CN111738415A - 模型同步更新方法、装置及电子设备 - Google Patents

模型同步更新方法、装置及电子设备 Download PDF

Info

Publication number
CN111738415A
CN111738415A CN202010551690.5A CN202010551690A CN111738415A CN 111738415 A CN111738415 A CN 111738415A CN 202010551690 A CN202010551690 A CN 202010551690A CN 111738415 A CN111738415 A CN 111738415A
Authority
CN
China
Prior art keywords
convolutional neural
neural network
model
data
decision tree
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.)
Granted
Application number
CN202010551690.5A
Other languages
English (en)
Other versions
CN111738415B (zh
Inventor
白戈
袁泽寰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010551690.5A priority Critical patent/CN111738415B/zh
Publication of CN111738415A publication Critical patent/CN111738415A/zh
Application granted granted Critical
Publication of CN111738415B publication Critical patent/CN111738415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/24323Tree-organised classifiers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例中提供了一种模型同步更新方法、装置及电子设备,属于数据处理技术领域,该方法包括:获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据;依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,其中K小于等于N;基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,形成更新后的第二历史数据;基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作。通过本公开的处理方案,能够提高模型更新的效率。

Description

模型同步更新方法、装置及电子设备
技术领域
本公开涉及数据处理技术领域,尤其涉及一种模型同步更新方法、装置及电子设备。
背景技术
目前推荐用的gbdt决策树模型依赖的视觉特征大部分产生于卷积神经网络(CNN)。如果只更新CNN模型而不更新gbdt决策树模型,由于CNN输出的特征分布已经发生变化,但此时gbdt仍然假定分布没有变化,导致最终输出会产生偏差。另外当gbdt依赖多个CNN模型时,情况会变得更加复杂,如果采用在线刷数据的方法训练两个gbdt模型,每一个CNN模型均需要部署新旧两个服务,这将占用较多的GPU资源。因此需要一种较为经济的方式解决多个CNN模型和gbdt模型同步更新的问题。。
发明内容
有鉴于此,本公开实施例提供一种模型同步更新方法、装置及电子设备,以至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种模型同步更新方法,包括:
获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据;
依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,其中K小于等于N;
基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,形成更新后的第二历史数据;
基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作。
根据本公开实施例的一种具体实现方式所述获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据,包括:
查找为所述决策树模型提供训输出数据的所有卷积神经网络模型;
将查找到的所有卷积神经网络模型作为所述N个卷积神经网络模型。
根据本公开实施例的一种具体实现方式所述获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据,包括:
将与所述N个卷积神经网络模型匹配的历史数据作为所述第一历史数据。
根据本公开实施例的一种具体实现方式所述依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,包括:
离线启动第K个卷积神经网络模型;
获取所述第K个卷积神经网络模型中全连接层的输出向量;
将所述输出向量作为所述K次特征输出。
根据本公开实施例的一种具体实现方式所述基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,包括:
查找所述第一历史数据中与所述第K个卷积神经网络的输出数据所对应的特征值;
将所述特征值替换为所述第K个卷积神经网络模型的特征输出。
根据本公开实施例的一种具体实现方式所述基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作之后,所述方法包括:
判断当前K的值是否小于N;
若否,则停止所述替换操作;
基于执行完K次替换操作之后的第一历史数据,形成第二历史数据。
根据本公开实施例的一种具体实现方式所述基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作,包括:
将所述第二历史数据作为训练数据,输入到所述决策树模型中;
在所述决策树模型的输出数据达到预设指标后,完成多所述决策树模型的更新操作。
根据本公开实施例的一种具体实现方式所述基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作之后,所述方法还包括:
对更新后的所述决策树模型以及更新后的N个卷积神经网络模型,执行上线操作。
第二方面,本公开实施例提供了一种模型同步更新装置,包括:
设置模块,用于获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据;
计算模块,用于依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,其中K小于等于N;
替换模块,用于基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,形成更新后的第二历史数据;
执行模块,用于基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的模型同步更新方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的模型同步更新方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的模型同步更新方法。
本公开实施例中的模型同步更新方案,包括获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据;依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,其中K小于等于N;基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,形成更新后的第二历史数据;基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作。通过本公开的处理方案,能够提高模型数据的更新效率,同时降低了系统资源的消耗。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例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公开的一些实施例,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它的附图。
图1为本公开实施例提供的一种模型同步更新方法的流程图;
图2为本公开实施例提供的另一种模型同步更新方法的流程图;
图3为本公开实施例提供的另一种模型同步更新方法的流程图;
图4为本公开实施例提供的另一种模型同步更新方法的流程图;
图5为本公开实施例提供的一种模型同步更新装置的结构示意图;
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种模型同步更新方法。本实施例提供的模型同步更新方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、客户端等中。
参见图1,本公开实施例中的模型同步更新方法,可以包括如下步骤:
S101,获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据。
卷积神经网络模型(CNN模型)通过对输入的数据进行神经网络计算,能够通过其内部组成的不同网络层输出计算得到的特征值,为此,可以通过多个卷积神经网络模型的输出数据来为决策树模型提供数据支持。决策树模型用于对输入的数据进行决策处理(例如,分类处理),作为一个例子,决策时模型可以是gbdt模型,对于具有N个数据输入源的数据来讲,可以采用N个卷积神经网络模型来对数据进行处理。
除了N个神经网络模型输入的数据之外,决策树模型还需要对第一历史数据作为输入数据,第一历史数据可以是用来进行决策处理的数据,例如,第一历史数据可以是用来进行分类处理的数据。第一历史数据可以根据实际的需要进行设置,例如,第一历史数据可以是实时产生的线上数据。作为一种处理方式,可以将第一历史数据依次通过N个卷积神经网络模型进行处理,N个神经网络模型具有不同的结构或参数,用于提取第一历史数据中的不同特征。最有将N个神经网络模型输出的数据和第一历史数据一起输入到决策树模型中进行处理。
S102,依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,其中K小于等于N。
由于神经卷积网络中产生的数据会实时的进行更新,而第一历史数据中的数据却不能实时的进行更新,由此就会导致第一历史数据中的数据不是最新的数据,如果采用第一历史数据来训练决策树模型,就会导致训练出来的决策树模型的结果不够准确。
为此,参见图2,可以在N个卷积神经网络中依次选择第K个卷积神经网络进行数据计算,以获得第K个卷积神经网络输出的K次特征输出,K次特征输出可以根据实际的需要从第K个卷积神经网络的网络层中提取,例如,可以从第K个卷积神经网络的全连接层中提取特征向量作为K次特征根输出,当然,也可以采用其他网络层的特征输出作为K次特征输出。在此,不对K次特征输出的来源进行限定。
S103,基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,形成更新后的第二历史数据。
获得K次特征输出之后,可以利用该K次特征输出对第一历史数据进行更新操作。例如,可以在第一历史数据中查找与K次特征输出相对应的数据,将该部分数据替换为K次特征。除此之外,也可以采用其他类型的方式对第一历史数据中的相应数据进行更新。
通过依次对所有N个卷积神经网络模型中输出的所有数据完成对第一历史数据中相应数据的更新之后,便可以完成对第一历史数据的更新操作,完成更新操作之后,第一历史数据便更新为第二历史数据。
S104,基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作。
获得第二历史训练数据之后,可以基于第二历史数据直接来训练决策树模型,通过设置相应的性能指标,在决策树模型达到该性能指标之后,便完成了对决策树模型的训练,从而完成了决策树模型的更新操作。
训练完决策树模型(例如,gbdt模型)后,同时更新决策树模型(例如,gbdt模型)和N个卷积神经网络模型,更新线上服务的时候会出现卷积神经网络模型和决策树模型版本不一致的情况,可以将卷积神经网络模型版本和决策树模型版本的对应关系预先记录下来,获取卷积神经网络模型服务输出的同时会得到卷积神经网络模型版本号,然后从版本号映射关系表中找到对应版本的决策树模型(例如,gbdt模型)进行推断。
通过上述实时方式,能够采用轻量化的方式来训练决策树模型,从而提高了决策树模型的训练效率。
根据本公开实施例的一种具体实现方式所述获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据,包括:查找为所述决策树模型提供训输出数据的所有卷积神经网络模型;将查找到的所有卷积神经网络模型作为所述N个卷积神经网络模型。
根据本公开实施例的一种具体实现方式所述获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据,包括:将与所述N个卷积神经网络模型匹配的历史数据作为所述第一历史数据。
参见图3,根据本公开实施例的一种具体实现方式所述依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,包括:
S301,离线启动第K个卷积神经网络模型。
通过离线的方式启动第K个卷积神经网络,能够不影响决策树模型中的数据处理,同时能够提高数据的处理效率。为此,可以在决策树模型处理数据的同时,设置单独隔离处理的服务器来启动第K个卷积神经网络模型。
S302,获取所述第K个卷积神经网络模型中全连接层的输出向量。
卷积神经网络通过对输入的数据进行处理,能够在其网络层生成特征向量,这些特征向量用来表示输入的数据的特征。作为一种方式,可以在神经网络模型的全连接层提取输出向量,作为一个例子,该输出向量可以是一个64位的行向量。
S303,将所述输出向量作为所述K次特征输出。
通过上述实施方式,能够快速的获得卷积神经网络的特征输出。
根据本公开实施例的一种具体实现方式所述基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,包括:查找所述第一历史数据中与所述第K个卷积神经网络的输出数据所对应的特征值;将所述特征值替换为所述第K个卷积神经网络模型的特征输出。
参见图4,根据本公开实施例的一种具体实现方式所述基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作之后,所述方法包括:
S401,判断当前K的值是否小于N;
S402,若否,则停止所述替换操作;
S403,基于执行完K次替换操作之后的第一历史数据,形成第二历史数据。
通过上述实施方式,能够在所有N个卷积神经网络模型完成特征值提取之后,形成第二历史数据。
根据本公开实施例的一种具体实现方式所述基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作,包括:将所述第二历史数据作为训练数据,输入到所述决策树模型中;在所述决策树模型的输出数据达到预设指标后,完成多所述决策树模型的更新操作。
根据本公开实施例的一种具体实现方式所述基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作之后,所述方法还包括:对更新后的所述决策树模型以及更新后的N个卷积神经网络模型,执行上线操作。
与上面的方法实施例相对应,参见图5,本公开实施例还提供了一种模型同步更新装置50,包括:
设置模块501,用于获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据;
计算模块502,用于依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,其中K小于等于N;
替换模块503,用于基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,形成更新后的第二历史数据;
执行模块504,用于基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作。。
本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的模型同步更新方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的模型同步更新方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的模型同步更新方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备60操作所需的各种程序和数据。处理装置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。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述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:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,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:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
描述于本公开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。其中,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,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种模型同步更新方法,其特征在于,包括:
获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据;
依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,其中K小于等于N;
基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,形成更新后的第二历史数据;
基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作。
2.根据权利要求1所述的方法,其特征在于,所述获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据,包括:
查找为所述决策树模型提供训输出数据的所有卷积神经网络模型;
将查找到的所有卷积神经网络模型作为所述N个卷积神经网络模型。
3.根据权利要求1所述的方法,其特征在于,所述获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据,包括:
将与所述N个卷积神经网络模型匹配的历史数据作为所述第一历史数据。
4.根据权利要求1所述的方法,其特征在于,所述依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,包括:
离线启动第K个卷积神经网络模型;
获取所述第K个卷积神经网络模型中全连接层的输出向量;
将所述输出向量作为所述K次特征输出。
5.根据权利要求1所述的方法,其特征在于,所述基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,包括:
查找所述第一历史数据中与所述第K个卷积神经网络的输出数据所对应的特征值;
将所述特征值替换为所述第K个卷积神经网络模型的特征输出。
6.根据权利要求1所述的方法,其特征在于,所述基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作之后,所述方法包括:
判断当前K的值是否小于N;
若否,则停止所述替换操作;
基于执行完K次替换操作之后的第一历史数据,形成第二历史数据。
7.根据权利要求1所述的方法,其特征在于,所述基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作,包括:
将所述第二历史数据作为训练数据,输入到所述决策树模型中;
在所述决策树模型的输出数据达到预设指标后,完成多所述决策树模型的更新操作。
8.根据权利要求1所述的方法,其特征在于,所述基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作之后,所述方法还包括:
对更新后的所述决策树模型以及更新后的N个卷积神经网络模型,执行上线操作。
9.一种模型同步更新装置,其特征在于,包括:
设置模块,用于获取N个卷积神经网络模型和第一历史数据,所述N个卷积神经网络模型用于向决策树模型提供训练输出数据;
计算模块,用于依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算,以获得K次特征输出,其中K小于等于N;
替换模块,用于基于得到的所有的K次特征输出,对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作,形成更新后的第二历史数据;
执行模块,用于基于所述第二历史数据训练所述决策树模型,用以对所述决策树模型执行更新操作。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述利要求1-8中任一项所述的模型同步更新方法。
11.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述利要求1-8中任一项所述的模型同步更新方法。
CN202010551690.5A 2020-06-17 2020-06-17 模型同步更新方法、装置及电子设备 Active CN111738415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010551690.5A CN111738415B (zh) 2020-06-17 2020-06-17 模型同步更新方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010551690.5A CN111738415B (zh) 2020-06-17 2020-06-17 模型同步更新方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111738415A true CN111738415A (zh) 2020-10-02
CN111738415B CN111738415B (zh) 2023-07-04

Family

ID=72649917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010551690.5A Active CN111738415B (zh) 2020-06-17 2020-06-17 模型同步更新方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111738415B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091670A (zh) * 2021-11-23 2022-02-25 支付宝(杭州)信息技术有限公司 一种模型线上更新方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180032915A1 (en) * 2016-07-29 2018-02-01 Splunk Inc. Transmitting machine learning models to edge devices for edge analytics
US20180121806A1 (en) * 2016-10-27 2018-05-03 International Business Machines Corporation Efficient parallel training of a network model on multiple graphics processing units
CN108804142A (zh) * 2017-04-28 2018-11-13 英特尔公司 数据中心集群上的加速决策树
US10152676B1 (en) * 2013-11-22 2018-12-11 Amazon Technologies, Inc. Distributed training of models using stochastic gradient descent
CN109468918A (zh) * 2018-10-31 2019-03-15 北京龙马智行科技有限公司 一种路基路面智能压实决策系统
CN110069988A (zh) * 2019-01-31 2019-07-30 中国平安财产保险股份有限公司 基于多维数据的ai驾驶风险分析方法、服务器及存储介质
WO2019201187A1 (zh) * 2018-04-16 2019-10-24 图灵人工智能研究院(南京)有限公司 物品鉴别方法、系统、设备及存储介质
CN110705705A (zh) * 2019-09-25 2020-01-17 浪潮电子信息产业股份有限公司 卷积神经网络模型同步训练方法、集群及可读存储介质
CN111291869A (zh) * 2020-05-09 2020-06-16 支付宝(杭州)信息技术有限公司 并行训练业务模型的方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10152676B1 (en) * 2013-11-22 2018-12-11 Amazon Technologies, Inc. Distributed training of models using stochastic gradient descent
US20180032915A1 (en) * 2016-07-29 2018-02-01 Splunk Inc. Transmitting machine learning models to edge devices for edge analytics
US20180121806A1 (en) * 2016-10-27 2018-05-03 International Business Machines Corporation Efficient parallel training of a network model on multiple graphics processing units
CN108804142A (zh) * 2017-04-28 2018-11-13 英特尔公司 数据中心集群上的加速决策树
WO2019201187A1 (zh) * 2018-04-16 2019-10-24 图灵人工智能研究院(南京)有限公司 物品鉴别方法、系统、设备及存储介质
CN109468918A (zh) * 2018-10-31 2019-03-15 北京龙马智行科技有限公司 一种路基路面智能压实决策系统
CN110069988A (zh) * 2019-01-31 2019-07-30 中国平安财产保险股份有限公司 基于多维数据的ai驾驶风险分析方法、服务器及存储介质
CN110705705A (zh) * 2019-09-25 2020-01-17 浪潮电子信息产业股份有限公司 卷积神经网络模型同步训练方法、集群及可读存储介质
CN111291869A (zh) * 2020-05-09 2020-06-16 支付宝(杭州)信息技术有限公司 并行训练业务模型的方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吕艳等: "采用卷积神经网络的老年人跌倒检测系统设计", 《浙江大学学报(工学版)》 *
周艳真等: "基于数据增强和深度残差网络的电力系统暂态稳定预测", 《中国电力》 *
陶洪铸等: "适应调控领域应用场景的人工智能平台体系架构及关键技术", 《电网技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091670A (zh) * 2021-11-23 2022-02-25 支付宝(杭州)信息技术有限公司 一种模型线上更新方法及装置

Also Published As

Publication number Publication date
CN111738415B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN110413812B (zh) 神经网络模型的训练方法、装置、电子设备及存储介质
CN110381368A (zh) 视频封面生成方法、装置及电子设备
CN109376419B (zh) 一种数据模型的生成方法、装置、电子设备及可读介质
CN110288037A (zh) 图像处理方法、装置及电子设备
CN111738316B (zh) 零样本学习的图像分类方法、装置及电子设备
CN110765752B (zh) 试题的生成方法、装置、电子设备及计算机可读存储介质
CN110555861A (zh) 光流计算方法、装置及电子设备
CN112380883B (zh) 模型训练方法、机器翻译方法、装置、设备及存储介质
CN110908752A (zh) 控件设置方法、装置、电子设备及交互系统
CN112258622B (zh) 图像处理方法、装置、可读介质及电子设备
CN111738415B (zh) 模型同步更新方法、装置及电子设备
CN111625291B (zh) 数据处理模型自动迭代方法、装置及电子设备
CN111626990A (zh) 目标检测框处理方法、装置及电子设备
CN110069997B (zh) 场景分类方法、装置及电子设备
CN110378936B (zh) 光流计算方法、装置及电子设备
CN116092092A (zh) 匹配方法、装置、介质及电子设备
CN113379733B (zh) 无参考图像质量评价的分块标签权重度量方法及设备
CN111832354A (zh) 目标对象年龄识别方法、装置及电子设备
CN112685996B (zh) 文本标点预测方法、装置、可读介质和电子设备
CN112669816B (zh) 模型的训练方法、语音识别方法、装置、介质及设备
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN111738416B (zh) 模型同步更新方法、装置及电子设备
CN112416989A (zh) 互联网演艺经纪人平台的管理方法、装置及电子设备
CN111382556A (zh) 数据转换方法、装置、设备及存储介质
CN110609728A (zh) 页面生成方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant