CN111797862A - 任务处理方法、装置、存储介质和电子设备 - Google Patents
任务处理方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111797862A CN111797862A CN201910282169.3A CN201910282169A CN111797862A CN 111797862 A CN111797862 A CN 111797862A CN 201910282169 A CN201910282169 A CN 201910282169A CN 111797862 A CN111797862 A CN 111797862A
- Authority
- CN
- China
- Prior art keywords
- network algorithm
- tasks
- algorithm model
- processed
- task
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种任务处理方法、装置、存储介质和电子设备。所述方法包括：确定多个待处理任务；对多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个分类集合包含两个或两个以上的待处理任务；从预设算法模型库中为每一分类集合匹配对应的网络算法模型；基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。本方案通过对任务进行分类，对不同类的任务采用不同类型的多任务学习机制，充分地保证了任务的求解精度和针对性；通过多任务网络之间的参数共享，降低了模型的过拟合程度，提升了智能服务质量。
Description
技术领域
本申请涉及电子设备领域，具体涉及一种任务处理方法、装置、存储介质和电子设备。
背景技术
随着电子技术的发展，诸如智能手机等电子设备的智能化程度越来越高。电子设备可以通过各种各样的算法模型来进行数据处理，从而为用户提供各种功能。例如，电子设备可以根据算法模型对用户的行为特征进行学习，从而为用户提供个性化的服务。
发明内容
本申请实施例提供一种任务处理方法、装置、存储介质及电子设备，可以提升智能服务的质量。
第一方面，本申请实施例提供一种任务处理方法，包括：
确定多个待处理任务；
对所述多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个所述分类集合包含两个或两个以上的待处理任务；
从预设算法模型库中为每一所述分类集合匹配对应的网络算法模型；
基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。
第二方面，本申请实施例还提供了一种任务处理装置，包括：
确定模块，用于确定多个待处理任务；
分类模块，用于对所述多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个所述分类集合包含两个或两个以上的待处理任务；
匹配模块，用于从预设算法模型库中为每一所述分类集合匹配对应的网络算法模型；
处理模块，用于基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。
第三方面，本申请实施例还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任务处理方法的步骤。
第四方面，本申请实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任务处理方法的步骤。
本申请实施例提供的任务处理方法，通过确定多个待处理任务；对多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个分类集合包含两个或两个以上的待处理任务；从预设算法模型库中为每一分类集合匹配对应的网络算法模型；基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。本方案通过对任务进行分类，对不同类的任务采用不同类型的多任务学习机制，充分地保证了任务的求解精度和针对性；通过多任务网络之间的参数共享，实现了各个任务之间的知识共享和流动，降低了模型的过拟合程度，提升了智能服务质量。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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为本申请实施例提供的全景感知架构示意图。
图2为本申请实施例提供的任务处理方法的第一种流程示意图。
图3为本申请实施例提供的任务处理方法的第二种流程示意图。
图4为本申请实施例提供的任务处理方法的场景架构示意图。
图5为本申请实施例提供的任务处理装置的第一种结构示意图。
图6为本申请实施例提供的任务处理装置的第二种结构示意图。
图7为本申请实施例提供的电子设备的第一种结构示意图。
图8为本申请实施例提供的电子设备的第二种结构示意图。
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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。
参考图1，图1为本申请实施例提供的全景感知架构示意图。所述任务处理方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述任务处理方法的硬件和软件的集成。
其中，全景感知架构包括信息感知层、任务处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如，所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中，距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器，可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
任务处理层用于对信息感知层获取到的数据进行处理。例如，任务处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中，数据清理是指对信息感知层获取到的大量数据进行清理，以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度，以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等，以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下，最大限度的精简数据量。
特征抽取层用于对任务处理层处理后的数据进行特征抽取，以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤，以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起，以构建一种更加高效、更加准确的特征提取方法，用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型，所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如，情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如，智能服务层可以为用户提供基础应用服务，可以为电子设备进行系统智能优化，还可以为用户提供个性化智能服务。
此外，全景感知架构中还可以包括多种算法，每一种算法都可以用于对数据进行分析处理，所述多种算法可以构成算法库。例如，所述算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
相关技术中，电子设备中任务彼此之间孤立，难以共享有价值信息。与此同时，由于单个任务采用单独的数据进行训练和学习，导致了最终获得的解决方案面临着泛化能力差、鲁棒性弱等各种问题。
有基于此，本申请实施例提供一种任务处理方法，通过不同任务之间共享信息的方式有效地降低模型过拟合的缺点，并能够显著提升模型泛化能力和鲁棒性。所述任务处理方法可以应用于电子设备中。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图2和图4，图2为本申请实施例提供的任务处理方法的第一种流程示意图；图4为为本申请实施例提供的任务处理方法的场景架构示意图。其中，所述任务处理方法包括以下步骤：
110，确定多个待处理任务。
具体的，收集多个待处理的终端任务，对每个任务构建单独的输入数据、以及需要的输出信息。例如，以分类任务为例，输入数据可以是图片、文字等数据，输出信息可以是分类结果信息。
在一些实施例中，可以将所收集的多个待处理任务具有特定数据结构的数据库中，以便于后续执行任务时的数据调用。例如，该数据库可以为基于结构化查询语言(Structured Query Language，简称SQL)的数据库。
120，对多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个分类集合包含两个或两个以上的待处理任务。
具体的，可以通过分析每一待处理任务的特点，然后通过相关聚类算法，从中筛选出具相同特点的任务作为同一类任务，并添加到同一集合中，从而得到多个分类集合。也即，步骤“对所述多个待处理任务进行分类”，可以包括以下流程：
(11)提取多个待处理任务中数据的特征信息，得到多个特征信息；
(12)对多个特征信息进行聚类处理，得到聚类处理结果；
(13)基于聚类处理结果对多个待处理任务进行分类。
实际应用中，对上述收集的任务进行分类时，可以分为相似任务和非相似任务，而相似与非相似的相似度，则主要取决于所采用的聚类算法。
在本申请实施例中，对上述任务的分类方法可以有多种，具体实施时，可采用支持向量机(Support Vector Machine，简称SVM))、支持向量回归(Support VectorRegression,简称SVR)等传统分类方法提取传统特征对上述各任务的数据进行距离度量和学习，或者或直接基于数据值计算，当距离较大时，作为非相似任务；当距离较小时，作为相似任务。其中，进行学习的数据指的是数值，以图像数据为例，可以直接基于图像的像素值进行距离的计算，也可以抽取一些传统特征进行距离的度量。
假设当前收集到终端有5个关于图像分类的待处理任务，分别是水果分类(多种水果)、花卉分类(多种花卉)、食物分类(多种食物)、猫分类(不同的猫品种)、狗分类(不同的狗品种)。那么，首先可以抽取各个图像的传统特征，如尺度不变特征变换(Scale-invariant feature transform，简称SIFT)、方向梯度直方图(Histogram of OrientedGradient,，简称HOG)等。接下来，采用SVM、SVR等聚类方法对抽取的特征进行聚类，会发现水果分类任务和花卉分类任务较为接近，猫品种分类任务和狗品种分类任务较为接近，而水果分类任务与猫分类任务距离较远。因此，便可以将任务猫品种分类任务和狗品种分类任务聚类成同一类任务、水果分类任务和花卉分类任务聚类成同一类任务作，从而得到两类相似分类任务(即两个相似分类集合)。而猫品种分类任务与水果分类任务相互之间作为非相似任务，因此不将其划分在同一分类集合中。
130，从预设算法模型库中为每一分类集合匹配对应的网络算法模型。
具体的，可以预先构建包括各种网络算法模型的全面的算法模型库，以便后续的待处理任务可以直接从该算法模型库中直接匹配到适合的网络算法模型。
在一些实施例中，为了不浪费资源，可以仅构建适用于终端中待处理任务的网络算法模型。例如，可以针对每一个待处理任务都构建一个网络算法模型。又例如，为了进一步节省资源，还可以优先构建适用于多个待处理任务的多功能网络算法模型，从而可以减少算法模型库中网络算法模型的构建数量。也即，在一些实施例中，分类集合包括至少一个相似任务集合、及至少一个非相似任务集合，相似任务集合包含两个或两个以上的待处理任务，非相似任务集合包含一个待处理任务。则，参考图3，在为每一分类集合匹配对应的网络算法模型之前，还可以包括以下流程：
150、构建预设算法模型库，其中，该预设算法模型库包括多个第一类型的网络算法模型和多个第二类型的网络算法模型，其中，第一类型的网络算法模型具有一输入层、至少一个隐层及多个输出层，第二类型的网络算法模型具有一输入层、至少一个隐层及一输出层。
具体的，第一类型的网络算法模型中，可以包括多个输出层，也即第一类型的网络算法模型允许多个任务使共享网络层来使用，并可从不同的输出层输出以得到各个任务的处理结果。
而第二类型的网络算法模型中，包括一个输出层，也即第二类型的网络算法模型只允许单个任务执行输出任务处理结果。
由于在构建神经网络模型的时候，需要构建一个目标函数，用于指导整个神经网络模型的优化方向。目标函数构建的时候一般有一个主目标，比如说针对分类问题，那么分类的精度就是这个主目标。但同时会加入一些先验知识到目标函数中，以更好地约束网络模型的优化和训练方向。先验知识通常可以认为是一种约束项，而这个约束项常用的表示方式就是正则化项。
例如，神经网络模型的目标函数包含两个部分：主目标(如准确度)+正则化项(即约束项)。在本申请实施例中，针对不相似任务，可以加入的正则化项是两个不相似任务分类网络模型学习出的参数距离越远越好。针对两个相似任务分类网络模型学习出的参数距离则越近越好。假设任务1和任务2是相似任务，则距离越近越好，具体的表示形式为：
其中w1表示第一个分类网络模型的参数，w2表示第二个分类网络模型的参数；假设任务1和任务2为非相似任务，则距离越远越好，具体的正则化项表示形式为：
则，继续参考图3，步骤“为每一分类集合匹配对应的网络算法模型”，可以包括以下流程：
131、从多个第一类型的网络算法模型中，为每一相似任务集合匹配对应的网络算法模型；
132、从多个第二类型的网络算法模型中，为每一非相似任务集合匹配对应的网络算法模型。
具体的，针对相似任务，采用参数硬共享的多任务学习机制来获得各个任务的求解模型。即各个任务共享相同的网络层(如神经网络中的输入层和隐层)，但输出层有多个，每个任务有一个单独的输出层。需要注意的是，因为相似任务的输入数据较为类似，故而可采用一套共用的网络架构，可以显著提高任务的求解效率以及输出的质量。
而针对非相似任务，采用参数软共享的多任务学习机制来获得各自任务的求解模型。具体而言，针对非相似任务中的每个任务，分别构建一个神经网络模型，多个任务则构建多个神经网络模型。每个神经网络模型的输入为各自任务的输入数据，输出为各自任务的输出数据。需要注意的是，在各个网络模型的目标函数构建中，采用正则化项来约束各个网络模型之间的参数距离，进而保证了各个网络模型之间的信息共享和流动，使得最终的各个任务的求解模型具有更好的泛化能力和鲁棒性。
140，基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。
具体的，针对相似任务和非相似任务，基于网络算法模型对任务进行处理时的操作有所不同。
针对相似任务，需要确定任务的输出层是哪一个。也即，步骤“基于匹配到的网络算法模型对相应的分类集合中的待处理任务进行处理”，可以包括以下流程：
(21a)若匹配到的网络算法模型为第一类型的网络算法模型，则分别获取相似任务集合中各待处理任务的输入数据；
(22a)提取输入数据的数据特征；
(23a)根据数据特征，从匹配到的网络算法模型的多个输出层中匹配对应的目标输出层；
(24a)基于匹配到的网络算法模型对输入数据进行处理，并从目标输出层输出处理结果。
而针对非相似任务，由于一个模型仅对应一个输出风，则可以直接采用构建好的模型进行任务处理。也即，步骤“基于匹配到的网络算法模型对相应的分类集合中的待处理任务进行处理”，可以包括以下流程：
(21b)若匹配到的网络算法模型为第二类型的网络算法模型，则获取非相似任务集合中待处理任务的输入数据；
(22b)基于匹配到的网络算法模型对输入数据进行处理，并输出处理结果。
应当理解，本申请实施例中，诸如术语“第一”、“第二”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，这样描述的对象在适当情况下可以互换。
具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
由上可知，本申请实施例提供了的任务处理方法，通过确定多个待处理任务；对多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个分类集合包含两个或两个以上的待处理任务；从预设算法模型库中为每一分类集合匹配对应的网络算法模型；基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。本方案通过对任务进行分类，对不同类的任务采用不同类型的多任务学习机制，充分地保证了任务的求解精度和针对性，使得最终构建的解决方案能够对各种任务进行针对性的学习和训练；通过多任务网络之间的参数共享，极大地提升了任务的求解效率和并行化程度，尤其是通过多任务网络之间的参数共享，实现了各个子任务之间的知识共享和流动，降低了模型的过拟合程度，进而极大地提高了模型的鲁棒性，提升了智能服务质量。
在一些实施例中，基于本申请实施例中的任务处理方法，首先通过信息感知层获取用户的电子设备中的多个待处理任务。接着，通过数据处理层对电子设备中的多个待处理任务进行分类处理，将相似任务划分到同一分类集合，非相似任务单独作为一个分类集合，得到多个分类集合。然后，通过特征抽取层从分类处理后的任务集合中提取任务特征，以基于任务特征为每一分类集合匹配对应的网络算法模型。其中，匹配的网络算法模型可以是由情景建模层对指定的算法模型进行训练得到。最后，智能服务层在处理任务时，可对待处理任务进行分类，对不同类的任务采用不同类型的多任务学习机制。例如，当前待处理任务中有关于图像分类的待处理任务，分别是水果分类、花卉分类、食物分类、猫分类、狗分类，则可以将任务猫品种分类任务和狗品种分类任务聚类成同一类任务，采用同一网络架构的算法模型进行处理；将水果分类任务和花卉分类任务聚类成同一类任务作，采用同一网络架构的算法模型进行处理。从而，充分地保证了任务的求解精度和针对性，通过多任务网络之间的参数共享，降低了模型的过拟合程度，提升了智能服务质量。
本申请实施例还提供一种任务处理装置。该任务处理装置可以集成在电子设备中。所述电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图5，图5为本申请实施例提供的任务处理装置的结构示意图。任务处理装置200可以包括：确定模块201、分类模块202、匹配模块203、处理模块204，其中：
确定模块201，用于确定多个待处理任务；
分类模块202，用于对多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个该分类集合包含两个或两个以上的待处理任务；
匹配模块203，用于从预设算法模型库中为每一分类集合匹配对应的网络算法模型；
处理模块204，用于基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。
在一些实施例中，分类模块202可以用于：
提取多个待处理任务中数据的特征信息，得到多个特征信息；
对多个特征信息进行聚类处理，得到聚类处理结果；
基于该聚类处理结果对多个待处理任务进行分类。
在一些实施例中，分类集合包括至少一个相似任务集合、及至少一个非相似任务集合，相似任务集合包含两个或两个以上的待处理任务，非相似任务集合包含一个待处理任务；参考图6，任务处理装置200还可以包括：
构建模块205，可以用于：
在为每一分类集合匹配对应的网络算法模型之前，构建预设算法模型库，预设算法模型库包括多个第一类型的网络算法模型和多个第二类型的网络算法模型，其中，第一类型的网络算法模型具有一输入层、至少一个隐层及多个输出层，第二类型的网络算法模型具有一输入层、至少一个隐层及一输出层；
该匹配模块203进一步可以用于：
从多个第一类型的网络算法模型中，为每一相似任务集合匹配对应的网络算法模型；
从多个第二类型的网络算法模型中，为每一非相似任务集合匹配对应的网络算法模型。
在一些实施例中，处理模块204进一步可以用于：
若匹配到的网络算法模型为第一类型的网络算法模型，则分别获取相似任务集合中各待处理任务的输入数据；
提取输入数据的数据特征；
根据该数据特征，从匹配到的网络算法模型的多个输出层中匹配对应的目标输出层；
基于匹配到的网络算法模型对该输入数据进行处理，并从目标输出层输出处理结果。
在一些实施例中，处理模块204可以用于：
若匹配到的网络算法模型为第二类型的网络算法模型，则获取非相似任务集合中待处理任务的输入数据；
基于匹配到的网络算法模型对输入数据进行处理，并输出处理结果。
由上可知，本申请实施例提供的任务处理装置200，通过确定多个待处理任务；对多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个分类集合包含两个或两个以上的待处理任务；从预设算法模型库中为每一分类集合匹配对应的网络算法模型；基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。本方案通过对任务进行分类，对不同类的任务采用不同类型的多任务学习机制，充分地保证了任务的求解精度和针对性；通过多任务网络之间的参数共享，降低了模型的过拟合程度，提升了智能服务质量。
本申请实施例还提供一种电子设备。电子设备可以是智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本、桌面计算设备、可穿戴设备诸如手表、眼镜、头盔、电子手链、电子项链、电子衣物等设备。
参考图7，图7为本申请实施例提供的电子设备300的第一种结构示意图。其中，电子设备300包括处理器301和存储器302。处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器302内的计算机程序，以及调用存储在存储器302内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备300中的处理器301会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的计算机程序，从而实现各种功能：
确定多个待处理任务；
对多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个分类集合包含两个或两个以上的待处理任务；
从预设算法模型库中为每一分类集合匹配对应的网络算法模型；
基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。
在一些实施例中，在对多个待处理任务进行分类处理时，所述处理器301用于执行以下步骤：
提取多个待处理任务中数据的特征信息，得到多个特征信息；
对多个特征信息进行聚类处理，得到聚类处理结果；
基于聚类处理结果对多个待处理任务进行分类。
在一些实施例中，分类集合包括至少一个相似任务集合、及至少一个非相似任务集合，相似任务集合包含两个或两个以上的待处理任务，非相似任务集合包含一个待处理任务；在为每一分类集合匹配对应的网络算法模型之前，所述处理器301用于执行以下步骤：
构建预设算法模型库，所述预设算法模型库包括多个第一类型的网络算法模型和多个第二类型的网络算法模型，其中，所述第一类型的网络算法模型具有一输入层、至少一个隐层及多个输出层，所述第二类型的网络算法模型具有一输入层、至少一个隐层及一输出层；
在为每一分类集合匹配对应的网络算法模型时，所述处理器301用于执行以下步骤：
从多个第一类型的网络算法模型中，为每一相似任务集合匹配对应的网络算法模型；
从多个第二类型的网络算法模型中，为每一非相似任务集合匹配对应的网络算法模型。
在一些实施例中，若匹配到的网络算法模型为第一类型的网络算法模型，则基于匹配到的网络算法模型对相应的分类集合中的待处理任务进行处理时，所述处理器301用于执行以下步骤：
分别获取相似任务集合中各待处理任务的输入数据；
提取输入数据的数据特征；
根据数据特征，从匹配到的网络算法模型的多个输出层中匹配对应的目标输出层；
基于匹配到的网络算法模型对输入数据进行处理，并从目标输出层输出处理结果。
在一些实施例中，若匹配到的网络算法模型为第二类型的网络算法模型，则在基于匹配到的网络算法模型对相应的分类集合中的待处理任务进行处理时，所述处理器301用于执行以下步骤：
获取非相似任务集合中待处理任务的输入数据；
基于匹配到的网络算法模型对输入数据进行处理，并输出处理结果。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序，从而执行各种功能应用以及任务处理。
在一些实施例中，参考图8，图8为本申请实施例提供的电子设备300的第二种结构示意图。
其中，电子设备300还包括：显示屏303、控制电路304、输入单元305、传感器306以及电源307。其中，处理器301分别与显示屏303、控制电路304、输入单元305、传感器306以及电源307电性连接。
显示屏303可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路304与显示屏303电性连接，用于控制显示屏303显示信息。
输入单元305可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元305可以包括指纹识别模组。
传感器306用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如，传感器306可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
电源307用于给电子设备300的各个部件供电。在一些实施例中，电源307可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图8中未示出，电子设备300还可以包括摄像头、蓝牙模块等，在此不再赘述。
由上可知，本申请实施例提供了一种电子设备，电子设备执行以下步骤：确定多个待处理任务；对多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个分类集合包含两个或两个以上的待处理任务；从预设算法模型库中为每一分类集合匹配对应的网络算法模型；基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。本方案通过对任务进行分类，对不同类的任务采用不同类型的多任务学习机制，充分地保证了任务的求解精度和针对性；通过引入多任务学习的机制，极大地提升了任务的求解效率和并行化程度，尤其是通过多任务网络之间的参数共享，实现了各个子任务之间的知识共享和流动，显著降低了模型的过拟合程度，进而极大地提高了模型的鲁棒性。
本申请实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的任务处理方法。
例如，在一些实施例中，当所述计算机程序在计算机上运行时，所述计算机执行以下步骤：
确定多个待处理任务；
对多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个分类集合包含两个或两个以上的待处理任务；
从预设算法模型库中为每一分类集合匹配对应的网络算法模型；
基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。
需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(ROM，Read OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的任务处理方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种任务处理方法，其特征在于，所述任务处理方法包括：
确定多个待处理任务；
对所述多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个所述分类集合包含两个或两个以上的待处理任务；
从预设算法模型库中为每一所述分类集合匹配对应的网络算法模型；
基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。
2.根据权利要求1所述的任务处理方法，其特征在于，所述对所述多个待处理任务进行分类处理，包括：
提取所述多个待处理任务中数据的特征信息，得到多个特征信息；
对所述多个特征信息进行聚类处理，得到聚类处理结果；
基于所述聚类处理结果对所述多个待处理任务进行分类。
3.根据权利要求1所述的任务处理方法，其特征在于，所述分类集合包括至少一个相似任务集合、及至少一个非相似任务集合，所述相似任务集合包含两个或两个以上的待处理任务，所述非相似任务集合包含一个待处理任务；
在为每一所述分类集合匹配对应的网络算法模型之前，还包括：
构建预设算法模型库，所述预设算法模型库包括多个第一类型的网络算法模型和多个第二类型的网络算法模型，其中，所述第一类型的网络算法模型具有一输入层、至少一个隐层及多个输出层，所述第二类型的网络算法模型具有一输入层、至少一个隐层及一输出层；
所述为每一所述分类集合匹配对应的网络算法模型，包括：
从所述多个第一类型的网络算法模型中，为每一所述相似任务集合匹配对应的网络算法模型；
从所述多个第二类型的网络算法模型中，为每一所述非相似任务集合匹配对应的网络算法模型。
4.根据权利要求3所述的任务处理方法，其特征在于，所述基于匹配到的网络算法模型对相应的分类集合中的待处理任务进行处理，包括：
若匹配到的网络算法模型为第一类型的网络算法模型，则分别获取所述相似任务集合中各待处理任务的输入数据；
提取所述输入数据的数据特征；
根据所述数据特征，从匹配到的网络算法模型的多个输出层中匹配对应的目标输出层；
基于匹配到的网络算法模型对所述输入数据进行处理，并从所述目标输出层输出处理结果。
5.根据权利要求3所述的任务处理方法，其特征在于，所述基于匹配到的网络算法模型对相应的分类集合中的待处理任务进行处理，包括：
若匹配到的网络算法模型为第二类型的网络算法模型，则获取所述非相似任务集合中待处理任务的输入数据；
基于匹配到的网络算法模型对所述输入数据进行处理，并输出处理结果。
6.一种任务处理装置，其特征在于，所述任务处理装置包括：
确定模块，用于确定多个待处理任务；
分类模块，用于对所述多个待处理任务进行分类处理，得到多个分类集合，其中，至少一个所述分类集合包含两个或两个以上的待处理任务；
匹配模块，用于从预设算法模型库中为每一所述分类集合匹配对应的网络算法模型；
处理模块，用于基于匹配到的网络算法模型对相应分类集合中的待处理任务进行处理。
7.根据权利要求6所述的任务处理装置，其特征在于，所述分类模块用于：
提取所述多个待处理任务中数据的特征信息，得到多个特征信息；
对所述多个特征信息进行聚类处理，得到聚类处理结果；
基于所述聚类处理结果对所述多个待处理任务进行分类。
8.根据权利要求6所述的任务处理装置，其特征在于，所述分类集合包括至少一个相似任务集合、及至少一个非相似任务集合，所述相似任务集合包含两个或两个以上的待处理任务，所述非相似任务集合包含一个待处理任务；
所述任务处理装置还包括：
构建模块，用于在为每一所述分类集合匹配对应的网络算法模型之前，构建预设算法模型库，所述预设算法模型库包括多个第一类型的网络算法模型和多个第二类型的网络算法模型，其中，所述第一类型的网络算法模型具有一输入层、至少一个隐层及多个输出层，所述第二类型的网络算法模型具有一输入层、至少一个隐层及一输出层；
所述匹配模块用于：
从所述多个第一类型的网络算法模型中，为每一所述相似任务集合匹配对应的网络算法模型；
从所述多个第二类型的网络算法模型中，为每一所述非相似任务集合匹配对应的网络算法模型。
9.根据权利要求8所述的任务处理装置，其特征在于，所述处理模块用于：
若匹配到的网络算法模型为第一类型的网络算法模型，则分别获取所述相似任务集合中各待处理任务的输入数据；
提取所述输入数据的数据特征；
根据所述数据特征，从匹配到的网络算法模型的多个输出层中匹配对应的目标输出层；
基于匹配到的网络算法模型对所述输入数据进行处理，并从所述目标输出层输出处理结果。
10.根据权利要求8所述的任务处理装置，其特征在于，所述处理模块用于：
若匹配到的网络算法模型为第二类型的网络算法模型，则获取所述非相似任务集合中待处理任务的输入数据；
基于匹配到的网络算法模型对所述输入数据进行处理，并输出处理结果。
11.一种存储介质，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1-5任一项所述方法的步骤。
12.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282169.3A CN111797862A (zh) | 2019-04-09 | 2019-04-09 | 任务处理方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282169.3A CN111797862A (zh) | 2019-04-09 | 2019-04-09 | 任务处理方法、装置、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797862A true CN111797862A (zh) | 2020-10-20 |
Family
ID=72805359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282169.3A Pending CN111797862A (zh) | 2019-04-09 | 2019-04-09 | 任务处理方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797862A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112925623A (zh) * | 2021-02-26 | 2021-06-08 | 北京百度网讯科技有限公司 | 任务处理方法、装置、电子设备和介质 |
| TWI810510B (zh) * | 2021-01-04 | 2023-08-01 | 鴻海精密工業股份有限公司 | 多模態資料處理方法及裝置、電子裝置及存儲介質 |
| CN116594748A (zh) * | 2023-05-19 | 2023-08-15 | 航天宏图信息技术股份有限公司 | 针对任务的模型定制处理方法、装置、设备和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140248A1 (en) * | 2015-11-13 | 2017-05-18 | Adobe Systems Incorporated | Learning image representation by distilling from multi-task networks |
| CN107563410A (zh) * | 2017-08-04 | 2018-01-09 | 中国科学院自动化研究所 | 基于局部类别一致聚类和多任务学习的分类方法及设备 |
| CN109299487A (zh) * | 2017-07-25 | 2019-02-01 | 展讯通信（上海）有限公司 | 神经网络模型、加速器、建模方法及装置、介质及系统 |
| CN109523532A (zh) * | 2018-11-13 | 2019-03-26 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
-
2019
- 2019-04-09 CN CN201910282169.3A patent/CN111797862A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170140248A1 (en) * | 2015-11-13 | 2017-05-18 | Adobe Systems Incorporated | Learning image representation by distilling from multi-task networks |
| CN109299487A (zh) * | 2017-07-25 | 2019-02-01 | 展讯通信（上海）有限公司 | 神经网络模型、加速器、建模方法及装置、介质及系统 |
| CN107563410A (zh) * | 2017-08-04 | 2018-01-09 | 中国科学院自动化研究所 | 基于局部类别一致聚类和多任务学习的分类方法及设备 |
| CN109523532A (zh) * | 2018-11-13 | 2019-03-26 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 郑昱: "面向大规模图像分类的层次化多任务学习算法研究", 《中国博士学位论文全文数据库 (信息科技辑)》, pages 2 - 4 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI810510B (zh) * | 2021-01-04 | 2023-08-01 | 鴻海精密工業股份有限公司 | 多模態資料處理方法及裝置、電子裝置及存儲介質 |
| CN112925623A (zh) * | 2021-02-26 | 2021-06-08 | 北京百度网讯科技有限公司 | 任务处理方法、装置、电子设备和介质 |
| CN112925623B (zh) * | 2021-02-26 | 2024-05-07 | 北京百度网讯科技有限公司 | 任务处理方法、装置、电子设备和介质 |
| CN116594748A (zh) * | 2023-05-19 | 2023-08-15 | 航天宏图信息技术股份有限公司 | 针对任务的模型定制处理方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10366313B2 (en) | Activation layers for deep learning networks | |
| CN111797893B (zh) | 一种神经网络的训练方法、图像分类系统及相关设备 | |
| US20190108447A1 (en) | Multifunction perceptrons in machine learning environments | |
| KR20200028330A (ko) | 네트워크 연산 에지 전반에 걸쳐 연속적으로 애플리케이션을 작동하는 딥 러닝과 인공 지능에서 지속적인 메모리 기반 학습을 가능하게 하는 시스템 및 방법 | |
| CN111797854B (zh) | 场景模型建立方法、装置、存储介质及电子设备 | |
| WO2021047587A1 (zh) | 手势识别方法、电子设备、计算机可读存储介质和芯片 | |
| US20210166058A1 (en) | Image generation method and computing device | |
| CN111797862A (zh) | 任务处理方法、装置、存储介质和电子设备 | |
| CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
| CN111798259A (zh) | 应用推荐方法、装置、存储介质及电子设备 | |
| CN111797870A (zh) | 算法模型的优化方法、装置、存储介质及电子设备 | |
| CN112241789A (zh) | 用于轻量化神经网络的结构化剪枝方法、装置、介质及设备 | |
| Venegas et al. | Automatic ladybird beetle detection using deep-learning models | |
| CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
| CN111798367A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN111797873A (zh) | 场景识别方法、装置、存储介质及电子设备 | |
| CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
| CN111814812B (zh) | 建模方法、装置、存储介质、电子设备及场景识别方法 | |
| CN111797856B (zh) | 建模方法、装置、存储介质及电子设备 | |
| CN114758334A (zh) | 一种对象注册方法及装置 | |
| CN111797874B (zh) | 行为预测方法、装置、存储介质及电子设备 | |
| CN111797986A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
| CN111797878B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| WO2020207294A1 (zh) | 服务处理方法、装置、存储介质及电子设备 |
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 |