型验证,并实时的将训练过程状态以及验证结果上传到部署模块5。
部署模块5用于将模型信息导出并根据模型信息进行后续的模型测试和部署;当用户选择模型测试或部署时,由部署模块5下载指定模型并进行模型测试和部署;当测试通过后,将模型信息进行打包成模型文件,将该模型文件部署在运行平台实施,以满足训练任务的任务需求。其中,模型信息为训练模块2得到的结果的总体集合,即模型信息可以包括训练结束得到的训练过程状态和模型验证结果等数据。
根据本发明实施例的在线模型自动训练及部署方法及系统,具有以下有益效果:定义了一套自动模型迭代系统流程,用户根据需要选择识别的SKU列表,根据用户选择SKU和系统数据自动生成负样本,采用自动数据增强方法,整个过程通过用户初始简单配置,即可完成模型的训练、测试和部署,做到简单操作、快速响应、持续迭代的目的。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求极其等同限定。
Claims (10)
1.一种在线模型自动训练及部署方法,其特征在于,包括如下步骤:
步骤S1,接收用户设置的项目,并在每个所述项目下添加相应的训练任务,并将训练任务上传至任务队列;
步骤S2,由训练平台自动从所述训练队列中获取新的训练任务,开始执行模型训练,在训练结束后进行模型验证,并将训练过程状态和模型验证结果上传到模型管理平台;
步骤S3,将所述步骤S2中得到的模型信息导出并上传到模型管理平台,由所述模型管理平台根据所述模型信息进行后续的模型测试和部署;
步骤S4,当用户选择模型测试或部署时,由模型部署平台利用所述模型管理平台下载指定模型并进行模型测试和部署;
步骤S5,当测试通过后,将模型信息进行打包成模型文件,将该模型文件部署在运行平台实施,以满足所述训练任务的任务需求。
2.如权利要求1所述的在线模型自动训练及部署方法,其特征在于,在所述步骤S1中,所述在每个所述项目下添加相应的训练任务,包括:根据用户设置的项目,选择需要识别的类别列表,人工创建训练需求,拉取任务sku数据并计算任务sku负样本,拉取sku数据集,对上述sku数据集进行数据扩充,配置网络及训练参数后,自动创建训练任务,然后将训练任务上传到任务队列里。
3.如权利要求2所述的在线模型自动训练及部署方法,其特征在于,所述配置负样本采用以下两种方式之一:
(1)自动生成负样本;
(2)人工配置负样本。
4.如权利要求2所述的在线模型自动训练及部署方法,其特征在于,所述数据扩充包括:对sku数据进行贴图、使用生成对抗网络GAN在原有数据集的基础上生成新的数据。
5.如权利要求1所述的在线模型自动训练及部署方法,其特征在于,在所述步骤S2中,所述训练平台在获取新的训练任务后,读取所述训练任务中的任务信息,根据该任务信息从数据平台下载对应的训练数据,根据该训练数据执行模型训练。
6.一种在线模型自动训练及部署系统,其特征在于,包括:管理模块、训练模块和部署模块,其中,
所述管理模块用于接收用户设置的项目,并在每个所述项目下添加相应的训练任务,并将训练任务上传至任务队列;
所述训练模块用于自动从所述训练队列中获取新的训练任务,开始执行模型训练,在训练结束后进行模型验证,并将训练过程状态和模型验证结果上传到所述部署模块;
所述部署模块用于将模型信息导出并根据所述模型信息进行后续的模型测试和部署;当用户选择模型测试或部署时,由所述部署模块下载指定模型并进行模型测试和部署;当测试通过后,将模型信息进行打包成模型文件,将该模型文件部署在运行平台实施,以满足所述训练任务的任务需求。
7.如权利要求6所述的在线模型自动训练及部署系统,其特征在于,所述管理模块用于根据用户设置的项目,选择需要识别的类别列表,人工创建训练需求,拉取任务sku数据并计算任务sku负样本,拉取sku数据集,对上述sku数据集进行数据扩充,配置网络及训练参数后,自动创建训练任务,然后将训练任务上传到任务队列里。
8.如权利要求7所述的在线模型自动训练及部署系统,其特征在于,所述配置负样本采用以下两种方式之一:
(1)自动生成负样本;
(2)人工配置负样本。
9.如权利要求6所述的在线模型自动训练及部署系统,其特征在于,所述管理模块进行数据扩充包括:对sku数据进行贴图、使用生成对抗网络GAN在原有数据集的基础上生成新的数据。
10.如权利要求6所述的在线模型自动训练及部署系统,其特征在于,所述训练模块在获取新的训练任务后,读取所述训练任务中的任务信息,根据该任务信息从数据平台下载对应的训练数据,根据该训练数据执行模型训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910049968.6A CN109685160B (zh) | 2019-01-18 | 2019-01-18 | 一种在线模型自动训练及部署方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910049968.6A CN109685160B (zh) | 2019-01-18 | 2019-01-18 | 一种在线模型自动训练及部署方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685160A true CN109685160A (zh) | 2019-04-26 |
CN109685160B CN109685160B (zh) | 2020-11-27 |
Family
ID=66193689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910049968.6A Active CN109685160B (zh) | 2019-01-18 | 2019-01-18 | 一种在线模型自动训练及部署方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685160B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110543377A (zh) * | 2019-09-10 | 2019-12-06 | 创新奇智(重庆)科技有限公司 | 基于windows提升IT运行维护工作的方法 |
CN110569429A (zh) * | 2019-08-08 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 一种内容选择模型的生成方法、装置和设备 |
CN111126621A (zh) * | 2019-12-17 | 2020-05-08 | 北京九章云极科技有限公司 | 在线模型训练方法及装置 |
CN111178517A (zh) * | 2020-01-20 | 2020-05-19 | 上海依图网络科技有限公司 | 模型部署方法、系统、芯片、电子设备及介质 |
CN111612158A (zh) * | 2020-05-22 | 2020-09-01 | 云知声智能科技股份有限公司 | 模型部署方法、装置、设备和存储介质 |
CN112230898A (zh) * | 2020-10-23 | 2021-01-15 | 贝壳技术有限公司 | 模型应用交互系统、方法、可读存储介质及电子设备 |
CN113435605A (zh) * | 2021-06-25 | 2021-09-24 | 烽火通信科技股份有限公司 | 一种基于网络数据池的ai动态注入的控制方法和装置 |
CN114663437A (zh) * | 2022-05-25 | 2022-06-24 | 苏州中科行智智能科技有限公司 | 一种深度学习模型部署方法、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130171593A1 (en) * | 2011-12-30 | 2013-07-04 | Pepper Technology LLC | Systems and methods for encouraging regular participation in training and collaborative activities through a gamified training platform |
US20170134421A1 (en) * | 2015-06-08 | 2017-05-11 | Illusive Networks Ltd. | Managing dynamic deceptive environments |
CN107885770A (zh) * | 2017-09-28 | 2018-04-06 | 努比亚技术有限公司 | 目标域数据库构建、样本识别方法、终端及存储介质 |
US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
US10009358B1 (en) * | 2014-02-11 | 2018-06-26 | DataVisor Inc. | Graph based framework for detecting malicious or compromised accounts |
CN108734330A (zh) * | 2017-04-24 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 数据处理方法和装置 |
CN108734293A (zh) * | 2017-04-13 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 任务管理系统、方法和装置 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN108898222A (zh) * | 2018-06-26 | 2018-11-27 | 郑州云海信息技术有限公司 | 一种自动调节网络模型超参数的方法和装置 |
CN108921301A (zh) * | 2018-06-29 | 2018-11-30 | 长扬科技(北京)有限公司 | 一种基于自学习的机器学习模型更新方法及系统 |
CN109062700A (zh) * | 2018-08-21 | 2018-12-21 | 郑州云海信息技术有限公司 | 一种基于分布式系统的资源管理方法及服务器 |
-
2019
- 2019-01-18 CN CN201910049968.6A patent/CN109685160B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130171593A1 (en) * | 2011-12-30 | 2013-07-04 | Pepper Technology LLC | Systems and methods for encouraging regular participation in training and collaborative activities through a gamified training platform |
US10009358B1 (en) * | 2014-02-11 | 2018-06-26 | DataVisor Inc. | Graph based framework for detecting malicious or compromised accounts |
US20170134421A1 (en) * | 2015-06-08 | 2017-05-11 | Illusive Networks Ltd. | Managing dynamic deceptive environments |
US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
CN108734293A (zh) * | 2017-04-13 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 任务管理系统、方法和装置 |
CN108734330A (zh) * | 2017-04-24 | 2018-11-02 | 北京京东尚科信息技术有限公司 | 数据处理方法和装置 |
CN107885770A (zh) * | 2017-09-28 | 2018-04-06 | 努比亚技术有限公司 | 目标域数据库构建、样本识别方法、终端及存储介质 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN108898222A (zh) * | 2018-06-26 | 2018-11-27 | 郑州云海信息技术有限公司 | 一种自动调节网络模型超参数的方法和装置 |
CN108921301A (zh) * | 2018-06-29 | 2018-11-30 | 长扬科技(北京)有限公司 | 一种基于自学习的机器学习模型更新方法及系统 |
CN109062700A (zh) * | 2018-08-21 | 2018-12-21 | 郑州云海信息技术有限公司 | 一种基于分布式系统的资源管理方法及服务器 |
Non-Patent Citations (3)
Title |
---|
ZHUN ZHONG等: "《Random Erasing Data Augmentation》", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
机器人网: "《熟悉各种机器学习模型,以 Cloud AutoML Vision 教程为例》", 《URL: HTTPS://WWW.SOHU.COM/A/254374875_468638》 * |
量子位: "《手把手教你用Cloud AutoML做毒蜘蛛分类器》", 《URL: HTTPS://WWW.SOHU.COM/A/225782779_610300》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569429A (zh) * | 2019-08-08 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 一种内容选择模型的生成方法、装置和设备 |
CN110569429B (zh) * | 2019-08-08 | 2023-11-24 | 创新先进技术有限公司 | 一种内容选择模型的生成方法、装置和设备 |
CN110543377A (zh) * | 2019-09-10 | 2019-12-06 | 创新奇智(重庆)科技有限公司 | 基于windows提升IT运行维护工作的方法 |
CN110543377B (zh) * | 2019-09-10 | 2023-04-07 | 创新奇智(重庆)科技有限公司 | 基于windows提升IT运行维护工作的方法 |
CN111126621A (zh) * | 2019-12-17 | 2020-05-08 | 北京九章云极科技有限公司 | 在线模型训练方法及装置 |
CN111178517A (zh) * | 2020-01-20 | 2020-05-19 | 上海依图网络科技有限公司 | 模型部署方法、系统、芯片、电子设备及介质 |
CN111178517B (zh) * | 2020-01-20 | 2023-12-05 | 上海依图网络科技有限公司 | 模型部署方法、系统、芯片、电子设备及介质 |
CN111612158A (zh) * | 2020-05-22 | 2020-09-01 | 云知声智能科技股份有限公司 | 模型部署方法、装置、设备和存储介质 |
CN111612158B (zh) * | 2020-05-22 | 2024-03-01 | 云知声智能科技股份有限公司 | 模型部署方法、装置、设备和存储介质 |
CN112230898A (zh) * | 2020-10-23 | 2021-01-15 | 贝壳技术有限公司 | 模型应用交互系统、方法、可读存储介质及电子设备 |
CN113435605A (zh) * | 2021-06-25 | 2021-09-24 | 烽火通信科技股份有限公司 | 一种基于网络数据池的ai动态注入的控制方法和装置 |
CN114663437A (zh) * | 2022-05-25 | 2022-06-24 | 苏州中科行智智能科技有限公司 | 一种深度学习模型部署方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109685160B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685160A (zh) | 一种在线模型自动训练及部署方法及系统 | |
CN105359166B (zh) | 收集用于表情识别的机器学习训练数据 | |
CN108701265A (zh) | 学习服务提供装置 | |
CN105159754B (zh) | 基于商业智能云平台的在线仿真方法及装置 | |
CN108229379A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN109325469A (zh) | 一种基于深度神经网络的人体姿态识别方法 | |
WO2010033591A1 (en) | Interactive design, synthesis and delivery of 3d character motion data through the web | |
CN109145759A (zh) | 车辆属性识别方法、装置、服务器及存储介质 | |
CN108701264A (zh) | 能力赋予数据生成装置 | |
CN106529503A (zh) | 一种集成卷积神经网络人脸情感识别方法 | |
CN105210085A (zh) | 使用最短连线特征的图像标记 | |
CN106919899A (zh) | 基于智能机器人的模仿人脸表情输出的方法和系统 | |
CN109766935A (zh) | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 | |
KR102412939B1 (ko) | 감시 하에서 인공신경망 훈련 모델을 제공하는 클라우드 기반 거래 시스템 및 그 방법 | |
CN110503447A (zh) | 用于确定商品销量预测值的方法及装置 | |
CN105678381A (zh) | 一种性别分类网络训练方法、性别分类方法及相关装置 | |
Doltsinis et al. | A symbiotic human–machine learning approach for production ramp-up | |
CN109202895A (zh) | 设计支持装置、设计支持方法及存储设计支持程序的介质 | |
CN110009242A (zh) | 基于神经网络的评标方法及装置、存储介质 | |
CN107977364A (zh) | 维语子词切分方法及装置 | |
CN109597858A (zh) | 一种商户的分类方法及其装置和商户的推荐方法及其装置 | |
CN107590102A (zh) | 随机森林模型生成方法和装置 | |
CN109408996A (zh) | 用于智能设备控制的交互方法、装置、系统及存储介质 | |
CN110347593A (zh) | 流程测试方法及装置 | |
CN107423893A (zh) | 一种业务流程的全覆盖测试方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |