CN109491704A - 用于处理信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于处理信息的方法和装置。该方法的一具体实施方式包括：获取待处理信息；确定用于处理待处理信息的人工神经网络对应的可执行代码，其中，可执行代码用于实现人工神经网络的功能；基于可执行代码对待处理信息进行处理，得到处理结果信息。该实施方式实现了利用可执行代码来完成人工神经网络对信息的处理。

Description

用于处理信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于处理信息的方法和装置。

背景技术

深度学习是目前计算机领域重要的研究方向之一，而且深度学习已应用于计算机视觉、语音识别、自然语言处理等许多领域。基于此，出现了各种开源的深度学习框架。

用户可以方便地利用这些深度学习框架设计所需的神经网络结构，而且支持自动求导以完成神经网络的训练，不需用户求解梯度。另外，用户只需要编写少量的配置文件即可使用训练好的神经网络实现对数据的处理。

发明内容

本申请实施例提出了用于处理信息的方法和装置。

第一方面，本申请实施例提供了一种用于处理信息的方法，该方法包括：获取待处理信息；确定用于处理待处理信息的人工神经网络对应的可执行代码，其中，可执行代码用于实现人工神经网络的功能；基于可执行代码对待处理信息进行处理，得到处理结果信息。

在一些实施例中，确定用于处理待处理信息的人工神经网络对应的可执行代码，包括：获取预设的、与人工神经网络对应的可执行代码，其中，可执行代码是根据人工神经的网络结构设置的。

在一些实施例中，确定用于处理待处理信息的人工神经网络对应的可执行代码，包括：获取组成人工神经网络的各个层分别对应的可执行代码，得到可执行代码集合；基于可执行代码集合，得到人工神经网络对应的可执行代码。

在一些实施例中，人工神经网络利用深度学习框架训练得到。

第二方面，本申请实施例提供了一种用于处理信息的装置，该装置包括：获取单元，被配置成获取待处理信息；确定单元，被配置成确定用于处理待处理信息的人工神经网络对应的可执行代码，其中，可执行代码用于实现人工神经网络的功能；处理单元，被配置成基于可执行代码对待处理信息进行处理，得到处理结果信息。

在一些实施例中，确定单元进一步被配置成：获取预设的、与人工神经网络对应的可执行代码，其中，可执行代码是根据人工神经的网络结构设置的。

在一些实施例中，确定单元进一步被配置成：获取组成人工神经网络的各个层分别对应的可执行代码，得到可执行代码集合；基于可执行代码集合，得到人工神经网络对应的可执行代码。

在一些实施例中，人工神经网络利用深度学习框架训练得到。

第三方面，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；当一个或多个程序被一个或多个处理器执行，使得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。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机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处理信息的方法和装置，通过获取待处理信息；确定用于处理待处理信息的人工神经网络对应的可执行代码，其中，可执行代码用于实现人工神经网络的功能；基于可执行代码对待处理信息进行处理，得到处理结果信息，从而实现了利用可执行代码来完成人工神经网络对信息的处理，避免了编写配置文件利用深度学习框架来使用人工神经网络的过程。

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是本申请的一个实施例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处理信息的方法的一个实施例的流程图；

图3是根据本申请实施例的用于处理信息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处理信息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处理信息的装置的一个实施例的结构示意图；

图6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处理信息的方法或用于处理信息的装置的实施例的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如网页浏览器应用、搜索类应用、编程开发类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，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。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103发送的待处理信息进行处理的信息处理服务器。信息处理服务器可以运行可执行代码对待处理信息进行处理以得到处理结果信息。

需要说明的是，上述待处理信息也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的待处理信息并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，本申请实施例所提供的用于处理信息的方法一般由服务器105执行，相应地，用于处理信息的装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103中也可以运行可执行代码对待处理信息进行处理，此时，用于处理信息的方法也可以由终端设备101、102、103执行，相应地，用于处理信息的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器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终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于处理信息的方法的一个实施例的流程200。该用于处理信息的方法包括以下步骤：

步骤201，获取待处理信息。

在本实施例中，用于处理信息的方法的执行主体(如图1所示的服务器)可以利用有线或无线连接的方式从本地或其它存储设备获取待处理信息。其中，待处理信息可以是各种形式的信息。例如，待处理信息可以是图像、文本、视频、音频等等。

步骤202，确定用于处理待处理信息的人工神经网络对应的可执行代码。

在本实施例中，人工神经网络可以是预先训练好的、用于处理所获取的待处理信息的神经网络模型。其中，人工神经网络可以是用户基于已训练好的一个或多个人工神经网络进行调整、组合等处理后得到的。可选地，人工神经网络可以利用开源的各种深度学习框架(如Keras、Caffe、TensorFlow等等)训练得到。

在本实施例中，可执行代码可以用于实现人工神经网络的功能。实践中，可以选择不同的方式确定人工神经网络对应的可执行代码。

可选地，可以先获取组成人工神经网络的各个层分别对应的可执行代码，得到可执行代码集合。然后，基于可执行代码集合，得到人工神经网络对应的可执行代码。

具体地，可以由技术人员预先编写组成人工神经网络的各个层分别对应的可执行代码，以分别实现各个层的功能。然后按照各个层的连接方式，将各个层对应的可执行代码进行按照各个层的连接顺序进行拼接，以实现各个层之间的数据流通。

步骤203，基于可执行代码对待处理信息进行处理，得到处理结果信息。

在本实施例中，由于可执行代码可以用来实现人工神经网络的功能，因此，可以将待处理信息作为初始数据，通过运行可执行代码得到处理结果信息，以完成对待处理信息的处理。当然，通过运行可执行代码得到的处理结果信息就等同于利用人工神经网络对待处理信息进行处理所得到的处理结果信息。

继续参见图3，图3是根据本实施例的用于处理信息的方法的应用场景的一个示意图300。在图3的应用场景中，可以首先获取待处理图像301。人工神经网络302用于对待处理图像301进行处理。其中，如图中标号303所示，人工神经网络302由输入层、卷积层和输出层组成。

然后，可以分别获取预先编写的人工神经网络302的输入层对应的可执行代码：代码A、卷积层对应的可执行代码：代码B、输出层对应的可执行代码：代码C。然后，可以将代码A、代码B、代码C按照人工神经网络302的各个层的连接顺序进行拼接，以得到可以实现人工神经网络302的功能的可执行代码304。

之后，可以将待处理图像301作为初始数据，运行得到的可执行代码304，以得到对待处理图像301的处理结果信息305。

本申请的上述实施例提供的方法和现有的通过编写配置文件，利用开源的一些深度学习框架实现人工神经网络对待处理信息的处理相比，由于目前的各种深度学习框架可以支持各种不同的网络结构，这些深度学习框架在运行过程中是通过大量的分支判断来区分出不同的人工神经网络，进而正确地确定调用对应的接口以实现所用的人工神经网络对待处理信息的处理，而本申请的上述实施例描述的方案通过运行专门对应于实现所用的人工神经网络的可执行代码来完成对待处理信息的处理，避免了大量的分支判断过程，从而较大地提升了对待处理信息的处理速度。

进一步参考图4，其示出了用于处理信息的方法的又一个实施例的流程400。该用于处理信息的方法的流程400，包括以下步骤：

步骤401，获取待处理信息。

本步骤401的具体的执行过程可参考图2对应实施例中的步骤201的相关说明，在此不再赘述。

步骤402，获取预设的、与人工神经网络对应的可执行代码。

在本实施例中，可以由技术人员预先编写能够实现人工神经网络的可执行代码，并保存两者的对应关系。具体地，可执行代码可以是根据人工神经的网络结构设置的。

不同的人工神经网络具有不同的网络结构。网络结构可以表示人工神经网络的组成结构，以及参数信息。组成结构可以用于描述人工神经网络由哪些层组成，以及各层之间的连接关系。参数信息可以用于描述人工神经网络各层的各种参数信息。

同时，由于网络结构的不同，不同的人工神经网络对应的可执行代码也不同。应当可以理解，在本实施例中，一个可执行代码用于且只用于实现对应的一个人工神经网络的功能。

步骤403，基于可执行代码对待处理信息进行处理，得到处理结果信息。

本步骤403的具体的执行过程可参考图2对应实施例中的步骤203的相关说明，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于处理信息的方法的流程400通过预先保存所用的人工神经网络与该人工神经网络对应的可执行代码，从而在处理待处理信息时，可以直接获取对应的可执行代码对待处理信息进行处理，进一步提升对待处理信息的处理速度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于处理信息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，本实施例提供的用于处理信息的装置500包括获取单元501、确定单元502和处理单元503。其中，获取单元501被配置成获取待处理信息；确定单元502被配置成确定用于处理待处理信息的人工神经网络对应的可执行代码，其中，可执行代码用于实现人工神经网络的功能；处理单元503被配置成基于可执行代码对待处理信息进行处理，得到处理结果信息。

在本实施例中，用于处理信息的装置500中：获取单元501、确定单元502和处理单元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，上述确定单元502进一步被配置成：获取预设的、与人工神经网络对应的可执行代码，其中，可执行代码是根据人工神经的网络结构设置的。

在本实施例的一些可选的实现方式中，上述确定单元502进一步被配置成：获取组成人工神经网络的各个层分别对应的可执行代码，得到可执行代码集合；基于可执行代码集合，得到人工神经网络对应的可执行代码。

在本实施例的一些可选的实现方式中，人工神经网络利用深度学习框架训练得到。

本申请的上述实施例提供的装置，通过获取单元获取待处理信息；确定单元确定用于处理待处理信息的人工神经网络对应的可执行代码，其中，可执行代码用于实现人工神经网络的功能；处理单元基于可执行代码对待处理信息进行处理，得到处理结果信息，从而实现了利用可执行代码来完成人工神经网络对信息的处理，避免了编写配置文件利用深度学习框架来使用人工神经网络的过程。

下面参考图6，其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600的结构示意图。图6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6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。

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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请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，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，包括获取单元、确定单元和处理单元。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，获取单元还可以被描述为“获取待处理信息的单元”。

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该电子设备执行时，使得该电子设备：获取待处理信息；确定用于处理待处理信息的人工神经网络对应的可执行代码，其中，可执行代码用于实现人工神经网络的功能；基于可执行代码对待处理信息进行处理，得到处理结果信息。

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 (10)

1.一种用于处理信息的方法，包括：

获取待处理信息；

确定用于处理所述待处理信息的人工神经网络对应的可执行代码，其中，所述可执行代码用于实现所述人工神经网络的功能；

基于所述可执行代码对所述待处理信息进行处理，得到处理结果信息。

2.根据权利要求1所述的方法，其中，所述确定用于处理所述待处理信息的人工神经网络对应的可执行代码，包括：

获取预设的、与所述人工神经网络对应的可执行代码，其中，所述可执行代码是根据所述人工神经的网络结构设置的。

3.根据权利要求1所述的方法，其中，所述确定用于处理所述待处理信息的人工神经网络对应的可执行代码，包括：

获取组成所述人工神经网络的各个层分别对应的可执行代码，得到可执行代码集合；

基于所述可执行代码集合，得到所述人工神经网络对应的可执行代码。

4.根据权利要求1-3之一所述的方法，其中，所述人工神经网络利用深度学习框架训练得到。

5.一种用于处理信息的装置，包括：

获取单元，被配置成获取待处理信息；

确定单元，被配置成确定用于处理所述待处理信息的人工神经网络对应的可执行代码，其中，所述可执行代码用于实现所述人工神经网络的功能；

处理单元，被配置成基于所述可执行代码对所述待处理信息进行处理，得到处理结果信息。

6.根据权利要求5所述的装置，其中，所述确定单元进一步被配置成：

获取预设的、与所述人工神经网络对应的可执行代码，其中，所述可执行代码是根据所述人工神经的网络结构设置的。

7.根据权利要求5所述的装置，其中，所述确定单元进一步被配置成：

获取组成所述人工神经网络的各个层分别对应的可执行代码，得到可执行代码集合；

基于所述可执行代码集合，得到所述人工神经网络对应的可执行代码。

8.根据权利要求5-7之一所述的装置，其中，所述人工神经网络利用深度学习框架训练得到。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

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1-4中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。