CN108108819A - 一种跨界大数据分析系统和方法 - Google Patents

一种跨界大数据分析系统和方法 Download PDF

Info

Publication number
CN108108819A
CN108108819A CN201711353314.XA CN201711353314A CN108108819A CN 108108819 A CN108108819 A CN 108108819A CN 201711353314 A CN201711353314 A CN 201711353314A CN 108108819 A CN108108819 A CN 108108819A
Authority
CN
China
Prior art keywords
operator
module
training
analysis
task
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
Application number
CN201711353314.XA
Other languages
English (en)
Inventor
龙明盛
王建民
裴忠
裴忠一
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201711353314.XA priority Critical patent/CN108108819A/zh
Publication of CN108108819A publication Critical patent/CN108108819A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种跨界大数据分析系统和方法，包括跨界算子模块、算子选择模块、算子训练模块和任务分析模块；跨界算子模块用于存储多个算子，算子选择模块用于接收算子需求信息，根据算子需求信息选择目标算子，算子训练模块用于通过训练样本训练目标算子，获得训练好的模型，任务分析模块用于通过训练好的模型对分析任务进行分析；该分析系统集成了跨界算子模块和算子选择模块，将大数据分析算子整合到跨界算子模块中，可根据用户输入的算子需求信息选择满足分析任务的要求的算子，并对算子进行训练，获得训练好的模型并完成分析任务，将用户从繁琐的算子选择中解脱出来。

Description

一种跨界大数据分析系统和方法
技术领域
本发明涉及数据分析技术领域，更具体地，涉及一种跨界大数据分析系统和方法。
背景技术
近年来，机器学习为大数据分析提供了强有力的支撑，基于机器学习模型的各类应用在图像识别、语音识别等领域发挥巨大价值。
目前，但大多基于机器学习模型的系统仅针对某一特定数据集进行分析，而机器学习是一门多领域交叉学科，机器学习模型多种多样，例如各种时空预测模型、各种模态分类模型以及各种领域分类模型等等，通常将未训练的机器学习模型称之为算子，对于一个数据分析任务，分析人员往往需要消耗大量的工作量来选择适当的算子以完成分析任务，因此如何将大数据分析算子整合起来，以统一的方式提供给分析人员使用，以减小分析人员对繁琐的算子选择的工作量，也是一个亟待解决的问题。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种跨界大数据分析系统和方法。
根据本发明的一个方面，提供一种跨界大数据分析系统，包括：跨界算子模块、算子选择模块、算子训练模块和任务分析模块；跨界算子模块连接至算子选择模块和算子训练模块，算子选择模块连接至算子训练模块，算子训练模块连接至任务分析模块；跨界算子模块，用于存储多个算子，多个算子包括支持跨时空预测的算子、支持跨模态分类的算子和支持跨领域分类的算子；算子选择模块，用于接收算子需求信息，根据算子需求信息在跨界算子模块中选择目标算子，目标算子适配于分析任务和训练样本；算子训练模块，用于获取目标算子，通过训练样本训练目标算子，以获得训练好的模型；任务分析模块，用于获取训练好的模型，通过训练好的模型对分析任务进行分析。
其中，算子训练模块包括自动优化子模块；自动优化子模块，用于根据分析任务的任务需求优化目标算子的超参数。
其中，算子训练模块还包括训练调度子模块和多个训练执行子模块；训练调度子模块，用于将训练任务分解为多个可同步执行的子训练任务，并将子训练任务分别分配给每一训练执行子模块，每一训练执行子模块执行被分配的子训练任务。
其中，算子训练模块还包括快速求解子模块；快速求解子模块，用于为每一训练执行子模块提供用于执行被分配的子训练任务的快速求解算法。
其中，算子训练模块还包括算子训练接口和模型保存接口；算子训练模块通过调用算子训练接口，以实现对目标算子进行训练；算子训练模块通过调用模型保存接口，以实现将训练好的模型保存到预设地址。
其中，任务分析模块包括模型载入接口和任务分析接口；任务分析模块通过调用模型载入接口，以实现根据预设地址获取训练好的模型；任务分析模块通过调用任务分析接口，以实现对分析任务进行分析。
其中，分析系统还包括数据输入模块；数据输入模块，用于接收用户终端发送的分析任务和训练样本，并将训练样本发送至算子训练模块，将分析任务发送至任务分析模块。
其中，分析系统还包括数据输出模块；数据输出模块，用于接收任务分析模块的分析结果，将分析结果发送至用户终端。
本发明的另一方面，提供一种跨界大数据分析方法，包括：接收算子需求信息；根据算子需求信息选择目标算子，目标算子适配于分析任务和训练样本；通过训练样本训练目标算子，获取训练好的模型；通过训练好的模型对分析任务进行分析。
其中，通过训练样本训练目标算子，包括：将训练任务分解为多个可同步执行的子训练任务，并同步执行子训练任务，训练任务为训练目标算子的计算任务。
本发明提供的一种跨界大数据分析系统和方法，包括跨界算子模块、算子选择模块、算子训练模块和任务分析模块；跨界算子模块用于存储多个算子，算子选择模块用于接收算子需求信息，根据算子需求信息选择目标算子，算子训练模块用于通过训练样本训练目标算子，获得训练好的模型，任务分析模块用于通过训练好的模型对分析任务进行分析；该分析系统集成了跨界算子模块和算子选择模块，将大数据分析算子整合到跨界算子模块中，可根据用户输入的算子需求信息选择满足分析任务的要求的算子，并对算子进行训练，获得训练好的模型并完成分析任务，将用户从繁琐的算子选择中解脱出来。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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为根据本发明实施例的跨界大数据分析系统的示意图；
图2为根据本发明实施例的跨界大数据分析方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的一个实施例中，参考图1，提供一种跨界大数据分析系统，包括：跨界算子模块11、算子选择模块12、算子训练模块13和任务分析模块14；跨界算子模块11连接至算子选择模块12和算子训练模块13，算子选择模块12连接至算子训练模块13，算子训练模块13连接至任务分析模块14；跨界算子模块11，用于存储多个算子，多个算子包括支持跨时空预测的算子、支持跨模态分类的算子和支持跨领域分类的算子；算子选择模块12，用于接收算子需求信息，根据算子需求信息在跨界算子模块11中选择目标算子，目标算子适配于分析任务和训练样本；算子训练模块13，用于获取目标算子，通过训练样本训练目标算子，以获得训练好的模型；任务分析模块14，用于获取训练好的模型，通过训练好的模型对分析任务进行分析。
具体的，通常将未训练的机器学习模型称之为算子，针对算子多种多样的特点，将各种算子集中存储在本实施的分析系统的一个模块中，将该模块作为分析系统的跨界算子模块11，分析系统的其它模块需要使用某一算子时，可以随时从跨界算子模块11中获取；分析系统还包括算子选择模块12，算子选择模块12与跨界算子模块11连接，算子选择模块12接收算子需求信息，根据算子需求信息在跨界算子模块11中选择适配于分析任务和训练样本的目标算子，并生成选择信息，发送至算子训练模块13；可以由用户输入对算子选择的要求，从用户终端得到算子需求信息；或者基于分析任务的属性以及训练样本的属性，并基于知识库中的决策树以及实际的训练和测试来确定算子，再最终确定一套由分析任务的属性以及训练样本的属性确定算子需求信息的评价体系，从该评价体系得到算子需求信息；可以给算子选择模块12配置一个算子定义接口，算子定义接口能提供一个信息输入通道，供用户终端输入算子需求信息；算子训练模块13根据选择信息从跨界算子模块11获取目标算子，同时接收训练样本，训练样本由用户终端提供，利用训练样本对目标算子进行训练，确定目标算子的参数，以获得训练好的模型，任务分析模块14获取训练好的模型，通过训练好的模型对分析任务进行分析。
本实施例中，跨界算子模块11存储支持跨时空预测的算子、支持跨模态融合的算子和支持跨领域分类的算子，将这些算子统称为跨界大数据核心算子，用户可基于分析任务的需要选择对应的跨界大数据核心算子，实现跨界的大数据分析。分析系统支持的跨界大数据核心算子见下表：
表1分析系统支持的跨界大数据核心算子
本实施例的分析系统通过跨界算子模块存储多个算子，算子选择模块接收算子需求信息，根据算子需求信息选择目标算子，算子训练模块通过训练样本训练目标算子，获得训练好的模型，任务分析模块通过训练好的模型对分析任务进行分析；该分析系统集成了跨界算子模块和算子选择模块，将大数据分析算子整合到跨界算子模块中，可根据用户输入的算子需求信息选择满足分析任务的要求的算子，并对算子进行训练，获得训练好的模型并完成分析任务，将用户从繁琐的算子选择中解脱出来。
基于以上实施例，算子训练模块包括自动优化子模块；自动优化子模块，用于根据分析任务的任务需求优化目标算子的超参数。
具体的，按用户的分析任务的任务需求生成数据分析抽象对象，数据分析抽象对象属性表如表2，数据分析抽象对象方法表如表3。
表2数据分析抽象对象属性表
表3数据分析抽象对象方法表
分析任务的任务需求决定了目标算子的超参数取值范围等等，自动优化子模块根据分析任务的任务需求，指定超参数的优化策略，对目标算子的超参数进行优化，以提高对算子训练的效率和精度。
基于以上实施例，算子训练模块还包括训练调度子模块和多个训练执行子模块；训练调度子模块，用于将训练任务分解为多个可同步执行的子训练任务，并将子训练任务分别分配给每一训练执行子模块，每一训练执行子模块执行被分配的子训练任务。
其中，算子训练模块还包括快速求解子模块；快速求解子模块，用于为每一训练执行子模块提供用于执行被分配的子训练任务的快速求解算法。
具体的，对算子进行训练的样本数量往往比较大，训练任务的运算量往往也很大，算子训练模块中的训练调度子模块将训练任务分解为多个可同步执行的子训练任务，并分别分配给训练执行子模块，训练执行子模块采用GPU计算技术，实现快速浮点数运算，可提高算子训练的效率；在通过算子训练模块中的快速求解子模块为训练执行子模块提供用于执行被分配的子训练任务的快速求解算法，进一步提高算子训练的效率。
基于以上实施例，算子训练模块还包括算子训练接口和模型保存接口；算子训练模块通过调用算子训练接口，以实现对目标算子进行训练；算子训练模块通过调用模型保存接口，以实现将训练好的模型保存到预设地址。
具体的，基于表3的数据分析抽象对象方法，算子训练模块的各个接口可封装在数据分析抽象类中，对于算子训练模块的算子训练接口，算子训练模块调用算子训练接口，实现以训练样本作为输入，对目标算子进行训练，并以训练好的模型作为输出；对于算子训练模块的模型保存接口，算子训练模块调用模型保存接口，实现以预设地址作为输入，将训练好的模型保存到预设地址，以持久化训练好的模型。
基于以上实施例，任务分析模块包括模型载入接口和任务分析接口；任务分析模块通过调用模型载入接口，以实现根据预设地址获取训练好的模型；任务分析模块通过调用任务分析接口，以实现对分析任务进行分析。
具体的，基于表3的数据分析抽象对象方法，任务分析模块的各个接口可封装在数据分析抽象类中，对于任务分析模块的模型载入接口，任务分析模块调用模型载入接口，实现以预设地址作为输入，根据预设地址载入训练好的模型，以供任务分析模块使用；对于任务分析模块可以配置任务分析接口，任务分析模块调用任务分析接口，实现以分析任务作为输入，对分析任务进行分析，并以分析的结果(如预测/分类结果)作为输出。
基于以上实施例，分析系统还包括数据输入模块；数据输入模块，用于接收用户终端发送的分析任务和训练样本，并将训练样本发送至算子训练模块，将分析任务发送至任务分析模块。
其中，分析系统还包括数据输出模块；数据输出模块，用于接收任务分析模块的分析结果，将分析结果发送至用户终端。
具体的，数据输入模块和数据输出模块可由RPC(Remote Procedure CallProtocol)或RDMA(Remote Direct Memory Access)的网络层组成，可支持远程服务，数据输入模块从用户终端接收分析任务和训练样本，数据输出模块将分析结果发送至用户终端，为分析系统提供更灵活的使用环境。
作为本发明的又一个实施例，参考图2，提供一种跨界大数据分析方法，包括：S21，接收算子需求信息；S22，根据算子需求信息选择目标算子，目标算子适配于分析任务和训练样本；S23，通过训练样本训练目标算子，获取训练好的模型；S24，通过训练好的模型对分析任务进行分析。
具体的，接收算子需求信息，算子需求信息可以由用户输入对算子选择的要求，从用户终端得到算子需求信息；或者基于分析任务的属性以及训练样本的属性，基于知识库中的决策树以及实际的训练和测试来确定算子，并最终确定一套由分析任务的属性以及训练样本的属性确定算子需求信息的评价体系，从该评价体系得到算子需求信息；根据算子需求信息，选择适配于分析任务和训练样本的目标算子，由于跨界算子模块中保存有跨界大数据核心算子，用户可以通过输入算子需求信息来选择跨界大数据核心算子以实现跨界大数据分析；通过训练样本训练目标算子，获取训练好的模型；通过训练好的模型对分析任务进行分析。
本实施例通过算子需求信息来选择目标算子，再对目标算子训练，基于训练好的模型实现对分析任务的分析，实现了对算子的自动选择，将用户从繁琐的算子选择中解脱出来。
基于以上实施例，通过训练样本训练目标算子，包括：将训练任务分解为多个可同步执行的子训练任务，并同步执行子训练任务，训练任务为训练目标算子的计算任务。
具体的，对算子进行训练的样本数量往往比较大，训练任务的运算量往往也很大，将训练任务分解为多个可同步执行的子训练任务，以实现同时执行多个子训练任务，在执行每个子任务时采用GPU计算技术，实现快速浮点数运算，提高算子训练的效率。
最后说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种跨界大数据分析系统，其特征在于，包括：跨界算子模块、算子选择模块、算子训练模块和任务分析模块；
所述跨界算子模块连接至所述算子选择模块和所述算子训练模块，所述算子选择模块连接至所述算子训练模块，所述算子训练模块连接至所述任务分析模块；
所述跨界算子模块，用于存储多个算子，所述多个算子包括支持跨时空预测的算子、支持跨模态分类的算子和支持跨领域分类的算子；
所述算子选择模块，用于接收算子需求信息，根据所述算子需求信息在所述跨界算子模块中选择目标算子，所述目标算子适配于分析任务和训练样本；
所述算子训练模块，用于获取所述目标算子，通过所述训练样本训练所述目标算子，以获得训练好的模型；
所述任务分析模块，用于获取训练好的模型，通过训练好的模型对所述分析任务进行分析。
2.根据权利要求1所述的系统，其特征在于，所述算子训练模块包括自动优化子模块；
所述自动优化子模块，用于根据所述分析任务的任务需求优化所述目标算子的超参数。
3.根据权利要求2所述的系统，其特征在于，所述算子训练模块还包括训练调度子模块和多个训练执行子模块；
所述训练调度子模块，用于将训练任务分解为多个可同步执行的子训练任务，并将所述子训练任务分别分配给每一训练执行子模块，每一训练执行子模块执行被分配的子训练任务。
4.根据权利要求3所述的系统，其特征在于，所述算子训练模块还包括快速求解子模块；
所述快速求解子模块，用于为每一训练执行子模块提供用于执行被分配的子训练任务的快速求解算法。
5.根据权利要求2所述的系统，其特征在于，所述算子训练模块还包括算子训练接口和模型保存接口；所述算子训练模块通过调用所述算子训练接口，以实现对所述目标算子进行训练；所述算子训练模块通过调用所述模型保存接口，以实现将训练好的模型保存到预设地址。
6.根据权利要求5所述的系统，其特征在于，所述任务分析模块包括模型载入接口和任务分析接口；所述任务分析模块通过调用所述模型载入接口，以实现根据所述预设地址获取训练好的模型；所述任务分析模块通过调用所述任务分析接口，以实现对所述分析任务进行分析。
7.根据权利要求1所述的系统，其特征在于，所述分析系统还包括数据输入模块；
所述数据输入模块，用于接收用户终端发送的所述分析任务和所述训练样本，并将所述训练样本发送至所述算子训练模块，将所述分析任务发送至所述任务分析模块。
8.根据权利要求7所述的系统，其特征在于，所述分析系统还包括数据输出模块；
所述数据输出模块，用于接收所述任务分析模块的分析结果，将所述分析结果发送至所述用户终端。
9.一种基于权利要求1-8任一所述系统的跨界大数据分析方法，其特征在于，包括：
接收算子需求信息；
根据所述算子需求信息选择目标算子，所述目标算子适配于分析任务和训练样本；
通过所述训练样本训练所述目标算子，获取训练好的模型；
通过训练好的模型对所述分析任务进行分析。
10.根据权利要求9所述的方法，其特征在于，所述通过所述训练样本训练所述目标算子，包括：
将训练任务分解为多个可同步执行的子训练任务，并同步执行所述子训练任务，所述训练任务为训练所述目标算子的计算任务。
CN201711353314.XA 2017-12-15 2017-12-15 一种跨界大数据分析系统和方法 Pending CN108108819A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711353314.XA CN108108819A (zh) 2017-12-15 2017-12-15 一种跨界大数据分析系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711353314.XA CN108108819A (zh) 2017-12-15 2017-12-15 一种跨界大数据分析系统和方法

Publications (1)

Publication Number Publication Date
CN108108819A true CN108108819A (zh) 2018-06-01

Family

ID=62216393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711353314.XA Pending CN108108819A (zh) 2017-12-15 2017-12-15 一种跨界大数据分析系统和方法

Country Status (1)

Country Link
CN (1) CN108108819A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110780982A (zh) * 2018-07-27 2020-02-11 深圳百迈技术有限公司 一种图像处理方法、装置及设备
CN110928528A (zh) * 2019-10-23 2020-03-27 深圳市华讯方舟太赫兹科技有限公司 算法模型的开发方法、终端设备及计算机存储介质
WO2020206958A1 (zh) * 2019-04-09 2020-10-15 苏宁云计算有限公司 一种基于迭代式学习的智能辅助标注方法及系统
CN116361037A (zh) * 2023-05-18 2023-06-30 之江实验室 一种分布式通信系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110780982A (zh) * 2018-07-27 2020-02-11 深圳百迈技术有限公司 一种图像处理方法、装置及设备
WO2020206958A1 (zh) * 2019-04-09 2020-10-15 苏宁云计算有限公司 一种基于迭代式学习的智能辅助标注方法及系统
CN110928528A (zh) * 2019-10-23 2020-03-27 深圳市华讯方舟太赫兹科技有限公司 算法模型的开发方法、终端设备及计算机存储介质
CN116361037A (zh) * 2023-05-18 2023-06-30 之江实验室 一种分布式通信系统及方法
CN116361037B (zh) * 2023-05-18 2023-08-18 之江实验室 一种分布式通信系统及方法

Similar Documents

Publication Publication Date Title
CN108108819A (zh) 一种跨界大数据分析系统和方法
CN111768008B (zh) 联邦学习方法、装置、设备和存储介质
US20200089535A1 (en) Data sharing system and data sharing method therefor
CN107562859B (zh) 一种分类模型训练系统及其实现方法
CN106503791A (zh) 用于有效神经网络部署的系统和方法
CN106791235B (zh) 一种选择服务座席的方法、装置及系统
JP7118726B2 (ja) ワークフローエンジンフレームワーク
CN107911251B (zh) 一种网络设备配置方法、装置和介质
CN109816114A (zh) 一种机器学习模型的生成方法、装置
CN111709371B (zh) 基于人工智能的分类方法、装置、服务器和存储介质
EP3451238A1 (en) Apparatus and method for executing pooling operation
CN108776833B (zh) 一种数据处理方法、系统及计算机可读存储介质
CN104615684B (zh) 一种海量数据通信并发处理方法及系统
CN108960110A (zh) 用于生成信息的方法和装置
CN110147905A (zh) 信息处理方法、装置、系统及存储介质
CN113592066A (zh) 硬件加速方法、装置、设备、计算机程序产品及存储介质
CN115860066A (zh) 一种基于批处理的神经网络推理流水线复用的方法
CN111582459A (zh) 执行操作的方法、电子设备、装置及存储介质
CN109976725A (zh) 一种基于轻量级流程引擎的流程程序开发方法及装置
US11611483B2 (en) Learning-based dynamic determination of synchronous/asynchronous behavior of computing services
CN109412826A (zh) Sdon架构模型优化方法、装置、系统及计算机可读存储介质
CN116501592B (zh) 人机交互的数据处理方法及服务器
CN116912187A (zh) 图像生成模型训练及图像生成方法、装置、设备和介质
CN117014389A (zh) 算网资源配置方法及系统、电子设备、存储介质
CN108733739B (zh) 支持集束搜索的运算装置和方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180601