CN111738416B - 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 PDFInfo
- Publication number
- CN111738416B CN111738416B CN202010551706.2A CN202010551706A CN111738416B CN 111738416 B CN111738416 B CN 111738416B CN 202010551706 A CN202010551706 A CN 202010551706A CN 111738416 B CN111738416 B CN 111738416B
- Authority
- CN
- China
- Prior art keywords
- decision tree
- model
- neural network
- convolutional neural
- network model
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (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:在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型;分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型;基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估;基于第一性能指标与第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作。通过本公开的处理方案,能够提高模型更新的效率。
Description
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
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。
卷积神经网络仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
gbdt(Gradient Boosting Decision Tree,梯度提升决策树),在回归和分类问题上的良好性能受到工业界和机器学习比赛的青睐,目前推荐用的gbdt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。因此需要一种机制在更新CNN时通知gbdt模型同步更新,另外当新的CNN模型效果不好时,希望能保留旧的CNN和旧的gbdt模型。
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:
在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型,其中,所述第二卷积神经网络模型与所述第一卷积神经网络模型不同,所述第二决策树模型与所述第一决策树模型相同;
分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型;
基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估,得到第一性能指标和第二性能指标;
基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作。
根据本公开实施例的一种具体实现方式,所述在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型,包括:
获取新上线的与所述第一卷积神经网络模型不同的卷积神经网络模型;
将获取到的所述新上线的卷积神经网络模型作为所述第二卷积神经网络模型。
根据本公开实施例的一种具体实现方式,所述在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型,包括:
将处于正在运行状态的第一决策树模型进行复制操作,生成复制的决策树模型;
将所述复制的决策树模型作为所述二决策树模型。
根据本公开实施例的一种具体实现方式,所述分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型,包括:
获取所述第一卷积神经网络模型全连接层生成的第一特征向量;
将所述第一特征向量和模型训练相关的线上数据一起输入到所述第一决策树模型中,用以训练所述第一决策树模型。
根据本公开实施例的一种具体实现方式,所述分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型,包括:
获取所述第二卷积神经网络模型全连接层生成的第二特征向量;
将所述第二特征向量和模型训练相关的线上数据一起输入到所述第二决策树模型中,用以训练所述第二决策树模型。
根据本公开实施例的一种具体实现方式,所述基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估之前,所述方法还包括:
预先设定用于对所述第一决策树模型和所述第二决策树模型进行评估的性能指标和评估样本,所述性能指标包括预测准确度,所述评估样本中包括针对评估结果的标识数据。
根据本公开实施例的一种具体实现方式,所述基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估,包括:
利用所述评估样本分别对所述第一决策树模型和第二决策树模型进行数据预测,得到第一预测结果和第二预测结果;
将所述第一预测结果和所述第二预测结果分别于所述标识数据进行比对,得到第一性能指标和第二性能指标。
根据本公开实施例的一种具体实现方式,所述基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作,包括:
当所述第一性能指标优于所述第二性能指标时,下线所述第二卷积神经网络模型;
当所述第二性能指标优于所述第一性能指标时,下线所述第一卷积神经网络模型。
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,用于在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型,其中,所述第二卷积神经网络模型与所述第一卷积神经网络模型不同,所述第二决策树模型与所述第一决策树模型相同;
训练模块,用于分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型;
评估模块,用于基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估,得到第一性能指标和第二性能指标;
执行模块,用于基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作。
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,包括在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型,其中,所述第二卷积神经网络模型与所述第一卷积神经网络模型不同,所述第二决策树模型与所述第一决策树模型相同;分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型;基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估,得到第一性能指标和第二性能指标;基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作。通过本公开的处理方案,能够采用同步的方对不同类型的训练模型进行更新。
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一种模型同步更新方法的配置示意图;
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,在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型,其中,所述第二卷积神经网络模型与所述第一卷积神经网络模型不同,所述第二决策树模型与所述第一决策树模型相同。
第一卷积神经网络模型可以是常见的CNN模型,第一卷积神经网络模型通常为训练模型中已经使用的模型。参见图2,第一决策树模型可以是常见的gbdt决策树模型,通过第一决策树模型,能够对需要进行决策处理的线上数据进行决策判断(例如,数据分类),为了提高第一决策树模型的决策准确度,可以通过加入第一卷积神经网络模型的方式来提高决策树的准确度。例如,第一决策树模型可以通过向第一卷积神经网络模型发送请求特征的方式,获得第一卷积神经网络模型产生的返回特征,该返回特征可以是第一卷积神经网络模型在全连接层生成的特征向量,也可以是第一卷积神经网络模型其他网络层生成的特征向量。
第一卷积神经网络模型在长期的使用之后,会出现返回特征不准确的问题,为此,需要每隔一段时间设置一个与第一卷积神经网络模型结构或参数不同的第二卷积神经网络模型,在第二卷积神经网络模型设置完成之后,对应性的设置第二决策树模型,第二决策树模型与第一决策时模型的结构和参数完全相同。这样一来,第一决策树模型和第二决策树模型同时对线上数据进行决策处理(例如,分类预测处理)。
S102,分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型。
在具体的操作过程中,可以分别使用第一卷积神经网络模型和第二卷积神经网络模型中的某一个网络层产生的输出向量作为输入到第一决策树模型和第二决策树模型的输入数据。例如,可以分别采用第一卷积神经网络模型和第二卷积神经网络模型全连接层产生的特征向量作为输出数据,基于该输出数据以及线上数据来训练第一决策树模型和第二决策树模型。
利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型可以采用常规的深度学习模型训练方法,本公开在此对于训练的方式不作具体的限定。
S103,基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估,得到第一性能指标和第二性能指标。
由于第一卷积神经网络模型和第二卷积神经网络模型存在结构或参数方便的不同,由此导致第一决策树模型和第二决策树模型产生的训练结果也不同,而本公开的目的之一便是选择决策树训练结果更优的模型。为此,可以设置针对所述第一决策树模型和所述第二决策树模型的性能评价指标,这些性能评价指标可以包括分类结果的准确度、分类结果的效率等,当然,也可以根据实际的需要来设置其他的性能评价指标。在此,对性能评价指标的具体内容不作限定。
通过预先设置的性能评价指标对所述第一决策树模型和所述第二决策树模型的输出结果进行评价,可以分别得到评价第一决策树模型的第一性能指标以及评价第二决策树模型的第二性能指标。
S104,基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作。
通过比较第一性能指标和第二性能指标,便可以确定第一卷积神经网络模型和第二卷积神经网络模型中哪一个的效果更好,以便于筛选更好的卷积神经网络模型,进而对性能指标不好的卷积神经网络模型执行下线操作。
具体的,当所述第一性能指标优于所述第二性能指标时,下线所述第二卷积神经网络模型;当所述第二性能指标优于所述第一性能指标时,下线所述第一卷积神经网络模型。进一步的,当下线第一卷积神经网络模型时,可以同时对第一决策树模型执行下线操作,当下线第二卷积神经网络模型时,可以同时对第二决策树模型执行下线操作。
通过上述实施例中的方式,能够保证卷积神经网络模型(CNN模型)中的特征数据和决策树模型(例如,gbdt模型)能关联起来,同时维持新旧两个卷积神经网络模型服务处理线上数据产生特征。通过分别训练两个决策树模型,最终选择评估结果最好的决策树模型模型,并将不需要的卷积神经网络模型服务下线。达到了实时对模型数据进行更新的效果。
参见图3,根据本公开实施例的一种具体实现方式,所述在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型,包括:
S301,获取新上线的与所述第一卷积神经网络模型不同的卷积神经网络模型;
S302,将获取到的所述新上线的卷积神经网络模型作为所述第二卷积神经网络模型。
根据本公开实施例的一种具体实现方式,所述在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型,包括:将处于正在运行状态的第一决策树模型进行复制操作,生成复制的决策树模型;将所述复制的决策树模型作为所述二决策树模型。
根据本公开实施例的一种具体实现方式,所述分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型,包括:获取所述第一卷积神经网络模型全连接层生成的第一特征向量;将所述第一特征向量和模型训练相关的线上数据一起输入到所述第一决策树模型中,用以训练所述第一决策树模型。
根据本公开实施例的一种具体实现方式,所述分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型,包括:获取所述第二卷积神经网络模型全连接层生成的第二特征向量;将所述第二特征向量和模型训练相关的线上数据一起输入到所述第二决策树模型中,用以训练所述第二决策树模型。
根据本公开实施例的一种具体实现方式,所述基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估之前,所述方法还包括:预先设定用于对所述第一决策树模型和所述第二决策树模型进行评估的性能指标和评估样本,所述性能指标包括预测准确度,所述评估样本中包括针对评估结果的标识数据。
参见图4,根据本公开实施例的一种具体实现方式,所述基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估,包括:
S401,利用所述评估样本分别对所述第一决策树模型和第二决策树模型进行数据预测,得到第一预测结果和第二预测结果;
S402,将所述第一预测结果和所述第二预测结果分别于所述标识数据进行比对,得到第一性能指标和第二性能指标。
根据本公开实施例的一种具体实现方式,所述基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作,包括:当所述第一性能指标优于所述第二性能指标时,下线所述第二卷积神经网络模型;当所述第二性能指标优于所述第一性能指标时,下线所述第一卷积神经网络模型。
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,用于在利用第一卷积神经网络模型的输出数据训练第一决策树模型的同时,设置第二卷积神经网络模型和第二决策树模型,其中,所述第二卷积神经网络模型与所述第一卷积神经网络模型不同,所述第二决策树模型与所述第一决策树模型相同;
训练模块502,用于分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一决策树模型和所述第二决策树模型;
评估模块503,用于基于所述第一决策树模型和所述第二决策树模型训练的结果,分别对所述第一决策树模型和所述第二决策树模型的性能指标进行评估,得到第一性能指标和第二性能指标;
执行模块504,用于基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作。
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 (8)
1.一种模型同步更新方法,其特征在于,包括:
在利用第一卷积神经网络模型的输出数据训练第一梯度提升决策树模型的同时,设置第二卷积神经网络模型和第二梯度提升决策树模型,其中,所述第二卷积神经网络模型与所述第一卷积神经网络模型不同,所述第二梯度提升决策树模型与所述第一梯度提升决策树模型相同;所述第二卷积神经网络模型为获取的新上线的与所述第一卷积神经网络模型不同的卷积神经网络模型;所述第二梯度提升决策树模型是对所述第一梯度提升决策树模型复制后得到的;
分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一梯度提升决策树模型和所述第二梯度提升决策树模型;
基于所述第一梯度提升决策树模型和所述第二梯度提升决策树模型训练的结果,分别对所述第一梯度提升决策树模型和所述第二梯度提升决策树模型的性能指标进行评估,得到第一性能指标和第二性能指标;所述第一性能指标和所述第二性能指标是利用第一预测结果和第二预测结果分别与标识数据进行比对得到的;所述第一预测结果和所述第二预测结果是利用评估样本分别对所述第一梯度提升决策树模型和第二梯度提升决策树模型进行数据预测得到的;所述性能指标和所述评估样本是预先设定的,用于对所述第一梯度提升决策树模型和所述第二梯度提升决策树模型进行评估;所述评估样本中包括针对评估结果的所述标识数据;
基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作;其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据,包括:视觉特征。
2.根据权利要求1所述的方法,其特征在于,所述分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一梯度提升决策树模型和所述第二梯度提升决策树模型,包括:
获取所述第一卷积神经网络模型全连接层生成的第一特征向量;
将所述第一特征向量和模型训练相关的线上数据一起输入到所述第一梯度提升决策树模型中,用以训练所述第一梯度提升决策树模型。
3.根据权利要求1所述的方法,其特征在于,所述分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一梯度提升决策树模型和所述第二梯度提升决策树模型,包括:
获取所述第二卷积神经网络模型全连接层生成的第二特征向量;
将所述第二特征向量和模型训练相关的线上数据一起输入到所述第二梯度提升决策树模型中,用以训练所述第二梯度提升决策树模型。
4.根据权利要求1所述的方法,其特征在于,所述性能指标包括预测准确度。
5.根据权利要求1所述的方法,其特征在于,所述基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作,包括:
当所述第一性能指标优于所述第二性能指标时,下线所述第二卷积神经网络模型;
当所述第二性能指标优于所述第一性能指标时,下线所述第一卷积神经网络模型。
6.一种模型同步更新装置,其特征在于,包括:
设置模块,用于在利用第一卷积神经网络模型的输出数据训练第一梯度提升决策树模型的同时,设置第二卷积神经网络模型和第二梯度提升决策树模型,其中,所述第二卷积神经网络模型与所述第一卷积神经网络模型不同,所述第二梯度提升决策树模型与所述第一梯度提升决策树模型相同;所述第二卷积神经网络模型为获取的新上线的与所述第一卷积神经网络模型不同的卷积神经网络模型;所述第二梯度提升决策树模型是对所述第一梯度提升决策树模型复制后得到的;
训练模块,用于分别利用所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据来训练所述第一梯度提升决策树模型和所述第二梯度提升决策树模型;
评估模块,用于基于所述第一梯度提升决策树模型和所述第二梯度提升决策树模型训练的结果,分别对所述第一梯度提升决策树模型和所述第二梯度提升决策树模型的性能指标进行评估,得到第一性能指标和第二性能指标;所述第一性能指标和所述第二性能指标是利用第一预测结果和第二预测结果分别与标识数据进行比对得到的;所述第一预测结果和所述第二预测结果是利用评估样本分别对所述第一梯度提升决策树模型和第二梯度提升决策树模型进行数据预测得到的;所述性能指标和所述评估样本是预先设定的,用于对所述第一梯度提升决策树模型和所述第二梯度提升决策树模型进行评估;所述评估样本中包括针对评估结果的所述标识数据;
执行模块,用于基于所述第一性能指标与所述第二性能指标的比较结果,对所述第一卷积神经网络模型或所述第二卷积神经网络模型中的一个执行下线操作;其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型的输出数据,包括:视觉特征。
7.一种电子设备,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权利要求1-5中任一项所述的模型同步更新方法。
8.一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权利要求1-5中任一项所述的模型同步更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010551706.2A CN111738416B (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 |
---|---|---|---|
CN202010551706.2A CN111738416B (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 |
---|---|
CN111738416A CN111738416A (zh) | 2020-10-02 |
CN111738416B true CN111738416B (zh) | 2023-07-18 |
Family
ID=72649857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010551706.2A Active CN111738416B (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) | CN111738416B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766933A (zh) * | 2017-10-24 | 2018-03-06 | 天津大学 | 一种解释卷积神经网络的可视化方法 |
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 |
WO2020062262A1 (en) * | 2018-09-30 | 2020-04-02 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating a neural network model for image processing |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10949746B2 (en) * | 2016-10-27 | 2021-03-16 | International Business Machines Corporation | Efficient parallel training of a network model on multiple graphics processing units |
KR102593438B1 (ko) * | 2017-11-17 | 2023-10-24 | 삼성전자주식회사 | 뉴럴 네트워크 학습 방법 및 디바이스 |
-
2020
- 2020-06-17 CN CN202010551706.2A patent/CN111738416B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766933A (zh) * | 2017-10-24 | 2018-03-06 | 天津大学 | 一种解释卷积神经网络的可视化方法 |
WO2020062262A1 (en) * | 2018-09-30 | 2020-04-02 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for generating a neural network model for image processing |
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 (1)
Title |
---|
一种分布式智能核心结构及其系统应用;王静逸等;《计算机辅助工程》(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111738416A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN115438232A (zh) | 知识图谱构建方法及装置、电子设备、存储介质 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN116894188A (zh) | 业务标签集更新方法、装置、介质及电子设备 | |
CN112380883B (zh) | 模型训练方法、机器翻译方法、装置、设备及存储介质 | |
CN116258657A (zh) | 模型训练方法、图像处理方法、装置、介质及电子设备 | |
CN116703131B (zh) | 电力资源分配方法、装置、电子设备和计算机可读介质 | |
CN111625291B (zh) | 数据处理模型自动迭代方法、装置及电子设备 | |
CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
CN116088537B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN110060324B (zh) | 图像渲染方法、装置及电子设备 | |
CN110069195B (zh) | 图像拖拽变形方法和装置 | |
CN111738416B (zh) | 模型同步更新方法、装置及电子设备 | |
CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111626990B (zh) | 目标检测框处理方法、装置及电子设备 | |
CN111738415B (zh) | 模型同步更新方法、装置及电子设备 | |
CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 | |
CN116974684B (zh) | 地图页面布局方法、装置、电子设备与计算机可读介质 | |
CN111522887B (zh) | 用于输出信息的方法和装置 | |
CN111292329B (zh) | 视频分割网络的训练方法、装置及电子设备 | |
CN113177174B (zh) | 特征构建方法、内容显示方法及相关装置 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
CN111311665B (zh) | 视频处理方法、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 |