CN107330522A - 用于更新深度学习模型的方法、装置及系统 - Google Patents

用于更新深度学习模型的方法、装置及系统 Download PDF

Info

Publication number
CN107330522A
CN107330522A CN201710539433.8A CN201710539433A CN107330522A CN 107330522 A CN107330522 A CN 107330522A CN 201710539433 A CN201710539433 A CN 201710539433A CN 107330522 A CN107330522 A CN 107330522A
Authority
CN
China
Prior art keywords
training
deep learning
training data
learning model
mentioned
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
Application number
CN201710539433.8A
Other languages
English (en)
Other versions
CN107330522B (zh
Inventor
肖远昊
张发恩
周恺
王倩
刘昆
徐东泽
许天涵
孙家元
刘岚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710539433.8A priority Critical patent/CN107330522B/zh
Publication of CN107330522A publication Critical patent/CN107330522A/zh
Priority to US16/026,828 priority patent/US20190012575A1/en
Application granted granted Critical
Publication of CN107330522B publication Critical patent/CN107330522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请公开了用于更新深度学习模型的方法、装置及系统。该方法的一具体实施方式包括：接收用户端发送的新训练数据集，其中，该新训练数据集是该用户端在预设路径下检测到的；基于该新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型；将该预置深度学习模型更新为该预测模型，以使该预测模型用于在线执行数据预测操作。该实施方式实现了与用户的训练数据集的对接，提高了深度学习模型的更新效率。

Description

用于更新深度学习模型的方法、装置及系统
技术领域
本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于更新深度学习模型的方法、装置及系统。
背景技术
目前，深度学习模型需要根据训练数据集的更新不断地进行训练，得出更精确的预测模型，通过使用该预测模型对该深度学习模型进行更新，以使该预测模型用于在线执行数据预测操作。
然而，现有的对深度学习模型进行训练所使用的训练数据集通常不是用户提供的训练数据集，无法对接用户的训练数据集。并且对深度学习模型进行更新的流程通常是用户手动触发的，深度学习模型的更新效率通常较低。
发明内容
本申请的目的在于提出一种改进的用于更新深度学习模型的方法、装置及系统，来解决以上背景技术部分提到的技术问题。
第一方面，本申请实施例提供了一种用于更新深度学习模型的方法，该方法包括：接收用户端发送的新训练数据集，其中，上述新训练数据集是上述用户端在预设路径下检测到的；利用深度学习方法，基于上述新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型；将上述预置深度学习模型更新为上述预测模型，以使上述预测模型用于在线执行数据预测操作。
在一些实施例中，上述利用深度学习方法，基于上述新训练数据集对预置深度学习模型进行训练，包括：从上述新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集；基于上述第一训练数据集中的各个第一训练数据对上述预置深度学习模型进行训练。
在一些实施例中，在上述生成第一训练数据集之后，上述方法还包括：将上述第一训练数据集中的各个第一训练数据存放至目标训练数据集中，其中，上述目标训练数据集是预设的训练数据集，每次对上述预置深度学习模型进行训练时是从上述目标训练数据集中获取相应的训练数据。
在一些实施例中，上述从上述新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集，包括：执行预置MapReduce作业或预置Spark作业从上述新训练数据集中选取出满足上述预设条件的训练数据并生成上述第一训练数据集。
在一些实施例中，上述基于上述第一训练数据集中的各个第一训练数据对上述预置深度学习模型进行训练，包括：从上述第一训练数据集中的每个第一训练数据中提取出特征信息和预估结果；基于提取出的特征信息和与上述提取出的特征信息对应的预估结果对上述预置深度学习模型进行训练。
在一些实施例中，上述用户端上预先安装有数据监控工具，上述新训练数据集是上述用户端利用上述数据监控工具对上述预设路径下的训练数据集进行周期性地检测所检测出的，上述数据监控工具是上述用户端所归属的用户安装到上述用户端上的，上述用户端在所安装的上述数据监控工具被启动且上述用户发出训练数据同步指令后，周期性地检测上述预设路径下是否有新训练数据集。
第二方面，本申请提供了一种用于更新深度学习模型的装置，该装置包括：接收单元，配置用于接收用户端发送的新训练数据集，其中，上述新训练数据集是上述用户端在预设路径下检测到的；训练单元，配置用于基于上述新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型；更新单元，配置用于将上述预置深度学习模型更新为上述预测模型，以使上述预测模型用于在线执行数据预测操作。
在一些实施例中，上述训练单元包括：生成子单元，配置用于从上述新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集；训练子单元，配置用于基于上述第一训练数据集中的各个第一训练数据对上述预置深度学习模型进行训练。
在一些实施例中，上述装置还包括：存储子单元，配置用于将上述第一训练数据集中的各个第一训练数据存放至目标训练数据集中，其中，上述目标训练数据集是预设的训练数据集，每次对上述预置深度学习模型进行训练时是从上述目标训练数据集中获取相应的训练数据。
在一些实施例中，上述生成子单元进一步配置用于：执行预置MapReduce作业或预置Spark作业从上述新训练数据集中选取出满足上述预设条件的训练数据并生成上述第一训练数据集。
在一些实施例中，上述训练子单元包括：提取模块，配置用于从上述第一训练数据集中的每个第一训练数据中提取出特征信息和预估结果；训练模块，配置用于基于提取出的特征信息和与上述提取出的特征信息对应的预估结果对上述预置深度学习模型进行训练。
在一些实施例中，上述用户端上预先安装有数据监控工具，上述新训练数据集是上述用户端利用上述数据监控工具对上述预设路径下的训练数据集进行周期性地检测所检测出的，上述数据监控工具是上述用户端所归属的用户安装到上述用户端上的，上述用户端在所安装的上述数据监控工具被启动且上述用户发出训练数据同步指令后，周期性地检测上述预设路径下是否有新训练数据集。
第三方面，本申请实施例提供了一种用于更新深度学习模型的系统，该系统包括：服务端和用户端；上述用户端，用于周期性地检测预设路径下是否有新训练数据集，若是，则将上述新训练数据集发送至上述服务端；上述服务端，用于利用深度学习方法，基于上述新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型，并将上述预置深度学习模型更新为上述预测模型，以使上述预测模型用于在线执行数据预测操作。
在一些实施例中，上述利用深度学习方法，基于上述新训练数据集对预置深度学习模型进行训练，包括：从上述新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集；基于上述第一训练数据集中的各个第一训练数据对上述预置深度学习模型进行训练。
在一些实施例中，在上述生成第一训练数据集之后，上述服务端还配置用于：将上述第一训练数据集中的各个第一训练数据存放至目标训练数据集中，其中，上述目标训练数据集是预设的训练数据集，上述服务端每次对上述预置深度学习模型进行训练时是从上述目标训练数据集中获取相应的训练数据。
在一些实施例中，上述从上述新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集，包括：执行预置MapReduce作业或预置Spark作业从上述新训练数据集中选取出满足上述预设条件的训练数据并生成上述第一训练数据集。
在一些实施例中，基于上述第一训练数据集中的各个第一训练数据对上述预置深度学习模型进行训练，包括：从上述第一训练数据集中的每个第一训练数据中提取出特征信息和预估结果；基于提取出的特征信息和与上述提取出的特征信息对应的预估结果对上述预置深度学习模型进行训练。
在一些实施例中，上述用户端上预先安装有数据监控工具，上述新训练数据集是上述用户端利用上述数据监控工具对上述预设路径下的训练数据集进行周期性地检测所检测出的，上述数据监控工具是上述用户端所归属的用户安装到上述用户端上的，上述用户端在所安装的上述数据监控工具被启动且上述用户发出训练数据同步指令后，周期性地检测上述预设路径下是否有新训练数据集。
第四方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第五方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于更新深度学习模型的方法和装置，通过接收用户端发送的新训练数据集，以便基于该新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型；然后通过将该预置深度学习模型更新为该预测模型，以使该预测模型用于在线执行数据预测操作。从而有效利用了对用户端发送的新训练数据集的接收，实现了与用户的训练数据集的对接。在接收到该新训练数据集后，自动地基于该新训练数据集对预置深度学习模型进行训练、更新，可以实现深度学习模型更新的实时性，提高了深度学习模型的更新效率。
本申请实施例提供的用于更新深度学习模型的系统，通过用户端周期性地检测预设路径下是否有新训练数据集，以便将检测到的新训练数据集发送至服务端。通过该服务端利用深度学习方法，基于接收到的新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型，以便将该预置深度学习模型更新为该预测模型，以使该预测模型用于在线执行数据预测操作。从而有效利用了服务端对用户端发送的新训练数据集的接收，实现了与用户的训练数据集的对接。服务端在接收到新训练数据集后，自动地基于该新训练数据集对预置深度学习模型进行训练、更新，可以实现深度学习模型更新的实时性，提高了深度学习模型的更新效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于更新深度学习模型的方法的一个实施例的流程图；
图3是根据本申请的用于更新深度学习模型的方法的一个应用场景的示意图；
图4是根据本申请的用于更新深度学习模型的方法的又一个实施例的流程图；
图5是根据本申请的用于更新深度学习模型的装置的一个实施例的结构示意图；
图6是根据本申请的用于更新深度学习模型的系统的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于更新深度学习模型的方法或用于更新深度学习模型的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括用户端101，网络102和服务端103。网络102用以在用户端101和服务端103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户端101可以是提供各种服务的服务器，例如用于存放用户的训练数据集的服务器。用户端101还可以周期性地检测是否接收到新训练数据集，并将检测到的新训练数据集发送至服务端103。
服务端103可以是提供各种服务的服务器，例如从用户端101接收新训练数据集，并对该新训练数据集进行处理等。
需要说明的是，本申请实施例所提供的用于更新深度学习模型的方法一般由服务端103执行，相应地，用于更新深度学习模型的装置一般设置于服务端103中。
应该理解，图1中的用户端、网络和服务端的数目仅仅是示意性的。根据实现需要，可以具有任意数目的用户端、网络和服务端。
继续参考图2，示出了根据本申请的用于更新深度学习模型的方法的一个实施例的流程200。该用于更新深度学习模型的方法，包括以下步骤：
步骤201，接收用户端发送的新训练数据集。
在本实施例中，用于更新深度学习模型的方法运行于其上的电子设备(例如图1所示的服务端103)可以通过有线连接方式或无线连接方式接收用户端(例如图1所示的用户端101)发送的新训练数据集(例如未曾用于模型训练的训练数据集)。其中，该新训练数据集可以是该用户端在预设路径下检测到的。该预设路径可以是该用户端所归属的用户预先在该用户端上创建的、用于存放该用户的训练数据集的路径。该用户端可以用于周期性地(例如每隔6小时或一天等)检测该预设路径下是否有新训练数据集。
步骤202，利用深度学习方法，基于新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型。
在本实施例中，上述电子设备在接收到上述用户端发送的新训练数据集后，上述电子设备可以利用深度学习方法，基于该新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型。这里，深度学习(Deep Learning)是机器学习的分支，它是试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。另外，该预置深度学习模型可以是上述用户预先创建的深度学习模型。深度学习模型通常需要根据训练数据集的更新不断地进行训练，得出更精确的预测模型。需要说明的是，上述用户可以预先上传利用深度学习方法所编写的模型训练代码至上述电子设备，上述电子设备可以通过运行该模型训练代码，以基于该新训练数据集对该预置深度学习模型进行训练得到经训练后的预测模型。
步骤203，将预置深度学习模型更新为预测模型，以使预测模型用于在线执行数据预测操作。
在本实施例中，上述电子设备在得到经训练后的预测模型后，上述电子设备可以将上述预置深度学习模型更新为该预测模型，以使该预测模型用于在线执行数据预测操作。例如，上述电子设备可以接收预测数据集，对该预测数据集中的预测数据进行特征信息提取，将提取出的特征信息输入该预测模型以得到预测结果(例如该特征信息所对应的预测数据的类别等)。
在本实施例的一些可选的实现方式中，上述电子设备在将该预置深度学习模型更新为该预测模型前，上述电子设备可以对该预置深度学习模型进行保存，以便于以后有使用需求时可以获取到该预置深度学习模型。
在本实施例的一些可选的实现方式中，上述电子设备可以基于上述新训练数据集中的每个训练数据对该预置深度学习模型进行训练。若上述电子设备是基于上述新训练数据集中的每个训练数据对该预置深度学习模型进行训练时，上述电子设备可以在接收到上述新训练数据集时，将上述新训练数据集中的每个训练数据存放至目标训练数据集。其中，该目标训练数据集可以是预设的训练数据集(例如可以是上述用户预先通过客户端在上述服务端上创建的训练数据集)，上述电子设备每次对该预置深度学习模型进行训练时可以从该目标训练数据集中获取相应的训练数据。
在本实施例的一些可选的实现方式中，上述用户端上可以预先安装有数据监控工具，上述电子设备所接收到的新训练数据集可以是上述用户端利用该数据监控工具对上述预设路径下的训练数据进行周期性地检测所检测出的。这里，该数据监控工具可以是上述用户安装到上述用户端上的。上述用户端可以在所安装的数据监控工具被启动且上述用户发出训练数据同步指令(即向上述电子设备发出该训练数据同步指令)后，周期性地检测上述预设路径下是否有新训练数据集。需要说明的是，上述电子设备可以向上述用户提供上述数据监控工具，上述用户可以从上述电子设备下载上述数据监控工具并将所下载的数据监控工具安装到上述用户端。
继续参见图3，图3是根据本实施例的用于更新深度学习模型的方法的应用场景的一个示意图。在图3的应用场景中，用户A可以预先通过客户端在服务端上创建深度学习模型B以用于执行在线数据预测操作。用户A还可以预先在其所有的用户端上创建用于存放训练数据集的路径例如“D:\训练数据集”，以便用户A可以不断地往路径“D:\训练数据集”下存放新的训练数据集，其中，路径“D:\训练数据集”下的训练数据集用于对深度学习模型B进行训练。用户A还可以在上述用户端上设置用于周期性地检测路径“D:\训练数据集”下是否有新训练数据集的、拥有软硬件资源的线程C。这里，当上述用户端利用线程C检测到路径“D:\训练数据集”下有新训练数据集时，如标号301所示，上述用户端可以将该新训练数据集发送给上述服务端。然后，如标号302所示，上述服务端可以利用深度学习方法，基于该新训练数据集对深度学习模型B进行训练得到经训练后的预测模型D。最后，如标号303所示，上述服务端可以将深度学习模型B更新为预测模型D，以使预测模型D用于执行在线数据预测操作。
本申请的上述实施例提供的方法通过对用户端发送的新训练数据集的接收，实现了与用户的训练数据集的对接。在接收到该新训练数据集后，自动地基于该新训练数据集对预置深度学习模型进行训练、更新，可以实现深度学习模型更新的实时性，提高了深度学习模型的更新效率。
进一步参考图4，其示出了用于更新深度学习模型的方法的又一个实施例的流程400。该用于更新深度学习模型的方法的流程400，包括以下步骤：
步骤401，接收用户端发送的新训练数据集。
在本实施例中，用于更新深度学习模型的方法运行于其上的电子设备(例如图1所示的服务端103)可以通过有线连接方式或无线连接方式接收用户端(例如图1所示的用户端101)发送的新训练数据集(例如未曾用于模型训练的训练数据集)。其中，该新训练数据集可以是该用户端在预设路径下检测到的。该预设路径可以是该用户端所归属的用户预先在该用户端上创建的、用于存放该用户的训练数据集的路径。该用户端可以用于周期性地(例如每隔6小时或一天等)检测该预设路径下是否有新训练数据集。
步骤402，从新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集。
在本实施例中，上述电子设备在接收到上述用户端发送的新训练数据集后，上述电子设备可以从该新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集。这里，该新训练数据集中的至少部分训练数据可以包括特征信息和预估结果。该预设条件可以例如为不包括预估结果或特征信息。需要说明的是，该预设条件可以是上述用户预先设置的，本实施例不对此方面内容做任何限定。
步骤403，基于第一训练数据集中的各个第一训练数据对预置深度学习模型进行训练得到经训练后的预测模型。
在本实施例中，上述电子设备在生成上述第一训练数据集后，上述电子设备可以基于上述第一训练数据集中的各个第一训练数据对预置深度学习模型进行训练得到经训练后的预测模型。作为示例，上述电子设备可以先从上述第一训练数据集中的每个第一训练数据中提取出特征信息和预估结果，然后基于提取出的特征信息和与该特征信息对应的预估结果对该预置深度学习模型进行训练。例如将该特征信息作为该预置深度学习模型的输入，将该特征信息所对应的预估结果作为该预置深度学习模型的输出，以实现对该预置深度学习模型的训练。
步骤404，将预置深度学习模型更新为预测模型，以使预测模型用于在线执行数据预测操作。
在本实施例中，上述电子设备在得到经训练后的预测模型后，上述电子设备可以将上述预置深度学习模型更新为该预测模型，以使该预测模型用于在线执行数据预测操作。
在本实施例的一些可选的实现方式中，上述电子设备在生成上述第一训练数据集后，上述电子设备可以将上述第一训练数据集中的各个第一训练数据存放至目标训练数据集。其中，该目标训练数据集可以是预设的训练数据集(例如上述用户预先通过客户端在上述电子设备上创建的训练数据集)，上述电子设备每次对上述预置深度学习模型进行训练时可以从该目标训练数据集中获取相应的训练数据。
在本实施例的一些可选的实现方式中，上述电子设备还可以执行预置MapReduce作业或预置Spark作业从上述新训练数据集中选取出满足上述预设条件的训练数据并生成上述第一训练数据集。其中，该预置MapReduce作业或预置Spark作业可以是上述用户预先提交至上述电子设备的作业。需要说明的是，MapReduce是一种编程模型，通常用于大规模数据集的并行运算。概念“Map(映射)”和“Reduce(归约)”，和它们的主要思想，通常是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。Spark是一个为速度和通用目标设计的集群计算平台。从速度的角度看，Spark从流行的MapReduce模型继承而来，可以更有效地支持多种类型的计算，如交互式查询和流处理等。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于更新深度学习模型的方法的流程400突出了对第一训练数据集的生成步骤以及基于该第一训练数据集中的各个第一训练数据对预置深度学习模型进行训练的步骤，由此本实施例描述的方案可以获得真正训练所需的训练数据，从而可以提高对深度学习模型的训练效率，进而可以提高经训练后的预测模型的预测准确度。由于不是基于所接收的新训练数据集中的所有训练数据对预置深度学习模型进行训练，因此可以节约训练时间，可以进一步提高深度学习模型的更新效率。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于更新深度学习模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所示的用于更新深度学习模型的装置500包括：接收单元501、训练单元502和更新单元503。其中，接收单元501配置用于接收用户端发送的新训练数据集，其中，该新训练数据集是该用户端在预设路径下检测到的；训练单元502配置用于基于该新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型；而更新单元503配置用于将该预置深度学习模型更新为该预测模型，以使该预测模型用于在线执行数据预测操作。
在本实施例中，用于更新深度学习模型的装置500中：接收单元501、训练单元502和更新单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，训练单元502可以包括：生成子单元(图中未示出)，配置用于从上述新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集；训练子单元(图中未示出)，配置用于基于上述第一训练数据集中的各个第一训练数据对上述预置深度学习模型进行训练。
在本实施例的一些可选的实现方式中，上述装置500还可以包括：存储子单元(图中未示出)，配置用于将上述第一训练数据集中的各个第一训练数据存放至目标训练数据集中，其中，上述目标训练数据集是预设的训练数据集，每次对上述预置深度学习模型进行训练时是从上述目标训练数据集中获取相应的训练数据。
在本实施例的一些可选的实现方式中，上述生成子单元可以进一步配置用于：执行预置MapReduce作业或预置Spark作业从上述新训练数据集中选取出满足上述预设条件的训练数据并生成上述第一训练数据集。
在本实施例的一些可选的实现方式中，上述训练子单元可以包括：提取模块(图中未示出)，配置用于从上述第一训练数据集中的每个第一训练数据中提取出特征信息和预估结果；训练模块(图中未示出)，配置用于基于提取出的特征信息和与上述提取出的特征信息对应的预估结果对上述预置深度学习模型进行训练。
在本实施例的一些可选的实现方式中，上述用户端上可以预先安装有数据监控工具，上述新训练数据集可以是上述用户端利用上述数据监控工具对上述预设路径下的训练数据集进行周期性地检测所检测出的，上述数据监控工具可以是上述用户端所归属的用户安装到上述用户端上的，上述用户端可以在所安装的上述数据监控工具被启动且上述用户发出训练数据同步指令后，周期性地检测上述预设路径下是否有新训练数据集。
本申请的上述实施例提供的装置通过对用户端发送的新训练数据集的接收，实现了与用户的训练数据集的对接。在接收到该新训练数据集后，自动地基于该新训练数据集对预置深度学习模型进行训练、更新，可以实现深度学习模型更新的实时性，提高了深度学习模型的更新效率。
进一步参考图6，示出了根据本申请的用于更新深度学习模型的系统的一个实施例的时序图。
本实施例的用于更新深度学习模型的系统可以包括：服务端和用户端；上述用户端，用于周期性地检测预设路径下是否有新训练数据集，若是，则将上述新训练数据集发送至上述服务端；上述服务端，用于利用深度学习方法，基于上述新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型，并将上述预置深度学习模型更新为上述预测模型，以使上述预测模型用于在线执行数据预测操作。
如图6所示，在步骤601中，用户端周期性地检测预设路径下是否有新训练数据集。
在本实施例中，用户端(例如图1所示的用户端101)可以周期性地(例如每隔6小时或一天等)检测预设路径下是否有新训练数据集(例如未曾用于模型训练的训练数据集)。其中，该预设路径可以是该用户端所归属的用户预先在该用户端上创建的、用于存放该用户的训练数据集的路径。
在步骤602中，响应于检测到预设路径下有新训练数据集，用户端将检测到的新训练数据集发送至服务端。
在本实施例中，响应于上述用户端检测到上述预设路径下有新训练数据集，上述用户端可以通过有线连接方式或者无线连接方式将检测到的新训练数据集发送至上述服务端。
在步骤603中，服务端利用深度学习方法，基于接收到的新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型。
在步骤604中，服务端将预置深度学习模型更新为预测模型，以使预测模型用于在线执行数据预测操作。
在本实施例中，对于步骤603和步骤604的解释说明可分别参考图2所示实施例中的步骤202和步骤203中的相关描述，在此不再赘述。
本申请的上述实施例提供的系统通过服务端接收用户端发送的新训练数据集，可以实现与用户的训练数据集的对接。服务端在接收到该新训练数据集后，自动地基于该新训练数据集对预置深度学习模型进行训练、更新，可以实现深度学习模型更新的实时性，提高了深度学习模型的更新效率。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、训练单元和更新单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收用户端发送的新训练数据集的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备包括：接收用户端发送的新训练数据集，其中，上述新训练数据集是上述用户端在预设路径下检测到的；利用深度学习方法，基于上述新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型；将上述预置深度学习模型更新为上述预测模型，以使上述预测模型用于在线执行数据预测操作。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (15)

1.一种用于更新深度学习模型的方法，其特征在于，所述方法包括：
接收用户端发送的新训练数据集，其中，所述新训练数据集是所述用户端在预设路径下检测到的；
利用深度学习方法，基于所述新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型；
将所述预置深度学习模型更新为所述预测模型，以使所述预测模型用于在线执行数据预测操作。
2.根据权利要求1所述的方法，其特征在于，所述利用深度学习方法，基于所述新训练数据集对预置深度学习模型进行训练，包括：
从所述新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集；
基于所述第一训练数据集中的各个第一训练数据对所述预置深度学习模型进行训练。
3.根据权利要求2所述的方法，其特征在于，在所述生成第一训练数据集之后，所述方法还包括：
将所述第一训练数据集中的各个第一训练数据存放至目标训练数据集中，其中，所述目标训练数据集是预设的训练数据集，每次对所述预置深度学习模型进行训练时是从所述目标训练数据集中获取相应的训练数据。
4.根据权利要求2所述的方法，其特征在于，所述从所述新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集，包括：
执行预置MapReduce作业或预置Spark作业从所述新训练数据集中选取出满足所述预设条件的训练数据并生成所述第一训练数据集。
5.根据权利要求2所述的方法，其特征在于，所述基于所述第一训练数据集中的各个第一训练数据对所述预置深度学习模型进行训练，包括：
从所述第一训练数据集中的每个第一训练数据中提取出特征信息和预估结果；
基于提取出的特征信息和与所述提取出的特征信息对应的预估结果对所述预置深度学习模型进行训练。
6.根据权利要求1-5之一所述的方法，其特征在于，所述用户端上预先安装有数据监控工具，所述新训练数据集是所述用户端利用所述数据监控工具对所述预设路径下的训练数据集进行周期性地检测所检测出的，所述数据监控工具是所述用户端所归属的用户安装到所述用户端上的，所述用户端在所安装的所述数据监控工具被启动且所述用户发出训练数据同步指令后，周期性地检测所述预设路径下是否有新训练数据集。
7.一种用于更新深度学习模型的装置，其特征在于，所述装置包括：
接收单元，配置用于接收用户端发送的新训练数据集，其中，所述新训练数据集是所述用户端在预设路径下检测到的；
训练单元，配置用于基于所述新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型；
更新单元，配置用于将所述预置深度学习模型更新为所述预测模型，以使所述预测模型用于在线执行数据预测操作。
8.根据权利要求7所述的装置，其特征在于，所述训练单元包括：
生成子单元，配置用于从所述新训练数据集中选取出满足预设条件的训练数据，生成第一训练数据集；
训练子单元，配置用于基于所述第一训练数据集中的各个第一训练数据对所述预置深度学习模型进行训练。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
存储子单元，配置用于将所述第一训练数据集中的各个第一训练数据存放至目标训练数据集中，其中，所述目标训练数据集是预设的训练数据集，每次对所述预置深度学习模型进行训练时是从所述目标训练数据集中获取相应的训练数据。
10.根据权利要求8所述的装置，其特征在于，所述生成子单元进一步配置用于：
执行预置MapReduce作业或预置Spark作业从所述新训练数据集中选取出满足所述预设条件的训练数据并生成所述第一训练数据集。
11.根据权利要求8所述的装置，其特征在于，所述训练子单元包括：
提取模块，配置用于从所述第一训练数据集中的每个第一训练数据中提取出特征信息和预估结果；
训练模块，配置用于基于提取出的特征信息和与所述提取出的特征信息对应的预估结果对所述预置深度学习模型进行训练。
12.根据权利要求7-11之一所述的装置，其特征在于，所述用户端上预先安装有数据监控工具，所述新训练数据集是所述用户端利用所述数据监控工具对所述预设路径下的训练数据集进行周期性地检测所检测出的，所述数据监控工具是所述用户端所归属的用户安装到所述用户端上的，所述用户端在所安装的所述数据监控工具被启动且所述用户发出训练数据同步指令后，周期性地检测所述预设路径下是否有新训练数据集。
13.一种用于更新深度学习模型的系统，其特征在于，所述系统包括服务端和用户端；
所述用户端，用于周期性地检测预设路径下是否有新训练数据集，若是，则将所述新训练数据集发送至所述服务端；
所述服务端，用于利用深度学习方法，基于所述新训练数据集对预置深度学习模型进行训练得到经训练后的预测模型，并将所述预置深度学习模型更新为所述预测模型，以使所述预测模型用于在线执行数据预测操作。
14.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201710539433.8A 2017-07-04 2017-07-04 用于更新深度学习模型的方法、装置及系统 Active CN107330522B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710539433.8A CN107330522B (zh) 2017-07-04 2017-07-04 用于更新深度学习模型的方法、装置及系统
US16/026,828 US20190012575A1 (en) 2017-07-04 2018-07-03 Method, apparatus and system for updating deep learning model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710539433.8A CN107330522B (zh) 2017-07-04 2017-07-04 用于更新深度学习模型的方法、装置及系统

Publications (2)

Publication Number Publication Date
CN107330522A true CN107330522A (zh) 2017-11-07
CN107330522B CN107330522B (zh) 2021-06-08

Family

ID=60195901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710539433.8A Active CN107330522B (zh) 2017-07-04 2017-07-04 用于更新深度学习模型的方法、装置及系统

Country Status (2)

Country Link
US (1) US20190012575A1 (zh)
CN (1) CN107330522B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108224894A (zh) * 2018-01-08 2018-06-29 合肥美的智能科技有限公司 基于深度学习的食材新鲜度识别方法、装置、冰箱和介质
CN108231177A (zh) * 2017-12-28 2018-06-29 深圳开立生物医疗科技股份有限公司 一种辅助更新方法、系统及装置
CN108224895A (zh) * 2018-01-08 2018-06-29 合肥美的智能科技有限公司 基于深度学习的物品信息录入方法、装置、冰箱和介质
CN108447557A (zh) * 2018-02-08 2018-08-24 国政通科技股份有限公司 一种基于深度学习的医疗分析方法及装置
CN108764487A (zh) * 2018-05-29 2018-11-06 北京百度网讯科技有限公司 用于生成模型的方法和装置、用于识别信息的方法和装置
CN109242109A (zh) * 2018-07-06 2019-01-18 网宿科技股份有限公司 深度模型的管理方法及服务器
CN109492771A (zh) * 2018-11-12 2019-03-19 北京百度网讯科技有限公司 交互方法、装置和系统
CN109634736A (zh) * 2018-12-20 2019-04-16 郑州云海信息技术有限公司 深度学习系统中数据训练方法和装置
CN109993300A (zh) * 2017-12-29 2019-07-09 华为技术有限公司 一种神经网络模型的训练方法及装置
CN110019401A (zh) * 2017-12-25 2019-07-16 顺丰科技有限公司 件量预测方法、装置、设备及其存储介质
CN110188910A (zh) * 2018-07-10 2019-08-30 第四范式（北京）技术有限公司 利用机器学习模型提供在线预测服务的方法及系统
WO2019179408A1 (zh) * 2018-03-23 2019-09-26 新华三大数据技术有限公司 机器学习模型的构建
CN110766164A (zh) * 2018-07-10 2020-02-07 第四范式（北京）技术有限公司 用于执行机器学习过程的方法和系统
CN111325273A (zh) * 2020-02-19 2020-06-23 杭州涂鸦信息技术有限公司 一种基于用户自主标定的深度学习模型的建立方法及系统
CN111428886A (zh) * 2020-04-10 2020-07-17 青岛聚好联科技有限公司 一种故障诊断的深度学习模型自适应更新的方法及装置
CN111860852A (zh) * 2019-04-30 2020-10-30 百度时代网络技术（北京）有限公司 用于处理数据的方法、装置和系统
CN112005314A (zh) * 2018-04-13 2020-11-27 通用电气公司 用于训练成像系统的深度学习模型的系统和方法
CN112149836A (zh) * 2019-06-28 2020-12-29 杭州海康威视数字技术股份有限公司 一种机器学习程序更新方法、装置及设备

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10957099B2 (en) * 2018-11-16 2021-03-23 Honda Motor Co., Ltd. System and method for display of visual representations of vehicle associated information based on three dimensional model
US20200242511A1 (en) * 2019-01-30 2020-07-30 Oracle International Corporation Dynamic Data Selection for a Machine Learning Model
KR20210010284A (ko) 2019-07-18 2021-01-27 삼성전자주식회사 인공지능 모델의 개인화 방법 및 장치
CN112949670A (zh) * 2019-12-10 2021-06-11 京东数字科技控股有限公司 用于联邦学习模型的数据集切换方法和装置
CN111752703B (zh) * 2020-04-09 2024-03-19 杭州海康威视数字技术股份有限公司 用于神经网络训练和智能分析的处理资源配置方法和装置
CN111738404B (zh) * 2020-05-08 2024-01-12 深圳市万普拉斯科技有限公司 模型训练任务处理方法、装置、电子设备和存储介质
CN112036579B (zh) * 2020-09-04 2024-05-03 平安科技（深圳）有限公司 多分类模型自学习在线更新方法、系统及装置
CN117786485A (zh) * 2020-09-24 2024-03-29 杭州海康威视数字技术股份有限公司 一种自训练方法、系统、装置、电子设备及存储介质
CN114577481B (zh) * 2020-12-02 2024-01-12 新奥新智科技有限公司 燃气内燃机的污染指标监测方法及装置
CN115936091B (zh) * 2022-11-24 2024-03-08 北京百度网讯科技有限公司 深度学习模型的训练方法、装置、电子设备以及存储介质
CN116246749B (zh) * 2023-05-11 2023-07-21 西南医科大学附属医院 集成电子病历的内分泌病人个性化健康管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714262A (zh) * 2014-01-20 2014-04-09 华北电力大学 一种基于缓冲块时序设计的热工软测量模型更新方法
CN103777627A (zh) * 2014-01-24 2014-05-07 浙江大学 一种基于少量批次的批次过程在线监测方法
CN104699685A (zh) * 2013-12-04 2015-06-10 富士通株式会社 模型更新装置及方法、数据处理装置及方法、程序
US20150254572A1 (en) * 2014-03-07 2015-09-10 Microsoft Corporation Relevance-ordering of messages
CN105808500A (zh) * 2016-02-26 2016-07-27 山西牡丹深度智能科技有限公司 深度学习的实现方法、装置
CN106156809A (zh) * 2015-04-24 2016-11-23 阿里巴巴集团控股有限公司 用于更新分类模型的方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9087303B2 (en) * 2012-02-19 2015-07-21 International Business Machines Corporation Classification reliability prediction
US9390086B2 (en) * 2014-09-11 2016-07-12 Palantir Technologies Inc. Classification system with methodology for efficient verification
US10320824B2 (en) * 2015-01-22 2019-06-11 Cisco Technology, Inc. Anomaly detection using network traffic data
US20170169358A1 (en) * 2015-12-09 2017-06-15 Samsung Electronics Co., Ltd. In-storage computing apparatus and method for decentralized machine learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699685A (zh) * 2013-12-04 2015-06-10 富士通株式会社 模型更新装置及方法、数据处理装置及方法、程序
CN103714262A (zh) * 2014-01-20 2014-04-09 华北电力大学 一种基于缓冲块时序设计的热工软测量模型更新方法
CN103777627A (zh) * 2014-01-24 2014-05-07 浙江大学 一种基于少量批次的批次过程在线监测方法
US20150254572A1 (en) * 2014-03-07 2015-09-10 Microsoft Corporation Relevance-ordering of messages
CN106156809A (zh) * 2015-04-24 2016-11-23 阿里巴巴集团控股有限公司 用于更新分类模型的方法及装置
CN105808500A (zh) * 2016-02-26 2016-07-27 山西牡丹深度智能科技有限公司 深度学习的实现方法、装置

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019401B (zh) * 2017-12-25 2024-04-05 顺丰科技有限公司 件量预测方法、装置、设备及其存储介质
CN110019401A (zh) * 2017-12-25 2019-07-16 顺丰科技有限公司 件量预测方法、装置、设备及其存储介质
CN108231177A (zh) * 2017-12-28 2018-06-29 深圳开立生物医疗科技股份有限公司 一种辅助更新方法、系统及装置
WO2019128522A1 (zh) * 2017-12-28 2019-07-04 深圳开立生物医疗科技股份有限公司 一种辅助更新方法、系统及装置
CN109993300A (zh) * 2017-12-29 2019-07-09 华为技术有限公司 一种神经网络模型的训练方法及装置
US11966844B2 (en) 2017-12-29 2024-04-23 Huawei Technologies Co., Ltd. Method for training neural network model and apparatus
US11521012B2 (en) 2017-12-29 2022-12-06 Huawei Technologies Co., Ltd. Method for training neural network model and apparatus
CN109993300B (zh) * 2017-12-29 2021-01-29 华为技术有限公司 一种神经网络模型的训练方法及装置
CN108224894B (zh) * 2018-01-08 2020-04-28 合肥美的智能科技有限公司 基于深度学习的食材新鲜度识别方法、装置、冰箱和介质
CN108224895A (zh) * 2018-01-08 2018-06-29 合肥美的智能科技有限公司 基于深度学习的物品信息录入方法、装置、冰箱和介质
CN108224895B (zh) * 2018-01-08 2020-11-10 合肥美的智能科技有限公司 基于深度学习的物品信息录入方法、装置、冰箱和介质
CN108224894A (zh) * 2018-01-08 2018-06-29 合肥美的智能科技有限公司 基于深度学习的食材新鲜度识别方法、装置、冰箱和介质
CN108447557A (zh) * 2018-02-08 2018-08-24 国政通科技股份有限公司 一种基于深度学习的医疗分析方法及装置
WO2019179408A1 (zh) * 2018-03-23 2019-09-26 新华三大数据技术有限公司 机器学习模型的构建
CN112005314A (zh) * 2018-04-13 2020-11-27 通用电气公司 用于训练成像系统的深度学习模型的系统和方法
CN108764487A (zh) * 2018-05-29 2018-11-06 北京百度网讯科技有限公司 用于生成模型的方法和装置、用于识别信息的方法和装置
CN109242109A (zh) * 2018-07-06 2019-01-18 网宿科技股份有限公司 深度模型的管理方法及服务器
CN110188910A (zh) * 2018-07-10 2019-08-30 第四范式（北京）技术有限公司 利用机器学习模型提供在线预测服务的方法及系统
CN110766164A (zh) * 2018-07-10 2020-02-07 第四范式（北京）技术有限公司 用于执行机器学习过程的方法和系统
CN109492771A (zh) * 2018-11-12 2019-03-19 北京百度网讯科技有限公司 交互方法、装置和系统
CN109634736A (zh) * 2018-12-20 2019-04-16 郑州云海信息技术有限公司 深度学习系统中数据训练方法和装置
CN111860852A (zh) * 2019-04-30 2020-10-30 百度时代网络技术（北京）有限公司 用于处理数据的方法、装置和系统
CN112149836A (zh) * 2019-06-28 2020-12-29 杭州海康威视数字技术股份有限公司 一种机器学习程序更新方法、装置及设备
CN112149836B (zh) * 2019-06-28 2024-05-24 杭州海康威视数字技术股份有限公司 一种机器学习程序更新方法、装置及设备
CN111325273A (zh) * 2020-02-19 2020-06-23 杭州涂鸦信息技术有限公司 一种基于用户自主标定的深度学习模型的建立方法及系统
CN111428886B (zh) * 2020-04-10 2023-08-04 青岛聚好联科技有限公司 一种故障诊断的深度学习模型自适应更新的方法及装置
CN111428886A (zh) * 2020-04-10 2020-07-17 青岛聚好联科技有限公司 一种故障诊断的深度学习模型自适应更新的方法及装置

Also Published As

Publication number Publication date
CN107330522B (zh) 2021-06-08
US20190012575A1 (en) 2019-01-10

Similar Documents

Publication Publication Date Title
CN107330522A (zh) 用于更新深度学习模型的方法、装置及系统
CN107316083A (zh) 用于更新深度学习模型的方法和装置
CN109325541A (zh) 用于训练模型的方法和装置
CN107818293A (zh) 用于处理点云数据的方法和装置
CN108038469A (zh) 用于检测人体的方法和装置
CN107832305A (zh) 用于生成信息的方法和装置
CN110443222A (zh) 用于训练脸部关键点检测模型的方法和装置
CN108984399A (zh) 检测界面差异的方法、电子设备和计算机可读介质
CN112801298A (zh) 异常样本检测方法、装置、设备和存储介质
CN108831505A (zh) 用于识别应用的使用场景的方法和装置
CN109086780A (zh) 用于检测电极片毛刺的方法和装置
CN108256476A (zh) 用于识别果蔬的方法和装置
CN109857388A (zh) 代码生成方法、装置、服务器及计算机可读介质
CN109634833A (zh) 一种软件缺陷预测方法和装置
CN108960110A (zh) 用于生成信息的方法和装置
CN108171275A (zh) 用于识别花卉的方法和装置
CN109934242A (zh) 图片识别方法和装置
US10733537B2 (en) Ensemble based labeling
CN109558605A (zh) 用于翻译语句的方法和装置
CN110400029A (zh) 一种标注管理的方法和系统
CN107729469A (zh) 用户挖掘方法、装置、电子设备及计算机可读存储介质
CN109214501A (zh) 用于识别信息的方法和装置
CN109543068A (zh) 用于生成视频的评论信息的方法和装置
CN108171576A (zh) 订单处理方法、装置、电子设备及计算机可读存储介质
CN108121814A (zh) 搜索结果排序模型生成方法和装置

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