CN112149836A - 一种机器学习程序更新方法、装置及设备 - Google Patents
一种机器学习程序更新方法、装置及设备 Download PDFInfo
- Publication number
- CN112149836A CN112149836A CN201910579427.4A CN201910579427A CN112149836A CN 112149836 A CN112149836 A CN 112149836A CN 201910579427 A CN201910579427 A CN 201910579427A CN 112149836 A CN112149836 A CN 112149836A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- learning program
- program
- training
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000010801 machine learning Methods 0.000 claims abstract description 213
- 238000012549 training Methods 0.000 claims description 298
- 238000002372 labelling Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 57
- 238000013528 artificial neural network Methods 0.000 description 27
- 238000001514 detection method Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000005284 excitation Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种机器学习程序更新方法、装置及设备,该方法包括:获取用户输入的机器学习程序更新命令;根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序;若所述第一机器学习程序的性能优于第二机器学习程序的性能,则更新所述第一机器学习程序;所述第二机器学习程序是已经部署到程序集合中的机器学习程序。通过本申请的技术方案,可以不断对算法市场部署的用于实现机器学习的机器学习程序进行更新,不断的提升机器学习程序的性能。
Description
技术领域
本申请涉及机器学习领域,尤其是一种机器学习程序更新方法、装置及设备。
背景技术
机器学习是实现人工智能的一种途径,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习用于研究计算机如何模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习更加注重算法设计,使计算机能够自动地从数据中学习规律,并利用规律对未知数据进行预测。
机器学习已经有了十分广泛的应用,例如:数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用等等。
随着机器学习相关技术的快速发展,机器学习的性能和效果各有差异,因此,算法市场亟待定制机器学习算法。
发明内容
本申请提供一种机器学习程序更新方法,所述方法包括:
获取用户输入的机器学习程序更新命令;
根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序;
若所述第一机器学习程序的性能优于第二机器学习程序的性能,则更新所述第一机器学习程序;所述第二机器学习程序是已经部署到程序集合中的机器学习程序。
本申请提供一种机器学习程序更新装置,所述装置包括:
第一获取模块,用于获取用户输入的机器学习程序更新命令;
第二获取模块,用于根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序;
管理模块,用于若所述第一机器学习程序的性能优于第二机器学习程序的性能,则更新所述第一机器学习程序;其中,所述第二机器学习程序是已经部署到程序集合中的机器学习程序。
本申请提供一种机器学习程序更新设备,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现如下步骤:
获取用户输入的机器学习程序更新命令;
根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序;
若所述第一机器学习程序的性能优于第二机器学习程序的性能,则更新所述第一机器学习程序;所述第二机器学习程序是已经部署到程序集合中的机器学习程序。
由以上技术方案可见,本申请实施例中,当在算法市场部署第二机器学习程序后,若用户需要更新算法市场中的第二机器学习程序,则可以向机器学习程序更新设备输入机器学习程序更新命令。机器学习程序更新设备在接收到机器学习程序更新命令后,可以获取用于实现机器学习的第一机器学习程序,若第一机器学习程序的性能优于第二机器学习程序的性能,则更新第一机器学习程序,例如,将算法市场部署的第二机器学习程序更新为性能更优的第一机器学习程序,使得在算法市场部署的机器学习程序的性能更优,机器学习结果更准确。而且,可以不断对算法市场部署的机器学习程序进行更新,不断的提升机器学习程序的性能。此外,用户只需要向机器学习程序更新设备输入机器学习程序更新命令即可,不需要用户执行更加复杂的操作,从而简化用户的操作流程,并提高用户的业务体验。
附图说明
为了更加清楚地说明本申请实施例或者现有技术中的技术方案,下面将对本申请实施例或者现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据本申请实施例的这些附图获得其他的附图。
图1是本申请一种实施方式中的机器学习程序更新方法的流程图;
图2是本申请一种实施方式中的机器学习程序更新方法的流程图;
图3是本申请一种实施方式中的机器学习程序更新装置的结构图;
图4是本申请一种实施方式中的机器学习程序更新设备的硬件结构图。
具体实施方式
在本申请实施例使用的术语仅仅是出于描述特定实施例的目的,而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其它含义。还应当理解,本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,此外,所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
机器学习是实现人工智能的一种途径,用于研究计算机如何模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。深度学习属于机器学习的子类,且神经网络是深度学习的一种实现方式。为了方便描述,以神经网络为例,简单介绍神经网络的结构和功能,对于机器学习的其它子类,与神经网络的结构和功能类似,在此不再赘述。
示例性的,神经网络可以包括但不限于:卷积神经网络(简称CNN)、循环神经网络(简称RNN)、全连接网络等。神经网络的结构单元可以包括但不限于:卷积层(Conv)、池化层(Pool)、激励层、全连接层(FC)等,对此不做限制。
在卷积层中,通过使用卷积核对图像进行卷积运算,使图像特征增强,卷积层在空间范围内使用卷积核进行卷积运算,该卷积核可以是一个m*n大小的矩阵,卷积层的输入与卷积核进行卷积,可得到卷积层的输出。卷积运算实际是一个滤波过程,在卷积运算中,是将图像上点(x,y)的像素值f(x,y)与卷积核w(x,y)进行卷积。例如,提供4*4的卷积核,该4*4的卷积核包含16个数值,这16个数值的大小可以根据需要配置。按照4*4的大小在图像上依次滑动,得到多个4*4的滑动窗口,将该4*4的卷积核与每个滑动窗口进行卷积,得到多个卷积特征,这些卷积特征就是卷积层的输出,且被提供给池化层。
在池化层中,实际上就是一个降采样的过程,通过对多个卷积特征(即卷积层的输出)进行取最大值、取最小值、取平均值等操作,从而可以减少计算量,并保持特征不变性。在池化层中,可以利用图像局部相关性的原理,对图像进行子抽样,从而可以减少数据处理量,并保留图像中的有用信息。
在池化层之后的激励层,可以使用激活函数(如非线性函数)对池化层输出的特征进行映射,从而引入非线性因素,使得神经网络通过非线性的组合而增强表达能力。其中,激励层的激活函数可以包括但不限于ReLU(Rectified Linear Units,整流线性单元)函数,以ReLU函数为例,则该ReLU函数可以将池化层输出的所有特征中,小于0的特征置0,而大于0的特征保持不变。
在全连接层中,该全连接层用于将输入给本全连接层的所有特征进行全连接处理,从而得到一个特征向量,且该特征向量中可以包括多个特征。进一步的,全连接层还可以采用1*1的卷积层,从而可以构成全卷积的网络。
在实际应用中,可以根据不同需求,将一个或多个卷积层、一个或多个池化层、一个或多个激励层和一个或多个全连接层进行组合构建神经网络。
为了使用神经网络实现业务处理(如人脸检测、人体检测、车辆检测,对此业务处理场景不做限制),涉及神经网络的训练过程、神经网络的使用过程。
在神经网络的训练过程中,可以利用训练数据训练神经网络内的各神经网络参数,如卷积层参数(如卷积核参数)、池化层参数、激励层参数、全连接层参数等,对此不做限制,可以训练神经网络内的所有神经网络参数。通过训练神经网络内各神经网络参数,可以使神经网络拟合出输入和输出的映射关系。
在神经网络的使用过程中,可以将输入数据提供给神经网络,由神经网络对输入数据进行处理,如利用所有神经网络参数对输入数据进行处理,得到输出数据,且输入数据与输出数据满足神经网络拟合出的输入和输出的映射关系。最终,利用神经网络实现业务处理,如人脸检测、人体检测、车辆检测等。
在上述实施例中,介绍了神经网络的结构和功能,而机器学习的结构和功能,与神经网络类似,在此不再赘述。本实施例中,是针对机器学习的实现方案,同样的,机器学习也涉及机器学习的训练过程、机器学习的使用过程。
在机器学习的训练过程中,可以利用训练数据训练机器学习内的各机器学习参数,通过训练各机器学习参数,可以拟合出输入和输出的映射关系。
在机器学习的使用过程中,可以将输入数据提供给机器学习算法,由机器学习算法对输入数据进行处理,如利用所有机器学习参数对输入数据进行处理,得到输出数据,最终实现业务处理,如人脸检测、人体检测、车辆检测等。例如,针对人脸检测,输入数据是包括人脸的图像,输出数据是人脸检测结果。
为了通过机器学习实现业务处理,可以在算法市场部署用于实现机器学习的机器学习程序,也就是说,可以利用训练数据训练机器学习内的各种机器学习参数,得到机器学习模型,然后,将机器学习模型封装为用于实现机器学习的机器学习程序(即机器学习类型的APP),并将机器学习程序部署在算法市场。
进一步的,用户可以从算法市场下载用于实现机器学习的机器学习程序,继而利用机器学习程序实现业务处理,例如,将输入数据提供给机器学习程序,由机器学习程序对输入数据进行处理,如利用所有机器学习参数对输入数据进行处理,得到输出数据,最终实现业务处理,如人脸检测、人体检测、车辆检测等。
随着机器学习相关技术的快速发展,机器学习的性能和效果各有差异,因此,算法市场亟待定制机器学习算法。针对上述发现,本申请实施例中提出一种机器学习程序更新方法,能够将算法市场部署的机器学习程序更新为性能更优的机器学习程序,使得在算法市场部署的机器学习程序的性能更优,即机器学习程序的机器学习结果更准确。而且,可以不断对算法市场部署的机器学习程序进行更新,不断的提升机器学习程序的性能。以下对本申请实施例的技术方案进行说明。
参见图1所示,为机器学习程序更新方法的流程示意图,该方法可以应用于机器学习程序更新设备,机器学习程序更新设备可以是任意类型的设备,例如,PC(PersonalComputer,个人计算机)、服务器、训练平台(如机器学习训练平台、深度学习训练平台等)、终端设备、笔记本电脑等,对此不做限制。
步骤101,获取用户输入的机器学习程序更新命令。
例如,可以获取用户通过WEB(网络)页面输入的机器学习程序更新命令;或者,获取用户通过应用客户端输入的机器学习程序更新命令。
步骤102,根据该机器学习程序更新命令获取用于实现机器学习的第一机器学习程序(即APP),也就是说,通过该第一机器学习程序能够实现机器学习。
例如,可以根据该机器学习程序更新命令获取机器学习参数,并根据该机器学习参数获取机器学习模型,并将该机器学习模型封装为用于实现机器学习的第一机器学习程序。示例性的,该机器学习参数可以包括但不限于:机器学习属性和/或机器学习训练方向。或者,在接收到该机器学习程序更新命令后,可以获取用户标注样本,并根据该用户标注样本获取机器学习模型,并将机器学习模型封装为用于实现机器学习的第一机器学习程序。示例性的,针对获取用户标注样本的过程,可以展示用户上传的样本图像,并获取用户针对该样本图像的标注信息,然后,根据该样本图像和该标注信息生成用户标注样本。
示例性的,根据该机器学习参数获取机器学习模型,可以包括但不限于:从本地存储的所有训练图像中获取与该机器学习参数对应的训练图像集合;其中,该训练图像集合可以包括多个训练图像,所述多个训练图像均包括标注信息;然后,根据所述多个训练图像的特征信息和标注信息获取机器学习模型。
示例性的,根据该用户标注样本获取机器学习模型,可以包括但不限于:根据用户标注样本获取多个训练图像,所述多个训练图像均包括用户添加的标注信息;根据所述多个训练图像的特征信息和标注信息获取机器学习模型。
在上述实施例中,根据所述多个训练图像的特征信息和标注信息获取机器学习模型,可以包括但不限于:获取用于训练机器学习模型的多个应用场景;从训练图像集合(即所述多个训练图像)中获取每个应用场景对应的训练图像;利用每个应用场景对应的训练图像的特征信息和标注信息获取机器学习模型;其中,所述机器学习模型可以包括特征信息与标注信息的映射关系。
示例性的,从训练图像集合中获取每个应用场景对应的训练图像,可以包括但不限于:获取所述训练图像集合中的每个训练图像的属性信息;然后,基于所述训练图像集合中的每个训练图像的属性信息和每个应用场景的属性信息,从所述训练图像集合中获取每个应用场景对应的训练图像。
示例性的,从训练图像集合中获取每个应用场景对应的训练图像之后,针对任一个应用场景,若所述应用场景对应的训练图像数量小于预设数量阈值,则根据所述应用场景对应的训练图像构造新训练图像,所述新训练图像包括标注信息;其中,所述应用场景对应的训练图像数量与新训练图像数量之和不小于所述预设数量阈值,且新训练图像用于训练所述机器学习模型。
示例性的,根据多个训练图像的特征信息和标注信息获取机器学习模型,可以包括但不限于:对多个训练图像中的至少一个训练图像进行指定处理,得到处理后的训练图像;其中,所述指定处理包括:修复处理和/或增强处理;根据处理后的训练图像的特征信息和标注信息获取机器学习模型。
步骤103,若第一机器学习程序的性能优于第二机器学习程序的性能,则更新第一机器学习程序;第二机器学习程序是已经部署到程序集合中的机器学习程序。或者,若第一机器学习程序的性能不优于第二机器学习程序的性能,则在等待预设时间后,基于新训练图像集合重新获取用于实现机器学习的第一机器学习程序。
示例性的,更新第一机器学习程序,可以包括但不限于:将第一机器学习程序部署到程序集合中,以供终端设备从程序集合中下载第一机器学习程序或者第二机器学习程序,也就是说,在程序集合中同时保留第一机器学习程序和第二机器学习程序,这样,终端设备可以从程序集合中下载第一机器学习程序,也可以从程序集合中下载第二机器学习程序。或者,将第一机器学习程序部署到程序集合中,从程序集合中删除第二机器学习程序,以供终端设备从程序集合中下载第一机器学习程序,也就是说,只在程序集合中保留第一机器学习程序,而不在程序集合中保留第二机器学习程序,这样,终端设备可以从程序集合中下载第一机器学习程序。
示例性的,程序集合可以是算法市场,也可以是模型仓库,还可以是应用市场,对此不做限制,只要程序集合能够包括多个机器学习程序即可,在将机器学习程序(如上述第一机器学习程序、第二机器学习程序等)部署到程序集合后,终端设备(如移动终端、PC、笔记本电脑等)能够从程序集合下载机器学习程序。
在得到用于实现机器学习的第一机器学习程序(后续记为机器学习程序A1),并将机器学习程序A1部署到程序集合后,这个机器学习程序A1就成为已经部署到程序集合中的第二机器学习程序。在等待预设时间后的下一个周期,基于新训练图像集合重新获取用于实现机器学习的第一机器学习程序(后续记为机器学习程序A2),并比较机器学习程序A2的性能与机器学习程序A1的性能,若机器学习程序A2的性能优于机器学习程序A1的性能,则将机器学习程序A2部署到程序集合,这个机器学习程序A2就成为已经部署到程序集合中的第二机器学习程序,以此类推。
由以上技术方案可见,本申请实施例中,当在算法市场部署第二机器学习程序后,若用户需要更新算法市场中的第二机器学习程序,则可以向机器学习程序更新设备输入机器学习程序更新命令。机器学习程序更新设备在接收到机器学习程序更新命令后,可以获取用于实现机器学习的第一机器学习程序,若第一机器学习程序的性能优于第二机器学习程序的性能,则更新第一机器学习程序,例如,将算法市场部署的第二机器学习程序更新为性能更优的第一机器学习程序,使得在算法市场部署的机器学习程序的性能更优,机器学习结果更准确。而且,可以不断对算法市场部署的机器学习程序进行更新,不断的提升机器学习程序的性能。此外,用户只需要向机器学习程序更新设备输入机器学习程序更新命令即可,不需要用户执行更加复杂的操作,从而简化用户的操作流程,并提高用户的业务体验。
以下结合具体应用场景,对上述机器学习程序更新方法进行说明。参见图2所示,为本申请实施例的机器学习程序更新方法的流程示意图,该方法可以包括:
步骤201,获取用户输入的机器学习程序更新命令。
方式一、向用户显示WEB页面,用户可以在WEB页面输入机器学习程序更新命令,这样,就可以获取用户通过WEB页面输入的机器学习程序更新命令,这个机器学习程序更新命令表示用户需要更新程序集合中的机器学习程序。
方式二、向用户提供应用客户端,即用户可以下载应用客户端,当用户需要更新程序集合中的机器学习程序时,则可以在应用客户端输入机器学习程序更新命令,这样,就可以获取用户通过应用客户端输入的机器学习程序更新命令,这个机器学习程序更新命令表示用户需要更新程序集合中的机器学习程序。
步骤202,根据该机器学习程序更新命令获取机器学习模型。
在一个可能的实现方式中,机器学习程序更新命令可以包括机器学习参数,如机器学习属性和/或机器学习训练方向等。基于此,可以根据该机器学习程序更新命令获取机器学习参数,并根据该机器学习参数获取机器学习模型。具体的,可以从本地存储的所有训练图像中获取与该机器学习参数对应的训练图像集合,该训练图像集合可以包括多个训练图像,所述多个训练图像均包括标注信息;然后,可以根据所述多个训练图像的特征信息和标注信息获取机器学习模型。
例如,当需要获取用于实现人脸检测的机器学习程序时,则机器学习程序更新命令可以包括机器学习属性,机器学习属性可以为人脸属性。这样,可以从机器学习程序更新命令中获取人脸属性,并从本地存储的所有训练图像中获取与人脸属性对应的训练图像集合,该训练图像集合包括多个训练图像,这些训练图像均是与人脸属性有关的图像,如用于实现人脸检测的训练图像。而且,这些训练图像的每个训练图像,可以包括标注信息,如训练图像中存在目标人脸的标注信息、训练图像中不存在目标人脸的标注信息,对此标注信息不做限制。
当然,上述只是机器学习属性的一个示例,对此机器学习属性不做限制。
又例如,当需要提升机器学习程序的精度时,则机器学习程序更新命令可以包括机器学习训练方向,且该机器学习训练方向可以为提升精度方向。这样,可以从机器学习程序更新命令中获取提升精度方向,并从本地存储的所有训练图像中获取与提升精度方向对应的训练图像集合,该训练图像集合可以包括多个训练图像,这些训练图像均是能够提升精度的图像。而且,针对这些训练图像中的每个训练图像,可以包括标注信息,对此标注信息的内容不做限制。
又例如,当需要精简机器学习程序时,则机器学习程序更新命令可以包括机器学习训练方向,且该机器学习训练方向可以为精简模型方向。这样,可以从机器学习程序更新命令中获取精简模型方向,并从本地存储的所有训练图像中获取与精简模型方向对应的训练图像集合,该训练图像集合可以包括多个训练图像,这些训练图像均是能够精简模型的图像。而且,针对这些训练图像中的每个训练图像,可以包括标注信息,对此标注信息的内容不做限制。
当然,上述只是机器学习训练方向的两个示例,对此不做限制。
在另一个可能的实现方式中,机器学习程序更新命令可以包括用户上传的样本图像(如多个样本图像),基于此,在接收到机器学习程序更新命令后,可以从机器学习程序更新命令中获取用户上传的样本图像,并展示用户上传的样本图像。然后,若获取到用户针对样本图像添加的标注信息,则根据样本图像和标注信息生成用户标注样本,即将该样本图像和该标注信息组成用户标注样本。
针对每个样本图像进行上述处理后,可以得到多个用户标注样本,将这些用户标注样本作为训练图像,即得到多个训练图像,所述多个训练图像均包括标注信息。然后,根据多个训练图像的特征信息和标注信息获取机器学习模型。
在另一个可能的实现方式中,机器学习程序更新命令可以包括用户上传的样本图像(如多个样本图像)、与每个样本图像对应的标注信息。基于此,在接收到机器学习程序更新命令后,可以从机器学习程序更新命令中获取用户上传的样本图像、与该样本图像对应的标注信息。然后,根据该样本图像和该标注信息生成用户标注样本,即将该样本图像和该标注信息组成用户标注样本。
显然,可以根据机器学习程序更新命令获取多个用户标注样本,将这些用户标注样本作为训练图像,即得到多个训练图像,所述多个训练图像均包括标注信息。然后,根据多个训练图像的特征信息和标注信息获取机器学习模型。
综上所述,无论采用哪种方式,均可以得到多个训练图像,每个训练图像均包括标注信息,上述获得多个训练图像的过程,就是原始数据的收集过程。
针对训练图像的标注信息,可以是本地存储的训练图像的已有标注信息,即根据已有标注信息的训练图像训练机器学习模型。针对训练图像的标注信息,也可以是用户添加的标注信息,即根据用户标注的训练图像训练机器学习模型。
示例性的,针对本地存储的训练图像,可以是通过多种渠道(如相机、音响、互联网等)获取的训练图像,在获取到训练图像后,可以在本地存储介质中存储训练图像。针对训练图像的标注信息,可以是采用自动化标注方式为训练图像添加的标注信息,也可以是采用人工标注方式为训练图像添加的标注信息,还可以是自动化标注方式结合人工纠错,为训练图像添加的标注信息。当然,上述只是对训练图像添加标注信息的几个示例,对此不做限制。
在一个例子中,在得到多个训练图像后,可以根据多个训练图像的特征信息和标注信息获取机器学习模型。例如,针对每个训练图像,可以得到该训练图像的特征信息和标注信息。然后,利用每个训练图像的特征信息和标注信息进行训练,例如,训练机器学习模型中的各种机器学习参数,最终得到机器学习模型,该机器学习模型可以包括特征信息与标注信息的映射关系。
示例性的,针对获取机器学习模型的过程,可以参见如下步骤:
步骤a1、获取用于训练机器学习模型的多个应用场景。
例如,可以预先配置用于训练机器学习模型的多个应用场景,如存在阴影场景、不存在阴影场景、白天场景、黑夜场景、下雨场景、下雪场景、室内场景、室外场景等,对此应用场景不做限制,可以是预先配置的任意应用场景。
步骤a2、从所有训练图像中获取每个应用场景对应的训练图像。具体的,可以获取每个训练图像的属性信息,并基于每个训练图像的属性信息和每个应用场景的属性信息,从所有训练图像中获取每个应用场景对应的训练图像。
例如,针对应用场景是白天场景的情况,白天场景的属性信息是属性A(如亮度值大于预设阈值),且训练图像1的属性信息也是属性A(如亮度值大于预设阈值),因此,可以将训练图像1作为白天场景对应的训练图像。
又例如,针对应用场景是黑夜场景的情况,黑夜场景的属性信息是属性B(如亮度值小于预设阈值),且训练图像2的属性信息也是属性B(如亮度值小于预设阈值),因此,可以将训练图像2作为黑夜场景对应的训练图像。
步骤a3、利用每个应用场景对应的训练图像的特征信息和标注信息获取机器学习模型,所述机器学习模型包括特征信息与标注信息的映射关系。
例如,针对每个应用场景对应的每个训练图像,可以得到该训练图像的特征信息和标注信息。然后,利用每个应用场景对应的每个训练图像的特征信息和标注信息进行训练,例如,训练机器学习模型中的各种机器学习参数,最终得到机器学习模型,该机器学习模型可以包括特征信息与标注信息的映射关系。
示例性的,基于高精度训练算法(可以根据实际需要进行选择,对此高精度训练算法不做限制),利用每个应用场景对应的每个训练图像的特征信息和标注信息进行高效的训练,最终得到机器学习模型,对此训练过程不做限制。
示例性的,在利用每个应用场景对应的训练图像的特征信息和标注信息获取机器学习模型时,还可以约定训练图像的最小数量,通过预设数量阈值表示这个最小数量,如100等。基于此,针对任一个应用场景,若所述应用场景对应的训练图像数量小于预设数量阈值,则可以根据所述应用场景对应的训练图像构造新训练图像,新训练图像也包括标注信息,且新训练图像用于训练机器学习模型,对此构造过程不做限制,只要能够得到新训练图像,且新训练图像包括标注信息即可。显然,在构造新训练图像之后,可以使得所述应用场景对应的训练图像数量与新训练图像数量之和不小于预设数量阈值。
例如,步骤a2中,从所有训练图像中获取到与应用场景1对应的80个训练图像,因此,构造与应用场景1对应的新训练图像,且新训练图像的数量大于或者等于20个,这样,应用场景1对应的所有训练图像大于或者等于100个。
示例性的,在利用每个应用场景对应的训练图像的特征信息和标注信息获取机器学习模型时,还可以约定训练图像的目标数量,通过预设数量阈值表示这个目标数量,如100等。基于此,针对任一个应用场景,若所述应用场景对应的训练图像数量小于预设数量阈值,则可以根据所述应用场景对应的训练图像构造新训练图像,新训练图像也包括标注信息,且新训练图像用于训练机器学习模型,对此构造过程不做限制。在构造新训练图像之后,可以使得所述应用场景对应的训练图像数量与新训练图像数量之和等于所述预设数量阈值。
例如,在步骤a2中,从所有训练图像中获取到与应用场景1对应的80个训练图像,因此,需要构造与应用场景1对应的新训练图像,且新训练图像的数量为20个,这样,应用场景1对应的所有训练图像等于100个。
针对任一个应用场景,若所述应用场景对应的训练图像数量大于预设数量阈值,则从所述应用场景对应的所有训练图像中选择部分训练图像,且部分训练图像的数量等于预设数量阈值,且只使用部分训练图像训练机器学习模型。
例如,步骤a2中,从所有训练图像获取到与应用场景2对应的120个训练图像,这样,从应用场景2对应的120个训练图像中选择100个训练图像,且只使用所述100个训练图像训练机器学习模型,不再使用剩余的20个训练图像。
显然,经过上述处理,可以对训练图像的类别进行充分性的统计,并采用数据自动增强技术,在已有训练图像基础上自动生成不同场景的训练图像,弥补训练算法在该场景数据的缺失问题,提高机器学习模型的性能。
示例性的,在根据训练图像的特征信息和标注信息获取机器学习模型的过程中,还可以对多个训练图像中的至少一个训练图像进行指定处理,得到处理后的训练图像;其中,所述指定处理可以包括但不限于:修复处理和/或增强处理;根据处理后的训练图像的特征信息和标注信息获取机器学习模型。
例如,针对每个训练图像,若训练图像符合要求(如训练图像的清晰度很高),则不对该训练图像进行指定处理。若训练图像不符合要求(如训练图像的清晰度很低,如训练图像是模糊图像),则可以对该训练图像进行指定处理,如对该训练图像进行修复处理和/或增强处理,从而提高该训练图像的可靠性。
示例性的,在根据训练图像的特征信息和标注信息获取机器学习模型的过程中,还可以对训练图像进行数据清洗,也就是说,若某个训练图像是无效的,则不再利用该训练图像的特征信息和标注信息获取机器学习模型。
步骤203,将机器学习模型封装为用于实现机器学习的第一机器学习程序(即APP),也就是说,通过该第一机器学习程序能够实现机器学习。
示例性的,可以将机器学习模型封装为用于实现机器学习的第一机器学习程序,第一机器学习程序能够部署到程序集合,例如,将代码实现的机器学习模型封装为能够被用户下载的第一机器学习程序(APP),对此封装过程不做限制。
步骤204,判断第一机器学习程序的性能是否优于第二机器学习程序的性能,该第二机器学习程序是已经部署到程序集合中的机器学习程序。
如果是,则执行步骤205;如果否,则执行步骤206。
步骤205,更新第一机器学习程序。
示例性的,更新第一机器学习程序,可以包括但不限于:将第一机器学习程序部署到程序集合中,以供终端设备从程序集合中下载第一机器学习程序或者第二机器学习程序,也就是说,在程序集合中同时保留第一机器学习程序和第二机器学习程序,这样,终端设备可以从程序集合中下载第一机器学习程序,也可以从程序集合中下载第二机器学习程序。或者,将第一机器学习程序部署到程序集合中,从程序集合中删除第二机器学习程序,以供终端设备从程序集合中下载第一机器学习程序,也就是说,只在程序集合中保留第一机器学习程序,而不在程序集合中保留第二机器学习程序,这样,终端设备可以从程序集合中下载第一机器学习程序。
步骤206,在等待预设时间后,基于新训练图像集合重新获取用于实现机器学习的第一机器学习程序,具体实现方式参见上述过程,只是新训练图像集合中的训练图像发生变化,即,利用变化后的训练图像重新获取第一机器学习程序。
例如,在等待预设时间后,从本地存储的所有训练图像(训练图像已经发生变化)中获取新训练图像集合,新训练图像集合包括多个训练图像(包括变化后的新训练图像,也包括未变化的训练图像,对此不做限制),所述多个训练图像均包括标注信息。然后,根据多个训练图像的特征信息和标注信息获取机器学习模型,并将机器学习模型封装为用于实现机器学习的第一机器学习程序。然后,判断第一机器学习程序的性能是否优于已经部署到程序集合中的第二机器学习程序的性能;如果是,更新第一机器学习程序;如果否,则在等待预设时间后,基于新训练图像集合重新获取用于实现机器学习的第一机器学习程序,以此类推。
示例性的,程序集合可以是算法市场,也可以是模型仓库,还可以是应用市场,对此不做限制,只要程序集合能够包括多个机器学习程序即可,在将机器学习程序(如上述第一机器学习程序、第二机器学习程序等)部署到程序集合后,终端设备(如移动终端、PC、笔记本电脑等)能够从程序集合下载机器学习程序。
示例性的,以程序集合是算法市场为例,在将第一机器学习程序部署到算法市场时,还可以按照算法市场规定的格式,将所述第一机器学习程序转换为与所述格式对应的第一机器学习程序,将转换后的第一机器学习程序部署到算法市场。
示例性的,机器学习程序可以是针对摄像机视觉算法的机器学习程序、针对音响语音算法的机器学习程序、针对边缘端的智能算法的机器学习程序、针对云端服务器的智能算法的机器学习程序、针对智能摄像机的智能算法的机器学习程序、针对智能音箱的智能算法的机器学习程序、针对车载系统的智能算法的机器学习程序、针对移动终端的智能算法的机器学习程序。当然,上述只是示例,对此不做限制。
示例性的,在得到机器学习模型之后,还可以对机器学习模型进行评估,并根据设备计算能力以及设备硬件配置情况,在保障模型精度的前提下,对机器学习模型进行裁剪与量化,对此过程不再赘述。基于裁剪与量化后的机器学习模型,可以将机器学习模型封装为用于实现机器学习的第一机器学习程序。
示例性的,在将第一机器学习程序部署到程序集合时,还可以对第一机器学习程序进行认证,如果认证成功,才允许将第一机器学习程序部署到程序集合,如果认证失败,则不允许将第一机器学习程序部署到程序集合。例如,验证第一机器学习程序是否存在病毒,是否具有安全隐患等,对此验证过程不做限制。
示例性的,通过提供模型管理与算法市场管理,从而可以在模型仓库中管理机器学习模型,并可以在算法市场中管理机器学习程序。基于此,针对模型仓库中的每个机器学习模型,可以快速的转换成机器学习程序,并在算法市场中进行机器学习程序的更新。显然,通过在模型仓库中管理机器学习模型的方式,能够减少算法市场中的机器学习程序的数量,从而降低存储空间。
示例性的,在将第一机器学习程序部署到程序集合(如算法市场)后,算法市场还可以进一步校验第一机器学习程序的性能与第二机器学习程序的性能,若第一机器学习程序的性能优于第二机器学习程序的性能,则算法市场可以保留第一机器学习程序;若第二机器学习程序的性能优于第一机器学习程序的性能,则算法市场可以将第一机器学习程序回退到第二机器学习程序,即实现机器学习程序版本的回退。
由以上技术方案可见,本申请实施例中,当在算法市场部署第二机器学习程序后,若用户需要更新算法市场中的第二机器学习程序,则可以向机器学习程序更新设备输入机器学习程序更新命令。机器学习程序更新设备在接收到机器学习程序更新命令后,可以获取用于实现机器学习的第一机器学习程序,若第一机器学习程序的性能优于第二机器学习程序的性能,则更新第一机器学习程序,例如,将算法市场部署的第二机器学习程序更新为性能更优的第一机器学习程序,使得在算法市场部署的机器学习程序的性能更优,机器学习结果更准确。而且,可以不断对算法市场部署的机器学习程序进行更新,不断的提升机器学习程序的性能。此外,用户只需要向机器学习程序更新设备输入机器学习程序更新命令即可,不需要用户执行更加复杂的操作,从而简化用户的操作流程,并提高用户的业务体验。
机器学习模型能够按照设备计算能力进行自动优化,能够定制化开发机器学习程序,支持机器学习程序的更新与回退,执行机器学习程序的优化与校验。
本实施例提出一种机器学习算法的定制方法,通过web前端发起流水任务,主要涉及数据准备、算法训练、模型优化、模型仓库、算法市场、设备算法更新等环节,每一环节均可单独执行任务,也可以部分组合成流水执行。web端可配置训练流水模板,简化用户重复流水配置,有效提升算法生产周期。
基于与上述方法同样的申请构思,本申请实施例中还提出一种机器学习程序更新装置,如图3所示,为所述机器学习程序更新装置的结构图,所述装置包括:
第一获取模块31,用于获取用户输入的机器学习程序更新命令;
第二获取模块32,用于根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序;
管理模块33,用于若所述第一机器学习程序的性能优于第二机器学习程序的性能,则更新所述第一机器学习程序;其中,所述第二机器学习程序是已经部署到程序集合中的机器学习程序。
所述第一获取模块31获取用户输入的机器学习程序更新命令时具体用于:
获取用户通过WEB页面输入的机器学习程序更新命令;或者,
获取用户通过应用客户端输入的机器学习程序更新命令。
所述第二获取模块32根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序时具体用于:根据所述机器学习程序更新命令获取机器学习参数,并根据所述机器学习参数获取机器学习模型;将所述机器学习模型封装为用于实现机器学习的第一机器学习程序;所述机器学习参数包括机器学习属性和/或机器学习训练方向;或者,在接收到所述机器学习程序更新命令后,获取用户标注样本,并根据所述用户标注样本获取机器学习模型,并将所述机器学习模型封装为用于实现机器学习的第一机器学习程序。
所述第二获取模块32根据所述机器学习参数获取机器学习模型时具体用于:从本地存储的所有训练图像中获取与所述机器学习参数对应的训练图像集合;其中,所述训练图像集合包括多个训练图像,所述多个训练图像均包括标注信息;根据所述多个训练图像的特征信息和标注信息获取机器学习模型;
所述第二获取模块32根据所述用户标注样本获取机器学习模型时具体用于:根据所述用户标注样本获取多个训练图像,所述多个训练图像均包括用户添加的标注信息;根据所述多个训练图像的特征信息和标注信息获取机器学习模型。
所述第二获取模块32根据所述多个训练图像的特征信息和标注信息获取机器学习模型时具体用于:获取用于训练机器学习模型的多个应用场景;
从所述训练图像集合中获取每个应用场景对应的训练图像;
利用每个应用场景对应的训练图像的特征信息和标注信息获取机器学习模型,所述机器学习模型包括特征信息与标注信息的映射关系。
所述第二获取模块32从所述训练图像集合中获取每个应用场景对应的训练图像时具体用于:获取所述训练图像集合中的每个训练图像的属性信息;
基于所述训练图像集合中的每个训练图像的属性信息和每个应用场景的属性信息,从所述训练图像集合中获取每个应用场景对应的训练图像。
所述第二获取模块32从所述训练图像集合中获取每个应用场景对应的训练图像之后还用于:针对任一应用场景,若所述应用场景对应的训练图像数量小于预设数量阈值,则根据所述应用场景对应的训练图像构造新训练图像,所述新训练图像包括标注信息;所述应用场景对应的训练图像数量与新训练图像数量之和不小于所述预设数量阈值,所述新训练图像用于训练所述机器学习模型。
所述第二获取模块32根据所述多个训练图像的特征信息和标注信息获取机器学习模型时具体用于:对所述多个训练图像中的至少一个训练图像进行指定处理,得到处理后的训练图像;其中,所述指定处理包括:修复处理和/或增强处理;根据处理后的训练图像的特征信息和标注信息获取机器学习模型。
所述管理模块33更新所述第一机器学习程序时具体用于:
将所述第一机器学习程序部署到所述程序集合中,以供终端设备从所述程序集合中下载所述第一机器学习程序或者所述第二机器学习程序;或者,
将所述第一机器学习程序部署到所述程序集合中,从所述程序集合中删除所述第二机器学习程序,以供终端设备从所述程序集合中下载所述第一机器学习程序。
所述管理模块33还用于:
若所述第一机器学习程序的性能不优于第二机器学习程序的性能,则在等待预设时间后,基于新训练图像集合重新获取用于实现机器学习的第一机器学习程序。
本申请实施例提供的机器学习程序更新设备,从硬件层面而言,其硬件架构示意图具体可以参见图4所示。包括:处理器41和机器可读存储介质42,其中:所述机器可读存储介质42存储有能够被所述处理器41执行的机器可执行指令;处理器41用于执行机器可执行指令,以实现本申请上述示例公开的方法。例如,所述处理器41用于执行机器可执行指令,以实现如下步骤:
获取用户输入的机器学习程序更新命令;
根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序;
若所述第一机器学习程序的性能优于第二机器学习程序的性能,则更新所述第一机器学习程序;所述第二机器学习程序是已经部署到程序集合中的机器学习程序。
基于与上述方法同样的申请构思,本申请实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述计算机指令被处理器执行时,能够实现本申请上述示例公开的机器学习程序更新方法。
其中,上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据,等等。例如,机器可读存储介质可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
而且,这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种机器学习程序更新方法,其特征在于,所述方法包括:
获取用户输入的机器学习程序更新命令;
根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序;
若所述第一机器学习程序的性能优于第二机器学习程序的性能,则更新所述第一机器学习程序;所述第二机器学习程序是已经部署到程序集合中的机器学习程序。
2.根据权利要求1所述的方法,其特征在于,
所述获取用户输入的机器学习程序更新命令,包括:
获取用户通过WEB页面输入的机器学习程序更新命令;或者,
获取用户通过应用客户端输入的机器学习程序更新命令。
3.根据权利要求1所述的方法,其特征在于,所述根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序,包括:
根据所述机器学习程序更新命令获取机器学习参数,并根据所述机器学习参数获取机器学习模型;将所述机器学习模型封装为用于实现机器学习的第一机器学习程序;所述机器学习参数包括机器学习属性和/或机器学习训练方向;
或者,在接收到所述机器学习程序更新命令后,获取用户标注样本,并根据所述用户标注样本获取机器学习模型,并将所述机器学习模型封装为用于实现机器学习的第一机器学习程序。
4.根据权利要求3所述的方法,其特征在于,
所述根据所述机器学习参数获取机器学习模型,包括:从本地存储的所有训练图像中获取与所述机器学习参数对应的训练图像集合;其中,所述训练图像集合包括多个训练图像,所述多个训练图像均包括标注信息;根据所述多个训练图像的特征信息和标注信息获取机器学习模型;
所述根据所述用户标注样本获取机器学习模型,包括:根据所述用户标注样本获取多个训练图像,所述多个训练图像均包括用户添加的标注信息;根据所述多个训练图像的特征信息和标注信息获取机器学习模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述多个训练图像的特征信息和标注信息获取机器学习模型,包括:
获取用于训练机器学习模型的多个应用场景;
从所述训练图像集合中获取每个应用场景对应的训练图像;
利用每个应用场景对应的训练图像的特征信息和标注信息获取机器学习模型,所述机器学习模型包括特征信息与标注信息的映射关系。
6.根据权利要求5所述的方法,其特征在于,
所述从所述训练图像集合中获取每个应用场景对应的训练图像,包括:
获取所述训练图像集合中的每个训练图像的属性信息;
基于所述训练图像集合中的每个训练图像的属性信息和每个应用场景的属性信息,从所述训练图像集合中获取每个应用场景对应的训练图像。
7.根据权利要求5所述的方法,其特征在于,所述从所述训练图像集合中获取每个应用场景对应的训练图像之后,所述方法还包括:
针对任一个应用场景,若所述应用场景对应的训练图像数量小于预设数量阈值,则根据所述应用场景对应的训练图像构造新训练图像,所述新训练图像包括标注信息;其中,所述应用场景对应的训练图像数量与新训练图像数量之和不小于所述预设数量阈值,所述新训练图像用于训练所述机器学习模型。
8.根据权利要求4-7任一项所述的方法,其特征在于,所述根据所述多个训练图像的特征信息和标注信息获取机器学习模型,包括:
对所述多个训练图像中的至少一个训练图像进行指定处理,得到处理后的训练图像;其中,所述指定处理包括:修复处理和/或增强处理;
根据处理后的训练图像的特征信息和标注信息获取机器学习模型。
9.根据权利要求1所述的方法,其特征在于,
所述更新所述第一机器学习程序,包括:
将所述第一机器学习程序部署到所述程序集合中,以供终端设备从所述程序集合中下载所述第一机器学习程序或者所述第二机器学习程序;或者,
将所述第一机器学习程序部署到所述程序集合中,从所述程序集合中删除所述第二机器学习程序,以供终端设备从所述程序集合中下载所述第一机器学习程序。
10.根据权利要求1所述的方法,其特征在于,所述根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序之后,所述方法还包括:
若所述第一机器学习程序的性能不优于第二机器学习程序的性能,则在等待预设时间后,基于新训练图像集合重新获取用于实现机器学习的第一机器学习程序。
11.一种机器学习程序更新装置,其特征在于,所述装置包括:
第一获取模块,用于获取用户输入的机器学习程序更新命令;
第二获取模块,用于根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序;
管理模块,用于若所述第一机器学习程序的性能优于第二机器学习程序的性能,则更新所述第一机器学习程序;其中,所述第二机器学习程序是已经部署到程序集合中的机器学习程序。
12.一种机器学习程序更新设备,其特征在于,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现如下步骤:
获取用户输入的机器学习程序更新命令;
根据所述机器学习程序更新命令获取用于实现机器学习的第一机器学习程序;
若所述第一机器学习程序的性能优于第二机器学习程序的性能,则更新所述第一机器学习程序;所述第二机器学习程序是已经部署到程序集合中的机器学习程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910579427.4A CN112149836B (zh) | 2019-06-28 | 一种机器学习程序更新方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910579427.4A CN112149836B (zh) | 2019-06-28 | 一种机器学习程序更新方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149836A true CN112149836A (zh) | 2020-12-29 |
CN112149836B CN112149836B (zh) | 2024-05-24 |
Family
ID=
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828183A (zh) * | 2007-10-16 | 2010-09-08 | 索尼法国股份有限公司 | 用于更新原型的方法和设备 |
CN102509121A (zh) * | 2011-11-11 | 2012-06-20 | 东南大学 | 一种基于类别分布的自然场景分类排序方法 |
CN105550746A (zh) * | 2015-12-08 | 2016-05-04 | 北京旷视科技有限公司 | 机器学习模型的训练方法和训练装置 |
CN105975861A (zh) * | 2016-05-27 | 2016-09-28 | 百度在线网络技术(北京)有限公司 | 应用检测方法和装置 |
US20170316127A1 (en) * | 2016-04-29 | 2017-11-02 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for constructing testing scenario for driverless vehicle |
CN107316083A (zh) * | 2017-07-04 | 2017-11-03 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法和装置 |
CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
CN107609078A (zh) * | 2017-09-04 | 2018-01-19 | 北京农业信息技术研究中心 | 长势监测模型更新方法、传感器、服务器及系统 |
CN107844837A (zh) * | 2017-10-31 | 2018-03-27 | 第四范式(北京)技术有限公司 | 针对机器学习算法进行算法参数调优的方法及系统 |
CN107995428A (zh) * | 2017-12-21 | 2018-05-04 | 广东欧珀移动通信有限公司 | 图像处理方法、装置及存储介质和移动终端 |
CN108182389A (zh) * | 2017-12-14 | 2018-06-19 | 华南师范大学 | 基于大数据与深度学习的用户数据处理方法、机器人系统 |
US20180189951A1 (en) * | 2017-01-04 | 2018-07-05 | Cisco Technology, Inc. | Automated generation of pre-labeled training data |
CN108710496A (zh) * | 2018-05-17 | 2018-10-26 | 腾讯科技(深圳)有限公司 | 应用程序的配置更新方法、装置、设备及存储介质 |
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 |
CN108921300A (zh) * | 2018-06-21 | 2018-11-30 | 第四范式(北京)技术有限公司 | 执行自动机器学习的方法和装置 |
US20190034757A1 (en) * | 2017-07-31 | 2019-01-31 | Henry Shu | Method and system for on-device image recognition |
CN109522775A (zh) * | 2017-09-19 | 2019-03-26 | 杭州海康威视数字技术股份有限公司 | 人脸属性检测方法、装置及电子设备 |
US10296848B1 (en) * | 2018-03-05 | 2019-05-21 | Clinc, Inc. | Systems and method for automatically configuring machine learning models |
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828183A (zh) * | 2007-10-16 | 2010-09-08 | 索尼法国股份有限公司 | 用于更新原型的方法和设备 |
CN102509121A (zh) * | 2011-11-11 | 2012-06-20 | 东南大学 | 一种基于类别分布的自然场景分类排序方法 |
CN105550746A (zh) * | 2015-12-08 | 2016-05-04 | 北京旷视科技有限公司 | 机器学习模型的训练方法和训练装置 |
US20170316127A1 (en) * | 2016-04-29 | 2017-11-02 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for constructing testing scenario for driverless vehicle |
CN105975861A (zh) * | 2016-05-27 | 2016-09-28 | 百度在线网络技术(北京)有限公司 | 应用检测方法和装置 |
US20180189951A1 (en) * | 2017-01-04 | 2018-07-05 | Cisco Technology, Inc. | Automated generation of pre-labeled training data |
CN107316083A (zh) * | 2017-07-04 | 2017-11-03 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法和装置 |
CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
US20190034757A1 (en) * | 2017-07-31 | 2019-01-31 | Henry Shu | Method and system for on-device image recognition |
CN107609078A (zh) * | 2017-09-04 | 2018-01-19 | 北京农业信息技术研究中心 | 长势监测模型更新方法、传感器、服务器及系统 |
CN109522775A (zh) * | 2017-09-19 | 2019-03-26 | 杭州海康威视数字技术股份有限公司 | 人脸属性检测方法、装置及电子设备 |
CN107844837A (zh) * | 2017-10-31 | 2018-03-27 | 第四范式(北京)技术有限公司 | 针对机器学习算法进行算法参数调优的方法及系统 |
CN108182389A (zh) * | 2017-12-14 | 2018-06-19 | 华南师范大学 | 基于大数据与深度学习的用户数据处理方法、机器人系统 |
CN107995428A (zh) * | 2017-12-21 | 2018-05-04 | 广东欧珀移动通信有限公司 | 图像处理方法、装置及存储介质和移动终端 |
US10296848B1 (en) * | 2018-03-05 | 2019-05-21 | Clinc, Inc. | Systems and method for automatically configuring machine learning models |
CN108710496A (zh) * | 2018-05-17 | 2018-10-26 | 腾讯科技(深圳)有限公司 | 应用程序的配置更新方法、装置、设备及存储介质 |
CN108921300A (zh) * | 2018-06-21 | 2018-11-30 | 第四范式(北京)技术有限公司 | 执行自动机器学习的方法和装置 |
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 |
Non-Patent Citations (2)
Title |
---|
GENEVIEVE PATTERSON等: "SUN attribute database: Discovering, annotating, and recognizing scene attributes", 《2012 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 26 July 2012 (2012-07-26), pages 1 - 8 * |
崔斌等: "新型数据管理系统研究进展与趋势", 《软件学报》, pages 164 - 193 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491827B (zh) | 一种车辆检测方法、装置及存储介质 | |
CN110647920A (zh) | 机器学习中的迁移学习方法及装置、设备与可读介质 | |
WO2019232772A1 (en) | Systems and methods for content identification | |
CN111783997B (zh) | 一种数据处理方法、装置及设备 | |
CN110222607B (zh) | 人脸关键点检测的方法、装置及系统 | |
CN110222718B (zh) | 图像处理的方法及装置 | |
CN112418195B (zh) | 一种人脸关键点检测方法、装置、电子设备及存储介质 | |
CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
CN110287836B (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN111667001B (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN111079507B (zh) | 一种行为识别方法及装置、计算机装置及可读存储介质 | |
US20230252704A1 (en) | Facial animation transfer | |
CN113160231A (zh) | 一种样本生成方法、样本生成装置及电子设备 | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
CN115018039A (zh) | 一种神经网络蒸馏方法、目标检测方法以及装置 | |
CN117726884B (zh) | 对象类别识别模型的训练方法、对象类别识别方法及装置 | |
CN114168768A (zh) | 图像检索方法及相关设备 | |
CN111291761B (zh) | 用于识别文字的方法和装置 | |
CN111488887B (zh) | 基于人工智能的图像处理方法、装置 | |
CN111639523B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
CN115630660B (zh) | 基于卷积神经网络的条码定位方法和装置 | |
CN116844032A (zh) | 一种海洋环境下目标检测识别方法、装置、设备及介质 | |
CN108509828A (zh) | 一种人脸识别方法和人脸识别装置 |
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 |