CN109492771A - 交互方法、装置和系统 - Google Patents
交互方法、装置和系统 Download PDFInfo
- Publication number
- CN109492771A CN109492771A CN201811339327.6A CN201811339327A CN109492771A CN 109492771 A CN109492771 A CN 109492771A CN 201811339327 A CN201811339327 A CN 201811339327A CN 109492771 A CN109492771 A CN 109492771A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- sample set
- initial model
- initial
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了交互方法、装置和系统。该方法的一具体实施方式包括:发送包含配置信息的模型优化请求;响应于接收到训练结束消息,执行如下交互步骤:发送包含测试数据的模型测试请求;接收测试结果,基于该测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,发送推荐请求。该实施方式提高了模型优化的便捷性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及交互方法、装置和系统。
背景技术
随着人工智能技术日渐成熟,越来越多的人工智能服务以平台化服务化的形式开放出来,以便易于用户集成到场景化的业务应用中。
现有的方式中,通常需要研发人员通过邮件或电话沟通等方式向人工智能服务平台的管理人员发送需求,管理人员进行相关信息的汇总、提取等工作后,使用人工智能服务平台进行模型训练。
发明内容
本申请实施例提出了交互方法、装置和系统。
第一方面,本申请实施例提供了一种交互方法,该方法包括:发送包含配置信息的模型优化请求,其中,配置信息用于指示对提供目标服务的初始模型的训练;响应于接收到训练结束消息,执行如下交互步骤:发送包含测试数据的模型测试请求;接收测试结果,基于测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,发送推荐请求,其中,推荐请求用于指示将提供目标服务的初始模型替换为目标模型。
在一些实施例中,该方法还包括:响应于确定初始模型未训练完成,基于测试结果,对配置信息进行更新,以及,发送包含更新后的配置信息的模型优化请求;响应于接收到训练结束消息,重新执行交互步骤。
在一些实施例中,模型优化请求还包括样本集。
第二方面,本申请实施例提供了一种交互方法,该方法包括:接收包含配置信息的模型优化请求,其中,配置信息用于指示对提供目标服务的初始模型的训练;确定用于训练初始模型的样本集,基于样本集和配置信息,对初始模型进行训练,返回训练结束消息;响应于接收到包含测试数据的模型测试请求,将测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果;将训练后的初始模型作为目标模型,响应于接收到对目标模型的推荐请求,将提供目标服务的初始模型替换为目标模型。
在一些实施例中,模型优化请求还包括样本集;以及确定用于训练初始模型的样本集,包括:将模型优化请求中所包含的样本集确定为用于训练初始模型的样本集;或者提取用于训练初始模型的预置样本集,将模型优化请求中所包含的样本集中的样本汇总至预置样本集,将汇总后的预置样本集确定为用于训练初始模型的样本集。
在一些实施例中,该方法还包括:响应于接收到对预置的模型集合中的任一模型的模型更新请求,将待更新的模型作为指定模型,提取用于训练指定模型的样本集;利用机器学习方法,基于所提取的样本集,对指定模型进行训练,将模型集合中的待更新的模型替换为训练后的指定模型。
在一些实施例中,该方法还包括:对于预置的模型集合中的模型,周期性地提取用于训练该模型的样本集,利用机器学习方法,基于所提取的样本集,对该模型进行训练,以及,对模型集合中的该模型进行更新。
第三方面,本申请实施例提供了一种交互装置,该装置包括:发送单元,被配置成发送包含配置信息的模型优化请求,其中,配置信息用于指示对提供目标服务的初始模型的训练;第一执行单元,被配置成响应于接收到训练结束消息,执行如下交互步骤:发送包含测试数据的模型测试请求;接收测试结果,基于测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,发送推荐请求,其中,推荐请求用于指示将提供目标服务的初始模型替换为目标模型。
在一些实施例中,该装置还包括:更新单元,被配置成响应于确定初始模型未训练完成,基于测试结果,对配置信息进行更新,以及,发送包含更新后的配置信息的模型优化请求;第二执行单元,被配置成响应于接收到训练结束消息,重新执行交互步骤。
在一些实施例中,模型优化请求还包括样本集。
第四方面,本申请实施例提供了一种交互装置,该装置包括:接收单元,被配置成接收包含配置信息的模型优化请求,其中,配置信息用于指示对提供目标服务的初始模型的训练;第一训练单元,被配置成确定用于训练初始模型的样本集,基于样本集和配置信息,对初始模型进行训练,返回训练结束消息;输入单元,被配置成响应于接收到包含测试数据的模型测试请求,将测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果;第一替换单元,被配置成将训练后的初始模型作为目标模型,响应于接收到对目标模型的推荐请求,将提供目标服务的初始模型替换为目标模型。
在一些实施例中,模型优化请求还包括样本集;以及第一训练单元,进一步被配置成:将模型优化请求中所包含的样本集确定为用于训练初始模型的样本集;或者提取用于训练初始模型的预置样本集,将模型优化请求中所包含的样本集中的样本汇总至预置样本集,将汇总后的预置样本集确定为用于训练初始模型的样本集。
在一些实施例中,该装置还包括:提取单元,被配置成响应于接收到对预置的模型集合中的任一模型的模型更新请求,将待更新的模型作为指定模型,提取用于训练指定模型的样本集;第二替换单元,被配置成利用机器学习方法,基于所提取的样本集,对指定模型进行训练,将模型集合中的待更新的模型替换为训练后的指定模型。
在一些实施例中,该装置还包括:第二训练单元,被配置成对于模型集合中的模型,周期性地提取用于训练该模型的样本集,利用机器学习方法,基于所提取的样本集,对该模型进行训练,以及,对模型集合中的该模型进行更新。
第五方面,本申请实施例提供了一种交互系统,该系统包括终端设备和目标服务器;终端设备,被配置成向目标服务器发送包含配置信息的模型优化请求,配置信息用于指示对提供目标服务的初始模型的训练;目标服务器,被配置成确定用于训练初始模型的样本集,基于样本集和配置信息,对初始模型进行训练,向终端设备返回训练结束消息;终端设备,进一步被配置成向目标服务器发送包含测试数据的模型测试请求;目标服务器,进一步被配置成将测试数据输入至训练后的初始模型,向终端设备返回训练后的初始模型所输出的测试结果;终端设备,进一步被配置成基于测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,向目标服务器发送推荐请求,其中,推荐请求用于指示将提供目标服务的初始模型替换为目标模型;目标服务器,进一步被配置成将提供目标服务的初始模型替换为目标模型。
在一些实施例中,终端设备,进一步被配置成:响应于确定初始模型未训练完成,基于测试结果,对配置信息进行更新,以及,向目标服务器发送包含更新后的配置信息的模型优化请求;响应于接收到目标服务器返回的训练结束消息,重新向目标服务器发送模型测试请求。
在一些实施例中,模型优化请求还包括样本集;以及目标服务器,进一步被配置成:将模型优化请求中所包含的样本集确定为用于训练初始模型的样本集;或者提取用于训练初始模型的预置样本集,将模型优化请求中所包含的样本集中的样本汇总至预置样本集,将汇总后的预置样本集确定为用于训练初始模型的样本集。
在一些实施例中,目标服务器,进一步被配置成:响应于接收到对预置的模型集合中的任一模型的模型更新请求,将待更新的模型作为指定模型,提取用于训练指定模型的样本集;利用机器学习方法,基于所提取的样本集,对指定模型进行训练,将模型集合中的待更新的模型替换为训练后的指定模型。
在一些实施例中,目标服务器,进一步被配置成:对于预置的模型集合中的模型,周期性地提取用于训练该模型的样本集,利用机器学习方法,基于所提取的样本集,对该模型进行训练,以及,对模型集合中的该模型进行更新。
第六方面,本申请实施例提供了一种电子设备,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上述第一方面和第二方面中任一实施例的方法。
第七方面,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,该程序被处理器执行时实现如上述第一方面和第二方面中任一实施例的方法。
本申请实施例提供的交互方法、装置和系统,终端设备首先向目标服务器发送包含配置信息的模型优化请求。而后目标服务器确定用于训练初始模型的样本集,基于样本集和配置信息,对初始模型进行训练,返回训练结束消息。接着终端设备向目标服务器发送包含测试数据的模型测试请求,以便目标服务器将测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果。接着终端设备基于测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,向目标服务器发送推荐请求,以便目标服务器将提供目标服务的初始模型替换为目标模型。从而,可以灵活制订配置信息对模型进行优化,提高了模型优化的便捷性。
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是根据本申请的交互方法的一个实施例的流程图;
图3是根据本申请的交互方法的一个应用场景的示意图;
图4是根据本申请的交互方法的又一个实施例的流程图;
图5是根据本申请的交互装置的一个实施例的结构示意图;
图6是根据本申请的交互装置的一个实施例的结构示意图;
图7是根据本申请的交互系统中各装置之间的交互过程的示意图;
图8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交互方法或交互装置的示例性系统架构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。
用户可以使用终端设备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上可以安装有各种通讯客户端应用。例如,可以部署业务系统。通过该系统,用户(例如研发人员)可以进行服务选择(例如确定待优化的模型)、数据管理、效果验证、服务生效(例如进行模型替换)等操作。
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,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、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),也可以实现成单个软件或软件模块。在此不做具体限定。
终端设备101、102、103可以发送包含配置信息的模型优化请求,以便在接收到训练结束消息后,对训练后的模型进行监测,进而确定是否进行模型的替换。
服务器105可以是提供各种服务的服务器,例如部署有人工智能服务平台且能够提供人工智能服务的处理服务器。该处理服务器可以接收包含配置信息的模型优化请求,并确定出样本集以便基于该样本集进行模型训练。同时,还可以进行模型的更新和替换、数据存储等操作。
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),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,示出了根据本申请的交互方法的一个实施例的流程200。该交互方法,包括以下步骤:
步骤201,发送包含配置信息的模型优化请求。
在本实施例中,交互方法的执行主体(例如图1所示的终端设备101、102、103)可以通过有线连接或者无线连接方式发送包含配置信息的模型优化请求。其中,上述配置信息可以用于指示对提供目标服务的初始模型的训练。作为示例,配置信息中可以包括用于管理正负样本的数据、训练方法、初始模型的初始参数等。此处不作限定。
此处,目标服务可以是预先指定的各种服务,例如人脸识别服务、图像类别检测服务等。当目标服务为人脸识别服务时,初始模型可以是预先训练的人脸检测模型。当目标服务为图像类别检测服务时,初始模型可以是预先训练的图像类别检测模型。此处对初始模型的结构不作限定。
实践中,上述执行主体可以向存储有上述初始模型的电子设备发送上述模型优化请求。上述电子设备可以是例如服务器(例如图1所示的服务器105)等的设备。
需要说明的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,响应于接收到训练结束消息,执行如下交互步骤:发送包含测试数据的模型测试请求;接收测试结果,基于测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,发送推荐请求。
在本实施例中,响应于接收到训练结束消息,上述执行主体可以执行如下交互步骤:
第一步,发送包含测试数据的模型测试请求。此处,测试数据可以用于对训练后的初始模型进行测试,以确定其效果是否符合预期。例如,可以将该测试数据输入至训练后的初始模型中,得到训练后的初始模型所输出的测试结果。
第二步,接收测试结果,基于测试结果,确定初始模型是否训练完成。此处,上述执行主体中可以预先存储有理论结果。上述执行主体可以将测试结果与理论结果进行匹配,基于匹配结果,确定初始模型是否训练完成,即达到预期。
作为示例,当目标服务为图像类别检测服务时,当将测试数据输入至训练后的初始模型后,输出的测试结果即为图像类别检测结果。上述执行主体可以确定训练后的初始模型所输出的结果的正确率。当正确率大于预设阈值(例如95%)后,确定图像类别检测模型训练完成。
第三步,响应于确定初始模型训练完成,将训练后的初始模型作为目标模型,发送推荐请求。其中,推荐请求可以用于指示将提供目标服务的初始模型替换为目标模型。由此,实现了初始模型的更新。利用训练后的初始模型提供目标服务,可以使该服务的效果得到进一步提升。
在本实施例的一些可选的实现方式中,响应于确定初始模型未训练完成,上述执行主体可以基于上述测试结果,对上述配置信息进行更新,以及,发送包含更新后的配置信息的模型优化请求。可以理解的是,若初始模型未训练完成,意味着训练后的初始模型的效果未达到预期,需要调整配置信息,以继续对该模型进行训练。此处,对上述配置信息进行更新,可以是重新进行正负样本的划分、重新制定训练方法、重新设置初始模型的初始参数等。此处不作限定。在发送模型优化请求后,响应于接收到训练结束消息,可以重新执行上述交互步骤,直至确定模型训练完成。
在本实施例的一些可选的实现方式中,上述模型优化请求还可以包括样本集。由此,上述执行主体可以根据需要自定义样本,从而使训练得到的模型更具有针对性。
继续参见图3,图3是根据本实施例的交互方法的应用场景的一个示意图。
在图3的应用场景中,用户(例如研发人员)首先利用终端设备301向目标服务器(例如可以提供各种人工智能服务的服务器)发送了包含配置信息的模型优化请求303。其中,上述配置信息可以用于指示对提供目标服务的初始模型的训练。
接着,目标服务器302在训练结束后,向终端设备返回了训练结束消息304。
终端设备在接收到训练结束消息304后,可以执行如下交互步骤:向目标服务器发送包含测试数据的模型测试请求305;接收目标服务器返回的测试结果306,基于上述测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,发送推荐请求307。其中,上述推荐请求307可以用于指示将提供上述目标服务的初始模型替换为上述目标模型。
本申请的上述实施例提供的方法,通过发送包含配置信息的模型优化请求,而后响应于接收到训练结束消息,发送包含测试数据的模型测试请求;接着接收测试结果,基于上述测试结果,确定初始模型是否训练完成。从而,在确定初始模型训练完成后,发送推荐请求,以便将提供上述目标服务的初始模型替换为训练后的初始模型。由此,可以灵活制订配置信息对模型进行优化,提高了模型优化的便捷性。
进一步参考图4,其示出了交互方法的一个实施例的流程400。该交互方法的流程400,包括以下步骤:
步骤401,接收包含配置信息的模型优化请求。
在本实施例中,交互方法的执行主体(例如图1所示的服务器105)可以通过有线连接或者无线连接方式接收包含配置信息的模型优化请求。其中,上述配置信息可以用于指示对提供目标服务的初始模型的训练。作为示例,配置信息中可以包括用于管理正负样本的数据、训练方法、初始模型的初始参数、训练结束条件等。此处不作限定。
此处,目标服务可以是预先指定的各种服务,例如人脸识别服务、图像类别检测服务等。当目标服务为人脸识别服务时,初始模型可以是预先训练的人脸检测模型。当目标服务为图像类别检测服务时,初始模型可以是预先训练的图像类别检测模型。此处对初始模型的结构不作限定。实践中,上述执行主体中可以预先存储有包含上述初始模型的多个模型。各模型可以提供不同的服务。
步骤402,确定用于训练初始模型的样本集,基于样本集和配置信息,对初始模型进行训练,返回训练结束消息。
在本实施例中,上述执行主体可以首先确定用于训练初始模型的样本集。此处,可以利用各种方式确定用于训练初始模型的样本集。作为示例,上述执行主体中可以预先存储有用于训练各模型的样本集。这些样本集可以是预置的,也可以是在上一次训练各模型时所使用的。样本集与模型之间一一对应。样本集中的样本均带有标注。此时,上述执行主体可以直接从本地提取用于训练上述初始模型的样本集。
而后,上述执行主体可以基于样本集和配置信息,对初始模型进行训练,返回训练结束消息。此处,由于配置信息中可以包含初始模型的初始参数、训练结束条件等信息,因此,上述执行主体可以利用机器学习方法,使用所确定的样本集以及基于配置信息,对初始模型进行有监督训练。需要说明的是,上述机器学习方法、有监督训练方法是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例的一些可选的实现方式中,上述模型优化请求还可以包括样本集。由此,上述执行主体可以根据需要自定义样本,从而使训练得到的模型更具有针对性。此时,上述执行主体可以将上述模型优化请求中所包含的样本集确定为用于训练上述初始模型的样本集。或者,可以首先提取用于训练上述初始模型的预置样本集,将上述模型优化请求中所包含的样本集中的样本汇总至上述预置样本集,将汇总后的预置样本集确定为用于训练上述初始模型的样本集。
步骤403,响应于接收到包含测试数据的模型测试请求,将测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果。
在本实施例中,响应于接收到包含测试数据的模型测试请求,上述执行主体可以将测试数据输入至训练后的初始模型,得到训练后的初始模型所输出的测试结果,并返回该测试结果。此处,测试数据可以用于对训练后的初始模型进行测试,以确定其效果是否符合预期。
步骤404,将训练后的初始模型作为目标模型,响应于接收到对目标模型的推荐请求,将提供目标服务的初始模型替换为目标模型。
在本实施例中,上述执行主体可以将训练后的初始模型作为目标模型,响应于接收到对目标模型的推荐请求,将所存储的提供目标服务的初始模型替换为上述目标模型。其中,推荐请求可以用于指示将提供目标服务的初始模型替换为目标模型。由此,实现了初始模型的更新。利用训练后的初始模型提供目标服务,可以使该服务的效果得到进一步提升。
在本实施例的一些可选的实现方式中,上述执行主体中可以存储有预置的模型集合,以及,可以预先存储有用于训练各模型的样本集。样本集与模型之间一一对应。上述执行主体还可以执行如下操作:响应于接收到对预置的模型集合中的任一模型的模型更新请求,可以将待更新的模型作为指定模型,提取用于训练上述指定模型的样本集。利用机器学习方法,基于所提取的样本集,对上述指定模型进行训练,将上述模型集合中的待更新的模型替换为训练后的指定模型。由此,可以根据用户或者管理者的触发,对模型进行更新。
在本实施例的一些可选的实现方式中,对于预置的模型集合中的模型,上述执行主体还可以周期性地提取用于训练该模型的样本集,利用机器学习方法,基于所提取的样本集,对该模型进行训练,以及,对上述模型集合中的该模型进行更新。从而,可以实现模型周期性地自动更新。
本申请的上述实施例提供的方法,通过接收包含配置信息的模型优化请求;接着确定用于训练上述初始模型的样本集,基于上述样本集和上述配置信息,对上述初始模型进行训练,返回训练结束消息;在接收到包含测试数据的模型测试请求后,将上述测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果;最后将训练后的初始模型作为目标模型,响应于接收到对上述目标模型的推荐请求,将提供上述目标服务的初始模型替换为上述目标模型。由此,可以灵活制订配置信息对模型进行优化,提高了模型优化的便捷性和模型训练效果。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种交互装置的一个实施例,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,本实施例所述的交互装置500包括:发送单元501,被配置成发送包含配置信息的模型优化请求,其中,上述配置信息用于指示对提供目标服务的初始模型的训练;第一执行单元502,被配置成响应于接收到训练结束消息,执行如下交互步骤:发送包含测试数据的模型测试请求;接收测试结果,基于上述测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,发送推荐请求,其中,上述推荐请求用于指示将提供上述目标服务的初始模型替换为上述目标模型。
在本实施例的一些可选的实现方式中,该装置还可以包括更新单元和第二执行单元(图中未示出)。其中,上述更新单元可以被配置成响应于确定初始模型未训练完成,基于上述测试结果,对上述配置信息进行更新,以及,发送包含更新后的配置信息的模型优化请求。上述第二执行单元可以被配置成响应于接收到训练结束消息,重新执行上述交互步骤。
在本实施例的一些可选的实现方式中,上述模型优化请求还可以包括样本集。
本申请的上述实施例提供的装置,通过发送单元501发送包含配置信息的模型优化请求,而后第一执行单元502响应于接收到训练结束消息,发送包含测试数据的模型测试请求;接着接收测试结果,基于上述测试结果,确定初始模型是否训练完成。从而,在确定初始模型训练完成后,发送推荐请求,以便将提供上述目标服务的初始模型替换为训练后的初始模型。由此,可以灵活制订配置信息对模型进行优化,提高了模型优化的便捷性和模型训练效果。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种交互装置的一个实施例,该装置实施例与图4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6所示,本实施例所述的交互装置600包括:接收单元601,被配置成接收包含配置信息的模型优化请求,其中,上述配置信息用于指示对提供目标服务的初始模型的训练;第一训练单元602,被配置成确定用于训练上述初始模型的样本集,基于上述样本集和上述配置信息,对上述初始模型进行训练,返回训练结束消息;输入单元603,被配置成响应于接收到包含测试数据的模型测试请求,将上述测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果;第一替换单元604,被配置成将训练后的初始模型作为目标模型,响应于接收到对上述目标模型的推荐请求,将提供上述目标服务的初始模型替换为上述目标模型。
在本实施例的一些可选的实现方式中,上述模型优化请求还可以包括样本集。以及上述第一训练单元602可以进一步被配置成:将上述模型优化请求中所包含的样本集确定为用于训练上述初始模型的样本集;或者提取用于训练上述初始模型的预置样本集,将上述模型优化请求中所包含的样本集中的样本汇总至上述预置样本集,将汇总后的预置样本集确定为用于训练上述初始模型的样本集。
在本实施例的一些可选的实现方式中,该装置还可以包括提取单元和第二替换单元(图中未示出)。其中,上述提取单元可以被配置成响应于接收到对预置的模型集合中的任一模型的模型更新请求,将待更新的模型作为指定模型,提取用于训练上述指定模型的样本集。上述第二替换单元可以被配置成利用机器学习方法,基于所提取的样本集,对上述指定模型进行训练,将上述模型集合中的待更新的模型替换为训练后的指定模型。
在本实施例的一些可选的实现方式中,该装置还可以包括第二训练单元(图中未示出)。其中,上述第二训练单元可以被配置成对于上述模型集合中的模型,周期性地提取用于训练该模型的样本集,利用机器学习方法,基于所提取的样本集,对该模型进行训练,以及,对上述模型集合中的该模型进行更新。
本申请的上述实施例提供的装置,通过接收单元601接收包含配置信息的模型优化请求;接着第一训练单元602确定用于训练上述初始模型的样本集,基于上述样本集和上述配置信息,对上述初始模型进行训练,返回训练结束消息;在接收到包含测试数据的模型测试请求后,输入单元603将上述测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果;最后第一替换单元604将训练后的初始模型作为目标模型,响应于接收到对上述目标模型的推荐请求,将提供上述目标服务的初始模型替换为上述目标模型。由此,可以灵活制订配置信息对模型进行优化,提高了模型优化的便捷性和模型训练效果。
进一步参考图7,其示出了根据本申请的交互系统中各装置之间的交互过程的示意图700。
交互系统包括终端设备和目标服务器。
如图7所示,交互系统中,各装置之间的交互过程700可以包括以下步骤:
步骤701,终端设备向目标服务器发送包含配置信息的模型优化请求。
在本实施例中,终端设备(例如图1所示的终端设备101、102、103)向目标服务器(例如图1所示的服务器105)发送包含配置信息的模型优化请求。其中,上述配置信息可以用于指示对提供目标服务的初始模型的训练。作为示例,配置信息中可以包括用于管理正负样本的数据、训练方法、初始模型的初始参数、训练结束条件等。此处不作限定。
步骤702,目标服务器确定用于训练初始模型的样本集,基于样本集和配置信息,对初始模型进行训练。
在本实施例中,目标服务器可以首先确定用于训练初始模型的样本集。此处,可以利用各种方式确定用于训练初始模型的样本集。作为示例,上述目标服务器中可以预先存储有用于训练各模型的样本集。这些样本集可以是预置的,也可以是在上一次训练各模型时所使用的。样本集与模型之间一一对应。样本集中的样本均带有标注。此时,上述目标服务器可以直接从本地提取用于训练上述初始模型的样本集。
而后,上述目标服务器可以基于样本集和配置信息,对初始模型进行训练,返回训练结束消息。此处,由于配置信息中可以包含初始模型的初始参数、训练结束条件等信息,因此,上述目标服务器可以利用机器学习方法,使用所确定的样本集以及基于配置信息,对初始模型进行有监督训练。需要说明的是,上述机器学习方法、有监督训练方法是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例的一些可选的实现方式中,上述模型优化请求还可以包括样本集。由此,上述目标服务器可以根据需要自定义样本,从而使训练得到的模型更具有针对性。此时,上述目标服务器可以将上述模型优化请求中所包含的样本集确定为用于训练上述初始模型的样本集。或者,可以首先提取用于训练上述初始模型的预置样本集,将上述模型优化请求中所包含的样本集中的样本汇总至上述预置样本集,将汇总后的预置样本集确定为用于训练上述初始模型的样本集。
步骤703,目标服务器向终端设备返回训练结束消息。
在本实施例中,目标服务器在确定初始模型训练结束后,可以向终端设备发送训练结束消息,用于指示已经结束对初始模型的训练。
步骤704,终端设备向上述目标服务器发送包含测试数据的模型测试请求。
在本实施例中,终端设备可以向目标服务器发送包含测试数据的模型测试请求。此处,测试数据可以用于对训练后的初始模型进行测试,以确定其效果是否符合预期。例如,可以将该测试数据输入至训练后的初始模型中,得到训练后的初始模型所输出的测试结果。
步骤705,目标服务器将测试数据输入至训练后的初始模型,得到初始模型所输出的测试结果。
步骤706,目标服务器向终端设备返回测试结果。
步骤707,终端设备基于测试结果,确定初始模型是否训练完成。
在本实施例中,终端设备可以基于上述测试结果,确定初始模型是否训练完成。此处,上述终端设备中可以预先存储有理论结果。上述终端设备可以将测试结果与理论结果进行匹配,基于匹配结果,确定初始模型是否训练完成,即达到预期。作为示例,当目标服务为图像类别检测服务时,当将测试数据输入至训练后的初始模型后,输出的测试结果即为图像类别检测结果。上述终端设备可以确定训练后的初始模型所输出的结果的正确率。当正确率大于预设阈值(例如95%)后,确定图像类别检测模型训练完成。
步骤708,响应于确定训练完成,终端设备将训练后的初始模型作为目标模型,向目标服务器发送推荐请求。
此处,推荐请求可以用于指示将提供目标服务的初始模型替换为目标模型。由此,实现了初始模型的更新。利用训练后的初始模型提供目标服务,可以使该服务的效果得到进一步提升。
在本实施例的一些可选的实现方式中,响应于确定初始模型未训练完成,上述终端设备可以基于上述测试结果,对上述配置信息进行更新,以及,向上述目标服务器发送包含更新后的配置信息的模型优化请求。响应于接收到上述目标服务器返回的训练结束消息,可以重新向上述目标服务器发送上述模型测试请求。直至初始模型训练完成。
步骤709,目标服务器将提供目标服务的初始模型替换为目标模型。
在本实施例的一些可选的实现方式中,上述目标服务器还可以执行如下操作:响应于接收到对预置的模型集合中的任一模型的模型更新请求,可以将待更新的模型作为指定模型,提取用于训练上述指定模型的样本集。而后,可以利用机器学习方法,基于所提取的样本集,对上述指定模型进行训练,将上述模型集合中的待更新的模型替换为训练后的指定模型。
在本实施例的一些可选的实现方式中,上述目标服务器还可以执行如下操作:对于预置的模型集合中的模型,周期性地提取用于训练该模型的样本集,利用机器学习方法,基于所提取的样本集,对该模型进行训练,以及,对上述模型集合中的该模型进行更新。
本申请实施例提供的交互系统,终端设备首先向目标服务器发送包含配置信息的模型优化请求。而后目标服务器确定用于训练上述初始模型的样本集,基于上述样本集和上述配置信息,对上述初始模型进行训练,返回训练结束消息。接着终端设备向上述目标服务器发送包含测试数据的模型测试请求,以便目标服务器将上述测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果。接着终端设备基于上述测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,向上述目标服务器发送推荐请求,以便目标服务器将提供上述目标服务的初始模型替换为上述目标模型。从而,可以灵活制订配置信息对模型进行优化,提高了模型优化的便捷性和模型训练效果。
下面参考图8,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800的结构示意图。图8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8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
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809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801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:一种处理器包括发送单元和第一执行单元。再例如,可以描述为:一种处理器包括接收单元、第一训练单元、输入单元和第一替换单元。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,发送单元还可以被描述为“发送包含配置信息的模型优化请求的单元”。
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装置中所包含的;也可以是单独存在,而未装配入该装置中。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装置执行时,使得该装置:发送包含配置信息的模型优化请求;响应于接收到训练结束消息,执行如下交互步骤:发送包含测试数据的模型测试请求;接收测试结果,基于该测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,发送推荐请求。或者,使得该装置:接收包含配置信息的模型优化请求;确定用于训练该初始模型的样本集,基于该样本集和该配置信息,对该初始模型进行训练,返回训练结束消息;响应于接收到包含测试数据的模型测试请求,将该测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果;将训练后的初始模型作为目标模型,响应于接收到对该目标模型的推荐请求,将提供该目标服务的初始模型替换为该目标模型。
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 (16)
1.一种交互方法,包括:
发送包含配置信息的模型优化请求,其中,所述配置信息用于指示对提供目标服务的初始模型的训练;
响应于接收到训练结束消息,执行如下交互步骤:发送包含测试数据的模型测试请求;接收测试结果,基于所述测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,发送推荐请求,其中,所述推荐请求用于指示将提供所述目标服务的初始模型替换为所述目标模型。
2.根据权利要求1所述的交互方法,其中,所述方法还包括:
响应于确定初始模型未训练完成,基于所述测试结果,对所述配置信息进行更新,以及,发送包含更新后的配置信息的模型优化请求;
响应于接收到训练结束消息,重新执行所述交互步骤。
3.根据权利要求1所述的交互方法,其中,所述模型优化请求还包括样本集。
4.一种交互方法,包括:
接收包含配置信息的模型优化请求,其中,所述配置信息用于指示对提供目标服务的初始模型的训练;
确定用于训练所述初始模型的样本集,基于所述样本集和所述配置信息,对所述初始模型进行训练,返回训练结束消息;
响应于接收到包含测试数据的模型测试请求,将所述测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果;
将训练后的初始模型作为目标模型,响应于接收到对所述目标模型的推荐请求,将提供所述目标服务的初始模型替换为所述目标模型。
5.根据权利要求4所述的交互方法,其中,所述模型优化请求还包括样本集;以及
所述确定用于训练所述初始模型的样本集,包括:
将所述模型优化请求中所包含的样本集确定为用于训练所述初始模型的样本集;或者
提取用于训练所述初始模型的预置样本集,将所述模型优化请求中所包含的样本集中的样本汇总至所述预置样本集,将汇总后的预置样本集确定为用于训练所述初始模型的样本集。
6.根据权利要求4所述的交互方法,其中,所述方法还包括:
响应于接收到对预置的模型集合中的任一模型的模型更新请求,将待更新的模型作为指定模型,提取用于训练所述指定模型的样本集;
利用机器学习方法,基于所提取的样本集,对所述指定模型进行训练,将所述模型集合中的待更新的模型替换为训练后的指定模型。
7.根据权利要求4所述的交互方法,其中,所述方法还包括:
对于预置的模型集合中的模型,周期性地提取用于训练该模型的样本集,利用机器学习方法,基于所提取的样本集,对该模型进行训练,以及,对所述模型集合中的该模型进行更新。
8.一种交互装置,包括:
发送单元,被配置成发送包含配置信息的模型优化请求,其中,所述配置信息用于指示对提供目标服务的初始模型的训练;
第一执行单元,被配置成响应于接收到训练结束消息,执行如下交互步骤:发送包含测试数据的模型测试请求;接收测试结果,基于所述测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,发送推荐请求,其中,所述推荐请求用于指示将提供所述目标服务的初始模型替换为所述目标模型。
9.一种交互装置,包括:
接收单元,被配置成接收包含配置信息的模型优化请求,其中,所述配置信息用于指示对提供目标服务的初始模型的训练;
第一训练单元,被配置成确定用于训练所述初始模型的样本集,基于所述样本集和所述配置信息,对所述初始模型进行训练,返回训练结束消息;
输入单元,被配置成响应于接收到包含测试数据的模型测试请求,将所述测试数据输入至训练后的初始模型,返回训练后的初始模型所输出的测试结果;
第一替换单元,被配置成将训练后的初始模型作为目标模型,响应于接收到对所述目标模型的推荐请求,将提供所述目标服务的初始模型替换为所述目标模型。
10.一种交互系统,包括终端设备和目标服务器;
所述终端设备,被配置成向所述目标服务器发送包含配置信息的模型优化请求,所述配置信息用于指示对提供目标服务的初始模型的训练;
所述目标服务器,被配置成确定用于训练所述初始模型的样本集,基于所述样本集和所述配置信息,对所述初始模型进行训练,向所述终端设备返回训练结束消息;
所述终端设备,进一步被配置成向所述目标服务器发送包含测试数据的模型测试请求;
所述目标服务器,进一步被配置成将所述测试数据输入至训练后的初始模型,向所述终端设备返回训练后的初始模型所输出的测试结果;
所述终端设备,进一步被配置成基于所述测试结果,确定初始模型是否训练完成;若是,将训练后的初始模型作为目标模型,向所述目标服务器发送推荐请求,其中,所述推荐请求用于指示将提供所述目标服务的初始模型替换为所述目标模型;
所述目标服务器,进一步被配置成将提供所述目标服务的初始模型替换为所述目标模型。
11.根据权利要求10所述的交互系统,所述终端设备,进一步被配置成:
响应于确定初始模型未训练完成,基于所述测试结果,对所述配置信息进行更新,以及,向所述目标服务器发送包含更新后的配置信息的模型优化请求;
响应于接收到所述目标服务器返回的训练结束消息,重新向所述目标服务器发送所述模型测试请求。
12.根据权利要求10所述的交互系统,其中,所述模型优化请求还包括样本集;以及
所述目标服务器,进一步被配置成:
将所述模型优化请求中所包含的样本集确定为用于训练初始模型的样本集;或者
提取用于训练初始模型的预置样本集,将所述模型优化请求中所包含的样本集中的样本汇总至所述预置样本集,将汇总后的预置样本集确定为用于训练初始模型的样本集。
13.根据权利要求10所述的交互系统,其中,所述目标服务器,进一步被配置成:
响应于接收到对预置的模型集合中的任一模型的模型更新请求,将待更新的模型作为指定模型,提取用于训练所述指定模型的样本集;
利用机器学习方法,基于所提取的样本集,对所述指定模型进行训练,将所述模型集合中的待更新的模型替换为训练后的指定模型。
14.根据权利要求10所述的交互系统,所述目标服务器,进一步被配置成:
对于预置的模型集合中的模型,周期性地提取用于训练该模型的样本集,利用机器学习方法,基于所提取的样本集,对该模型进行训练,以及,对所述模型集合中的该模型进行更新。
15.一种电子设备,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1-7中任一所述的方法。
16.一种计算机可读介质,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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339327.6A CN109492771A (zh) | 2018-11-12 | 2018-11-12 | 交互方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339327.6A CN109492771A (zh) | 2018-11-12 | 2018-11-12 | 交互方法、装置和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492771A true CN109492771A (zh) | 2019-03-19 |
Family
ID=65695514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811339327.6A Pending CN109492771A (zh) | 2018-11-12 | 2018-11-12 | 交互方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492771A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113728704A (zh) * | 2019-08-30 | 2021-11-30 | Oppo广东移动通信有限公司 | 信号传输方法、装置及系统 |
WO2022077946A1 (zh) * | 2020-10-14 | 2022-04-21 | 新智数字科技有限公司 | 数据测量方法、装置、电子设备和计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016201631A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
CN106322656A (zh) * | 2016-08-23 | 2017-01-11 | 海信(山东)空调有限公司 | 一种空调控制方法及服务器和空调系统 |
CN107316083A (zh) * | 2017-07-04 | 2017-11-03 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法和装置 |
CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
CN107885762A (zh) * | 2017-09-19 | 2018-04-06 | 北京百度网讯科技有限公司 | 智能大数据系统、提供智能大数据服务的方法和设备 |
CN108090570A (zh) * | 2017-12-20 | 2018-05-29 | 第四范式(北京)技术有限公司 | 用于选择机器学习样本的特征的方法及系统 |
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 |
-
2018
- 2018-11-12 CN CN201811339327.6A patent/CN109492771A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016201631A1 (en) * | 2015-06-17 | 2016-12-22 | Yahoo! Inc. | Systems and methods for online content recommendation |
CN106322656A (zh) * | 2016-08-23 | 2017-01-11 | 海信(山东)空调有限公司 | 一种空调控制方法及服务器和空调系统 |
CN107316083A (zh) * | 2017-07-04 | 2017-11-03 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法和装置 |
CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
CN107885762A (zh) * | 2017-09-19 | 2018-04-06 | 北京百度网讯科技有限公司 | 智能大数据系统、提供智能大数据服务的方法和设备 |
CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
CN108090570A (zh) * | 2017-12-20 | 2018-05-29 | 第四范式(北京)技术有限公司 | 用于选择机器学习样本的特征的方法及系统 |
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 |
Non-Patent Citations (2)
Title |
---|
HUAPENG YU 等: "Transfer Learning for Face Identification with Deep Face Model", 《2016 7TH INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND BIG DATA》 * |
潘胜男: "基于深度学习和迁移学习的鲁棒多线索目标跟踪", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113728704A (zh) * | 2019-08-30 | 2021-11-30 | Oppo广东移动通信有限公司 | 信号传输方法、装置及系统 |
CN113728704B (zh) * | 2019-08-30 | 2024-05-31 | Oppo广东移动通信有限公司 | 信号传输方法、装置及系统 |
WO2022077946A1 (zh) * | 2020-10-14 | 2022-04-21 | 新智数字科技有限公司 | 数据测量方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
CN108446387A (zh) | 用于更新人脸注册库的方法和装置 | |
CN108337314B (zh) | 分布式系统、用于主服务器的信息处理方法和装置 | |
CN108282529A (zh) | 发布和订阅数据的系统、方法和装置 | |
CN109359170A (zh) | 用于生成信息的方法和装置 | |
CN109815365A (zh) | 用于处理视频的方法和装置 | |
CN108846753A (zh) | 用于处理数据的方法和装置 | |
CN110391938A (zh) | 用于部署服务的方法和装置 | |
CN110019263A (zh) | 信息存储方法和装置 | |
CN110365745A (zh) | 数据处理系统、方法、装置、服务器和计算机可读介质 | |
CN108829518A (zh) | 用于推送信息的方法和装置 | |
CN110493341A (zh) | 用于控制设备的方法及装置 | |
CN109919089A (zh) | 用于推送信息的方法和装置 | |
CN109492771A (zh) | 交互方法、装置和系统 | |
CN109614549B (zh) | 用于推送信息的方法和装置 | |
CN109766392A (zh) | 数据处理方法和装置 | |
CN109828830A (zh) | 用于管理容器的方法和装置 | |
CN109446379A (zh) | 用于处理信息的方法和装置 | |
CN109035243A (zh) | 用于输出电池极片毛刺信息的方法和装置 | |
CN110113176A (zh) | 用于配置服务器的信息同步方法及装置 | |
CN108920309B (zh) | 用于处理信息的方法和装置 | |
CN109388684A (zh) | 用于生成信息的方法和装置 | |
CN109684059A (zh) | 用于监控数据的方法及装置 | |
CN109492687A (zh) | 用于处理信息的方法和装置 | |
CN110083351A (zh) | 用于生成代码的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |