CN105808500A - 深度学习的实现方法、装置 - Google Patents
深度学习的实现方法、装置 Download PDFInfo
- Publication number
- CN105808500A CN105808500A CN201610110053.8A CN201610110053A CN105808500A CN 105808500 A CN105808500 A CN 105808500A CN 201610110053 A CN201610110053 A CN 201610110053A CN 105808500 A CN105808500 A CN 105808500A
- Authority
- CN
- China
- Prior art keywords
- degree
- sample data
- training
- data
- deep learning
- 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.)
- Pending
Links
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
本发明公开了深度学习的实现方法、装置,在本方案中,在本发明实施例技术方案中,由于使用者只需要通过交互操作即可实现深度学习模型的训练,并使用训练后的深度学习模型进行预测,故而,使用者无需具有编程基础,使得深度学习模型的训练和预测的操作简便,深度学习更能普及。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及深度学习的实现方法、装置。
背景技术
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。
现有技术中,用户需要根据自己的需求编程实现深度学习模型,并编程实现深度学习模型的训练参数的配置,以及数据的读入、解析和预测等。如果用户需要使用多种深度学习模型,那么用户自行编程的工作量将非常大。
故此,现有技术中,存在深度学习模型的训练和利用深度学习模型进行预测的方法,受编程实现的限制,造成深度学习的实现过程操作复杂。
发明内容
本发明实施例提供了深度学习的实现方法、装置,用以解决目前存在的使用者必须学会编程,由此造成深度学习的实现过程操作复杂的问题。
本发明实施例提供了一种深度学习的实现方法,包括:
接收上传的样本数据;所述样本数据中包括至少一个样本;
对所述样本数据进行分组获得分组结果,所述分组结果中至少包括训练集,所述训练集中包括第一预设数量的样本;
接收对预先构建的至少一个深度学习模型的选择指令;以及,
接收对训练参数进行设定的设定指令;
根据所述训练集,所述设定指令中包括的训练参数,对选择的深度学习模型进行训练,获得训练后的深度学习模型。
进一步地,本发明还提供一种深度学习的实现方法,所述方法包括:
接收上传的待预测数据;以及,
接收对至少一个训练后的深度学习模型的模型选择指令;
接收对所述待预测数据进行预测的预测指令;
根据选择的训练后的深度学习模型对所述待预测数据进行预测,并显示预测结果。
进一步地,本发明还提供了一种深度学习的实现装置,包括:
数据接收模块,用于接收上传的样本数据;所述样本数据中包括至少一个样本;
划分模块,用于对所述样本数据进行分组获得分组结果,所述分组结果中至少包括训练集,所述训练集中包括第一预设数量的样本;
选择指令接收模块,用于接收对预先构建的至少一个深度学习模型的选择指令;
设定指令接收模块,用于接收对训练参数进行设定的设定指令;
训练模块,用于根据所述训练集,所述设定指令中包括的训练参数,对选择的深度学习模型进行训练,获得训练后的深度学习模型。
进一步地,本发明还提供了一种深度学习的实现装置,所述装置包括:
待预测数据接收模块,用于接收上传的待预测数据;
选择模块,用于接收对至少一个训练后的深度学习模型的模型选择指令
预测指令接收模块,用于接收对所述待预测数据进行预测的预测指令;
预测处理模块,用于根据选择的训练后的深度学习模型对所述待预测数据进行预测,并显示预测结果。
本发明有益效果如下:在本发明实施例技术方案中,由于使用者只需要通过交互操作即可实现深度学习模型的训练,并使用训练后的深度学习模型进行预测,故而,使用者无需具有编程基础,使得深度学习模型的训练和预测的操作简便,深度学习更能普及。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1所示为本发明实施例一中所述深度学习的实现方法的流程示意图;
图2所示为本发明实施例二中所述深度学习的实现方法的流程示意图;
图3所示为本发明实施例三中深度学习模型的训练和预测方法的流程示意图;
图4所示为本发明实施例三中所述深度学习的界面示意图1;
图5所示为本发明实施例三中所述深度学习的界面示意图2;
图6所示为本发明实施例三中所述深度学习的界面示意图3;
图7所示为本发明实施例三中所述深度学习的界面示意图4;
图8所示为本发明实施例三中所述深度学习的界面示意图5;
图9所示为本发明实施例三中所述深度学习的界面示意图6;
图10所示为本发明实施例三中所述深度学习的界面示意图7;
图11所示为本发明实施例三中所述深度学习的界面示意图8;
图12所示为本发明实施例三中所述深度学习的界面示意图9;
图13所示为本发明实施例三中所述深度学习的界面示意图10;
图14所示为本发明实施例三中所述深度学习的界面示意图11;
图15所示为本发明实施例四中所述深度学习的实现装置的结构示意图;
图16所示为本发明实施例五中所述深度学习的实现装置的结构示意图。
具体实施方式
本发明实施例提供了一种深度学习模型的训练以及预测方法、装置,在本发明实施例技术方案中,由于使用者只需要通过交互操作即可实现深度学习模型的训练,并使用训练后的深度学习模型进行预测,故而,使用者无需具有编程基础,使得深度学习模型的训练和预测的操作简便,深度学习更能普及。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
如图1所示,其为本发明实施例一中深度学习的实现方法的流程示意图,深度学习方法可包括以下步骤:
步骤101:接收上传的样本数据;所述样本数据中包括至少一个样本。
其中,在一个实施例中,样本数据是用来训练深度学习模型的数据,例如多媒体数据(可以包括图像数据、音频数据、文本数据中的至少一种)、生物化学领域的数据、用于数值计算的数据等。
其中,在一个实施例中,样本数据可以是满足预设格式的样本数据,例如,将图像数据打包成压缩文件格式。
其中,在一个实施例中,接收样本数据后,将样本数据存储在指定存储区域。其中,指定存储区域例如是根据样本数据的数据类型,存储在指定文件夹下。
步骤102:对所述样本数据进行分组获得分组结果,所述分组结果中至少包括训练集,所述训练集中包括第一预设数量的样本。
其中,在一个实施例中,可以设定训练集占样本数据的训练集比例,按照该训练集比例,获得训练集。例如,训练集比例为A(A为小于1的正数),样本数据的数量为B,则划分得到的训练集的样本数据数量为(A*B)个。还可以根据设定的数量获取训练集,可以根据训练集比例确定第一预设数量,也可以将设定的数量视为第一预设数量。其中,设定的数量可以是默认的数量,也可以是用户指定的数量。
步骤103:接收对预先构建的至少一个深度学习模型的选择指令。
其中,在一个实施例中,深度学习模型例如是卷积神经网络模型等现有技术中存在的深度学习模型,本发明实施例对此不做限定。
步骤104:接收对训练参数进行设定的设定指令。
其中,步骤103和步骤104的执行顺序不受限。
其中,在一个实施例中,可以显示参数设定界面,并接收用户在该界面设定的训练参数。
步骤105:根据训练集,设定指令中包括的训练参数,对选择的深度学习模型进行训练,获得训练后的深度学习模型。
为便于进一步理解,下面对本发明实施例提供的技术方案做进一步说明:
其中,在一个实施例中,为便于用户及时了解训练的结果,分组结果中还包括测试集,所述测试集中包括第二预设数量的样本;训练参数中包括迭代次数,故此,本发明实施例中:在对选择的深度学习模型进行训练的过程中,根据测试集确定每次迭代后得到的训练后的深度学习模型的评估效果,并显示评估效果;评估效果中包括以下中的至少一种:模型精度、损失、混淆矩阵等,能够评估训练效果的评估结果均适用于本发明实施例,本发明对此不做限定。
其中,在一个实施例中,可以根据以下步骤对所述样本数据进行分组获得分组结果,具体包括:
步骤A1:接收对训练集和测试集中各自包括的样本数量的设置指令。
例如,可以设定训练集和测试集所占样本数据总量的比例(例如,训练集和测试集各占样本数据总量的三分之一),也可以设置训练集和测试集之间的比例(例如,设置训练集与测试集的样本数据数量的比例为1:1)。
也可以是用户指定的第一数量和第二数量。
步骤A2:根据所述设置指令,对所述样本数据进行分组,获得所述训练集和所述测试集。
其中,在一个实施例中,为便于用户了解上传样本数据后的结果,步骤101之后,还可以显示样本数据的概况信息,概况信息中包括以下信息中的至少一种:样本数量、样本分类数量、样本数据所在文件的文件名、样本数据的数据量、上传样本数据的时间、样本数据的数据类型、样本数据可用的深度学习模型等。其中,样本数据可用的深度学习模型,是根据样本数据的数据类型确定,样本数据适用的深度学习模型。当然,需要说明的是,任何帮助用户了解样本数据相关信息的概况信息均适用于本发明实施例,本发明对此不做限定。
其中,在一个实施例中,为便于用户进一步了解上传的样本数据,本发明实施例中步骤101之后,还可以包括以下步骤:
步骤B1:接收预览样本数据的预览指令。
步骤B2:显示样本数据。
综上,本发明实施例中,用户只需要通过简单的交互操作即可完成深度学习模型的训练,并可以查看训练的结果。而由于预先构建有至少一个深度学习模型,用户也无需自己编程构建深度学习模型。故此,相对于现有技术,使得深度学习模型的训练操作简化。
实施例二
基于相同的发明构思,为便于用户使用训练好的深度学习模型进行预测,本发明实施例,还提供一种深度学习的实现方法,如图2所示,为该方法的流程示意图,包括以下步骤:
步骤201:接收上传的待预测数据。
步骤202:接收对至少一个训练后的深度学习模型的模型选择指令。
其中,步骤201和步骤203的执行顺序不受限。
步骤203:接收对所述待预测数据进行预测的预测指令。
步骤204:根据选择的训练后的深度学习模型对所述待预测数据进行预测,并显示预测结果。
本发明实施例中,用户无需编程,只需要通过简单的交互操作即可通过预先训练好的深度学习模型进行预测,相对于现有技术操作简单。
实施例三
本发明实施例以对图像数据进行深度学习为例,对本发明实施例中的深度学习的实现方法进行说明,如图3所示,为该方法的流程示意图,包括以下步骤:
步骤301:接收上传的样本数据;所述样本数据中包括至少一个样本。
例如,如图4所示,用户可以通过界面中的“上传文件”按钮,上传样本数据。上传样本数据之前还可以根据界面向导将样本数据按照要求组织成规定的格式。
步骤302:显示样本数据的概况信息,概况信息中包括以下信息中的至少一种:样本数量、样本分类数量、样本数据所在文件的文件名、样本数据的数据量、上传样本数据的时间、样本数据的数据类型、样本数据可用的深度学习模型。
例如,如图5所示,可以在接收上传的样本数据后,在界面中显示出样本数据的概况信息,以便于用户了解。
步骤303:接收预览样本数据的预览指令。
步骤304:显示样本数据。
例如,以样本数据为图像数据为例,如图6所示,接收预览指令后,在界面中显示上传的样本数据,以便于用户了解。其中,用户可以选择分类分布查看,也可以选择图片预览查看,图6示出的是图片预览查看。故此,用户可以看到各分类下的图像。
步骤305:接收对训练集和测试集中各自包括的样本数量的设置指令。
步骤306:根据设置指令,对所述样本数据进行分组,获得训练集和测试集。
例如,如图7所示,数据集下两个列表表示划分后得到的训练集和测试集。
步骤307:接收对预先构建的至少一个深度学习模型的选择指令。
例如,如图8所示,从界面提供的深度学习模型中选择一个。
步骤308:接收对训练参数进行设定的设定指令,训练参数中包括迭代次数。
例如,如图9所示的界面,可以使用自动选择,使用提供的默认的训练参数,也可以通过手动选择,用户自己设置训练参数,手动设置参数的界面,例如如图10所示(图10示出了使用卷积神经网络时,可手动设置的训练参数)。
步骤309:根据训练集,设定指令中包括的训练参数,对选择的深度学习模型进行训练,获得训练后的深度学习模型,并在对选择的深度学习模型进行训练的过程中,根据测试集确定每次迭代后得到的训练后的深度学习模型的评估效果,并显示评估效果;评估效果中包括以下中的至少一种:模型精度、损失、混淆矩阵。
例如,如图11所示,为显示评估效果的界面示意图。
步骤310:接收上传的待预测数据。
例如,如图12所示,可以通过界面中提供的“预测”按钮,上传待预测数据。如果界面是通过浏览器显示的,则可以在选择“预测”按钮之后,进一步进入如图13所示的界面,上传待预测数据。
步骤311:接收对至少一个训练后的深度学习模型的模型选择指令。
步骤312:接收对所述待预测数据进行预测的预测指令。
步骤313:根据选择的训练后的深度学习模型对所述待预测数据进行预测,并显示预测结果。
如图14所示为显示预测结果的界面。
综上,本发明实施例中,用户只需要通过界面操作,即可实现深度学习模型的训练和预测,相对于现有技术,深度学习方法更加普遍适用。
实施例四
基于相同的发明构思,本发明实施例还提供一种深度学习的实现装置,如图15所示,为该装置的结构示意图,包括:
数据接收模块1501,用于接收上传的样本数据;所述样本数据中包括至少一个样本;
划分模块1502,用于对所述样本数据进行分组获得分组结果,所述分组结果中至少包括训练集,所述训练集中包括第一预设数量的样本;
选择指令接收模块1503,用于接收对预先构建的至少一个深度学习模型的选择指令;
设定指令接收模块1504,用于接收对训练参数进行设定的设定指令;
训练模块1505,用于根据训练集,设定指令中包括的训练参数,对选择的深度学习模型进行训练,获得训练后的深度学习模型。
其中,在一个实施例中,分组结果中还包括测试集,所述测试集中包括第二预设数量的样本;训练参数中包括迭代次数,装置还包括:
评估效果显示模块,用于在对选择的深度学习模型进行训练的过程中,根据测试集确定每次迭代后得到的训练后的深度学习模型的评估效果,并显示评估效果;评估效果中包括以下中的至少一种:模型精度、损失、混淆矩阵。
其中,在一个实施例中,划分模块具体包括:
设置指令接收单元,用于接收对训练集和测试集中各自包括的样本数量的设置指令;
划分单元,用于根据所述设置指令,对所述样本数据进行分组,获得所述训练集和所述测试集。
其中,在一个实施例中,装置还包括:
概况信息显示模块,用于数据接收模块接收上传的样本数据之后,显示样本数据的概况信息,概况信息中包括以下信息中的至少一种:样本数量、样本分类数量、样本数据所在文件的文件名、样本数据的数据量、上传样本数据的时间、样本数据的数据类型、样本数据可用的深度学习模型。
其中,在一个实施例中,装置还包括:
预览指令接收模块,用于数据接收模块接收上传的样本数据之后,接收预览样本数据的预览指令;
样本数据显示模块,用于显示所述样本数据。
在本发明实施例提供的深度学习的实现装置,由于使用者只需要通过交互操作即可实现深度学习模型的训练,故而,使用者无需具有编程基础,使得深度学习模型的训练操作简便,使深度学习更能普及。
实施例五
基于相同的发明构思,本发明实施例还提供一种深度学习的实现装置,如图16所示,为该装置的结构示意图,包括:
待预测数据接收模块1601,用于接收上传的待预测数据;
选择模块1602,用于接收对至少一个训练后的深度学习模型的模型选择指令
预测指令接收模块1603,用于接收对所述待预测数据进行预测的预测指令;
预测处理模块1604,用于根据选择的训练后的深度学习模型对所述待预测数据进行预测,并显示预测结果。
本发明实施例提供的装置,用户无需编程,只需要通过简单的交互操作即可通过预先训练好的深度学习模型进行预测,相对于现有技术操作简单。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、装置(装置)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、嵌入式处理机或其他可编程数据处理装置的处理器以产生一个机器,使得通过计算机或其他可编程数据处理装置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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理装置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多个流程和/或方框图一个方框或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他可编程数据处理装置上,使得在计算机或其他可编程装置上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程装置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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种深度学习的实现方法,其特征在于,包括:
接收上传的样本数据;所述样本数据中包括至少一个样本;
对所述样本数据进行分组获得分组结果,所述分组结果中至少包括训练集,所述训练集中包括第一预设数量的样本;
接收对预先构建的至少一个深度学习模型的选择指令;以及,
接收对训练参数进行设定的设定指令;
根据所述训练集,所述设定指令中包括的训练参数,对选择的深度学习模型进行训练,获得训练后的深度学习模型。
2.根据权利要求1所述的方法,其特征在于,所述分组结果中还包括测试集,所述测试集中包括第二预设数量的样本;所述训练参数中包括迭代次数,所述方法还包括:
在对选择的深度学习模型进行训练的过程中,根据所述测试集确定每次迭代后得到的训练后的深度学习模型的评估效果,并显示所述评估效果;所述评估效果中包括以下中的至少一种:模型精度、损失、混淆矩阵。
3.根据权利要求2所述的方法,其特征在于,对所述样本数据进行分组获得分组结果,具体包括:
接收对所述训练集和所述测试集中各自包括的样本数量的设置指令;
根据所述设置指令,对所述样本数据进行分组,获得所述训练集和所述测试集。
4.根据权利要求1所述的方法,其特征在于,所述接收上传的样本数据之后,所述方法还包括:
显示所述样本数据的概况信息,所述概况信息中包括以下信息中的至少一种:样本数量、样本分类数量、样本数据所在文件的文件名、样本数据的数据量、上传样本数据的时间、样本数据的数据类型、样本数据可用的深度学习模型。
5.根据权利要求1所述的方法,其特征在于,所述接收上传的样本数据之后,所述方法还包括:
接收预览所述样本数据的预览指令;
显示所述样本数据。
6.一种深度学习的实现方法,其特征在于,所述方法包括:
接收上传的待预测数据;以及,
接收对至少一个训练后的深度学习模型的模型选择指令;
接收对所述待预测数据进行预测的预测指令;
根据选择的训练后的深度学习模型对所述待预测数据进行预测,并显示预测结果。
7.一种深度学习的实现装置,其特征在于,包括:
数据接收模块,用于接收上传的样本数据;所述样本数据中包括至少一个样本;
划分模块,用于对所述样本数据进行分组获得分组结果,所述分组结果中至少包括训练集,所述训练集中包括第一预设数量的样本;
选择指令接收模块,用于接收对预先构建的至少一个深度学习模型的选择指令;
设定指令接收模块,用于接收对训练参数进行设定的设定指令;
训练模块,用于根据所述训练集,所述设定指令中包括的训练参数,对选择的深度学习模型进行训练,获得训练后的深度学习模型。
8.根据权利要求7所述的装置,其特征在于,所述分组结果中还包括测试集,所述测试集中包括第二预设数量的样本;所述训练参数中包括迭代次数,所述装置还包括:
评估效果显示模块,用于在对选择的深度学习模型进行训练的过程中,根据所述测试集确定每次迭代后得到的训练后的深度学习模型的评估效果,并显示所述评估效果;所述评估效果中包括以下中的至少一种:模型精度、损失、混淆矩阵。
9.根据权利要求8所述的装置,其特征在于,划分模块具体包括:
设置指令接收单元,用于接收对所述训练集和所述测试集中各自包括的样本数量的设置指令;
划分单元,用于根据所述设置指令,对所述样本数据进行分组,获得所述训练集和所述测试集。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括:
概况信息显示模块,用于所述数据接收模块接收上传的样本数据之后,显示所述样本数据的概况信息,所述概况信息中包括以下信息中的至少一种:样本数量、样本分类数量、样本数据所在文件的文件名、样本数据的数据量、上传样本数据的时间、样本数据的数据类型、样本数据可用的深度学习模型。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括:
预览指令接收模块,用于所述数据接收模块接收上传的样本数据之后,接收预览所述样本数据的预览指令;
样本数据显示模块,用于显示所述样本数据。
12.一种深度学习的实现装置,其特征在于,所述装置包括:
待预测数据接收模块,用于接收上传的待预测数据;
选择模块,用于接收对至少一个训练后的深度学习模型的模型选择指令
预测指令接收模块,用于接收对所述待预测数据进行预测的预测指令;
预测处理模块,用于根据选择的训练后的深度学习模型对所述待预测数据进行预测,并显示预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610110053.8A CN105808500A (zh) | 2016-02-26 | 2016-02-26 | 深度学习的实现方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610110053.8A CN105808500A (zh) | 2016-02-26 | 2016-02-26 | 深度学习的实现方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105808500A true CN105808500A (zh) | 2016-07-27 |
Family
ID=56466061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610110053.8A Pending CN105808500A (zh) | 2016-02-26 | 2016-02-26 | 深度学习的实现方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105808500A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107885762A (zh) * | 2017-09-19 | 2018-04-06 | 北京百度网讯科技有限公司 | 智能大数据系统、提供智能大数据服务的方法和设备 |
CN107944564A (zh) * | 2017-10-13 | 2018-04-20 | 北京百度网讯科技有限公司 | 深度学习作业处理方法、装置、设备及存储介质 |
CN108260229A (zh) * | 2017-12-31 | 2018-07-06 | 武汉兴火源科技有限责任公司 | 智能网关 |
CN108416363A (zh) * | 2018-01-30 | 2018-08-17 | 平安科技(深圳)有限公司 | 机器学习模型的生成方法、装置、计算机设备及存储介质 |
CN109409738A (zh) * | 2018-10-25 | 2019-03-01 | 平安科技(深圳)有限公司 | 基于区块链平台进行深度学习的方法、电子装置 |
CN109800884A (zh) * | 2017-11-14 | 2019-05-24 | 阿里巴巴集团控股有限公司 | 模型参数的处理方法、装置、设备和计算机存储介质 |
CN109901401A (zh) * | 2019-04-02 | 2019-06-18 | 敖江昵 | 一种地面定向系统控制方法及装置 |
CN110533181A (zh) * | 2019-07-25 | 2019-12-03 | 深圳市康拓普信息技术有限公司 | 一种深度学习模型的快速训练方法及系统 |
CN110554995A (zh) * | 2019-08-13 | 2019-12-10 | 武汉中海庭数据技术有限公司 | 一种深度学习模型的管理方法及系统 |
WO2020168843A1 (zh) * | 2019-02-22 | 2020-08-27 | 阿里巴巴集团控股有限公司 | 一种基于扰动样本的模型训练方法和装置 |
CN115430347A (zh) * | 2022-07-14 | 2022-12-06 | 上海荣美农业科技有限公司 | 控制器、搅拌设备、控制方法及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090228412A1 (en) * | 2008-03-07 | 2009-09-10 | Kddi Corporation | Re-learning method for support vector machine |
CN101782976A (zh) * | 2010-01-15 | 2010-07-21 | 南京邮电大学 | 一种云计算环境下机器学习自动选择方法 |
CN105205531A (zh) * | 2014-06-30 | 2015-12-30 | 国家电网公司 | 一种基于机器学习的反窃电预测方法及装置 |
-
2016
- 2016-02-26 CN CN201610110053.8A patent/CN105808500A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090228412A1 (en) * | 2008-03-07 | 2009-09-10 | Kddi Corporation | Re-learning method for support vector machine |
CN101782976A (zh) * | 2010-01-15 | 2010-07-21 | 南京邮电大学 | 一种云计算环境下机器学习自动选择方法 |
CN105205531A (zh) * | 2014-06-30 | 2015-12-30 | 国家电网公司 | 一种基于机器学习的反窃电预测方法及装置 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107885762B (zh) * | 2017-09-19 | 2021-06-11 | 北京百度网讯科技有限公司 | 智能大数据系统、提供智能大数据服务的方法和设备 |
CN107885762A (zh) * | 2017-09-19 | 2018-04-06 | 北京百度网讯科技有限公司 | 智能大数据系统、提供智能大数据服务的方法和设备 |
US11315034B2 (en) | 2017-09-19 | 2022-04-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Intelligent big data system, and method and apparatus for providing intelligent big data service |
CN107944564A (zh) * | 2017-10-13 | 2018-04-20 | 北京百度网讯科技有限公司 | 深度学习作业处理方法、装置、设备及存储介质 |
US11055602B2 (en) | 2017-10-13 | 2021-07-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Deep learning assignment processing method and apparatus, device and storage medium |
CN109800884B (zh) * | 2017-11-14 | 2023-05-26 | 阿里巴巴集团控股有限公司 | 模型参数的处理方法、装置、设备和计算机存储介质 |
CN109800884A (zh) * | 2017-11-14 | 2019-05-24 | 阿里巴巴集团控股有限公司 | 模型参数的处理方法、装置、设备和计算机存储介质 |
CN108260229A (zh) * | 2017-12-31 | 2018-07-06 | 武汉兴火源科技有限责任公司 | 智能网关 |
CN108416363A (zh) * | 2018-01-30 | 2018-08-17 | 平安科技(深圳)有限公司 | 机器学习模型的生成方法、装置、计算机设备及存储介质 |
CN109409738A (zh) * | 2018-10-25 | 2019-03-01 | 平安科技(深圳)有限公司 | 基于区块链平台进行深度学习的方法、电子装置 |
WO2020168843A1 (zh) * | 2019-02-22 | 2020-08-27 | 阿里巴巴集团控股有限公司 | 一种基于扰动样本的模型训练方法和装置 |
CN109901401B (zh) * | 2019-04-02 | 2022-04-05 | 北京中晟高科能源科技有限公司 | 一种地面定向系统控制方法及装置 |
CN109901401A (zh) * | 2019-04-02 | 2019-06-18 | 敖江昵 | 一种地面定向系统控制方法及装置 |
CN110533181A (zh) * | 2019-07-25 | 2019-12-03 | 深圳市康拓普信息技术有限公司 | 一种深度学习模型的快速训练方法及系统 |
CN110533181B (zh) * | 2019-07-25 | 2023-07-18 | 南方电网数字平台科技(广东)有限公司 | 一种深度学习模型的快速训练方法及系统 |
CN110554995A (zh) * | 2019-08-13 | 2019-12-10 | 武汉中海庭数据技术有限公司 | 一种深度学习模型的管理方法及系统 |
CN115430347A (zh) * | 2022-07-14 | 2022-12-06 | 上海荣美农业科技有限公司 | 控制器、搅拌设备、控制方法及计算机可读存储介质 |
CN115430347B (zh) * | 2022-07-14 | 2024-04-19 | 上海荣美农业科技有限公司 | 控制器、搅拌设备、控制方法及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105808500A (zh) | 深度学习的实现方法、装置 | |
JP2019533257A (ja) | ニューラルアーキテクチャ検索 | |
CN109598332A (zh) | 神经网络生成方法及装置、电子设备和存储介质 | |
CN109711548A (zh) | 超参数的选取方法、使用方法、装置及电子设备 | |
CN106354701A (zh) | 汉字处理方法和装置 | |
CN109190754A (zh) | 量化模型生成方法、装置和电子设备 | |
CN110084271A (zh) | 一种图片类别的识别方法和装置 | |
CN109409533A (zh) | 一种机器学习模型的生成方法、装置、设备及存储介质 | |
JP6943062B2 (ja) | 機械学習集団行列因子分解フレームワークを使った作業者適性の予測 | |
CN108595497A (zh) | 数据筛选方法、装置及终端 | |
CN108874383A (zh) | 图形编程方法及编程系统 | |
CN107506367A (zh) | 确定应用展示内容的方法、装置及服务器 | |
CN112395777A (zh) | 基于汽车尾气排放模拟环境的发动机标定参数寻优方法 | |
CN107194489A (zh) | 数据预测方法及装置 | |
CN104636143A (zh) | 一种用于c语言教学的电子展示装置及其控制方法 | |
CN104268084A (zh) | 一种在线程序评测系统中用户排名的实现方法及系统 | |
Werner et al. | Cloud-based remote virtual prototyping platform for embedded control applications: Cloud-based infrastructure for large-scale embedded hardware-related programming laboratories | |
CN105825447A (zh) | 专利创造性快评系统及其快评方法 | |
CN107135402A (zh) | 一种识别电视台图标的方法及装置 | |
Kim et al. | Project based courses in control cyber physical system co-design | |
CN110471394A (zh) | 任务测试方法及装置、系统、存储介质和处理器 | |
CN110163580A (zh) | 多任务vr培训场景的创建方法、vr培训系统以及存储介质 | |
CN113407806B (zh) | 网络结构搜索方法、装置、设备及计算机可读存储介质 | |
Yuan et al. | Flexible sliced Latin hypercube designs with slices of different sizes | |
CN112434817B (zh) | 构建通信算法数据库的方法、装置和计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160727 |