CN109240681A - 一种模型生成方法、装置及计算机可读存储介质 - Google Patents
一种模型生成方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109240681A CN109240681A CN201811126751.2A CN201811126751A CN109240681A CN 109240681 A CN109240681 A CN 109240681A CN 201811126751 A CN201811126751 A CN 201811126751A CN 109240681 A CN109240681 A CN 109240681A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- server
- instruction
- driven
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/35—Creation or generation of source code model driven
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/34—Graphical or visual programming
Abstract
本发明实施例公开了一种模型生成方法、装置及存储介质,包括:服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;根据预先建立的运行环境与模型驱动的对应关系获取与目标运行环境对应的模型驱动;根据获得的模型驱动对目标数据文件处理并得到目标模型。从本发明实施例提供的技术方案可见,由于服务器根据不同运行环境对应的模型驱动对目标数据文件处理获得了适用于不同运行环境的模型,因此在人工智能(AI)模型可视化软件中实现了适用于不同深度学习框架的相应数量的AI模型的生成,从而节省了模型生成时间,提高了用户体验。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种模型生成方法、装置及计算机可读存储介质。
背景技术
人工智能(Artificial Intelligence,AI)模型可视化软件区别于传统基于代码进行模型生成的方式,该系统设置有包含各种模型生成控件的可视化界面,使得用户能够通过选择并拖拽相应控件生成AI训练模型,从而方便更多代码基础薄弱的用户。
相关技术中,AI模型可视化软件都有其相适应的深度学习框架,生成AI训练模型无法是为了在深度学习框架中训练,因此在实际应用中,用户首先要确定深度学习框架,然而基于训练目的在与确定的深度学习框架相适应的AI模型可视化软件中生成AI模型,这样所生成的AI模型才是能够在所确定的深度学习框架中运行的模型。
然而,当需要在多个深度学习框架中基于一个训练目的进行模型训练时,按照这种方法,则首先要生成分别适用于每个深度学习框架的AI模型,即在与每个深度学习框架相适应的AI模型可视化软件中生成AI模型,因此,十分浪费时间,从而使得用户体验较差。
发明内容
为了解决上述技术问题,本发明实施例提供一种模型生成方法、装置及计算机可读存储介质,能够在AI模型可视化软件中生成适用于不同深度学习框架的相应数量的AI模型,因此节省模型生成时间,提高用户体验。
为了达到本发明实施例目的,本发明实施例提供了一种模型生成方法,包括:
服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,所述目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;
所述服务器根据预先建立的运行环境与模型驱动的对应关系获取与所述目标运行环境对应的模型驱动;
所述服务器根据获得的模型驱动对所述目标数据文件处理并得到所述目标模型。
所述服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件,包括:
所述服务器获取所述目标指令集合;
所述服务器根据预先建立的指令与子数据文件的对应关系获取与所述目标指令集合对应的子数据文件集合;其中,所述子数据文件用于表示单个指令的操作过程;
所述服务器合并所述子数据文件集合中的所有子数据文件,得到所述目标数据文件。
所述服务器根据预先建立的指令与子数据文件的对应关系获取与指令集合对应的子数据文件集合,包括:
所述服务器根据所述指令与子数据文件的对应关系依次获取与所述指令集合中每一个指令对应的子数据文件;
直到获取完与所述指令集合中最后一个指令对应的子数据文件,所述服务器将获得的所有子数据文件作为所述子数据文件集合。
所述服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件之后,且所述服务器根据获得的模型驱动对目标数据文件处理并得到目标模型之前,还包括:
所述服务器将所述目标数据文件加载到自身的内存中;
所述服务器根据获得的模型驱动对目标数据文件处理并得到目标模型,包括:
所述服务器根据获得的模型驱动对加载到自身内存中的所述目标数据文件处理并得到所述目标模型。
所述服务器根据获得的模型驱动对加载到自身内存中的目标数据文件处理并得到目标模型,包括:
所述服务器根据获得的其中一个模型驱动对所述目标数据文件处理并获得一个所述目标模型,直到根据获得的最后一个模型驱动对所述目标数据处理并获得一个所述目标模型。
本发明实施例提供了一种服务器,包括:
获取模块,用于获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,所述目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;
所述获取模块,还用于根据预先建立的运行环境与模型驱动的对应关系获取与所述目标运行环境对应的模型驱动;
处理模块,用于根据获得的模型驱动对所述目标数据文件处理并得到所述目标模型。
所述获取模块具体用于:
获取所述目标指令集合;
根据预先建立的指令与子数据文件的对应关系获取与所述目标指令集合对应的子数据文件集合;其中,所述子数据文件用于表示单个指令的操作过程;
合并所述子数据文件集合中的所有子数据文件,得到所述目标数据文件。
所述处理模块,还用于将所述目标数据文件加载到所述服务器的内存中;
所述处理模块,具体用于根据获得的模型驱动对加载到所述服务器内存中的所述目标数据文件处理并得到所述目标模型。
本发明实施例提供了一种模型生成装置,包括:处理器和存储器,其中,存储器中存储有以下可被处理器执行的指令:
获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,所述目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;
根据预先建立的运行环境与模型驱动的对应关系获取与所述目标运行环境对应的模型驱动;
根据获得的模型驱动对所述目标数据文件处理并得到所述目标模型。
本发明实施例提供了一种计算机可读存储介质,所述存储介质上存储有计算机可执行指令,所述计算机可执行指令用于执行以下步骤:
获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,所述目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;
根据预先建立的运行环境与模型驱动的对应关系获取与所述目标运行环境对应的模型驱动;
根据获得的模型驱动对所述目标数据文件处理并得到所述目标模型。
与现有技术相比,本发明实施例至少包括:服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;根据预先建立的运行环境与模型驱动的对应关系获取与目标运行环境对应的模型驱动;根据获得的模型驱动对目标数据文件处理并得到目标模型。从本发明实施例提供的技术方案可见,由于服务器先行获取了目标数据文件,根据不同运行环境对应的模型驱动对目标数据文件处理就能够得到适用于不同运行环境的模型,因此在AI模型可视化软件中实现了适用于不同深度学习框架的相应数量的AI模型的生成,从而节省了模型生成时间,提高了用户体验。
本发明实施例的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例而了解。本发明实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明实施例技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明实施例的技术方案,并不构成对本发明实施例技术方案的限制。
图1为本发明实施例提供的一种模型生成方法的流程示意图;
图2为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明实施例的实施例进行详细说明。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任意组合。
本发明实施例提供一种模型生成方法,如图1所示,该方法包括:
步骤101、服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件。
其中,目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型。
具体的,假设目标运行环境有N个,那么目标指令集合就是用于生成运行目的相同,且分别适合这N个运行环境的N个目标模型。也就是说目标指令集合是一套指令,本发明实施例要用与这套指令对应的目标数据文件生成N个目标模型,这N个目标模型分别可以在对应的目标运行环境中运行。
步骤102、服务器根据预先建立的运行环境与模型驱动的对应关系获取与目标运行环境对应的模型驱动。
需要说明的是,有多少个目标运行环境,就能够获得多少个模型驱动。
具体的,运行环境可以是深度学习框架。
步骤103、服务器根据获得的模型驱动对目标数据文件处理并得到目标模型。
需要说明的是,有多少个模型驱动,就能够获得多少个目标模型,也就是说,目标运行环境、获得的模型驱动和目标模型都是相对应的。
本发明实施例所提供的模型生成方法,服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;根据预先建立的运行环境与模型驱动的对应关系获取与目标运行环境对应的模型驱动;根据获得的模型驱动对目标数据文件处理并得到目标模型。从本发明实施例提供的技术方案可见,由于服务器根据不同运行环境对应的模型驱动对目标数据文件处理就获得了适用于不同运行环境的模型,因此在AI模型可视化软件中实现了适用于不同深度学习框架的相应数量的AI模型的生成,从而节省了模型生成时间,提高了用户体验。
可选地,服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件,包括:
步骤101a、服务器获取目标指令集合。
步骤101b、服务器根据预先建立的指令与子数据文件的对应关系获取与目标指令集合对应的子数据文件集合;其中,子数据文件用于表示单个指令的操作过程。
具体的,指令与子数据文件的对应关系具体可以是名称为“DefinitionSchema”的指令定义文档,该文档中存在各种操作指令与对应的操作过程描述,指令定义文档“DefinitionSchema”的格式可以是JSONSchema。
步骤101c、服务器合并子数据文件集合中的所有子数据文件,得到目标数据文件。
具体的,在获得了目标数据文件之后,还可以利用预先建立的、名称为“MetaSchema”规范校验文档对获得的目标数据文件的格式进行规范性校验。
可选地,服务器根据预先建立的指令与子数据文件的对应关系获取与指令集合对应的子数据文件集合,包括:
步骤101b1、服务器根据指令与子数据文件的对应关系依次获取与指令集合中每一个指令对应的子数据文件。
步骤101b2、直到获取完与指令集合中最后一个指令对应的子数据文件,服务器将获得的所有子数据文件作为子数据文件集合。
可选地,服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件之后,且服务器根据获得的模型驱动对目标数据文件处理并得到目标模型之前,还包括:
服务器将目标数据文件加载到自身的内存中。
服务器根据获得的模型驱动对目标数据文件处理并得到目标模型,包括:
服务器根据获得的模型驱动对加载到自身内存中的目标数据文件处理并得到目标模型。
可选地,服务器根据获得的模型驱动对加载到自身内存中的目标数据文件处理并得到目标模型,包括:
服务器根据获得的其中一个模型驱动对目标数据文件处理并获得一个目标模型,直到根据获得的最后一个模型驱动对目标数据处理并获得一个目标模型。
具体的,根据获得的其中一个模型驱动对目标数据文件处理并获得一个目标模型适用于该模型驱动所归属的运行环境。
本发明实施例还提供一种服务器,如图2所示,该服务器2包括:
获取模块21,用于获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型。
获取模块21,还用于根据预先建立的运行环境与模型驱动的对应关系获取与目标运行环境对应的模型驱动;
处理模块22,用于根据获得的模型驱动对目标数据文件处理并得到目标模型。
可选地,获取模块21具体用于:
获取目标指令集合。
根据预先建立的指令与子数据文件的对应关系获取与目标指令集合对应的子数据文件集合;其中,子数据文件用于表示单个指令的操作过程。
合并子数据文件集合中的所有子数据文件,得到目标数据文件。
可选地,获取模块21具体还用于:
根据指令与子数据文件的对应关系依次获取与指令集合中每一个指令对应的子数据文件。
直到获取完与指令集合中最后一个指令对应的子数据文件,将获得的所有子数据文件作为子数据文件集合。
可选地,处理模块22,还用于将目标数据文件加载到服务器的内存中。
处理模块22,具体用于根据获得的模型驱动对加载到服务器内存中的目标数据文件处理并得到目标模型。
可选地,处理模块22,具体用于根据获得的其中一个模型驱动对加载到服务器内存中的目标数据文件处理并获得一个目标模型,直到根据获得的最后一个模型驱动对加载到服务器内存中的目标数据处理并获得一个目标模型。
本发明实施例所提供的服务器,获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;根据预先建立的运行环境与模型驱动的对应关系获取与目标运行环境对应的模型驱动;根据获得的模型驱动对目标数据文件处理并得到目标模型。从本发明实施例提供的技术方案可见,由于服务器根据不同运行环境对应的模型驱动对目标数据文件处理就获得了适用于不同运行环境的模型,因此在AI模型可视化软件中实现了适用于不同深度学习框架的相应数量的AI模型的生成,从而节省了模型生成时间,提高了用户体验。
在实际应用中,所述获取模块21和处理模块22均可由位于服务器中的中央处理器(Central Processing Unit,CPU)、微处理器(Micro Processor Unit,MPU)、数字信号处理器(Digital Signal Processor,DSP)或现场可编程门阵列(Field Programmable GateArray,FPGA)等实现。
本发明实施例还提供一种模型生成装置,包括存储器和处理器,其中,存储器中存储有以下可被处理器执行的指令:
获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型。
根据预先建立的运行环境与模型驱动的对应关系获取与目标运行环境对应的模型驱动。
根据获得的模型驱动对目标数据文件处理并得到目标模型。
可选地,存储器中具体存储有以下可被处理器执行的指令:
获取目标指令集合。
根据预先建立的指令与子数据文件的对应关系获取与目标指令集合对应的子数据文件集合;其中,子数据文件用于表示单个指令的操作过程。
合并子数据文件集合中的所有子数据文件,得到目标数据文件。
可选地,存储器中还具体存储有以下可被处理器执行的指令:
根据指令与子数据文件的对应关系依次获取与指令集合中每一个指令对应的子数据文件。
直到获取完与指令集合中最后一个指令对应的子数据文件,将获得的所有子数据文件作为子数据文件集合。
可选地,存储器中还存储有以下可被处理器执行的指令:
将目标数据文件加载到服务器的内存中。
根据获得的模型驱动对加载到服务器内存中的目标数据文件处理并得到目标模型。
可选地,存储器中具体存储有以下可被处理器执行的指令:
根据获得的其中一个模型驱动对加载到服务器内存中的目标数据文件处理并获得一个目标模型,直到根据获得的最后一个模型驱动对加载到服务器内存中的目标数据处理并获得一个目标模型。
本发明实施例还提供一种计算机可读存储介质,存储介质上存储有计算机可执行指令,计算机可执行指令用于执行以下步骤:
获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型。
根据预先建立的运行环境与模型驱动的对应关系获取与目标运行环境对应的模型驱动。
根据获得的模型驱动对目标数据文件处理并得到目标模型。
可选地,计算机可执行指令具体用于执行以下步骤:
获取目标指令集合。
根据预先建立的指令与子数据文件的对应关系获取与目标指令集合对应的子数据文件集合;其中,子数据文件用于表示单个指令的操作过程。
合并子数据文件集合中的所有子数据文件,得到目标数据文件。
可选地,计算机可执行指令还具体用于执行以下步骤:
根据指令与子数据文件的对应关系依次获取与指令集合中每一个指令对应的子数据文件。
直到获取完与指令集合中最后一个指令对应的子数据文件,将获得的所有子数据文件作为子数据文件集合。
可选地,计算机可执行指令还用于执行以下步骤:
将目标数据文件加载到服务器的内存中。
根据获得的模型驱动对加载到服务器内存中的目标数据文件处理并得到目标模型。
可选地,计算机可执行指令还具体用于执行以下步骤:
根据获得的其中一个模型驱动对加载到服务器内存中的目标数据文件处理并获得一个目标模型,直到根据获得的最后一个模型驱动对加载到服务器内存中的目标数据处理并获得一个目标模型。
虽然本发明实施例所揭露的实施方式如上,但所述的内容仅为便于理解本发明实施例而采用的实施方式,并非用以限定本发明实施例。任何本发明实施例所属领域内的技术人员,在不脱离本发明实施例所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明实施例的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种模型生成方法,其特征在于,包括:
服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,所述目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;
所述服务器根据预先建立的运行环境与模型驱动的对应关系获取与所述目标运行环境对应的模型驱动;
所述服务器根据获得的模型驱动对所述目标数据文件处理并得到所述目标模型。
2.根据权利要求1所述的模型生成方法,其特征在于,所述服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件,包括:
所述服务器获取所述目标指令集合;
所述服务器根据预先建立的指令与子数据文件的对应关系获取与所述目标指令集合对应的子数据文件集合;其中,所述子数据文件用于表示单个指令的操作过程;
所述服务器合并所述子数据文件集合中的所有子数据文件,得到所述目标数据文件。
3.根据权利要求2所述的模型生成方法,其特征在于,所述服务器根据预先建立的指令与子数据文件的对应关系获取与指令集合对应的子数据文件集合,包括:
所述服务器根据所述指令与子数据文件的对应关系依次获取与所述指令集合中每一个指令对应的子数据文件;
直到获取完与所述指令集合中最后一个指令对应的子数据文件,所述服务器将获得的所有子数据文件作为所述子数据文件集合。
4.根据权利要求1所述的模型生成方法,其特征在于,所述服务器获取用于表示目标指令集合中所有指令操作过程的目标数据文件之后,且所述服务器根据获得的模型驱动对目标数据文件处理并得到目标模型之前,还包括:
所述服务器将所述目标数据文件加载到自身的内存中;
所述服务器根据获得的模型驱动对目标数据文件处理并得到目标模型,包括:
所述服务器根据获得的模型驱动对加载到自身内存中的所述目标数据文件处理并得到所述目标模型。
5.根据权利要求4所述的模型生成方法,其特征在于,所述服务器根据获得的模型驱动对加载到自身内存中的目标数据文件处理并得到目标模型,包括:
所述服务器根据获得的其中一个模型驱动对所述加载到自身内存中的目标数据文件处理并获得一个所述目标模型,直到根据获得的最后一个模型驱动对所述加载到自身内存中的目标数据处理并获得一个所述目标模型。
6.一种服务器,其特征在于,包括:
获取模块,用于获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,所述目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;
所述获取模块,还用于根据预先建立的运行环境与模型驱动的对应关系获取与所述目标运行环境对应的模型驱动;
处理模块,用于根据获得的模型驱动对所述目标数据文件处理并得到所述目标模型。
7.根据权利要求6所述的服务器,其特征在于,所述获取模块具体用于:
获取所述目标指令集合;
根据预先建立的指令与子数据文件的对应关系获取与所述目标指令集合对应的子数据文件集合;其中,所述子数据文件用于表示单个指令的操作过程;
合并所述子数据文件集合中的所有子数据文件,得到所述目标数据文件。
8.根据权利要求6所述的服务器,其特征在于,
所述处理模块,还用于将所述目标数据文件加载到所述服务器的内存中;
所述处理模块,具体用于根据获得的模型驱动对加载到所述服务器内存中的所述目标数据文件处理并得到所述目标模型。
9.一种模型生成装置,其特征在于,包括:处理器和存储器,其中,存储器中存储有以下可被处理器执行的指令:
获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,所述目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;
根据预先建立的运行环境与模型驱动的对应关系获取与所述目标运行环境对应的模型驱动;
根据获得的模型驱动对所述目标数据文件处理并得到所述目标模型。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机可执行指令,所述计算机可执行指令用于执行以下步骤:
获取用于表示目标指令集合中所有指令操作过程的目标数据文件;其中,所述目标指令集合用于生成运行目的相同,且分别适用于不同目标运行环境的相应数量的目标模型;
根据预先建立的运行环境与模型驱动的对应关系获取与所述目标运行环境对应的模型驱动;
根据获得的模型驱动对所述目标数据文件处理并得到所述目标模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811126751.2A CN109240681A (zh) | 2018-09-26 | 2018-09-26 | 一种模型生成方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811126751.2A CN109240681A (zh) | 2018-09-26 | 2018-09-26 | 一种模型生成方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109240681A true CN109240681A (zh) | 2019-01-18 |
Family
ID=65056205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811126751.2A Pending CN109240681A (zh) | 2018-09-26 | 2018-09-26 | 一种模型生成方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109240681A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737944A (zh) * | 2019-10-25 | 2020-01-31 | 厦门海迈科技股份有限公司 | 一种基于Revit生成楼板的方法及生成装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022615A (zh) * | 2014-04-21 | 2015-11-04 | 大唐软件技术股份有限公司 | 一种界面的生成方法和系统 |
CN105278936A (zh) * | 2014-06-25 | 2016-01-27 | 成都普中软件有限公司 | 一种基于软件元模型构造软件模型的通用软件建模方法 |
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN106528057A (zh) * | 2015-09-09 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 实现运行环境适配的方法和装置 |
CN107632826A (zh) * | 2016-07-14 | 2018-01-26 | 腾讯科技(深圳)有限公司 | 一种源代码的编译方法和客户端 |
CN107632824A (zh) * | 2016-07-18 | 2018-01-26 | 腾讯科技(深圳)有限公司 | 一种增强现实模块的生成方法、生成装置以及生成系统 |
CN107704245A (zh) * | 2017-09-21 | 2018-02-16 | 深圳市麦斯杰网络有限公司 | 协议接入方法、装置及计算机可读存储介质 |
CN108108157A (zh) * | 2016-11-24 | 2018-06-01 | 阿里巴巴集团控股有限公司 | 生成页面及提供页面信息的方法及装置 |
CN108334895A (zh) * | 2017-12-29 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 目标数据的分类方法、装置、存储介质及电子装置 |
CN108509501A (zh) * | 2018-02-28 | 2018-09-07 | 努比亚技术有限公司 | 一种查询处理方法、服务器及计算机可读存储介质 |
-
2018
- 2018-09-26 CN CN201811126751.2A patent/CN109240681A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022615A (zh) * | 2014-04-21 | 2015-11-04 | 大唐软件技术股份有限公司 | 一种界面的生成方法和系统 |
CN105278936A (zh) * | 2014-06-25 | 2016-01-27 | 成都普中软件有限公司 | 一种基于软件元模型构造软件模型的通用软件建模方法 |
CN106528057A (zh) * | 2015-09-09 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 实现运行环境适配的方法和装置 |
CN107632826A (zh) * | 2016-07-14 | 2018-01-26 | 腾讯科技(深圳)有限公司 | 一种源代码的编译方法和客户端 |
CN107632824A (zh) * | 2016-07-18 | 2018-01-26 | 腾讯科技(深圳)有限公司 | 一种增强现实模块的生成方法、生成装置以及生成系统 |
CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN108108157A (zh) * | 2016-11-24 | 2018-06-01 | 阿里巴巴集团控股有限公司 | 生成页面及提供页面信息的方法及装置 |
CN107704245A (zh) * | 2017-09-21 | 2018-02-16 | 深圳市麦斯杰网络有限公司 | 协议接入方法、装置及计算机可读存储介质 |
CN108334895A (zh) * | 2017-12-29 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 目标数据的分类方法、装置、存储介质及电子装置 |
CN108509501A (zh) * | 2018-02-28 | 2018-09-07 | 努比亚技术有限公司 | 一种查询处理方法、服务器及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
王善发等: "《Robocode人工智能机器人研究》", 30 September 2013 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737944A (zh) * | 2019-10-25 | 2020-01-31 | 厦门海迈科技股份有限公司 | 一种基于Revit生成楼板的方法及生成装置 |
CN110737944B (zh) * | 2019-10-25 | 2023-05-26 | 厦门海迈科技股份有限公司 | 一种基于Revit生成楼板的方法及生成装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110506260A (zh) | 通过在神经网络环境的处理单元中利用已对齐的blob数据来最小化存储器读取并提高性能 | |
CN108427632A (zh) | 自动测试方法及装置 | |
CN106502699A (zh) | 一种应用页面处理方法、装置及系统 | |
JP2020512639A5 (zh) | ||
CN104317749B (zh) | 信息写入方法和装置 | |
CN107450961A (zh) | 一种基于Docker容器的分布式深度学习系统及其搭建方法、工作方法 | |
CN105320589B (zh) | 云测试环境中测试脚本自动解析系统及其实现方法 | |
CN109447276A (zh) | 一种机器学习方法、系统、设备及应用方法 | |
CN109766196A (zh) | 一种任务调度方法、装置及设备 | |
CN104298671B (zh) | 数据统计分析方法及装置 | |
CN109446064A (zh) | 一种基于浏览器的交互测试方法 | |
CN106371931B (zh) | 一种基于Web框架的高性能地学计算服务系统 | |
CN109240681A (zh) | 一种模型生成方法、装置及计算机可读存储介质 | |
CN115022304A (zh) | 基于rpa和ai实现ia的跨平台文件处理方法、装置和系统 | |
CN108512817A (zh) | 多视频转码调度方法及装置 | |
CN109492749A (zh) | 在局域网中实现神经网络模型线上服务的方法及装置 | |
CN104636397B (zh) | 用于分布式计算的资源分配方法、计算加速方法以及装置 | |
CN111181802B (zh) | 协议数据模拟方法、装置及计算机可读存储介质 | |
CN104636143A (zh) | 一种用于c语言教学的电子展示装置及其控制方法 | |
CN109740302B (zh) | 一种神经网络的仿真方法和装置 | |
CN104090932A (zh) | 一种内容推荐方法及装置 | |
CN106599244B (zh) | 通用的原始日志清洗装置及方法 | |
CN105825447A (zh) | 专利创造性快评系统及其快评方法 | |
CN109343772A (zh) | 一种基于h5页面的海报生成方法、系统、装置及存储介质 | |
CN107544248A (zh) | 一种移动机器人中的任务优化方法及设备 |
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: 20190118 |