CN112308205A - 基于预训练模型的模型改进方法及装置 - Google Patents
基于预训练模型的模型改进方法及装置 Download PDFInfo
- Publication number
- CN112308205A CN112308205A CN202010597363.3A CN202010597363A CN112308205A CN 112308205 A CN112308205 A CN 112308205A CN 202010597363 A CN202010597363 A CN 202010597363A CN 112308205 A CN112308205 A CN 112308205A
- Authority
- CN
- China
- Prior art keywords
- model
- split
- splitting
- configuration information
- principal
- 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 63
- 230000006872 improvement Effects 0.000 title claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000010365 information processing Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了一种基于预训练模型的模型改进方法及装置。方法的一具体实施方式包括:获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,主体模型、至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,拆分配置信息表征主体模型和至少一个拆分模型的属性信息;根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互。本实施方式可以将原有的大规模的预训练模型拆分为较小规模的主体模型和至少一个拆分模型,降低主体模型和至少一个拆分模型对设备的部署要求,提高了大规模的预训练模型的实用性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及一种基于预训练模型的模型改进方法及装置。
背景技术
在计算机技术领域中,对数据的挖掘与利用一直是最重要的推动力,催生了一系列的算法模型,包括传统的机器学习模型LR(Logistic Regression,逻辑回归),以及近些年基于深度学习的各类模型,如DCN(Deep Cross Network,深度交叉网络)。为了实现更精准的模型预估,模型的复杂度和参数数量都会显著增长。然而,随着算法模型的计算复杂程度的增长,对于部署算法模型的终端设备提出了更高的存储和计算要求。
发明内容
本申请实施例提出了一种基于预训练模型的模型改进方法及装置。
第一方面,本申请实施例提供了一种基于预训练模型的模型改进方法,包括:获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,主体模型、至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,拆分配置信息表征主体模型和至少一个拆分模型的属性信息;根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互。
在一些实施例中,主体模型和/或至少一个拆分模型中的每个拆分模型,被集群部署于预设设备集群中。
在一些实施例中,上述方法还包括:在至少一个拆分模型中的每个拆分模型的运行过程中,基于该拆分模型在预设设备集群中的各个预设设备中的负载数据,确定对应于该拆分模型的目标预设设备,并将该目标预设设备中的拆分模型确定为部署于预设设备集群中的该拆分模型的目标拆分模型。
在一些实施例中,至少一个拆分模型为基于模型计算要求和/或模型存储要求进行拆分得到的拆分模型。
在一些实施例中,上述根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,包括:针对于至少一个拆分模型中的每个拆分模型,执行如下操作:根据拆分配置信息,获取该拆分模型对应的网络地址和连接端口;通过网络地址和连接端口,建立主体模型与该拆分模型之间的联系。
在一些实施例中,上述根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,包括:针对于至少一个拆分模型中的每个拆分模型,执行如下操作:根据拆分配置信息,获取该拆分模型中部署于目标预设设备的目标拆分模型的网络地址和连接端口;通过网络地址和连接端口,建立主体模型与该目标拆分模型中的目标拆分模型之间的联系。
在一些实施例中,上述方法还包括:将输入数据输入主体模型,基于主体模型与至少一个拆分模型的配合运行,得到输入数据对应的输出数据。
第二方面,本申请实施例提供了一种基于预训练模型的模型改进装置,包括:获取单元,被配置成获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,主体模型、至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,拆分配置信息表征主体模型和至少一个拆分模型的属性信息;联系单元,被配置成根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互。
在一些实施例中,主体模型和/或至少一个拆分模型中的每个拆分模型,被集群部署于预设设备集群中。
在一些实施例中,上述装置还包括:确定单元,被配置成在至少一个拆分模型中的每个拆分模型的运行过程中,基于该拆分模型在预设设备集群中的各个预设设备中的负载数据,确定对应于该拆分模型的目标预设设备,并将该目标预设设备中的拆分模型确定为部署于预设设备集群中的该拆分模型的目标拆分模型。
在一些实施例中,至少一个拆分模型为基于模型计算要求和/或模型存储要求进行拆分得到的拆分模型。
在一些实施例中,上述联系单元,进一步被配置成:针对于至少一个拆分模型中的每个拆分模型,执行如下操作:根据拆分配置信息,获取该拆分模型对应的网络地址和连接端口;通过网络地址和连接端口,建立主体模型与该拆分模型之间的联系。
在一些实施例中,上述联系单元,进一步被配置成:针对于至少一个拆分模型中的每个拆分模型,执行如下操作:根据拆分配置信息,获取该拆分模型中部署于目标预设设备的目标拆分模型的网络地址和连接端口;通过网络地址和连接端口,建立主体模型与该目标拆分模型中的目标拆分模型之间的联系。
在一些实施例中,上述装置还包括:运行单元,被配置成将输入数据输入主体模型,基于主体模型与至少一个拆分模型的配合运行,得到输入数据对应的输出数据。
第三方面,本申请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任一实现方式描述的方法。
第四方面,本申请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任一实现方式描述的方法。
本申请实施例提供的基于预训练模型的模型改进方法及装置,通过获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,主体模型、至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,拆分配置信息表征主体模型和至少一个拆分模型的属性信息;根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互,从而可以将原有的大规模的预训练模型拆分为较小规模的主体模型和至少一个拆分模型,降低主体模型和至少一个拆分模型对设备的部署要求,提高了大规模的预训练模型的实用性。
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,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的基于预训练模型的模型改进方法的一个实施例的流程图;
图3是根据本实施例的基于预训练模型的模型改进方法的应用场景的示意图;
图4是根据本申请的基于预训练模型的模型改进方法的又一个实施例的流程图;
图5是根据本申请的基于预训练模型的模型改进装置的一个实施例的结构图;
图6是适于用来实现本申请实施例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申请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,本申请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申请。
图1示出了可以应用本申请的基于预训练模型的模型改进方法及装置的示例性架构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和服务器105。网络104用以在终端设备101、102、103和服务器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。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时,其可以是支持信息交互、网络连接、图像拍摄、信息处理等功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、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。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如基于终端设备101、102、103发送的输入数据,对输入数据的进行相应处理的后台处理服务器。后台处理服务器可以对输入数据等数据进行特征提取、分析处理,从而得到输入数据对应的输出数据。可选的,后台处理服务器还可以将输出数据反馈给终端设备,以供终端设备显示或使用。作为示例,服务器105可以是云端服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,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的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的基于预训练模型的模型改进方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,基于预训练模型的模型改进装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。
应该理解,图1中的终端设备、网络和服务器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、网络和服务器。当基于预训练模型的模型改进方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括基于预训练模型的模型改进方法运行于其上的电子设备(例如服务器或终端设备)。
继续参考图2,示出了基于预训练模型的模型改进方法的一个实施例的流程200,包括以下步骤:
步骤201,获取相匹配的主体模型、至少一个拆分模型的拆分配置信息。
本实施例中,基于预训练模型的模型改进方法的执行主体(例如图1中的终端设备或服务器)可以通过有线连接方式或者无线连接方式从远程,或从本地获取主体模型、至少一个拆分模型的拆分配置信息。
本实施例中,主体模型、至少一个拆分模型基于预训练模型拆分得到。其中,预训练模型可以是基于任意算法、实现任意功能的预先训练的模型。作为示例,预训练模型是经过大规模的训练数据进行训练后得到的、包括大量的模型参数、具有较高的信息处理复杂度的预训练模型,包括但不限于是逻辑回归模型、深度学习模型、决策树模型、支持向量机模型等等。
对预训练模型进行拆分,可以得到主体模型和至少一个拆分模型。作为示例,可以根据预训练模型中各模块的分布、各模块之间的独立性对预训练模型拆分得到主体模型和至少一个拆分模型。具体的,可以将与其它模块联系较少的独立模块从预训练模型中拆分出来,得到拆分模型,拆分出拆分模型后的预训练模型作为主体模型。
在本实施例的一些可选的实现方式中,至少一个拆分模型为基于模型计算要求和/或模型存储要求进行拆分得到的拆分模型。其中,基于模型计算要求进行拆分得到的拆分模型表征信息处理要求和复杂度较高,需要所部署的预设终端具有较高的信息处理性能。基于模型存储要求进行拆分得到的拆分模型表征数据存储要求较高、存储空间较大,需要所部署的预设终端具有较高的数据存储性能。
拆分后的主体模型和至少一个拆分模型被分布式部署于不同的预设终端中。作为示例,对预训练模型进行拆分得到主体模型、第一拆分模型和第二拆分模型。其中,主体模型、第一拆分模型和第二拆分模型被分别部署于第一预设终端、第二预设终端和第三预设终端。被分布式部署的主体模型和至少一个拆分模型既降低对预设终端的部署要求,当预设终端配置较高的情况下又可以提高拆分得到的各模型的性能。
具体的,可以将基于模型计算要求进行拆分得到的拆分模型可以部署于信息处理性能较高的终端设备中,将基于模型存储要求进行拆分得到的拆分模型部署于数据存储性能较高的终端设备中,可以显著提高整体模型的信息处理速度和信息存储性能,可以有效解决基于单终端部署整体的预训练模型的速度和存储瓶颈问题。
在本实施例的一些可选的实现方式中,主体模型和/或至少一个拆分模型中的每个拆分模型,被集群部署于预设设备集群中。本实施方式可以应用于模型的并行处理信息的情况。
对预训练模型拆分得到主体模型和至少一个拆分模型后,可以根据主体模型和至少一个拆分模型的部署配置信息确定出拆分配置信息。其中,拆分配置信息表征主体模型和至少一个拆分模型的属性信息,例如,主体模型和至少一个拆分模型的部署信息,模型的输入数据、输出数据等信息。
具体的,拆分配置信息可以是技术人员根据主体模型和至少一个拆分模型上述属性信息以预设格式生成的拆分配置文件。
在本实施例的一些可选的实现方式中,拆分配置信息包括拆分模型中部署于目标预设设备的目标拆分模型的网络地址和连接端口。
步骤202,根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系。
本实施例中,上述执行主体可以根据步骤201得到的拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互。
作为示例,拆分配置信息可以包括拆分模型的输入数据、输出数据。上述执行主体确定主模型运行至拆分模型对应的节点时,将得到的中间数据作为拆分模型的输入数据,得到对应的拆分模型的输出数据,并将拆分模型的输出数据作为主体模型中拆分模型对应的节点之后的信息处理过程的数据基础,进行后续的信息处理。
需要说明的是,主体模型还可以将多个拆分模型得到的输出数据进行结合,基于结合后的数据进行后续的信息处理。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤202:
针对于至少一个拆分模型中的每个拆分模型,执行如下操作:首先,根据拆分配置信息,获取该拆分模型对应的网络地址和连接端口;然后,通过网络地址和连接端口,建立主体模型与该拆分模型之间的联系。
继续参见图3,图3是根据本实施例的基于预训练模型的模型改进方法的应用场景的一个示意图。在图3的应用场景中,主体模型、第一拆分模型和第二拆分模型基于提供图像识别功能的预训练模型拆分得到,被分布式部署于预设设备301、预设设备302、预设设备303中。服务器304首先从预设终端305中获取相匹配的主体模型、第一拆分模型和第二拆分模型的拆分配置信息。然后,根据拆分配置信息,建立主体模型、第一拆分模型和第二拆分模型之间的联系,以供主体模型与第一拆分模型、第二拆分模型进行数据交互。在运行过程中,首先,待识别图像被输入主体模型。然后,当上述执行主体确定主体模型运行至拆分模型对应的节点时,将此时得到的第一中间数据输入第一拆分模型进行信息处理,主体模型依据第一拆分模型得到的第一输出数据继续进行信息处理。然后,当上述执行主体确定主模型运行至第二拆分模型对应的节点时,将此时得到的第二中间数据输入第二拆分模型进行信息处理,主体模型依据第二拆分模型得到的第二输出数据继续进行信息处理;最后,主体模型得到对应于待识别图像的识别结果。
本公开的上述实施例提供的方法,通过获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,主体模型、至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,拆分配置信息表征主体模型和至少一个拆分模型的属性信息;根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互,从而可以将原有的大规模的预训练模型拆分为较小规模的主体模型和至少一个拆分模型,降低主体模型和至少一个拆分模型对设备的部署要求,提高了大规模的预训练模型的实用性。
在本实施例的一些可选的实现方式中,上述执行主体还可以执行如下步骤:将输入数据输入主体模型,基于主体模型与至少一个拆分模型的配合运行,得到输入数据对应的输出数据。
本实现方式中,上述执行主体可以基于拆分后的主体模型和至少一个拆分模型,得到与输入数据对应的输出数据。上述执行主体根据拆分的模型进行信息处理,丰富了信息的处理方式。
继续参考图4,示出了根据本申请的基于预训练模型的模型改进方法的另一个实施例的示意性流程400,包括以下步骤:
步骤401,获取相匹配的主体模型、至少一个拆分模型的拆分配置信息。
本实施例中,步骤401与图2对应实施例中的步骤201基本一致,这里不再赘述。
步骤402,在至少一个拆分模型中的每个拆分模型的运行过程中,基于该拆分模型在预设设备集群中的各个预设设备中的负载数据,确定对应于该拆分模型的目标预设设备,并将该目标预设设备中的拆分模型确定为部署于预设设备集群中的该拆分模型的目标拆分模型。
本实施例中,至少一个拆分模型中的每个拆分模型可以被集群部署与预设设备集群中。通过拆分模型在预设设备集群中的各个预设设备中的负载数据,确定出负载较小的目标预设终端,并将该目标预设设备中的拆分模型确定为部署于预设设备集群中的该拆分模型的目标拆分模型。
步骤403,针对于至少一个拆分模型中的每个拆分模型,执行如下操作:
步骤4031,根据拆分配置信息,获取该拆分模型中部署于目标预设设备的目标拆分模型的网络地址和连接端口。
本实施例中,被集群部署的每个拆分模型的属性信息被存储于拆分配置文件中。上述执行主体根据拆分配置信息,针对于至少一个拆分模型中的每个拆分模型,可以获取该拆分模型中部署于目标预设设备的目标拆分模型的网络地址和连接端口。
步骤4032,通过网络地址和连接端口,建立主体模型与该目标拆分模型中的目标拆分模型之间的联系。
本实施例中,上述执行主体通过负载较小的每个拆分模型中的目标拆分模型进行信息的处理,实现了每个拆分模型的负载均衡。
从本实施例中可以看出,与图2对应的实施例相比,本实施例中的基于预训练模型的模型改进方法的流程400具体说明了针对于集群部署的拆分模型,实现拆分模型内部的负载均衡。如此,进一步提高了改进模型的运行效率和智能化程度。
继续参考图5,作为对上述各图所示方法的实现,本公开提供了一种基于预训练模型的模型改进装置的一个实施例,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,基于预训练模型的模型改进装置,包括:获取单元501,被配置成获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,主体模型、至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,拆分配置信息表征主体模型和至少一个拆分模型的属性信息;联系单元502,被配置成根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互。
在一些实施例中,主体模型和/或至少一个拆分模型中的每个拆分模型,被集群部署于预设设备集群中。
在一些实施例中,上述装置还包括:确定单元(图中为示出),被配置成在至少一个拆分模型中的每个拆分模型的运行过程中,基于该拆分模型在预设设备集群中的各个预设设备中的负载数据,确定对应于该拆分模型的目标预设设备,并将该目标预设设备中的拆分模型确定为部署于预设设备集群中的该拆分模型的目标拆分模型。
在一些实施例中,至少一个拆分模型为基于模型计算要求和/或模型存储要求进行拆分得到的拆分模型。
在一些实施例中,联系单元502进一步被配置成:针对于至少一个拆分模型中的每个拆分模型,执行如下操作:根据拆分配置信息,获取该拆分模型对应的网络地址和连接端口;通过网络地址和连接端口,建立主体模型与该拆分模型之间的联系。
在一些实施例中,联系单元502进一步被配置成:针对于至少一个拆分模型中的每个拆分模型,执行如下操作:根据拆分配置信息,获取该拆分模型中部署于目标预设设备的目标拆分模型的网络地址和连接端口;通过网络地址和连接端口,建立主体模型与该目标拆分模型中的目标拆分模型之间的联系。
在一些实施例中,上述装置还包括:运行单元(图中未示出),被配置成将输入数据输入主体模型,基于主体模型与至少一个拆分模型的配合运行,得到输入数据对应的输出数据。
本实施例中,基于预训练模型的模型改进装置中的获取单元获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,主体模型、至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,拆分配置信息表征主体模型和至少一个拆分模型的属性信息;联系单元根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互,从而可以将原有的大规模的预训练模型拆分为较小规模的主体模型和至少一个拆分模型,降低主体模型和至少一个拆分模型对设备的部署要求,提高了大规模的预训练模型的实用性。
下面参考图6,其示出了适于用来实现本申请实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统600的结构示意图。图6示出的设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括处理器(例如CPU,中央处理器)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部分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RAM603中,还存储有系统600操作所需的各种程序和数据。处理器601、ROM602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。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
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部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请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。在本申请中,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。而在本申请中,计算机可读的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。计算机可读的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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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申请的操作的计算机程序代码,程序设计语言包括面向目标的程序设计语言—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客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客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)—连接到客户计算机,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,图示了按照本申请各种实施例的装置、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。
描述于本申请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,包括获取单元和联系单元。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,联系单元还可以被描述为“根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。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装置执行时,使得该计算机设备:获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,主体模型、至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,拆分配置信息表征主体模型和至少一个拆分模型的属性信息;根据拆分配置信息,建立主体模型与至少一个拆分模型之间的联系,以供主体模型在运行过程中与至少一个拆分模型进行数据交互。
以上描述仅为本申请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,本申请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上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。例如上述特征与本申请中公开的(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)
1.一种基于预训练模型的模型改进方法,包括:
获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,所述主体模型、所述至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,所述拆分配置信息表征所述主体模型和所述至少一个拆分模型的属性信息;
根据所述拆分配置信息,建立所述主体模型与所述至少一个拆分模型之间的联系,以供所述主体模型在运行过程中与所述至少一个拆分模型进行数据交互。
2.根据权利要求1所述的方法,其中,所述主体模型和/或所述至少一个拆分模型中的每个拆分模型,被集群部署于预设设备集群中。
3.根据权利要求2所述的方法,其中,所述方法还包括:
在所述至少一个拆分模型中的每个拆分模型的运行过程中,基于该拆分模型在预设设备集群中的各个预设设备中的负载数据,确定对应于该拆分模型的目标预设设备,并将该目标预设设备中的拆分模型确定为部署于预设设备集群中的该拆分模型的目标拆分模型。
4.根据权利要求1所述的方法,其中,所述至少一个拆分模型为基于模型计算要求和/或模型存储要求进行拆分得到的拆分模型。
5.根据权利要求1所述的方法,其中,根据所述拆分配置信息,建立所述主体模型与所述至少一个拆分模型之间的联系,包括:
针对于所述至少一个拆分模型中的每个拆分模型,执行如下操作:
根据所述拆分配置信息,获取该拆分模型对应的网络地址和连接端口;
通过所述网络地址和所述连接端口,建立所述主体模型与该拆分模型之间的联系。
6.根据权利要求3所述的方法,其中,所述根据所述拆分配置信息,建立所述主体模型与所述至少一个拆分模型之间的联系,包括:
针对于所述至少一个拆分模型中的每个拆分模型,执行如下操作:
根据所述拆分配置信息,获取该拆分模型中部署于目标预设设备的目标拆分模型的网络地址和连接端口;
通过所述网络地址和所述连接端口,建立所述主体模型与该目标拆分模型中的目标拆分模型之间的联系。
7.根据权利要求1-6任一所述的方法,其中,所述方法还包括:
将输入数据输入所述主体模型,基于所述主体模型与所述至少一个拆分模型的配合运行,得到所述输入数据对应的输出数据。
8.一种基于预训练模型的模型改进装置,包括:
获取单元,被配置成获取相匹配的主体模型、至少一个拆分模型的拆分配置信息,其中,所述主体模型、所述至少一个拆分模型基于预训练模型拆分得到,被分布式部署于不同的预设设备,所述拆分配置信息表征所述主体模型和所述至少一个拆分模型的属性信息;
联系单元,被配置成根据所述拆分配置信息,建立所述主体模型与所述至少一个拆分模型之间的联系,以供所述主体模型在运行过程中与所述至少一个拆分模型进行数据交互。
9.根据权利要求8所述的装置,其中,所述主体模型和/或所述至少一个拆分模型中的每个拆分模型,被集群部署于预设设备集群中。
10.根据权利要求9所述的装置,其中,所述装置还包括:
确定单元,被配置成在所述至少一个拆分模型中的每个拆分模型的运行过程中,基于该拆分模型在预设设备集群中的各个预设设备中的负载数据,确定对应于该拆分模型的目标预设设备,并将该目标预设设备中的拆分模型确定为部署于预设设备集群中的该拆分模型的目标拆分模型。
11.根据权利要求8所述的装置,其中,所述至少一个拆分模型为基于模型计算要求和/或模型存储要求进行拆分得到的拆分模型。
12.根据权利要求8所述的装置,其中,所述联系单元,进一步被配置成:
针对于所述至少一个拆分模型中的每个拆分模型,执行如下操作:根据所述拆分配置信息,获取该拆分模型对应的网络地址和连接端口;通过所述网络地址和所述连接端口,建立所述主体模型与该拆分模型之间的联系。
13.根据权利要求10所述的装置,其中,所述联系单元,进一步被配置成:
针对于所述至少一个拆分模型中的每个拆分模型,执行如下操作:根据所述拆分配置信息,获取该拆分模型中部署于目标预设设备的目标拆分模型的网络地址和连接端口;通过所述网络地址和所述连接端口,建立所述主体模型与该目标拆分模型中的目标拆分模型之间的联系。
14.根据权利要求8-13任一所述的装置,其中,所述装置还包括:
运行单元,被配置成将输入数据输入所述主体模型,基于所述主体模型与所述至少一个拆分模型的配合运行,得到所述输入数据对应的输出数据。
15.一种计算机可读介质,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1-7中任一所述的方法。
16.一种电子设备,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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597363.3A CN112308205A (zh) | 2020-06-28 | 2020-06-28 | 基于预训练模型的模型改进方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597363.3A CN112308205A (zh) | 2020-06-28 | 2020-06-28 | 基于预训练模型的模型改进方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308205A true CN112308205A (zh) | 2021-02-02 |
Family
ID=74483089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010597363.3A Pending CN112308205A (zh) | 2020-06-28 | 2020-06-28 | 基于预训练模型的模型改进方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308205A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167463A (zh) * | 2023-04-26 | 2023-05-26 | 之江实验室 | 一种模型训练的方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN109558674A (zh) * | 2018-11-28 | 2019-04-02 | 北京超萌国际文化有限公司 | 销量预测及其模型训练方法、装置 |
CN109993299A (zh) * | 2017-12-29 | 2019-07-09 | 中兴通讯股份有限公司 | 数据训练方法及装置、存储介质、电子装置 |
CN110503188A (zh) * | 2019-08-01 | 2019-11-26 | 三星(中国)半导体有限公司 | 实现基于异构模型图的深度神经网络模型的方法和装置 |
CN110633153A (zh) * | 2019-09-24 | 2019-12-31 | 上海寒武纪信息科技有限公司 | 一种用多核处理器实现神经网络模型拆分方法及相关产品 |
CN111274034A (zh) * | 2020-01-19 | 2020-06-12 | 北京奇艺世纪科技有限公司 | 模型推理的资源分配方法、装置、计算机设备和存储介质 |
-
2020
- 2020-06-28 CN CN202010597363.3A patent/CN112308205A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993299A (zh) * | 2017-12-29 | 2019-07-09 | 中兴通讯股份有限公司 | 数据训练方法及装置、存储介质、电子装置 |
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN109558674A (zh) * | 2018-11-28 | 2019-04-02 | 北京超萌国际文化有限公司 | 销量预测及其模型训练方法、装置 |
CN110503188A (zh) * | 2019-08-01 | 2019-11-26 | 三星(中国)半导体有限公司 | 实现基于异构模型图的深度神经网络模型的方法和装置 |
CN110633153A (zh) * | 2019-09-24 | 2019-12-31 | 上海寒武纪信息科技有限公司 | 一种用多核处理器实现神经网络模型拆分方法及相关产品 |
CN111274034A (zh) * | 2020-01-19 | 2020-06-12 | 北京奇艺世纪科技有限公司 | 模型推理的资源分配方法、装置、计算机设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167463A (zh) * | 2023-04-26 | 2023-05-26 | 之江实验室 | 一种模型训练的方法、装置、存储介质及电子设备 |
CN116167463B (zh) * | 2023-04-26 | 2023-07-07 | 之江实验室 | 一种面向智能计算的分布式模型训练容器调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561078B (zh) | 分布式的模型训练方法及相关装置 | |
CN107330522B (zh) | 用于更新深度学习模型的方法、装置及系统 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
WO2020155907A1 (zh) | 用于生成漫画风格转换模型的方法和装置 | |
US11151765B2 (en) | Method and apparatus for generating information | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN110391938B (zh) | 用于部署服务的方法和装置 | |
US11082532B2 (en) | Method and apparatus for sending information | |
US11314451B2 (en) | Method and apparatus for storing data | |
CN113505848B (zh) | 模型训练方法和装置 | |
CN108933695B (zh) | 用于处理信息的方法和装置 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
US11210563B2 (en) | Method and apparatus for processing image | |
CN110288625B (zh) | 用于处理图像的方法和装置 | |
CN110826706B (zh) | 用于神经网络的数据处理方法和装置 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN108595211B (zh) | 用于输出数据的方法和装置 | |
CN108491890B (zh) | 图像方法和装置 | |
CN111680799A (zh) | 用于处理模型参数的方法和装置 | |
CN109977905B (zh) | 用于处理眼底图像的方法和装置 | |
CN109582854B (zh) | 用于生成信息的方法和装置 | |
CN111859775A (zh) | 加速深度学习推断的软硬件协同设计 | |
CN112308205A (zh) | 基于预训练模型的模型改进方法及装置 | |
CN111858916B (zh) | 用于聚类句子的方法和装置 | |
CN111353039B (zh) | 文件类别检测方法和装置 |
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 |