CN110928528A - 算法模型的开发方法、终端设备及计算机存储介质 - Google Patents
算法模型的开发方法、终端设备及计算机存储介质 Download PDFInfo
- Publication number
- CN110928528A CN110928528A CN201911013159.6A CN201911013159A CN110928528A CN 110928528 A CN110928528 A CN 110928528A CN 201911013159 A CN201911013159 A CN 201911013159A CN 110928528 A CN110928528 A CN 110928528A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- training
- algorithm model
- model
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011161 development Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 116
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本申请提供了一种算法模型的开发方法、终端设备及计算机存储介质。该算法模型的开发方法包括：接收算法开发的需求信息，并根据需求信息采集对应的训练数据；基于需求信息从系统算法库中选择多个算法组件，并将多个算法组件合成第一算法模型；基于训练数据对第一算法模型进行训练，以得到训练参数；当训练参数符合预设训练参数阈值时，输出第一算法模型。本申请算法模型的开发方法能够快速响应客户需求，针对客户需求进行算法模型的快速开发。
Description
技术领域
本申请涉及计算机应用技术领域，特别是涉及一种算法模型方法、终端设备及计算机存储介质。
背景技术
随着大数据时代的来临，开发人员面对大量的业务数据需要开发很多算法以达到进行数据挖掘以及其学习的目的。在算法的开发过程中，需要对现有算法进行各种各样的组合。因此，使用的很多算法都会重复出现，而其中使用的数据和参数会不同。那么，开发人员反复编辑相同的代码会使开发效率降低，并且在代码进行检查或者对参数进行修改时会较为麻烦，也会时完成开发任务的效率变低。
整个算法开发分为多个环节，现有技术算法开发响应慢，每个开发环节都是独立的。如果某个环节连接沟通不及时，就会导致开发周期过长，而且每个环节可能各种原因导致一些无法预料的问题发生，严重影响最终算法的性能效果。
发明内容
本申请提供了一种算法模型的开发方法、终端设备及计算机存储介质，主要解决的技术问题是如何提高算法开发效率。
为解决上述技术问题，本申请提供了一种算法模型的开发方法，所述开发方法包括：
接收所述算法开发的需求信息，并根据所述需求信息采集对应的训练数据；
基于所述需求信息从系统算法库中选择多个算法组件，并将多个所述算法组件合成第一算法模型；
基于所述训练数据对所述第一算法模型进行训练，以得到训练参数；
当所述训练参数符合预设训练参数阈值时，输出所述第一算法模型。
为解决上述技术问题，本申请还提供了一种终端设备，所述终端设备包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的算法模型的开发方法。
为解决上述技术问题，本申请还提供了一种计算机存储介质，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如上述的算法模型的开发方法。
与现有技术相比，本申请的有益效果是：终端设备接收算法开发的需求信息，并根据需求信息采集对应的训练数据；基于需求信息从系统算法库中选择多个算法组件，并将多个算法组件合成第一算法模型；基于训练数据对第一算法模型进行训练，以得到训练参数；当训练参数符合预设训练参数阈值时，输出第一算法模型。本申请算法模型的开发方法通过自动根据需求信息选择对应的算法组件，并对算法组件进行合成，以得到能够满足所述需求的算法模型；进一步地，开发方法还通过对算法模型进行训练，输出高性能的算法模型，能够快速响应客户需求，针对客户需求进行算法模型的快速开发。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。其中：
图1是本申请提供的算法模型的开发方法第一实施例的流程示意图；
图2是本申请提供的算法模型的开发方法第二实施例的流程示意图；
图3是本申请提供的算法模型的开发方法第三实施例的流程示意图；
图4是本申请提供的终端设备一实施例的结构示意图；
图5是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例将常用算法的代码封装为算法组件，形成算法组件列表并显示在算法模型开发工具的界面中，本申请的算法模型开发方法可以自动选择需要使用的组件并在算法模型创建区域中进行组合，形成各个算法组件之间的逻辑关系，并为算法组件设置输入数据和参数。其中，上述逻辑关系，即各个算法组件之间的数据输入和输出关系。终端设备根据所需创建的算法逻辑，将多个算法组件按照数据输入和输出的逻辑顺序排列，并将算法组件之间通过线段进行连接，最终形成所需创建的算法模型的逻辑关系图。
基于上述介绍，本申请进一步提出了一种算法模型的快速开发方法，使得算法模型开发系统化、流程化以及规范化。具体请参阅图1，图1是本申请提供的算法模型的开发方法第一实施例的流程示意图。本实施例的算法模型开发方法应用于一种终端设备，其中，终端设备可以为一种智能终端，也可以为一种移动终端，如智能手机、笔记本、平板电脑等。
如图1所示，本实施例的算法模型开发方法具体包括以下步骤：
S101：接收算法开发的需求信息，并根据需求信息采集对应的训练数据。
其中，终端设备接收开发人员输入的对于算法开发的需求信息。需求信息，即开发人员所需的算法模型能够实现的功能信息，例如可以包括数据采集功能、数据处理功能以及数据输出功能。
终端设备进一步根据需求信息生成对应采集方案，并按照采集方案采集训练模型所需求的训练数据，其中，训练数据可以获取实时的输入数据，也可以从数据库中提取历史训练数据。当终端设备获取实时的输入数据时，终端设备也可以将实时的输入数据存储在数据库，以作为下一次模型训练的训练数据。
S102：基于需求信息从系统算法库中选择多个算法组件，并将多个算法组件合成第一算法模型。
其中，终端设备分析输入的需求信息，以根据需求信息对性能的要求从算法模型开发工具或者系统算法库中选择一个或多个算法组件。不同的算法组件实现不同的功能，终端设备进一步将多个算法组件合成第一算法模型，第一算法模型至少可以实现每个算法组件的功能。
其中，算法模型开发工具或者系统算法库中的算法组件也会不断进行更新和增加，以适应更多的应用场景。
进一步地，终端设备基于需求信息形成多个算法组件之间的逻辑关系，以使得训练数据可以依据逻辑关系在多个算法组件之间流通。例如，当选择的算法组件包括数据采集算法、数据处理算法以及数据输出算法时，终端设备合成的第一算法模型中算法组件的逻辑关系为：数据采集算法-数据处理算法-数据输出算法。
S103：基于训练数据对第一算法模型进行训练，以得到训练参数。
其中，终端设备将S101的训练数据输入第一算法模型中进行训练，以检测第一算法模型的工作状态。
具体地，终端设备将训练数据根据第一算法模型的逻辑关系依次输入到多个算法组件中。在训练过程中，终端设备实时监控每个算法组件的执行状态，以判断每个算法组件是否执行成功。进一步地，终端设备还可以记录每个算法组件在训练过程中的训练参数，使得开发人员能够直观地。其中，训练参数可以为准确率、检出率和误报率中的一种或多种。
S104：当训练参数符合预设训练参数阈值时，输出第一算法模型。
其中，终端设备将训练过程中的训练参数与预设的训练参数阈值进行比较，以综合判断第一算法模型的合理性和可靠性。
具体地，终端设备在模型训练过程会不断的测试第一算法模型的AP值、准确率、检出率以及误报率等参数，并将测试参数与预设的参数阈值进行比较，以得到最优模型。
例如，终端设备测试的准确率大于预设准确率，检出率大于预设检出率，且误报率小于预设误报率时，判定第一算法模型为最优模型，并固定模型输出第一算法模型。
进一步地，在S104之后，本实施例的算法模型开发方法还可以包括以下内容：
终端设备获取最优模型后，保存第一算法模型的逻辑关系以及算法组件的权重。终端设备基于第一算法模型，提供部署的API接口，以使第一算法模型通过部署的API接口进行真机测试。通过真机测试后，终端设备发布第一算法模型。
在本实施例中，终端设备接收算法开发的需求信息，并根据需求信息采集对应的训练数据；基于需求信息选择多个算法组件，并将多个算法组件合成第一算法模型；基于训练数据对第一算法模型进行训练，以得到训练参数；当训练参数符合预设训练参数阈值时，输出第一算法模型。本申请算法模型的开发方法通过自动根据需求信息选择对应的算法组件，并对算法组件进行合成，以得到能够满足所述需求的算法模型；进一步地，开发方法还通过对算法模型进行训练，输出高性能的算法模型，能够快速响应客户需求，针对客户需求进行算法模型的快速开发。
对于图1所示实施例中的步骤S104，本申请进一步提出了另一种具体的方法。具体请参阅图2，图2是本申请提供的算法模型的开发方法第二实施例的流程示意图。
如图2所示，本实施例的算法模型开发方法具体包括以下步骤：
S201：当训练参数不符合预设训练参数阈值时，基于训练参数调整第一算法模型，以得到第二算法模型。
其中，如上述实施例的S104，终端设备将测试得到的多种训练参数进行比较，以评估第一算法模型的优劣性。当第一算法模型无法满足S104的条件时，说明第一算法模型对于需求信息而言并非最优模型，终端设备需要重新合成其他算法模型。
具体地，终端设备可以重新分析需求信息，并根据需求信息选择多个算法组件，建立多个算法组件之间新的逻辑关系，以得到第二算法模型。终端设备也可以基于训练参数重新选择算法组件，例如增加或替换相关算法组件，或者重新建立算法组件的逻辑关系，以建立第二算法模型。
具体地，合成算法模型的每个算法组件都能实现不同的功能。例如：
第一算法组件，用于自动从数据库中筛选用于所述训练数据，快速开始训练。
第二算法组件，用于支持多通道类型图片的组合训练，支持2D、3D、点云等多格式。
第三算法组件，用于进行所述算法模型性能多角度评估，快速部署等。
第四算法组件，用于支持backbone网络和算法的自由更换。
第五算法组件，用于支持多种类的图像增强方法，人工制造各种数据。
第六算法组件，用于自动分析数据特点设置对应分类数量、anchor等参数。
第七算法组件，用于针对业务对检测速度，检测性能需求，切换对应算法和优化改进。
第一算法模型和第二算法模型至少包括上述算法组件中的一个或多个的组合。
S202：基于训练数据对第二算法模型进行训练，直至获取训练参数符合预设训练参数阈值的算法模型。
其中，终端设备基于S103的步骤重新将训练数据输入第二算法模型，以对第二算法模型进行训练。终端设备同时将测试中的训练参数与预设的训练参数阈值进行比较，若满足条件，则将第二算法模型视为最优算法模型；若不满足条件，则重复执行S201和S202，直至获取训练参数符合预设训练参数阈值的算法模型。
在本实施例中，通过调整不同算法组件的组合数量和组合方式，能够自动快速开发新的算法模型。
对于图1所示实施例中的步骤S101，本申请进一步提出了另一种具体的方法。具体请参阅图3，图3是本申请提供的算法模型的开发方法第三实施例的流程示意图。
如图2所示，本实施例的算法模型开发方法具体包括以下步骤：
S301：从预设的多个方案模板中获取目标方案模板，并基于需求信息和目标方案模板生成对应的采集方案表格，其中，采集方案表格中包括采集要求。
S302：基于采集要求，采集对应的训练数据，并填写入采集方案表格中。
S303：对每个所述训练数据进行标记。
其中，终端设备用最新AI算法自动对每个训练数据进行初步标记，进一步地，终端设备通过自动化AI辅助标记软件对AI辅助标记的每个训练数据进行检查和重新标记。
进一步地，在进行标记之前，自动化AI辅助标记软件对自动生成辅助标记，人工基于辅助标记可以加快标记速度。
S304：基于标记后的训练数据获取所有训练数据的分布情况，并将分布情况输入第一算法模型进行训练。
其中，数据标记结束后，终端设备使用数据分析功能，可以得到所有训练数据的分布情况。上述训练数据的分布情况作为选择算法模型的重要参考，标记后的训练数据会被用于第一算法模型进行训练。这些训练数据的分布情况会在后续模型训练的时候作为训练参数输入模型中，使得每个模型都和数据紧紧关联。
为实现上述实施例的算法模型的开发方法，本申请还提出了另一种终端设备，具体请参阅图4，图4是本申请提供的终端设备一实施例的结构示意图。
终端设备400包括存储器41和处理器42，其中，存储器41和处理器42耦接。
存储器41用于存储程序数据，处理器42用于执行程序数据以实现上述实施例的算法模型开发方法。
在本实施例中，处理器42还可以称为CPU(Central Processing Unit，中央处理单元)。处理器42可能是一种集成电路芯片，具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器42也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，如图5所示，计算机存储介质500用于存储程序数据，程序数据在被处理器执行时，用以实现如本申请方法实施例中所述的算法模型开发方法。
本申请算法模型开发方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置中，例如一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种算法模型的开发方法，其特征在于，所述开发方法包括：
接收所述算法开发的需求信息，并根据所述需求信息采集对应的训练数据；
基于所述需求信息从系统算法库中选择多个算法组件，并将多个所述算法组件合成第一算法模型；
基于所述训练数据对算法模型进行训练，以得到训练参数；
当所述训练参数符合预设训练参数阈值时，输出所述第一算法模型。
2.根据权利要求1所述的开发方法，其特征在于，所述当所述训练参数符合预设训练参数阈值时，输出所述第一算法模型的步骤，包括：
当所述训练参数不符合所述预设训练参数阈值时，基于所述训练参数调整所述第一算法模型，以得到第二算法模型；
基于所述训练数据对所述第二算法模型进行训练，直至获取所述训练参数符合所述预设训练参数阈值的算法模型。
3.根据权利要求2所述的开发方法，其特征在于，所述基于所述训练参数调整所述第一算法模型，以得到第二算法模型的步骤，包括：
基于所述训练参数重新选择所述算法组件，并将重新选择的所述算法组件合成所述第二算法模型；
或者，基于所述训练参数调整多个所述算法组件在所述第一算法模型的权重，以得到所述第二算法模型。
4.根据权利要求3所述的开发方法，其特征在于，多个所述算法组件至少包括第一算法组件、第二算法组件和第三算法组件、第四算法组件；
所述第一算法组件，用于自动从数据库中筛选用于所述训练数据，快速开始训练，还用于数据的预处理，数据增强，训练数据分析；
所述第二算法组件，用于支持多通道类型图片的组合训练，兼容更多的数据格式和项目多样性；
所述第三算法组件，用于算法核心的具体实现，涉及各种图像处理算子、机器学习和深度学习算法库，能针对不同需求快速选择对应算法。
所述第四算法组件，用于进行所述算法模型性能多角度评估，目的是找到符合要求的模型，进行快速部署。
5.根据权利要求1所述的开发方法，其特征在于，所述当所述训练参数符合预设训练参数阈值时，输出所述第一算法模型的步骤之后，包括：
基于所述第一算法模型，部署对应的接口，并通过真机进行验证测试，评估发布。
6.根据权利要求1所述的开发方法，其特征在于，所述接收所述算法开发的需求信息，并根据所述需求信息采集对应的训练数据的步骤，进一步包括：
从预设的多个方案模板中获取目标方案模板，并基于所述需求信息和所述目标方案模板生成对应的采集方案表格，其中，所述采集方案表格中包括采集要求；
基于所述采集要求，采集对应的所述训练数据，并填写入所述采集方案表格中。
7.根据权利要求6所述的开发方法，其特征在于，所述采集对应的所述训练数据，并填写入所述采集方案表格中的步骤之后，包括：
对每个所述训练数据进行标记；
基于标记后的所述训练数据获取所有训练数据的分布情况，并将所述分布情况输入所述第一算法模型进行训练。
8.根据权利要求1所述的开发方法，其特征在于，所述训练参数至少包括准确率、检出率和误报率；
所述当所述训练参数符合预设训练参数阈值时，输出所述第一算法模型的步骤，包括：
当所述准确率大于预设准确率，所述检出率大于预设检出率，且所述误报率小于预设误报率时，输出所述第一算法模型。
9.一种终端设备，其特征在于，所述终端设备包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1～8任一项所述的算法模型的开发方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1～8任一项所述的算法模型的开发方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013159.6A CN110928528A (zh) | 2019-10-23 | 2019-10-23 | 算法模型的开发方法、终端设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013159.6A CN110928528A (zh) | 2019-10-23 | 2019-10-23 | 算法模型的开发方法、终端设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110928528A true CN110928528A (zh) | 2020-03-27 |
Family
ID=69849354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911013159.6A Pending CN110928528A (zh) | 2019-10-23 | 2019-10-23 | 算法模型的开发方法、终端设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110928528A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612158A (zh) * | 2020-05-22 | 2020-09-01 | 云知声智能科技股份有限公司 | 模型部署方法、装置、设备和存储介质 |
| CN111708561A (zh) * | 2020-06-17 | 2020-09-25 | 杭州海康消防科技有限公司 | 算法模型更新系统、方法、装置及电子设备 |
| CN112000325A (zh) * | 2020-08-11 | 2020-11-27 | 福建博思数字科技有限公司 | 一种可视化的算法模型构建方法和存储介质 |
| CN113435608A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技（深圳）有限公司 | 联邦学习模型的生成方法、装置、计算机设备及存储介质 |
| CN114237635A (zh) * | 2022-02-24 | 2022-03-25 | 视睿（杭州）信息科技有限公司 | 一种半导体视觉检测快速部署和运维的方法、系统及存储介质 |
| CN114625440A (zh) * | 2022-03-10 | 2022-06-14 | 中国建设银行股份有限公司 | 模型数据处理方法、装置、电子设备和存储介质 |
| CN114691123A (zh) * | 2022-03-30 | 2022-07-01 | 上海深至信息科技有限公司 | 一种人工智能模型的训练方法及训练系统 |
| CN118468061A (zh) * | 2024-07-15 | 2024-08-09 | 四川三合力通科技发展集团有限公司 | 一种算法自动匹配及参数优化方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451663A (zh) * | 2017-07-06 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 算法组件化、基于算法组件建模方法、装置以及电子设备 |
| CN108108819A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种跨界大数据分析系统和方法 |
| CN109325541A (zh) * | 2018-09-30 | 2019-02-12 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置 |
| CN110008042A (zh) * | 2019-03-28 | 2019-07-12 | 北京易华录信息技术股份有限公司 | 一种基于容器的算法级联方法及系统 |
-
2019
- 2019-10-23 CN CN201911013159.6A patent/CN110928528A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451663A (zh) * | 2017-07-06 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 算法组件化、基于算法组件建模方法、装置以及电子设备 |
| CN108108819A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种跨界大数据分析系统和方法 |
| CN109325541A (zh) * | 2018-09-30 | 2019-02-12 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置 |
| CN110008042A (zh) * | 2019-03-28 | 2019-07-12 | 北京易华录信息技术股份有限公司 | 一种基于容器的算法级联方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612158A (zh) * | 2020-05-22 | 2020-09-01 | 云知声智能科技股份有限公司 | 模型部署方法、装置、设备和存储介质 |
| CN111612158B (zh) * | 2020-05-22 | 2024-03-01 | 云知声智能科技股份有限公司 | 模型部署方法、装置、设备和存储介质 |
| CN111708561A (zh) * | 2020-06-17 | 2020-09-25 | 杭州海康消防科技有限公司 | 算法模型更新系统、方法、装置及电子设备 |
| CN111708561B (zh) * | 2020-06-17 | 2024-01-05 | 杭州海康消防科技有限公司 | 算法模型更新系统、方法、装置及电子设备 |
| CN112000325A (zh) * | 2020-08-11 | 2020-11-27 | 福建博思数字科技有限公司 | 一种可视化的算法模型构建方法和存储介质 |
| CN113435608A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技（深圳）有限公司 | 联邦学习模型的生成方法、装置、计算机设备及存储介质 |
| CN113435608B (zh) * | 2021-06-30 | 2024-05-03 | 平安科技（深圳）有限公司 | 联邦学习模型的生成方法、装置、计算机设备及存储介质 |
| CN114237635A (zh) * | 2022-02-24 | 2022-03-25 | 视睿（杭州）信息科技有限公司 | 一种半导体视觉检测快速部署和运维的方法、系统及存储介质 |
| CN114237635B (zh) * | 2022-02-24 | 2022-07-15 | 视睿（杭州）信息科技有限公司 | 一种半导体视觉检测快速部署和运维的方法、系统及存储介质 |
| CN114625440A (zh) * | 2022-03-10 | 2022-06-14 | 中国建设银行股份有限公司 | 模型数据处理方法、装置、电子设备和存储介质 |
| CN114691123A (zh) * | 2022-03-30 | 2022-07-01 | 上海深至信息科技有限公司 | 一种人工智能模型的训练方法及训练系统 |
| CN118468061A (zh) * | 2024-07-15 | 2024-08-09 | 四川三合力通科技发展集团有限公司 | 一种算法自动匹配及参数优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110928528A (zh) | 算法模型的开发方法、终端设备及计算机存储介质 | |
| CN108268373A (zh) | 自动化测试用例管理方法、装置、设备及存储介质 | |
| CN106776338B (zh) | 一种测试方法、装置及服务器 | |
| US11544176B1 (en) | Systems and methods for automatically assessing and conforming software development modules to accessibility guidelines in real-time | |
| US11385878B2 (en) | Model deployment method, model deployment device and terminal equipment | |
| CN111966597B (zh) | 测试数据生成方法及装置 | |
| CN113868120A (zh) | 工业软件调试方法、装置、计算机设备和存储介质 | |
| CN109361628A (zh) | 报文组装方法、装置、计算机设备和存储介质 | |
| CN113778864A (zh) | 一种测试用例的生成方法和装置、电子设备和存储介质 | |
| CN109783381B (zh) | 一种测试数据生成方法、装置及系统 | |
| CN105446952A (zh) | 用于处理语义片段的方法和系统 | |
| CN114237754B (zh) | 一种数据加载方法、装置、电子设备以及存储介质 | |
| WO2018166499A1 (zh) | 文本分类方法、设备和存储介质 | |
| CN108829383A (zh) | 一种接口分离的数据处理方法及装置 | |
| CN112527573A (zh) | 一种接口测试方法、装置及存储介质 | |
| CN110716778A (zh) | 应用兼容性测试方法、装置及系统 | |
| CN111078877B (zh) | 数据处理、文本分类模型的训练、文本分类方法和装置 | |
| CN110309047B (zh) | 一种测试点生成方法、装置及系统 | |
| CN107423209A (zh) | 软件测试方法和装置 | |
| CN112100086A (zh) | 软件自动化测试方法、装置、设备和计算机可读存储介质 | |
| CN105630503A (zh) | 一种基于用户操作记录的应用开发移动设备选取方法 | |
| CN113590488B (zh) | 模拟金融数据支撑的系统测试方法与测试平台 | |
| CN114218912B (zh) | 工艺文件的生成方法、系统、存储介质以及电子装置 | |
| CN118503135B (zh) | 一种软件产品线的自动化功能型缺陷定位方法 | |
| CN111221719B (zh) | 一种自动化测试系统及测试方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd. Applicant after: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd. Address before: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN CCT THZ TECHNOLOGY Co.,Ltd. Applicant before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230619 Address after: 518000 Shenzhen, Baoan District, Xixiang, Guangdong Xixiang street, thirty-seventh fields, 430 estate. Applicant after: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd. Address before: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Applicant before: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd. Applicant before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |