CN110659047A - 算法模型更新方法和装置、电子设备、计算机可读存储介质 - Google Patents

Abstract

本申请涉及一种算法模型更新方法、装置、电子设备、计算机可读存储介质，包括：当第一次启动应用程序时，获取电子设备的芯片平台信息，根据电子设备的芯片平台信息，判断出服务器上存储有与电子设备的芯片平台信息匹配的算法模型时，则下载该算法模型并加载，以运行应用程序。如此，则应用程序自身本来不带有算法模型，当应用程序安装在电子设备上之后，直接根据电子设备的芯片平台信息下载匹配的算法模型进行加载即可。这样就不需要为了满足各种规格的芯片平台，而给应用程序安装包同时配置多种算法模型，减小应用程序安装包的大小、节约资源。

Description

算法模型更新方法和装置、电子设备、计算机可读存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种算法模型更新方法和装置、电子设备、计算机可读存储介质。

背景技术

随着人工智能技术的不断发展，越来越多的应用程序中都采用了人工智能类算法模型来实现更多、更复杂的功能。例如，进行各种各样的运算或图像识别等。传统的，对这类具有人工智能类算法模型的应用程序进行更新的方法，较为复杂、耗费资源。因此，亟需提出一种算法模型更新方法，来解决上述问题。

发明内容

本申请实施例提供一种算法模型更新方法、装置、电子设备、计算机可读存储介质，可以使得算法模型更新过程更加简单快捷。

一种算法模型更新方法，包括：

当第一次启动应用程序时，获取电子设备的芯片平台信息，所述应用程序安装于电子设备中；

当根据所述电子设备的芯片平台信息，得出服务器上存储有与所述电子设备的芯片平台信息匹配的算法模型时，则从所述服务器上下载所述与所述电子设备的芯片平台信息匹配的算法模型；

加载所述与所述电子设备的芯片平台信息匹配的算法模型，以运行所述应用程序。

一种算法模型更新装置，包括：

芯片平台信息获取模块，用于当第一次启动应用程序时，获取电子设备的芯片平台信息，所述应用程序安装于电子设备中；

算法模型下载模块，用于当根据所述电子设备的芯片平台信息，得出服务器上存储有与所述电子设备的芯片平台信息匹配的算法模型时，则从所述服务器上下载所述与所述电子设备的芯片平台信息匹配的算法模型；

算法模型加载模块，用于加载所述与所述电子设备的芯片平台信息匹配的算法模型，以运行所述应用程序。

一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上方法的步骤。

上述算法模型更新方法、装置、电子设备、计算机可读存储介质，当第一次启动应用程序时，获取电子设备的芯片平台信息，应用程序安装于电子设备中。当根据电子设备的芯片平台信息，得出服务器上存储有与电子设备的芯片平台信息匹配的算法模型时，则从服务器上下载与电子设备的芯片平台信息匹配的算法模型。加载与电子设备的芯片平台信息匹配的算法模型，以运行应用程序。根据电子设备的芯片平台信息，判断出服务器上存储有与电子设备的芯片平台信息匹配的算法模型时，则下载该算法模型并加载，以运行应用程序。如此，则应用程序自身本来不带有算法模型，当应用程序安装在电子设备上之后，直接根据电子设备的芯片平台信息下载匹配的算法模型进行加载即可。这样就不需要为了满足各种规格的芯片平台，而给应用程序安装包同时配置多种算法模型，减小应用程序安装包的大小、节约资源。

附图说明

为了更清楚地说明本申请实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为一个实施例中电子设备的内部结构示意图；

图2为一个实施例中算法模型更新方法的流程图；

图3为另一个实施例中算法模型更新方法的流程图；

图4为图2中算法模型下载方法的流程图；

图5为再一个实施例中算法模型更新方法的示意图；

图6为一个具体的实施例中像处理方法的流程图；

图7为一个实施例中算法模型更新装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1为一个实施例中电子设备的内部结构示意图。如图1所示，该电子设备包括通过系统总线连接的处理器和存储器。其中，该处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种算法模型更新方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。该电子设备可以是手机、电脑、平板电脑或者个人数字助理或穿戴式设备等。

传统的应用程序都是将算法模型文件与应用安装包绑定在一起，例如，将算法模型文件放入工程assert文件夹中，编译时会与资源文件一起编进应用安装包中。这样如果后续需要对算法模型进行更新或进行灰度升级，都必须连带对应用程序也进行更新。因此，对算法模型进行更新时候耗费资源、更新难度大。

另一方面，若算法模型运行在CPU上，只需要准备一套算法模型即可。但目前的算法模型在CPU上运行速度比较慢，随着人工智能(Artificial Intelligence，AI)的不断发展，因此各大芯片厂商都相继研发出了自己的AI芯片，并相应针对性地推出了自己的算法模型，如此则自己的算法模型运行在自己研发的AI芯片上，就取得了较好的性能。但是因为每种算法模型只能在与该算法模型对应的AI芯片上运行，这就意味着对于应用程序为了适配不同的芯片平台，需要在应用安装包中放入多种适配不同芯片平台的算法模型。显然，导致应用安装包的大小增加。或者就需要针对不同的芯片平台提高不同版本的应用程序，这样同样会增加运维成本。因此，本申请提出一种算法模型更新方法，不会增加应用安装包的大小、也不会增加运维成本。

图2为一个实施例中算法模型更新方法的流程图，应用于电子设备，如图2所示，算法模型更新方法包括步骤220至步骤260。

步骤220，当第一次启动应用程序时，获取电子设备的芯片平台信息，应用程序安装于电子设备中。

本申请中，为了让应用程序适配不同的芯片平台，将算法模型与应用程序的安装包分离设置。预先下载应用程序的安装包将应用程序安装于电子设备中。当第一次启动应用程序时，应用程序一般是运行在CPU中，获取电子设备的芯片平台信息。具体可以通过读取并解析安卓系统文件“/proc/cpuinfo”来获取芯片平台信息，如高通骁龙855芯片信息为：Qualcomm Technologies,Inc SM8150。对于苹果系统或其他系统，也有相应的获取到芯片平台信息的方法。本申请对操作系统不做限定，还可以包括电脑上运行的操作系统等。此处的算法模型可以是图像识别算法模型，当然还可以是用于其他数据处理的算法模型。

步骤240，当根据电子设备的芯片平台信息，得出服务器上存储有与电子设备的芯片平台信息匹配的算法模型时，则从服务器上下载与电子设备的芯片平台信息匹配的算法模型。

在得到了电子设备的芯片平台信息之后，判断服务器上是否存在与该芯片平台信息匹配的算法模型，若有则从服务器上下载与电子设备的芯片平台信息匹配的算法模型至电子设备的内存中。

步骤260，加载与电子设备的芯片平台信息匹配的算法模型，以运行应用程序。

在从服务器上下载与电子设备的芯片平台信息匹配的算法模型至电子设备的内存中之后，在AI芯片中加载该算法模型，并使得应用程序正常运行。例如，若电子设备中的某个应用程序为图像识别类应用，则当第一次启动应用程序时，获取电子设备的芯片平台信息。根据电子设备的芯片平台信息得出服务器上存储有与电子设备的芯片平台信息匹配的算法模型时，则从服务器上下载与电子设备的芯片平台信息匹配的算法模型至电子设备的内存中。并在AI芯片中加载该算法模型，使得应用程序在CPU中正常运行，可以实现图像识别的功能。

本申请实施例中，根据电子设备的芯片平台信息，判断出服务器上存储有与电子设备的芯片平台信息匹配的算法模型时，则下载该算法模型并加载，以运行应用程序。如此，则应用程序自身本来不带有算法模型，当应用程序安装在电子设备上之后，直接根据电子设备的芯片平台信息下载匹配的算法模型进行加载即可。这样就不需要为了满足各种规格的芯片平台，而给应用程序安装包同时配置多种算法模型，减小应用程序安装包的大小、节约资源。

在一个实施例中，如图3所示，在步骤220，当第一次启动应用程序时，获取电子设备的芯片平台信息之后，包括：

步骤280，当根据电子设备的芯片平台信息，得出服务器上未存储有与电子设备的芯片平台信息匹配的算法模型时，则退出应用程序。

具体的，电子设备的芯片平台包括高通的snpe，联发科的NeuroPilot，华为的HiAI，以及将来其它的芯片平台，本申请对此不做限定。对于每一种芯片平台，都对应一种算法模型，该算法模型只有在该芯片平台上才可以运行。因此，在得到了电子设备的芯片平台信息之后，判断服务器上是否存在与该芯片平台信息匹配的算法模型，若得出服务器上未存储有与电子设备的芯片平台信息匹配的算法模型时，则退出应用程序，提示用户该应用程序暂不支持该电子设备的芯片。

当然，若得出服务器上未存储有与电子设备的芯片平台信息匹配的算法模型时，可以从服务器上下载能够运行在普通的CPU上的算法模型(如TFlite是TensorFlow的移动轻量版，可以运行在CPU上)，保证能够在普通的CPU上加载该算法模型，以运行该应用程序。只是此时运行该应用程序的性能较差，不能达到前述在AI芯片上运行对应的算法模型，并在CPU上运行应用程序所能够达到的性能。一些低端的电子设备上没有配置AI芯片，只有普通的CPU，从服务器上下载能够运行在普通的CPU上的算法模型(如TFlite是TensorFlow的移动轻量版，可以运行在CPU上)，就可以保证在普通的CPU上加载该算法模型，以正常运行该应用程序，只是性能较低。

本申请实施例中，当第一次启动应用程序时，获取电子设备的芯片平台信息之后，判断服务器上是否存在与该芯片平台信息匹配的算法模型，若根据电子设备的芯片平台信息，得出服务器上未存储有与电子设备的芯片平台信息匹配的算法模型时，则退出应用程序。避免用户从服务器上下载了多种算法模型，但却不能正常加载这些算法模型，造成资源的浪费。

在一个实施例中，服务器上存储有算法模型及算法模型数据表，算法模型数据表中记录了电子设备的芯片平台信息与匹配的算法模型信息的对应关系；

如图4所示，步骤240，当根据电子设备的芯片平台信息，得出服务器上存储有与电子设备的芯片平台信息匹配的算法模型时，则从服务器上下载与电子设备的芯片平台信息匹配的算法模型，包括：

步骤242，根据电子设备的芯片平台信息遍历算法模型数据表，判断在算法模型数据表中是否能查询到电子设备的芯片平台信息。

步骤244，若在算法模型数据表中查询到电子设备的芯片平台信息，则从算法模型数据表中获取与电子设备的芯片平台信息对应的算法模型信息。

步骤246，根据算法模型信息从服务器上下载算法模型。

具体的，服务器上存储有算法模型及算法模型数据表，且算法模型数据表中记录了电子设备的芯片平台信息与匹配的算法模型信息的对应关系。一般情况下，一种芯片平台信息对应一种算法模型信息，但也会出现一种芯片平台信息对应多种算法模型信息的情况。当第一次启动应用程序时，获取电子设备的芯片平台信息之后，根据电子设备的芯片平台信息遍历算法模型数据表，查询到在服务器上该芯片平台信息对应多种算法模型信息时，则可以从这些多种算法模型中选择出一种最优或最新的算法模型下载至电子设备内存中，以便后续加载与电子设备的芯片平台信息匹配的算法模型，以运行应用程序。

若在算法模型数据表中查询到电子设备的芯片平台信息，则从算法模型数据表中获取与电子设备的芯片平台信息对应的算法模型信息。根据算法模型信息从服务器上下载算法模型。

本申请实施例中，服务器上存储有算法模型及算法模型数据表，且算法模型数据表中记录了电子设备的芯片平台信息与匹配的算法模型信息的对应关系。所以根据电子设备的芯片平台信息遍历算法模型数据表，就可以查询到与电子设备的芯片平台信息对应的算法模型信息，进而对应下载该算法模型至电子设备内存中，以便后续加载与电子设备的芯片平台信息匹配的算法模型，以运行应用程序。

在一个实施例中，如图5所示，还提供了一种算法模型更新方法还包括：

步骤520，当非首次启动应用程序时，获取电子设备中算法模型的当前版本。

当每次从服务器上下载了最新版本的算法模型后，都会对电子设备上原来的算法模型进行覆盖替换。所以，当第二次及后续启动应用程序时，获取电子设备中算法模型的当前版本，该当前版本就是截止目前电子设备上最新的版本。

步骤540，判断电子设备中算法模型的当前版本是否低于服务器上算法模型的最新版本。

研发人员会不断对服务器上的算法模型进行优化更新，并将更新后的最新版本的算法模型上传存储至服务器上，以便用户自行下载并对电子设备上的算法模型进行更新。因此，电子设备判断电子设备中算法模型的当前版本是否低于服务器上算法模型的最新版本。假设，电子设备中算法模型的当前版本为1.0版本，服务器上算法模型的最新版本为3.0版本，则判断出电子设备中算法模型的当前版本低于服务器上算法模型的最新版本。

步骤560，若判断出电子设备中算法模型的当前版本低于服务器上算法模型的最新版本，则从服务器上下载最新版本的算法模型。

步骤580，加载最新版本的算法模型以运行应用程序。

在判断出电子设备中算法模型的当前版本低于服务器上算法模型的最新版本，则从服务器上下载最新版本的算法模型至电子设备内存中，在AI芯片中加载该算法模型，并使得应用程序在CPU中正常运行。

本申请实施例中，因为算法模型与应用程序的安装包是分离设置的，所以在对应用程序进行更新时候，并未对算法模型进行更新。因此，为了保证算法模型也能够及时更新，就需要在第二次及后续启动应用程序时，获取电子设备中算法模型的当前版本，判断电子设备中算法模型的当前版本是否低于服务器上算法模型的最新版本。若判断出电子设备中算法模型的当前版本低于服务器上算法模型的最新版本，则从服务器上下载最新版本的算法模型。加载最新版本的算法模型以运行应用程序。从而实现了对电子设备中的算法模型也进行了及时更新，提高应用程序的性能。

在一个实施例中，在判断电子设备中算法模型的当前版本是否低于服务器上算法模型的最新版本之后，包括：

若判断出电子设备中算法模型的当前版本未低于服务器上算法模型的最新版本，则加载电子设备中的当前版本的算法模型以运行应用程序。

本申请实施例中，因为算法模型与应用程序的安装包是分离设置的，所以在对应用程序进行更新时候，并未对算法模型进行更新。因此，为了保证算法模型也能够及时更新，就需要在第二次及后续启动应用程序时，获取电子设备中算法模型的当前版本，判断电子设备中算法模型的当前版本是否低于服务器上算法模型的最新版本。若判断出电子设备中算法模型的当前版本未低于服务器上算法模型的最新版本，则加载电子设备中的当前版本的算法模型以运行应用程序。避免重复对电子设备中的算法模型进行下载，节约资源。

在一个实施例中，算法模型与应用程序的安装包分离设置。

传统方法中，应用程序都是将算法模型文件与应用安装包绑定在一起，例如，将算法模型文件放入工程assert文件夹中，编译时会与资源文件一起编进应用安装包中。这样如果后续需要对算法模型进行更新或进行灰度升级，都必须连带对应用程序也进行更新。因此，对算法模型进行更新时候耗费资源、更新难度大。

本申请实施例中，将算法模型与应用程序的安装包分离设置，预先下载应用程序的安装包将应用程序安装于电子设备中。当第一次启动应用程序的时候，再去服务器上下载与电子设备的芯片平台信息匹配的算法模型。后续在对算法模型进行更新或进行灰度升级，不需要连带对应用程序也进行更新，只需要对算法模型进行更新或进行灰度升级即可，减少资源的浪费。且另一方面不需要为了让应用程序适配多种芯片平台，因此在开发应用程序时候就给应用程序配置多种算法模型，这样导致应用安装包的大小增加。

在一个实施例中，电子设备的芯片平台包括嵌入式神经网络处理器。

本申请实施例中，电子设备中的AI芯片可以包括嵌入式神经网络处理器(Neural-network Processing Unit，NPU)。其中，嵌入式神经网络处理器(NPU)采用深度神经网络及“数据驱动并行计算”的架构，特别擅长处理视频、图像类的海量多媒体数据。若应用程序为图像识别类应用，则将与该种AI芯片匹配的算法模型运行在该种AI芯片上，在结合应用程序就可以提高应用程序的性能、且提高图像识别的速度和效果。当然，电子设备中的AI芯片不限定于嵌入式神经网络处理器，还可以是其他处理器。

在一个实施例中，如图6所示，还提供了一种算法模型更新方法，包括：

步骤602，首次启动应用，该应用可以是图像识别类应用；

步骤604，获取应用所安装的电子设备的芯片平台信息；

步骤606，判断电子设备的芯片平台信息是否在白名单中，该白名单即为算法模型数据表；若是，则进入步骤608；若否，则进入步骤616；

步骤608，根据电子设备的芯片平台信息从服务器上获取算法模型信息，如下载链接、算法模型文件的大小等；

步骤610，在服务器上下载算法模型；

步骤612，在芯片上加载算法模型；

步骤614，运行应用程序进行图像识别；

步骤616，提示用户应用程序不支持该芯片平台，并退出应用。

步骤618，当第二次及后续启动应用程序；

步骤620，获取电子设备中算法模型的当前版本；

步骤622，在服务器上查询算法模型的最新版本；

步骤624，判断电子设备中算法模型的当前版本是否低于服务器上算法模型的最新版本；若是，进入步骤626；若否，进入步骤630；

步骤626，根据电子设备的芯片平台信息从服务器上获取最新的算法模型信息，如下载链接、算法模型文件的大小等；

步骤628，在服务器上下载算法模型；

步骤630，在芯片上加载算法模型；

步骤632，运行应用程序进行图像识别。

本申请实施例中，当首次启动应用时根据电子设备的芯片平台信息，判断出服务器上存储有与电子设备的芯片平台信息匹配的算法模型时，则下载该算法模型并加载，以运行应用程序。如此，则应用程序自身本来不带有算法模型，当应用程序安装在电子设备上之后，直接根据电子设备的芯片平台信息下载匹配的算法模型进行加载即可。为了保证算法模型也能够及时更新，就需要在第二次及后续启动应用程序时，获取电子设备中算法模型的当前版本，判断电子设备中算法模型的当前版本是否低于服务器上算法模型的最新版本，对算法模型进行及时更新。从而实现了对电子设备中的算法模型也进行了及时更新，提高应用程序的性能，同时只需要对算法模型进行更新就节约了资源。

应该理解的是，虽然图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种算法模型更新装置700，包括：芯片平台信息获取模块720、算法模型下载模块740及算法模型加载模块760。

其中，

芯片平台信息获取模块720，用于当第一次启动应用程序时，获取电子设备的芯片平台信息，应用程序安装于电子设备中；

算法模型下载模块740，用于当根据电子设备的芯片平台信息，得出服务器上存储有与电子设备的芯片平台信息匹配的算法模型时，则从服务器上下载与电子设备的芯片平台信息匹配的算法模型；

算法模型加载模块760，用于加载与电子设备的芯片平台信息匹配的算法模型，以运行应用程序。

在一个实施例中，提供了一种算法模型更新装置700，还用于当根据电子设备的芯片平台信息，得出服务器上未存储有与电子设备的芯片平台信息匹配的算法模型时，则退出应用程序。

在一个实施例中，服务器上存储有算法模型及算法模型数据表，算法模型数据表中记录了电子设备的芯片平台信息与匹配的算法模型信息的对应关系；算法模型下载模块740，包括：

算法模型数据表查询单元，用于根据电子设备的芯片平台信息遍历算法模型数据表，判断在算法模型数据表中是否能查询到电子设备的芯片平台信息；

算法模型信息获取单元，用于若在算法模型数据表中查询到电子设备的芯片平台信息，则从算法模型数据表中获取与电子设备的芯片平台信息对应的算法模型信息；

算法模型下载单元，用于根据算法模型信息从服务器上下载算法模型。

在一个实施例中，提供了一种算法模型更新装置700，还包括：

算法模型的当前版本获取单元，用于当非首次启动应用程序时，获取电子设备中算法模型的当前版本；

判断单元，用于判断电子设备中算法模型的当前版本是否低于服务器上算法模型的最新版本；

最新版本的算法模型下载单元，用于若判断出电子设备中算法模型的当前版本低于服务器上算法模型的最新版本，则从服务器上下载最新版本的算法模型；

最新版本的算法模型加载单元，用于加载最新版本的算法模型以运行应用程序。

在一个实施例中，提供了一种算法模型更新装置700，还用于若判断出电子设备中算法模型的当前版本未低于服务器上算法模型的最新版本，则加载电子设备中的当前版本的算法模型以运行应用程序。

在一个实施例中，算法模型与应用程序的安装包分离设置。

在一个实施例中，电子设备的芯片平台包括嵌入式神经网络处理器。上述算法模型更新装置中各个模块的划分仅用于举例说明，在其他实施例中，可将算法模型更新装置按照需要划分为不同的模块，以完成上述算法模型更新装置的全部或部分功能。

本申请实施例中提供的算法模型更新装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。

电子设备实现该算法模型更新方法的过程如上述实施例，在此不再赘述。

本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行算法模型更新方法的步骤。

一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行算法模型更新方法。

本申请实施例所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种算法模型更新方法，其特征在于，包括：

当第一次启动应用程序时，获取电子设备的芯片平台信息，所述应用程序安装于电子设备中；

当根据所述电子设备的芯片平台信息，得出服务器上存储有与所述电子设备的芯片平台信息匹配的算法模型时，则从所述服务器上下载所述与所述电子设备的芯片平台信息匹配的算法模型；

加载所述与所述电子设备的芯片平台信息匹配的算法模型，以运行所述应用程序。

2.根据权利要求1所述的方法，其特征在于，在所述当第一次启动应用程序时，获取电子设备的芯片平台信息之后，包括：

当根据所述电子设备的芯片平台信息，得出服务器上未存储有与所述电子设备的芯片平台信息匹配的算法模型时，则退出所述应用程序。

3.根据权利要求1所述的方法，其特征在于，所述服务器上存储有算法模型及算法模型数据表，所述算法模型数据表中记录了电子设备的芯片平台信息与匹配的算法模型信息的对应关系；

所述当根据所述电子设备的芯片平台信息，得出服务器上存储有与所述电子设备的芯片平台信息匹配的算法模型时，则从所述服务器上下载所述与所述电子设备的芯片平台信息匹配的算法模型，包括：

根据所述电子设备的芯片平台信息遍历所述算法模型数据表，判断在所述算法模型数据表中是否能查询到所述电子设备的芯片平台信息；

若在所述算法模型数据表中查询到所述电子设备的芯片平台信息，则从所述算法模型数据表中获取与所述电子设备的芯片平台信息对应的算法模型信息；

根据所述算法模型信息从所述服务器上下载所述算法模型。

4.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：

当非首次启动所述应用程序时，获取所述电子设备中算法模型的当前版本；

判断所述电子设备中算法模型的当前版本是否低于所述服务器上算法模型的最新版本；

若判断出所述电子设备中算法模型的当前版本低于所述服务器上算法模型的最新版本，则从所述服务器上下载所述最新版本的算法模型；

加载所述最新版本的算法模型以运行所述应用程序。

5.根据权利要求4所述的方法，其特征在于，在所述判断所述电子设备中算法模型的当前版本是否低于所述服务器上算法模型的最新版本之后，包括：

若判断出所述电子设备中算法模型的当前版本未低于所述服务器上算法模型的最新版本，则加载所述电子设备中的当前版本的算法模型以运行所述应用程序。

6.根据权利要求1所述的方法，其特征在于，所述算法模型与所述应用程序的安装包分离设置。

7.根据权利要求1所述的方法，其特征在于，所述电子设备的芯片平台包括嵌入式神经网络处理器。

8.一种算法模型更新装置，其特征在于，包括：

芯片平台信息获取模块，用于当第一次启动应用程序时，获取电子设备的芯片平台信息，所述应用程序安装于电子设备中；

算法模型下载模块，用于当根据所述电子设备的芯片平台信息，得出服务器上存储有与所述电子设备的芯片平台信息匹配的算法模型时，则从所述服务器上下载所述与所述电子设备的芯片平台信息匹配的算法模型；

算法模型加载模块，用于加载所述与所述电子设备的芯片平台信息匹配的算法模型，以运行所述应用程序。

9.根据权利要求8所述的装置，其特征在于，所述服务器上存储有算法模型及算法模型数据表，所述算法模型数据表中记录了电子设备的芯片平台信息与匹配的算法模型信息的对应关系；所述算法模型下载模块，包括：

算法模型数据表查询单元，用于根据所述电子设备的芯片平台信息遍历所述算法模型数据表，判断在所述算法模型数据表中是否能查询到所述电子设备的芯片平台信息；

算法模型信息获取单元，用于若在所述算法模型数据表中查询到所述电子设备的芯片平台信息，则从所述算法模型数据表中获取与所述电子设备的芯片平台信息对应的算法模型信息；

算法模型下载单元，用于根据所述算法模型信息从所述服务器上下载所述算法模型。

10.一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的算法模型更新方法的步骤。

11.一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，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。

Images