CN111860852A - 用于处理数据的方法、装置和系统 - Google Patents
用于处理数据的方法、装置和系统 Download PDFInfo
- Publication number
- CN111860852A CN111860852A CN201910362154.8A CN201910362154A CN111860852A CN 111860852 A CN111860852 A CN 111860852A CN 201910362154 A CN201910362154 A CN 201910362154A CN 111860852 A CN111860852 A CN 111860852A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- target
- learning module
- target deep
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 claims abstract description 249
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 abstract description 5
- 238000013508 migration Methods 0.000 abstract description 3
- 230000005012 migration Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了用于处理数据的方法、装置和系统。该方法的一具体实施方式包括：接收包括学习目标和原始数据的深度学习请求；确定完成学习目标所需的目标深度学习模块；将原始数据发送到目标深度学习模块；获取目标深度学习模块返回的数据处理结果。该实施方式能够按照需求来定制具体哪些深度学习模块。这种深度学习模块化设计不但灵活，而且便于迁移到类似项目中。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于处理数据的方法和装置。
背景技术
基于深度学习的边缘计算系统经常会有多模型的需求，这些模型或者并行，或者串行，或者是某种混合的形式。目前实现多模型设计的方法基本是采用更强算力的芯片，但是单一芯片对多模型并行的限制，更强算力芯片本身成本的增加，以及实际使用案例对多模型灵活配置的实时需求之间一直存在矛盾。
发明内容
本公开的实施例提出了用于处理数据的方法和装置。
第一方面，本公开的实施例提供了一种用于处理数据的方法，包括：接收包括学习目标和原始数据的深度学习请求；确定完成学习目标所需的目标深度学习模块；将原始数据发送到目标深度学习模块；获取目标深度学习模块返回的数据处理结果。
在一些实施例中，确定完成学习目标所需的目标深度学习模块，包括：确定完成学习目标所需的至少一个并行运行的目标深度学习模块；以及将原始数据发送到目标深度学习模块，包括：将原始数据并行发送到至少一个目标深度学习模块。
在一些实施例中，确定完成学习目标所需的目标深度学习模块，包括：确定完成学习目标所需的至少一个按照预定时间顺序串行运行的目标深度学习模块；以及将原始数据发送到目标深度学习模块，包括：将原始数据发送到按时间顺序第一个运行的目标深度学习模块；接收第一个运行的目标深度学习模块返回的运算结果；重复将前一个运行的目标深度学习模块返回的运算结果发送到下一个运行的目标深度学习模块，直到最后一个运行的目标深度学习模块返回数据处理结果。
在一些实施例中，该方法还包括：将不同的目标深度学习模块返回的数据处理结果进行分析后输出。
在一些实施例中，确定完成学习目标所需的目标深度学习模块，包括：获取至少一个候选深度学习模块的属性信息，其中，属性信息包括以下至少一项：功能信息、性能信息、负载信息。从至少一个候选深度学习模块确定出属性信息与学习目标匹配的目标深度学习模块。
在一些实施例中，目标深度学习模块为至少一个功能不同的人工智能芯片。
第二方面，本公开的实施例提供了一种用于处理数据的装置，包括：接收单元，被配置成接收包括学习目标和原始数据的深度学习请求；确定单元，被配置成确定完成学习目标所需的目标深度学习模块；发送单元，被配置成将原始数据发送到目标深度学习模块；获取单元，被配置成获取目标深度学习模块返回的数据处理结果。
在一些实施例中，确定单元进一步被配置成：确定完成学习目标所需的至少一个并行运行的目标深度学习模块；以及发送单元进一步被配置成：将原始数据并行发送到至少一个目标深度学习模块。
在一些实施例中，确定单元进一步被配置成：确定完成学习目标所需的至少一个按照预定时间顺序串行运行的目标深度学习模块；以及发送单元进一步被配置成：将原始数据发送到按时间顺序第一个运行的目标深度学习模块；接收第一个运行的目标深度学习模块返回的运算结果；重复将前一个运行的目标深度学习模块返回的运算结果发送到下一个运行的目标深度学习模块，直到最后一个运行的目标深度学习模块返回数据处理结果。
在一些实施例中，该装置还包括输出单元，被配置成：将不同的目标深度学习模块返回的数据处理结果进行分析后输出。
在一些实施例中，确定单元进一步被配置成：获取至少一个候选深度学习模块的属性信息，其中，属性信息包括以下至少一项：功能信息、性能信息、负载信息。从至少一个候选深度学习模块确定出属性信息与学习目标匹配的目标深度学习模块。
在一些实施例中，目标深度学习模块为至少一个功能不同的人工智能芯片。
第三方面，本公开的实施例提供了一种用于处理数据的系统，包括核心板和至少一个深度学习模块，核心板和每个深度学习模块之间通过USB(Universal Serial Bus，通用串行总线)连接，其中，核心板，被配置成接收包括学习目标和原始数据的深度学习请求；从至少一个深度学习模块中确定完成学习目标所需的目标深度学习模块，将原始数据发送到目标深度学习模块，获取目标深度学习模块返回的数据处理结果；至少一个深度学习模块，被配置成接收核心板发送的原始数据，进行深度学习得到数据处理结果，将数据处理结果发送到核心板。
在一些实施例中，本公开的实施例提供了该系统基于一个核心板，采用星形并联方式来定制和接入需要的深度学习模块。
第四方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第五方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
第六方面，本申请实施例提供了另一种服务器，包括：接口；存储器，其上存储有一个或多个程序；以及一个或多个处理器，在操作上连接到上述接口和上述存储器，用于：接收包括学习目标和原始数据的深度学习请求；确定完成学习目标所需的目标深度学习模块；将原始数据发送到目标深度学习模块；获取目标深度学习模块返回的数据处理结果。
第七方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，当上述计算机程序被一个或多个处理器执行时，使得上述一个或多个处理器：接收包括学习目标和原始数据的深度学习请求；确定完成学习目标所需的目标深度学习模块；将原始数据发送到目标深度学习模块；获取目标深度学习模块返回的数据处理结果。
本公开的实施例提供的用于处理数据的方法和装置，设计不同的嵌入式深度学习模块，每个模块可以完成简单的1～2模型的运算，这些模块作为通用的低成本方案固化下来，并通过标准的USB接口可以容易的接入任何系统中，同时可以按照需求来定制具体哪些模块。这种模块化设计不但灵活，而且便于迁移到类似项目中。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于处理数据的方法的一个实施例的流程图；
图3是根据本公开的用于处理数据的方法的一个应用场景的示意图；
图4是根据本公开的用于处理数据的方法的又一个实施例的流程图；
图5是根据本公开的用于处理数据的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于处理数据的方法或用于处理数据的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104，核心板105，深度学习模块106、107、108、109。网络104用以在终端设备101、102、103和核心板105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与核心板105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如人脸识别应用、图像识别应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持图像处理或音频处理等深度学习需求的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
核心板105可以是提供各种服务的服务器，例如对终端设备101、102、103输入的人脸图像进行识别的人脸识别服务器。人脸识别服务器可以对接收到的人脸识别请求等数据进行分析等处理，并将处理结果(例如身份信息)反馈给终端设备。核心板105还可进行其它方面的深度学习，例如，语音识别、遥感图像识别等。
核心板105可通过USB与深度学习模块106、107、108、109连接。深度学习模块106、107、108、109是可插拔的人工智能芯片，例如Myriad2。每个深度学习模块可以完成简单的1～2模型的运算，这些模块作为通用的低成本方案固化下来，并通过标准的USB接口可以容易的接入任何系统中，同时可以按照需求来定制具体哪些模块。这种模块化设计不但灵活，而且放迁移到类似项目中。比如有的客户只要人脸抠图就给他们一个抠图的模块，有的客户要抠图加性别识别就配置2个模块，有的要抠图性别和年龄就定制接入3个模块。
在系统中基于一个核心板，可采用星形并联方式来定制和接入需要的深度学习模块。每个深度学习模块通过USB连接到核心板来传输数据。数据从核心板通过USB发到各个深度学习模块做对应的深度学习计算，然后计算结果再由USB传回核心板汇总。
如图1所示，核心板与4个深度学习模块通过USB相连。系统启动时，核心板从外部存储器中读取离线训练好的深度学习网络模型和模型参数，并通过USB将这些数据传输到4个深度学习模块。这4个深度学习模块中的深度学习网络模型可以是相同或不同的神经网络。例如深度学习模块106中的神经网络可以是用于识别性别的卷积神经网络，深度学习模块107中的神经网络可以是用于进行图像分割的MaskRCNN，深度学习模块108中的神经网络还可以是用于识别性别的卷积神经网络、深度学习模块109中的神经网络还可以是用于识别年龄的卷积神经网络。核心板可将一张集体照发送给深度学习模块107进行图像分割，分割出单个人脸的人脸图像，再分成两组后分别输入深度学习模块106和深度学习模块108，由两个模块并行处理性别识别。在性别识别的同时，将分割后的图像发向深度学习模块109，进行年龄识别。最终识别结果都会返回到核心板中进行汇总，再由核心板将汇总的结果反馈给终端。
需要说明的是，本公开的实施例所提供的用于处理数据的方法一般由核心板105执行，相应地，用于处理数据的装置一般设置于核心板105中。
应该理解，图1中的终端设备、网络、核心板、深度学习模块的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络核心板、深度学习模块。
继续参考图2，示出了根据本公开的用于处理数据的方法的一个实施例的流程200。该用于处理数据的方法，包括以下步骤：
步骤201，接收包括学习目标和原始数据的深度学习请求。
在本实施例中，用于处理数据的方法的执行主体(例如图1所示的核心板)可以通过有线连接方式或者无线连接方式从终端接收深度学习请求。深度学习请求可包括学习目标和原始数据。学习目标可以是人脸识别、语音识别等可通过深度学习解决的问题。原始数据可以是人脸图像、语音等学习对象。
步骤202，确定完成学习目标所需的目标深度学习模块。
在本实施例中，核心板与至少一个深度学习模块通过USB连接。可根据学习目标从多个深度学习模块中选择完成学习目标所需的目标深度学习模块。例如，学习目标为识别性别，则从核心板连接的多个深度学习模块中选择能够识别性别的深度学习模块作为目标深度学习模块。学习目标可能有多个，由核心板确定完成学习目标的先后顺序，由核心板来调度深度学习模块来完成学习目标。核心板可确定出完成学习目标需要哪几个深度学习模块以及不同深度学习模块如何配合，例如，并行执行深度学习，或者串行执行深度学习。
可选地，学习目标可以是概括性的目标，例如，通过图像识别人脸信息。则核心板可根据已有的深度学习模块确定哪些与人脸识别相关，然后将图像发到相应的深度学习模块。
深度学习模块的网络的结构主要是由卷积层、池化层、全连接层等组成。以图像识别的深度学习模块为例，卷积操作利用权值不同的卷积核对原始图像或特征图(featuremap)进行扫描卷积，从中提取各种意义的特征，并输出至特征图中。池化操作则对特征图进行降维操作，保留特征图中的主要特征。全连接层整合卷积层或者池化层中具有类别区分性的特征图。最后一层全连接层的输出值被传递给一个输出，可以采用softmax逻辑回归进行分类。
步骤203，将原始数据发送到目标深度学习模块。
在本实施例中，可直接将原始数据发送到目标深度学习模块。在有多个目标深度学习模块的情况下，可并行向不同的目标深度学习模块发送原始数据。还可将某个目标深度学习模块返回的运算结果发送其它目标深度学习模块继续进行深度学习，即串行发送。
如果完成学习目标所需的至少一个目标深度学习模块需要按照预定时间顺序串行运行，则将原始数据发送到按时间顺序第一个运行的目标深度学习模块。接收第一个运行的目标深度学习模块返回的运算结果。重复将前一个运行的目标深度学习模块返回的运算结果发送到下一个运行的目标深度学习模块，直到最后一个运行的目标深度学习模块返回数据处理结果。例如，终端发给核心板一张有多个人脸的图像，并指定识别出图像中男女比例。核心板可先将该图像发给用于抠图的深度学习模块，该深度学习模块得到多张单个人脸的图像后返回给核心板。核心板再将多张单个人脸的图像发送给用于识别性别的深度学习模块，该深度学习模块识别出每张人脸图像的性别，并返回识别结果给核心板。核心板可做统计后再反馈给终端。
步骤204，获取目标深度学习模块返回的数据处理结果。
在本实施例中，目标深度学习模块返回的数据处理结果可能是一些概率值等不适合直接反馈给终端的信息，可由核心板结合学习目标进行分析处理后再反馈给终端。由于目标深度学习模块可能有多个，因此需要将多个目标深度学习模块返回的结果整合。例如，核心板先将原始图像分割后交由不同的深度学习模块进行识别，然后再将各深度学习模块返回的结果进行整合。一块木板的图像，核心板可将其切割成3*3的子图像后，再分别发向9个深度学习模块进行瑕疵识别，接收到9个识别结果后再结合切割位置，可在原始图像中标注出有瑕疵的位置后反馈给终端。
可选地，核心板还可将不同的目标深度学习模块返回的数据处理结果进行分析后输出。可输出到发送学习请求的终端，也可在连接到核心板的显示器上输出。还可将结果传送至控制模块。控制模块与业务场景结合设计，能够根据业务需求，对核心板给出的预测结果做出符合生产环境场景要求的响应，如报警、存储日志、控制机械臂等。
继续参见图3，图3是根据本实施例的用于处理数据的方法的应用场景的一个示意图。在图3的应用场景中，用户通过终端首先发起一个深度学习请求。之后，核心板可以获取上述深度学习请求的内容，包括学习目标(识别用户的年龄和性别)和原始数据(人脸图像)。核心板确定出需要深度学习模块1来进行年龄识别，需要深度学习模块2来进行性别识别。核心板分别将原始数据发送给深度学习模块1和深度学习模块2。深度学习模块1返回数据处理结果1(年龄)，深度学习模块2返回数据处理结果2(性别)。核心板将数据处理结果1和数据处理结果2整合后反馈给终端。
本公开的上述实施例提供的方法通过不同的深度学习模块分别完成深度学习，通过标准的USB接口可以容易的接入任何系统中，同时可以按照需求来定制具体哪些模块。这种模块化设计不但灵活，而且便于迁移到类似项目中。
进一步参考图4，其示出了用于处理数据的方法的又一个实施例的流程400。该用于处理数据的方法的流程400，包括以下步骤：
步骤401，接收包括学习目标和原始数据的深度学习请求。
在本实施例中，用于处理数据的方法的执行主体(例如图1所示的核心板)可以通过有线连接方式或者无线连接方式从终端接收深度学习请求。深度学习请求可包括学习目标和原始数据。学习目标可以是人脸识别、语音识别等可通过深度学习解决的问题。原始数据可以是人脸图像、语音等学习对象。
步骤402，获取至少一个候选深度学习模块的属性信息。
在本实施例中，候选深度学习模块为可连接到核心板的深度学习模块。连接到核心板的深度学习模块内的深度学习模型可从其它服务器下载。核心板可根据学习目标的比重动态下载更新深度学习模型。例如，需要进行人脸识别时，将用于人脸识别的深度学习模型下载到深度学习模块中，需要语音识别时，将用于语音识别的深度学习模型下载到深度学习模块中。深度学习模型不适宜频繁调整，但可根据当前时间段的需求调整。例如，白天时人脸识别的需求大，语音识别的需求小，则可向大比例的候选深度学习模块中下载人脸识别模型。到了晚上人脸识别的需求减小，语音识别的需求增加，则可将一部分深度学习模块中的人脸识别模型替换为语音识别模型。可预先下载深度学习模型到深度学习模块中。
每个候选深度学习模块具有属性信息。属性信息包括以下至少一项：功能信息、性能信息、负载信息。功能信息包括人脸识别、语音识别等。性能信息包括神经网络类型、参数等。负载信息包括正在排队处理的任务量、单任务处理时间等。
步骤403，从至少一个候选深度学习模块确定出属性信息与学习目标匹配的目标深度学习模块。
在本实施例中，学习目标可以是人脸识别、产品外表检测、语音识别等。学习目标还隐含了时效性要求，例如，人脸识别刷卡系统的时效性要求就比产品外表检测系统的时效性严格。选择目标深度学习模块时，首先将每个深度学习模块的功能信息与学习目标匹配，确定能够完成学习目标的目标深度学习模块。如果有多个深度学习模块具备完成学习目标的功能，还可根据性能信息进一步筛选。例如，对于地图识别，可选择速度快但精度不高的深度学习模块。对于用于鉴权的人脸识别，需要选择高精度的深度学习模块，即使速度慢些也无妨。即可根据学习目标对学习速度和准确度进行折中。此外，如果上述步骤筛选出的深度学习模块中已经有任务在处理，需要排队时，还可根据负载信息判断排队时间，并根据学习目标的时效性选择在哪个深度学习模块排队，或者重新选择无需排队的深度学习模块。
步骤404，将原始数据发送到目标深度学习模块。
步骤405，获取目标深度学习模块返回的数据处理结果。
步骤404-步骤405与步骤203-204基本相同，因此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于处理数据的方法的流程400体现了对深度学习模块进行调度的步骤。由此，本实施例描述的方案可以引入更多的深度学习模块，并提高学习速度和效率。从而提高系统的利用率。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于处理数据的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于处理数据的装置500包括：接收单元501、确定单元502、发送单元503和获取单元504。其中，接收单元501，被配置成接收包括学习目标和原始数据的深度学习请求；确定单元502，被配置成确定完成学习目标所需的目标深度学习模块；发送单元503，被配置成将原始数据发送到目标深度学习模块；获取单元504，被配置成获取目标深度学习模块返回的数据处理结果。
在本实施例中，用于处理数据的装置500的接收单元501、确定单元502、发送单元503和获取单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中，确定单元502进一步被配置成：确定完成学习目标所需的至少一个并行运行的目标深度学习模块；以及发送单元503进一步被配置成：将原始数据并行发送到至少一个目标深度学习模块。
在本实施例的一些可选的实现方式中，确定单元502进一步被配置成：确定完成学习目标所需的至少一个按照预定时间顺序串行运行的目标深度学习模块；以及发送单元503进一步被配置成：将原始数据发送到按时间顺序第一个运行的目标深度学习模块；接收第一个运行的目标深度学习模块返回的运算结果；重复将前一个运行的目标深度学习模块返回的运算结果发送到下一个运行的目标深度学习模块，直到最后一个运行的目标深度学习模块返回数据处理结果。
在本实施例的一些可选的实现方式中，装置500还包括输出单元(附图中未示出)，被配置成：将不同的目标深度学习模块返回的数据处理结果进行分析后输出。
在本实施例的一些可选的实现方式中，确定单元502进一步被配置成：获取至少一个候选深度学习模块的属性信息，其中，属性信息包括以下至少一项：功能信息、性能信息、负载信息；从至少一个候选深度学习模块确定出属性信息与学习目标匹配的目标深度学习模块。
在本实施例的一些可选的实现方式中，目标深度学习模块为至少一个功能不同的人工智能芯片。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的核心板)600的结构示意图。本公开的实施例中的终端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示出的核心板仅仅是一个示例，不应对本公开的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600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600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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、摄像头、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600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
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ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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：接收包括学习目标和原始数据的深度学习请求；确定完成学习目标所需的目标深度学习模块；将原始数据发送到目标深度学习模块；获取目标深度学习模块返回的数据处理结果。
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实施例的操作的计算机程序代码，所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。
描述于本公开的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、确定单元、发送单元和获取单元。其中，这些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，接收单元还可以被描述为“接收包括学习目标和原始数据的深度学习请求的单元”。
作为又一方面，本申请实施例提供了另一种服务器，包括：接口；存储器，其上存储有一个或多个程序；以及一个或多个处理器，在操作上连接到上述接口和上述存储器，用于：接收包括学习目标和原始数据的深度学习请求；确定完成学习目标所需的目标深度学习模块；将原始数据发送到目标深度学习模块；获取目标深度学习模块返回的数据处理结果。
作为又一方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，当上述计算机程序被一个或多个处理器执行时，使得上述一个或多个处理器：接收包括学习目标和原始数据的深度学习请求；确定完成学习目标所需的目标深度学习模块；将原始数据发送到目标深度学习模块；获取目标深度学习模块返回的数据处理结果。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于处理数据的方法，包括：
接收包括学习目标和原始数据的深度学习请求；
确定完成所述学习目标所需的目标深度学习模块；
将所述原始数据发送到所述目标深度学习模块；
获取所述目标深度学习模块返回的数据处理结果。
2.根据权利要求1所述的方法，其中，所述确定完成所述学习目标所需的目标深度学习模块，包括：
确定完成所述学习目标所需的至少一个并行运行的目标深度学习模块；以及
所述将所述原始数据发送到所述目标深度学习模块，包括：
将所述原始数据并行发送到所述至少一个目标深度学习模块。
3.根据权利要求1所述的方法，其中，所述确定完成所述学习目标所需的目标深度学习模块，包括：
确定完成所述学习目标所需的至少一个按照预定时间顺序串行运行的目标深度学习模块；以及
所述将所述原始数据发送到所述目标深度学习模块，包括：
将所述原始数据发送到按时间顺序第一个运行的目标深度学习模块；
接收所述第一个运行的目标深度学习模块返回的运算结果；
重复将前一个运行的目标深度学习模块返回的运算结果发送到下一个运行的目标深度学习模块，直到最后一个运行的目标深度学习模块返回数据处理结果。
4.根据权利要求1所述的方法，其中，所述方法还包括：
将不同的目标深度学习模块返回的数据处理结果进行分析后输出。
5.根据权利要求1所述的方法，其中，所述确定完成所述学习目标所需的目标深度学习模块，包括：
获取至少一个候选深度学习模块的属性信息，其中，所述属性信息包括以下至少一项：功能信息、性能信息、负载信息；
从所述至少一个候选深度学习模块确定出属性信息与所述学习目标匹配的目标深度学习模块。
6.根据权利要求1-5之一所述的方法，其中，所述目标深度学习模块为至少一个功能不同的人工智能芯片。
7.一种用于处理数据的装置，包括：
接收单元，被配置成接收包括学习目标和原始数据的深度学习请求；
确定单元，被配置成确定完成所述学习目标所需的目标深度学习模块；
发送单元，被配置成将所述原始数据发送到所述目标深度学习模块；
获取单元，被配置成获取所述目标深度学习模块返回的数据处理结果。
8.根据权利要求7所述的装置，其中，所述确定单元进一步被配置成：
确定完成所述学习目标所需的至少一个并行运行的目标深度学习模块；以及
所述发送单元进一步被配置成：
将所述原始数据并行发送到所述至少一个目标深度学习模块。
9.根据权利要求7所述的装置，其中，所述确定单元进一步被配置成：
确定完成所述学习目标所需的至少一个按照预定时间顺序串行运行的目标深度学习模块；以及
所述发送单元进一步被配置成：
将所述原始数据发送到按时间顺序第一个运行的目标深度学习模块；
接收所述第一个运行的目标深度学习模块返回的运算结果；
重复将前一个运行的目标深度学习模块返回的运算结果发送到下一个运行的目标深度学习模块，直到最后一个运行的目标深度学习模块返回数据处理结果。
10.根据权利要求7所述的装置，其中，所述装置还包括输出单元，被配置成：
将不同的目标深度学习模块返回的数据处理结果进行分析后输出。
11.根据权利要求7所述的装置，其中，所述确定单元进一步被配置成：
获取至少一个候选深度学习模块的属性信息，其中，所述属性信息包括以下至少一项：功能信息、性能信息、负载信息；
从所述至少一个候选深度学习模块确定出属性信息与所述学习目标匹配的目标深度学习模块。
12.根据权利要求7-11之一所述的装置，其中，所述目标深度学习模块为至少一个功能不同的人工智能芯片。
13.一种用于处理数据的系统，包括核心板和至少一个深度学习模块，所述核心板和每个深度学习模块之间通过USB连接，其中，
所述核心板，被配置成接收包括学习目标和原始数据的深度学习请求；从所述至少一个深度学习模块中确定完成所述学习目标所需的目标深度学习模块，将所述原始数据发送到所述目标深度学习模块，获取所述目标深度学习模块返回的数据处理结果；
所述至少一个深度学习模块，被配置成接收所述核心板发送的原始数据，进行深度学习得到数据处理结果，将所述数据处理结果发送到所述核心板。
14.根据权利要求13所述的系统，其中，所述系统基于一个核心板，采用星形并联方式来定制和接入需要的深度学习模块。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910362154.8A CN111860852A (zh) | 2019-04-30 | 2019-04-30 | 用于处理数据的方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910362154.8A CN111860852A (zh) | 2019-04-30 | 2019-04-30 | 用于处理数据的方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111860852A true CN111860852A (zh) | 2020-10-30 |
Family
ID=72965793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910362154.8A Pending CN111860852A (zh) | 2019-04-30 | 2019-04-30 | 用于处理数据的方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860852A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529325A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 网点业务分配方法、装置、计算机设备及存储介质 |
| CN113630299A (zh) * | 2021-09-22 | 2021-11-09 | 江苏亨通太赫兹技术有限公司 | 一种深度学习通讯处理系统及应用其的通讯链路 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
| CN107342810A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
| CN107480725A (zh) * | 2017-08-23 | 2017-12-15 | 京东方科技集团股份有限公司 | 基于深度学习的图像识别方法、装置和计算机设备 |
| CN107888669A (zh) * | 2017-10-31 | 2018-04-06 | 武汉理工大学 | 一种基于深度学习神经网络的大规模资源调度系统及方法 |
| CN109157842A (zh) * | 2018-08-30 | 2019-01-08 | 网宿科技股份有限公司 | 一种基于机器学习的养成类游戏角色的培养方法和装置 |
| CN109218024A (zh) * | 2017-07-04 | 2019-01-15 | 百度在线网络技术（北京）有限公司 | 用于控制权限的方法和装置 |
-
2019
- 2019-04-30 CN CN201910362154.8A patent/CN111860852A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107342810A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
| CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
| CN109218024A (zh) * | 2017-07-04 | 2019-01-15 | 百度在线网络技术（北京）有限公司 | 用于控制权限的方法和装置 |
| CN107480725A (zh) * | 2017-08-23 | 2017-12-15 | 京东方科技集团股份有限公司 | 基于深度学习的图像识别方法、装置和计算机设备 |
| CN107888669A (zh) * | 2017-10-31 | 2018-04-06 | 武汉理工大学 | 一种基于深度学习神经网络的大规模资源调度系统及方法 |
| CN109157842A (zh) * | 2018-08-30 | 2019-01-08 | 网宿科技股份有限公司 | 一种基于机器学习的养成类游戏角色的培养方法和装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529325A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 网点业务分配方法、装置、计算机设备及存储介质 |
| CN112529325B (zh) * | 2020-12-18 | 2024-03-26 | 平安银行股份有限公司 | 网点业务分配方法、装置、计算机设备及存储介质 |
| CN113630299A (zh) * | 2021-09-22 | 2021-11-09 | 江苏亨通太赫兹技术有限公司 | 一种深度学习通讯处理系统及应用其的通讯链路 |
| CN113630299B (zh) * | 2021-09-22 | 2022-10-18 | 江苏亨通太赫兹技术有限公司 | 一种深度学习通讯处理系统及应用其的通讯系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288049B (zh) | 用于生成图像识别模型的方法和装置 | |
| CN109993150B (zh) | 用于识别年龄的方法和装置 | |
| CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
| US11562179B2 (en) | Artificial intelligence system for inspecting image reliability | |
| CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
| CN111523640A (zh) | 神经网络模型的训练方法和装置 | |
| CN110059623B (zh) | 用于生成信息的方法和装置 | |
| CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
| CN110209658B (zh) | 数据清洗方法和装置 | |
| CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
| CN111460288B (zh) | 用于检测新闻事件的方法和装置 | |
| CN112149699A (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
| CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
| CN111860852A (zh) | 用于处理数据的方法、装置和系统 | |
| CN110008926B (zh) | 用于识别年龄的方法和装置 | |
| CN113140012A (zh) | 图像处理方法、装置、介质及电子设备 | |
| CN110335237B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
| CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
| CN111597441B (zh) | 信息处理方法、装置和电子设备 | |
| CN110188833B (zh) | 用于训练模型的方法和装置 | |
| CN110263743B (zh) | 用于识别图像的方法和装置 | |
| CN112948251A (zh) | 软件自动测试方法及装置 | |
| CN111339770A (zh) | 用于输出信息的方法和装置 | |
| CN110619537A (zh) | 用于生成信息的方法和装置 | |
| CN112115740A (zh) | 用于处理图像的方法和装置 |
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 |