CN107633219A - 一体化光学字符识别方法和系统 - Google Patents
一体化光学字符识别方法和系统 Download PDFInfo
- Publication number
- CN107633219A CN107633219A CN201710811919.2A CN201710811919A CN107633219A CN 107633219 A CN107633219 A CN 107633219A CN 201710811919 A CN201710811919 A CN 201710811919A CN 107633219 A CN107633219 A CN 107633219A
- Authority
- CN
- China
- Prior art keywords
- user
- optical character
- training
- character identification
- model
- 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
Landscapes
- Character Discrimination (AREA)
Abstract
本申请公开了一体化光学字符识别方法和系统。该方法的一具体实施方式包括:接收用户的终端发送的一体化光学字符识别服务获取请求,一体化光学字符识别服务获取请求包括:用户选取的属于用户的与光学字符识别相关的模型的标识、用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作;分布式地对用户选取的属于用户的与光学字符识别相关的模型执行用户选取的操作,得到操作结果,以及存储操作结果。实现了用户无需购买硬件和搭建软件环境的情况下,利用服务器提供的满足各种与光学字符识别相关的需求的硬件资源和搭建的软件环境完成模型的训练、光学字符识别应用的开发等操作,节省了开发成本和提升了便利性。
Description
技术领域
本申请涉及计算机领域,具体涉及计算机视觉领域,尤其涉及一体化光学字符识别方法和系统。
背景技术
光学字符识别技术是被广泛应用的人工智能技术。目前,在开发光学字符识别应用时,通常使用光学字符识别开发框架进行开发。
然而,由于使用光学字符识别开发框架的用户需要进行采购执行光学字符识别模型的训练计算的硬件资源、需要自行搭建模型训练所需的环境,导致时间成本和人力成本高、开发过程繁琐。
发明内容
本申请提供了一体化光学字符识别方法和系统,用于解决上述背景技术部分存在的技术问题。
第一方面,本申请提供了一体化光学字符识别方法,该方法包括:接收用户的终端发送的一体化光学字符识别服务获取请求,一体化光学字符识别服务获取请求包括:用户选取的属于用户的与光学字符识别相关的模型的标识、用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作;分布式地对用户选取的属于用户的与光学字符识别相关的模型执行用户选取的操作,得到操作结果,以及存储操作结果。
第二方面,本申请提供了一体化光学字符识别系统,该系统包括:接收单元,配置用于接收用户的终端发送的一体化光学字符识别服务获取请求,一体化光学字符识别服务获取请求包括:用户选取的属于用户的与光学字符识别相关的模型的标识、用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作;处理单元,配置用于分布式地对用户选取的属于用户的与光学字符识别相关的模型执行用户选取的操作,得到操作结果,以及存储操作结果。
本申请提供的一体化光学字符识别方法和系统,通过接收用户的终端发送的一体化光学字符识别服务获取请求,一体化光学字符识别服务获取请求包括:用户选取的属于用户的与光学字符识别相关的模型的标识、用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作;分布式地对用户选取的属于用户的与光学字符识别相关的模型执行用户选取的操作,得到操作结果,以及存储操作结果。实现了用户无需购买硬件和搭建软件环境的情况下,利用服务器提供的满足各种与光学字符识别相关的需求的硬件资源和搭建的软件环境完成模型的训练、光学字符识别应用的开发等操作,节省了开发成本和提升了使用光学字符识别服务的便利性。
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示出了可以应用于本申请的一体化光学字符识别方法或系统的示例性系统架构;
图2示出了根据本申请的一体化光学字符识别方法的一个实施例的流程图;
图3示出了适用于本申请的一体化光学字符识别方法的一个示例性架构图;
图4示出了根据本申请的一体化光学字符识别系统的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的服务器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示出了可以应用于本申请的一体化光学字符识别方法或系统的示例性系统架构。
如图1所示,系统架构可以包括终端101、102、103,网络104和服务器105。网络104用以在终端101、102、103和服务器105之间提供传输链路的介质。网络104可以包括各种连接类型,例如有线、无线传输链路或者光纤电缆等等。
终端101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端101、102、103可以是具有显示屏并且支持网络通信的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。
服务器105可以向用户提供满足各种与光学字符识别相关的需求的一体化光学字符识别服务。一体化光学字符识别服务包括向用户提供光学字符识别模型的训练、光学字符识别应用的开发所需的硬件资源和软件环境。
终端101、102、103可以安装使用服务器105提供的一体化光学字符识别服务的客户端。终端设备101、102、103可以向服务器105发送光学字符识别服务请求。
请参考图2,其示出了根据本申请的一体化光学字符识别方法的一个实施例的流程。本申请实施例所提供的一体化光学字符识别方法可以由服务器(例如图1中的服务器105执行)。该方法包括以下步骤:
步骤201,接收用户的终端发送的一体化光学字符识别服务获取请求。
在本实施例中,可以由向用户提供一体化光学字符识别服务的服务器接收用户的终端发送的一体化光学字符识别服务获取请求。当用户需要使用光学字符识别服务时,可以由用户的终端向服务器发送一体化光学字符识别服务获取请求。
一体化光学字符识别服务获取请求可以包括但不限于包括:用户选取的属于用户的与光学字符识别相关的模型的标识、用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作。与光学字符识别相关的模型的类型可以包括但不限于:CNN(Convolutional Neural Network,卷积神经网络)模型、DNN(Deep Neural Network)模型、RESNET(deep Residual Network,深度残差网络)模型、HOG(Histogram of OrientedGradient,方向梯度直方图)模型等模型。
在本实施例中,用户选取的属于用户的与光学字符识别相关的模型可以为用户使用一体化光学字符识别服务训练过的对应于该用户的与光学字符识别相关的模型,也可以为用户第一次使用一体化光学字符识别服务对其进行训练的模型。用户可以从该用户使用一体化光学字符识别服务训练过的对应于该用户的与光学字符识别相关的多个模型中,选取出与光学字符识别相关的模型,再次进行训练或预测。
在本实施例中,在用户需要使用光学字符识别服务服务时,可以首先进行登陆操作。例如,用户的终端可以向服务器发送页面获取请求,服务器向用户的终端返回光学字符识别服务服务的登陆页面。用户可以首先在光学字符识别服务服务的登陆页面上输入用户的账号和密码进行登陆,在登陆成功后,服务器可以向用户发送一体化光学字符识别服务的页面。一体化光学字符识别服务服务的页面包括用户使用一体化光学字符识别服务训练过的属于该用户的与光学字符识别相关的模型、CNN模型、DNN模型、HOG等类型对应的创建按钮、训练数据集对应的按钮。用户可以点击CNN模型、DNN模型、HOG等类型模型对应的创建按钮,创建属于该用户的与光学字符识别相关的模型,将创建的属于该用户的与光学字符识别相关的模型作为用户选取的属于用户的与光学字符识别相关的模型。
训练数据集可以包括但不限于:汉字数据集、英文字母数据集、数字数据集、科学计算符号数据集、常用符号数据集。
在本实施例中,可以由用户的终端向服务器发送远程登陆请求,在通过服务器的校验之后,实现用户的远程登陆,用户可以在终端输入指令调用服务器的程序。
步骤202,分布式地对用户选取的属于用户的与光学字符识别相关的模型执行用户选取的操作,得到操作结果,以及存储操作结果。
在本实施例中,在通过步骤201接收用户的终端发送的一体化光学字符识别服务获取请求之后,可以分布式地对用户选取的属于用户的与光学字符识别相关的模型执行用户选取的训练操作、预测操作等操作,得到训练结果、预测结果等操作结果,以及存储操作结果。
在本实施例的一些可选的实现方式中,当用户使用一体化光学字符识别服务对用户选取出的属于该用户的与光学字符识别相关的模型进行训练操作时,则用户从候选操作中选取的操作为训练操作,服务器接收到的一体化光学字符识别服务还包括:用户选取的训练数据集的标识,服务器在接收到一体化光学字符识别服务之后,可以从分布式文件系统读取用户选取的训练数据集的标识对应的训练数据集和用户选取的属于该用户的与光学字符识别相关的模型对应的当前的训练程序。然后,可以分布式地利用该当前的训练程序基于用户选取出的训练数据集对用户选取的属于该用户的与光学字符识别相关的模型执行训练操作,得到训练后的用户选取的属于用户的与光学字符识别相关的模型和模型参数,可以将训练后的用户选取的属于该用户的与光学字符识别相关的模型和模型参数存储在分布式文件系统中。
当用户使用一体化光学字符识别服务利用用户选取出的属于该用户的与光学字符识别相关的模型进行预测操作时,则用户从候选操作中选取的操作为预测操作,服务器在接收到一体化光学字符识别服务之后,可以从分布式文件系统读取用户选取的属于该用户的与光学字符识别相关的模型的当前的预测程序。然后,可以分布式地利用该当前的预测程序对待预测数据集执行预测操作,得到预测结果,将预测结果存储在分布式文件系统中。
服务器可以预先分别存储利用模型开发框架开发出与光学字符识别相关的模型的训练程序和预测程序。开发框架可以包括但不限于:Caffe、TensorFlow、OpenCV、Tesseract-OCR。可以预先分别利用Caffe、TensorFlow、OpenCV、Tesseract-OCR等开发框架分别开发出与光学字符识别相关的CNN模型、DNN模型、RESNET模型、HOG模型等类型的模型的训练程序和预测程序。
在本实施例的一些可选的实现方式中,可以分别将每一个与光学字符识别的相关的操作封装为API(Application Programming Interface,应用程序编程接口)。从而,用户可以基于每一个与光学字符识别的相关的操作对应的API开发光学字符识别应用。与光学字符识别的相关的操作可以包括但不限于:与光学字符识别的应用场景相关的操作、调用训练后的与光学字符识别相关的操作。
可以由用户的终端向服务器发送远程登陆请求,在通过服务器的校验之后,实现用户的远程登陆,在进行远程登陆之后,用户可以在终端输入指令调用服务器的集成开发环境,该集成开发环境会在终端呈现给用户。由于用户进行了远程登陆,服务器可以获取用户在集成开发环境中输入的代码。用户可以在集成开发环境中输入基于与光学字符识别的相关的操作对应的API编写的光学字符识别应用的代码,从而,服务器可以获取用户编写的光学字符识别应用的代码,建立光学字符识别应用与该用户的用户标识的对应关系,直接在服务器上开发出光学字符识别应用。
在开发出光学字符识别应用之后,可以在服务器上运行,测试光学字符识别应用的运行效果。在通过测试之后,可以利用光学字符识别应用进行光学字符识别。可以通过语义识别过滤功能智能修改光学字符识别应用在识别过程中识别错误的内容,使得光学字符识别应用的识别结果符合常规的语法语义。
在本实施例的一些可选的实现方式中,可以获取用户编写的属于该用户的与光学字符识别相关的模型的训练程序和预测程序的代码;将该训练程序和预测程序作为该属于该用户的与光学字符识别相关的模型的当前的训练程序和预测程序。
可以由用户的终端向服务器发送远程登陆请求,在通过服务器的校验之后,实现用户的远程登陆,在进行远程登陆之后,用户可以在终端输入指令调用服务器的集成开发环境,该集成开发环境会在终端呈现给用户。由于用户进行了远程登陆,服务器可以获取用户在集成开发环境中输入的代码。用户可以在集成开发环境中输入属于该用户的与光学字符识别相关的模型的训练程序和预测程序的代码。服务器可以获取用户编写的属于该用户的与光学字符识别相关的模型的训练程序和预测程序的代码;将训练程序和预测程序作为该属于该用户的与光学字符识别相关的模型的当前的训练程序和预测程序。从而,在服务器直接完成对属于该用户的与光学字符识别相关的模型的优化。
在本实施例的一些可选的实现方式中,当用户需要下载属于该用户的与光学字符识别相关的模型时,可以接收用户的终端发送的模型下载请求,模型下载请求包括:属于该用户的与光学字符识别相关的模型的标识,可以将该属于该用户的与光学字符识别相关的模型发送至终端。
请参考图3,其示出了适用于本申请的一体化光学字符识别方法的一个示例性架构图。
在图3中,示出了资源层、分布式处理层、框架层、模型层、应用层。
资源层:包括提供CPU计算资源的服务器CPUServer、提供GPU计算的GPUServer等硬件资源和GPU驱动、科学计算库Numpy、scikit-learn、Pandas等软件资源。
分布式处理层:包含模型的分布式存储、任务调度和分布式计算。实现了基于HDFS(Hadoop分布式文件系统)的训练数据集、预测数据集、模型参数的分布式存储。能够直接访问分布式文件系统上传、下载样本数据集和训练的结果集、训练模型等。基于Yarn实现任务调度,使得分布于不同服务器的GPU资源同时在master节点上执行模型的训练程序预测程序。
框架层:包括OpenCV框架、深度学习框架TensorFlow框架、Caffe框架、RESNET模型、HOG模型。
模型层:包括与光学字符识别相关的CNN模型、DNN模型、RESNET模型、HOG模型。
应用层:包括预先分别利用Caffe、TensorFlow、OpenCV、Tesseract-OCR等开发框架分别开发出与光学字符识别相关的CNN模型、DNN模型、RESNET模型、HOG模型等模型的训练程序和预测程序。
请参考图4,作为对上述各图所示方法的实现,本申请提供了一种一体化光学字符识别系统的一个实施例,该系统实施例与图2所示的方法实施例相对应,该系统具体可以应用于各种电子设备中。
如图4所示,本实施例的一体化光学字符识别系统包括:接收单元401,处理单元402。其中,接收单元401配置用于接收用户的终端发送的一体化光学字符识别服务获取请求,一体化光学字符识别服务获取请求包括:用户选取的属于用户的与光学字符识别相关的模型的标识、用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作;处理单元402配置用于分布式地对用户选取的属于用户的与光学字符识别相关的模型执行用户选取的操作,得到操作结果,以及存储操作结果。
在本实施例的一些可选的实现方式中,处理单元402包括:训练子单元,配置用于当用户从候选操作中选取的操作为训练操作以及一体化光学字符识别服务获取请求还包括用户选取的训练数据集的标识时,从分布式文件系统读取用户选取的训练数据集的标识对应的训练数据集和用户选取的属于用户的与光学字符识别相关的模型对应的当前的训练程序;分布式地利用当前的训练程序基于训练数据集对用户选取的属于用户的与光学字符识别相关的模型执行训练操作,得到训练后的用户选取的属于用户的与光学字符识别相关的模型和模型参数;将训练后的用户选取的属于用户的与光学字符识别相关的模型和模型参数存储在分布式文件系统中。
在本实施例的一些可选的实现方式中,处理单元402包括:预测子单元,配置用于当用户从候选操作中选取的操作为预测操作时,从分布式文件系统读取用户选取的属于用户的与光学字符识别相关的模型的当前的预测程序;分布式地利用当前的预测程序对待预测数据集执行预测操作,得到预测结果;将预测结果存储在分布式文件系统中。
在本实施例的一些可选的实现方式中,一体化光学字符识别系统还包括:封装单元,配置用于分别将每一个与光学字符识别的相关的操作封装为应用程序编程接口。
在本实施例的一些可选的实现方式中,一体化光学字符识别系统还包括:开发单元,配置用于获取用户基于应用程序编程接口编写的光学字符识别应用的代码;建立光学字符识别应用与用户的用户标识的对应关系。
在本实施例的一些可选的实现方式中,一体化光学字符识别系统还包括:优化单元,配置用于获取用户编写的属于用户的与光学字符识别相关的模型的训练程序和预测程序的代码;将该训练程序和预测程序作为属于用户的与光学字符识别相关的模型的当前的训练程序和预测程序。
在本实施例的一些可选的实现方式中,一体化光学字符识别系统还包括:下载单元,配置用于接收用户的终端发送的模型下载请求,模型下载请求包括:用户选取的属于用户的与光学字符识别相关的模型的标识;将该用户选取的属于用户的与光学字符识别相关的模型发送至终端。
图5示出了适于用来实现本申请实施例的服务器的计算机系统的结构示意图。图5示出的服务器仅仅是一个示例,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5所示,计算机系统包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有计算机系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:输入部分506;输出部分507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510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508。
特别地,本申请的实施例中描述的过程可以被实现为计算机程序。例如,本申请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,该计算机程序包括用于执行流程图所示的方法的指令。该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。
本申请还提供了一种服务器,该服务器可以配置有一个或多个处理器;存储器,用于存储一个或多个程序,一个或多个程序中可以包含用以执行上述实施例中的步骤201-202中描述的操作的指令。当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述实施例中的步骤201-202中描述的操作。
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服务器中所包括的;也可以是单独存在,未装配入服务器中。上述计算机可读介质承载有一个或者多个程序,当一个或者多个程序被服务器执行时,使得服务器:接收用户的终端发送的一体化光学字符识别服务获取请求,一体化光学字符识别服务获取请求包括:用户选取的属于用户的与光学字符识别相关的模型的标识、用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作;分布式地对用户选取的属于用户的与光学字符识别相关的模型执行用户选取的操作,得到操作结果,以及存储操作结果。
需要说明的是,本申请所述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包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,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、系统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、系统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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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,处理单元。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“用于接收用户的终端发送的一体化光学字符识别服务获取请求的单元”。
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所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 (12)
1.一种一体化光学字符识别方法,其特征在于,所述方法包括:
接收用户的终端发送的一体化光学字符识别服务获取请求,所述一体化光学字符识别服务获取请求包括:用户选取的属于所述用户的与光学字符识别相关的模型的标识、用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作;
分布式地对用户选取的属于所述用户的与光学字符识别相关的模型执行用户选取的操作,得到操作结果,以及存储所述操作结果。
2.根据权利要求1所述的方法,其特征在于,用户从候选操作中选取的操作为训练操作,所述一体化光学字符识别服务获取请求还包括:用户选取的训练数据集的标识;以及
分布式地对用户选取的属于所述用户的与光学字符识别相关的模型执行用户选取的操作包括:
从分布式文件系统读取所述用户选取的训练数据集的标识对应的训练数据集和所述用户选取的属于所述用户的与光学字符识别相关的模型对应的当前的训练程序;
分布式地利用所述当前的训练程序基于所述训练数据集对用户选取的属于所述用户的与光学字符识别相关的模型执行训练操作,得到训练后的用户选取的属于所述用户的与光学字符识别相关的模型和模型参数;
将训练后的用户选取的属于所述用户的与光学字符识别相关的模型和模型参数存储在分布式文件系统中。
3.根据权利要求1所述的方法,其特征在于,用户从候选操作中选取的操作为预测操作;以及
分布式地对用户选取的属于所述用户的与光学字符识别相关的模型执行用户选取的操作包括:
从分布式文件系统读取用户选取的属于所述用户的与光学字符识别相关的模型的当前的预测程序;
分布式地利用所述当前的预测程序对待预测数据集执行预测操作,得到预测结果;
将所述预测结果存储在分布式文件系统中。
4.根据权利要求1-3之一所述的方法,其特征在于,所述方法还包括:
分别将每一个与光学字符识别的相关的操作封装为应用程序编程接口。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取用户基于所述应用程序编程接口编写的光学字符识别应用的代码;
建立所述光学字符识别应用与所述用户的用户标识的对应关系。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取用户编写的属于所述用户的与光学字符识别相关的模型的训练程序和预测程序的代码;
将所述训练程序和预测程序作为所述属于所述用户的与光学字符识别相关的模型的当前的训练程序和预测程序。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
接收用户的终端发送的模型下载请求,所述模型下载请求包括:用户选取的属于所述用户的与光学字符识别相关的模型的标识;
将所述模型发送至终端。
8.一种一体化光学字符识别系统,其特征在于,所述系统包括:
接收单元,配置用于接收用户的终端发送的一体化光学字符识别服务获取请求,所述一体化光学字符识别服务获取请求包括:用户选取的属于所述用户的与光学字符识别相关的模型的标识、用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作;
处理单元,配置用于分布式地对用户选取的属于所述用户的与光学字符识别相关的模型执行用户选取的操作,得到操作结果,以及存储所述操作结果。
9.根据权利要求8所述的系统,其特征在于,处理单元包括:
训练子单元,配置用于当用户从候选操作中选取的操作为训练操作以及一体化光学字符识别服务获取请求还包括用户选取的训练数据集的标识时,从分布式文件系统读取所述用户选取的训练数据集的标识对应的训练数据集和所述用户选取的属于所述用户的与光学字符识别相关的模型对应的当前的训练程序;分布式地利用所述当前的训练程序基于所述训练数据集对用户选取的属于所述用户的与光学字符识别相关的模型执行训练操作,得到训练后的用户选取的属于所述用户的与光学字符识别相关的模型和模型参数;将训练后的用户选取的属于所述用户的与光学字符识别相关的模型和模型参数存储在分布式文件系统中。
10.根据权利要求8所述的系统,其特征在于,处理单元包括:
预测子单元,配置用于当用户从候选操作中选取的操作为预测操作时,从分布式文件系统读取用户选取的属于所述用户的与光学字符识别相关的模型的当前的预测程序;分布式地利用所述当前的预测程序对待预测数据集执行预测操作,得到预测结果;将所述预测结果存储在分布式文件系统中。
11.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器,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时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
12.一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,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811919.2A CN107633219A (zh) | 2017-09-11 | 2017-09-11 | 一体化光学字符识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811919.2A CN107633219A (zh) | 2017-09-11 | 2017-09-11 | 一体化光学字符识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107633219A true CN107633219A (zh) | 2018-01-26 |
Family
ID=61101041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710811919.2A Pending CN107633219A (zh) | 2017-09-11 | 2017-09-11 | 一体化光学字符识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633219A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488094A (zh) * | 2020-12-18 | 2021-03-12 | 北京字节跳动网络技术有限公司 | 光学字符识别方法、装置和电子设备 |
WO2021203918A1 (zh) * | 2020-04-08 | 2021-10-14 | 北京字节跳动网络技术有限公司 | 用于处理模型参数的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116754A (zh) * | 2013-01-24 | 2013-05-22 | 浙江大学 | 基于识别模型的批量图像分割方法及系统 |
CN104732226A (zh) * | 2015-03-31 | 2015-06-24 | 浪潮集团有限公司 | 一种字符识别方法和装置 |
US20160148115A1 (en) * | 2014-11-26 | 2016-05-26 | Microsoft Technology Licensing | Easy deployment of machine learning models |
-
2017
- 2017-09-11 CN CN201710811919.2A patent/CN107633219A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116754A (zh) * | 2013-01-24 | 2013-05-22 | 浙江大学 | 基于识别模型的批量图像分割方法及系统 |
US20160148115A1 (en) * | 2014-11-26 | 2016-05-26 | Microsoft Technology Licensing | Easy deployment of machine learning models |
CN104732226A (zh) * | 2015-03-31 | 2015-06-24 | 浪潮集团有限公司 | 一种字符识别方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021203918A1 (zh) * | 2020-04-08 | 2021-10-14 | 北京字节跳动网络技术有限公司 | 用于处理模型参数的方法和装置 |
US11809429B2 (en) | 2020-04-08 | 2023-11-07 | Beijing Bytedance Network Technology Co., Ltd. | Method for processing model parameters, and apparatus |
CN112488094A (zh) * | 2020-12-18 | 2021-03-12 | 北京字节跳动网络技术有限公司 | 光学字符识别方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516090A (zh) | 一体化人脸识别方法和系统 | |
CN107766940B (zh) | 用于生成模型的方法和装置 | |
US11783227B2 (en) | Method, apparatus, device and readable medium for transfer learning in machine learning | |
CN107168952A (zh) | 基于人工智能的信息生成方法和装置 | |
CN105849691B (zh) | 用于代码虚拟化和远程进程调用生成的方法和装置 | |
CN107919129A (zh) | 用于控制页面的方法和装置 | |
CN107908789A (zh) | 用于生成信息的方法和装置 | |
CN107273503A (zh) | 用于生成同语言平行文本的方法和装置 | |
CN108734293A (zh) | 任务管理系统、方法和装置 | |
CN107145395B (zh) | 用于处理任务的方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
JP6402408B2 (ja) | タグ処理方法及びタグ処理装置 | |
CN111523324B (zh) | 命名实体识别模型的训练方法及装置 | |
US11423307B2 (en) | Taxonomy construction via graph-based cross-domain knowledge transfer | |
CN107731229A (zh) | 用于识别语音的方法和装置 | |
CN108182472A (zh) | 用于生成信息的方法和装置 | |
CN111340220A (zh) | 用于训练预测模型的方法和装置 | |
Chen et al. | Network traffic prediction based on LSTM networks with genetic algorithm | |
CN115757725A (zh) | 问答处理方法、装置、计算机设备及存储介质 | |
CN115512360A (zh) | 文本识别方法、装置、设备及存储介质 | |
CN107633219A (zh) | 一体化光学字符识别方法和系统 | |
CN110516422A (zh) | 用户身份的识别方法、装置、电子设备及存储介质 | |
CN107402878A (zh) | 测试方法和装置 | |
CN111651989B (zh) | 命名实体识别方法和装置、存储介质及电子装置 | |
CN111090740B (zh) | 一种用于对话系统的知识图谱生成方法 |
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 |