CN112698848A - 机器学习模型的下载方法、装置、终端及存储介质 - Google Patents
机器学习模型的下载方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN112698848A CN112698848A CN202011623427.9A CN202011623427A CN112698848A CN 112698848 A CN112698848 A CN 112698848A CN 202011623427 A CN202011623427 A CN 202011623427A CN 112698848 A CN112698848 A CN 112698848A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- terminal
- learning model
- model
- server
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 300
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000006870 function Effects 0.000 claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000009471 action Effects 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 19
- 230000001133 acceleration Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000006698 induction Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/61—Installation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/76—Adapting program code to run in a different environment; Porting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/4401—Bootstrapping
- G06F9/4406—Loading of operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例公开了一种机器学习模型的下载方法、装置、终端及存储介质,属于计算机技术领域。本申请可以令终端在需要使用机器学习模型之前,获取本端中的应用环境信息,并生成相应的模型下载请求,相应地,服务器端将解析该模型下载请求得到应用环境信息,并查找到符合应用环境信息的目标机器学习模型,最后,服务器将向终端发送该目标机器学习模型,从而终端下载该目标机器学习模型。其中,应用环境信息是终端在实现预设功能时的运行环境。由于终端能够根据实际的运行环境下载相应的目标机器学习模型,因此服务器可以预先训练多个机器学习模型,降低了机器学习模型的训练难度并提高了终端最终使用的机器学习模型实现预设功能的精度。
Description
技术领域
本申请实施例涉及计算机技术领域,特别涉及一种机器学习模型的下载方法、装置、终端及存储介质。
背景技术
随着人工智能技术的快速发展,终端生产商或者应用的运营商能够提前训练好相应的机器学习模型,并将机器学习模型安装在终端中。
相关技术中,安装有机器学习模型的终端能够实现预设功能。以预设功能是识别公共交通的报站语音为例,由于将该机器学习模型需要能够识别出各个可能出现的语音。因此,在训练时需要使用任意可能出现的语音对该机器学习模型进行训练,从而得到相应的机器学习模型。
发明内容
本申请实施例提供了一种机器学习模型的下载方法、装置、终端及存储介质。所述技术方案如下:
根据本申请的一方面内容,提供了一种机器学习模型的下载方法,应用在终端中,所述方法包括:
获取应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境;
根据所述应用环境信息生成模型下载请求;
向服务器发送所述模型下载请求;
接收所述服务器发送的目标机器学习模型,所述目标机器学习模型是所述服务器中存储的至少两个用于实现所述预设功能的机器学习模型中符合所述应用环境信息的机器学习模型。
根据本申请的另一方面内容,应用在服务器中,所述方法包括:
接收终端发送的模型下载请求;
解析所述模型下载请求,得到应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境;
从存储的至少两个用于实现所述预设功能的机器学习模型中确定目标机器学习模型,所述目标机器学习模型是符合所述应用环境信息的机器学习模型;
向所述终端发送所述目标机器学习模型。
根据本申请的另一方面内容,提供了一种机器学习模型的下载装置,应用于终端中,所述装置包括:
信息获取模块,用于获取应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境;
请求生成模块,用于根据所述应用环境信息生成模型下载请求;
请求发送模块,用于向服务器发送所述模型下载请求;
模型接收模块,用于接收所述服务器发送的目标机器学习模型,所述目标机器学习模型是所述服务器中存储的至少两个用于实现所述预设功能的机器学习模型中符合所述应用环境信息的机器学习模型。
根据本申请的另一方面内容,提供了一种机器学习模型的下载装置,应用在服务器中,所述装置包括:
请求接收模块,用于接收终端发送的模型下载请求;
请求解析模块,用于解析所述模型下载请求,得到应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境;
模型确定模块,用于从存储的至少两个用于实现所述预设功能的机器学习模型中确定目标机器学习模型,所述目标机器学习模型是符合所述应用环境信息的机器学习模型;
模型发送模块,用于向所述终端发送所述目标机器学习模型。
根据本申请的另一方面内容,提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现如本申请由终端执行的各个方面提供的机器学习模型的下载方法。
根据本申请的另一方面内容,提供了一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现如本申请由服务器执行的各个方面提供的机器学习模型的下载方法。
根据本申请的另一方面内容,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由终端中的处理器加载并执行以实现如本申请各个方面提供的机器学习模型的下载方法。
根据本申请的另一方面内容,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由服务器中的处理器加载并执行以实现如本申请各个方面提供的机器学习模型的下载方法。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述机器学习模型的下载方面或者机器学习模型的下载方面的各种可选实现方式中提供的方法。其中,计算机设备可以是终端或者服务器。
本申请可以令终端在需要使用机器学习模型之前,获取本端中的应用环境信息,并根据机器学习模型生成相应的模型下载请求,再将该模型下载请求发送至服务器端,相应地,服务器端将解析该模型下载请求得到应用环境信息,并查找到符合应用环境信息的目标机器学习模型,最后,服务器将向终端发送该目标机器学习模型,从而终端下载该目标机器学习模型。其中,应用环境信息是终端在实现预设功能时的运行环境。由于终端能够根据实际的运行环境下载相应的目标机器学习模型,因此服务器可以预先训练多个机器学习模型,降低了机器学习模型的训练难度并提高了终端最终使用的机器学习模型实现预设功能的精度。
附图说明
为了更清楚地介绍本申请实施例中的技术方案,下面将对本申请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是本申请实施例提供的一种机器学习模型的下载的实施环境示意图;
图2是本申请实施例提供的另一种机器学习模型的下载的实施环境示意图;
图3是本申请一个示例性实施例提供的一种机器学习模型的下载方法的流程图;
图4是本申请一个示例性实施例提供的一种机器学习模型的下载方法的流程图;
图5是本申请另一个示例性实施例提供的一种机器学习模型的下载方法流程图;
图6是本申请实施例提供的一种支持机器学习模型的下载的系统架构图;
图7是本申请一个示例性实施例提供的一种机器学习模型的下载装置的结构框图;
图8是本申请一个示例性实施例提供的另一种机器学习模型的下载装置的结构框图;
图9是本申请一个示例性实施例提供的一种终端的结构框图;
图10是本申请一个实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为了本申请实施例所示方案易于理解,下面对本申请实施例中出现的若干名词进行介绍。
应用环境信息:应用环境信息用于指示所述终端在实现预设功能时的运行环境。其中,预设功能是终端根据输入的信息执行相应的操作。终端在实现该预设功能时将使用到机器学习模型。例如,预设功能包括输出信息类功能和发送信息类功能。其中,输出信息类功能是终端通过信息输出组件输出信息的功能。终端中的信息输出组件包括显示屏、扬声器(包括内置扬声器、外接的耳机或外接的音箱等)和振动马达等。发送信息类功能是通过射频组件向指定设备发送信息的功能,或者,通过射频组件向不特定的设备广播信息的功能。
模型下载请求:用于请求下载相应于应用环境信息的机器学习模型。一种可能的方式中,模型下载请求中包括应用环境信息和终端的标识。相应的,服务器查找到符合应用环境信息的机器学习模型后,将根据终端的标识向终端发送该机器学习模型。另一种可能的方式,模型下载请求中可以仅包括应用环境信息。在该场景中,终端和服务器之间已经建立了特定的通信通道,服务器可以直接通过该通信通道向终端发送符合应用环境信息的机器学习模型。
目标机器学习模型:该机器学习模型是服务器中存储的至少两个用于实现所述预设功能的机器学习模型中符合所述应用环境信息的机器学习模型。需要说明的是,本申请中服务器中将预先存储多个机器学习模型,不同的应用环境信息将对应不同的机器学习模型。本申请中,终端能够获得的应用环境信息包括至少两种,服务器中存在与每一种应用环境信息对应的机器学习模型。
需要说明的是,当服务器在根据应用环境信息查找机器学习模型产生异常时,服务器可以将默认机器学习模型确认为发射至终端的目标机器模型。
在本领域中,同一个AI(Artificial Intelligence,人工智能)功能运行时,在不同的外界信息输入时,将具有不同的运行逻辑。因此,本领域在训练相应的机器学习模型时,用于训练的模型在特征上的差别较大,最终训练出的机器学习模型的识别能力较弱且模型的数据量较大。
而本申请实施例能够针对同一个AI功能,提前训练出对应不同应用环境信息的机器学习模型。
例如,指定的图像识别功能在运行时,可以通过模型X1来实现该功能。模型X1输入的信息可以包括类型A、类型B和类型C三路输入信号,模型X1输出的信息是被判断的图像中是否包括指定种类的物品。该指定的图像识别功能在运行时,也可以通过模型X2来实现该功能。模型X2输入的信息可以包括类型A和类型C两路信号,模型X2输出的信息是被判断的图像中是否包括指定种类的物品。本申请提供的方法,能够提前训练模型X1和模型X2,从而实现单个模型的功能更加具体化,该训练的过程较容易且训练好的模型的精度较高。另一方面,单个模型的尺寸更小,便于传输,实现了轻量化设计。
本申请提供的机器学习模型的下载方法,能够应用在如图1或图2介绍两种应用环境中。下面将分别进行介绍。
图1是本申请实施例提供的一种机器学习模型的下载的实施环境示意图。图1包括终端110和服务器120。其中,终端110通过无线网络与服务器120通信。
示例性地,终端具备110显示屏且具备机器学习模型的下载功能。终端110可以包括手机、平板电脑、智能眼镜、智能手表、数码相机、MP4播放终端、MP5播放终端、学习机、点读机、电纸书、电子词典、虚拟现实(Virtual Reality,VR)播放终端或增强现实(AugmentedReality,AR)播放终端等。
服务器120既可以是单台服务器,也可以是由多台服务器组成的服务器集群。一种可能的方式中,服务器120用于指示实体服务器,另一种可能的方式中,服务器120用于指示根据编程逻辑划分出来的虚拟服务器,该虚拟服务器能够实现本申请实施例指示的机器学习模型的下载方法。
其中,服务器120既用于训练多个机器学习模型,也用于存储训练好的机器学习模型。
图2是本申请实施例提供的另一种机器学习模型的下载的实施环境示意图。图2包括终端210、后台服务器220和存储服务器230。终端210通过无线网络与存储服务器230通信。后台服务器220和存储服务器230之间通过有线网络进行通信。
在终端210下载机器学习模型之前,后台服务器220将预先训练多个机器学习模型,不同的机器学习模型对应不同的应用环境信息。例如,请参见表1。
表1
根据表1所示可知,不同的应用环境信息将对应不同的机器学习模型。应用环境信息可以是一个包括一个或多个属性的标签,每一个属性对应一个属性值。
在本申请中,在后台服务器220完成多个机器学习模型之后,后台服务器220将训练好的机器学习模型发布到存储服务器230中。存储服务器230接收终端210发送的模型下载请求之后,将在已存储的机器学习模型中查找符合应用环境信息的目标机器学习模型,并在查找到目标机器学习模型后,将该目标机器学习模型发送至终端210,以便终端210下载目标机器学习模型。
基于上述图1和图2两种实施环境中的任意一种实施环境,本申请提供一种应用在终端中的机器学习模型的下载方法,请参见图3。
图3是本申请一个示例性实施例提供的一种机器学习模型的下载方法的流程图。该机器学习模型的下载方法可以应用在上述图1或图2所示的终端中。在图3中,机器学习模型的下载方法包括如下步骤。
步骤310,获取应用环境信息,应用环境信息用于指示终端在实现预设功能时的运行环境。
在本申请实施例中,终端中可以通过指定的应用程序或者系统服务来实现机器学习模型的下载方法。该应用程序既可以是系统应用,也可以是第三方应用。系统服务是不具有用户界面的系统级应用。
可选地,本申请实施例的执行时机可以根据实际情况进行预先设计。一种可能的方式中,本申请所示的应用程序或者系统服务在在终端处于开机状态下持续运行。在该场景中,当持续运行的应用程序或者系统服务监测到应用环境信息发生了变化时,应用程序或者系统服务将执行本申请所示的机器学习模型的下载方法,根据改变后的应用环境信息下载对应的机器学习模型。
另一种可能的方式中,本申请所示的应用程序或者系统服务在预设手机模式中持续运行。比如预设手机模式可以是地铁模式、逛街模式或者其它开发者为终端设置的特定模式。
在终端能够执行步骤310时,终端将获取应用环境信息。由于应用环境信息用于指示终端在实现预设功能时的运行环境。因此,终端可以在贴近实现预设功能时获取应用环境信息。
一种可能的应用环境信息的获取方式中,终端通过传感器获取所处的外部环境信息,将外部环境信息作为应用环境信息。示意性的,外部环境信息可以包括终端所处的地理区域信息、系统时间信息、温度信息、湿度信息或光照度信息中至少一种用于指示终端外部环境的信息。
另一种可能的应用环境信息的获取方式中,终端通过系统设置获取在实现预设功能时的内部环境信息,将内部环境信息作为应用环境信息。示意性的,内部环境信息可以指示终端在通过目标机器学习模型实现预设功能时,终端内部能够提供信息的传感器。例如,内部环境信息可以是硬件信息,硬件信息可以包括陀螺仪、加速度传感器、地磁感应传感器、光感器、距离传感器、热感应器和超声波雷达中的至少一种。在本申请的下述介绍中,以硬件信息是陀螺仪、加速度传感器或地磁感应传感器中的一种进行说明,并不对本申请所示的硬件信息形成限定。
又一种可能的应用环境信息的获取方式中,终端可以同时获取外部环境信息和内部环境信息,将外部环境信息和内部环境信息作为应用环境信息。
步骤320,根据应用环境信息生成模型下载请求。
一种可能的生成方式中,终端将应用环境信息作为数据包的内容,封装生成模型下载请求。该模型下载请求可以包括请求下载机器学习模型的预设关键字。其中,不同的网络协议具有不同的数据包打包要求。例如,若本申请采用TCP(Transmission ControlProtocol,传输控制协议)协议,则可以按照应用层协议、传输层协议、网络层协议、数据链路层协议以及物理层协议对逐层封装。
另一种可能的生成方式中,应用环境信息将被加密之后再封装到数据包中。
终端在完成数据包的封装之后,可以视为模型下载请求已生成好。
步骤330,向服务器发送模型下载请求。
终端向服务器发送模型下载请求。若本申请是通过应用程序或者系统服务实现的方法,则该步骤可以是应用程序或者系统服务发起,通过基带芯片和射频组件完成向服务器发送模型下载请求。
步骤340,接收服务器发送的目标机器学习模型,目标机器学习模型是服务器中存储的至少两个用于实现预设功能的机器学习模型中符合应用环境信息的机器学习模型。
在本申请实施例中,终端将能够接收到服务器发送的目标机器学习模型。换言之,终端将从服务器中下载目标机器学习模型。该目标机器学习模型是服务器中存储的至少两个机器学习模型中的一个模型或者多个模型。其中,服务器预先存储的机器学习模型均是用于实现预设功能的机器学习模型。
在对端的服务器中,服务器将应用环境信息查找到相应的机器学习模型,并把该机器学习模型作为目标机器学习模型。
综上所述,本实施例提供的机器学习模型的下载方法,能够令终端在需要使用机器学习模型之前,获取本端中的应用环境信息,并根据机器学习模型生成相应的模型下载请求,再将该模型下载请求发送至服务器端,相应地,服务器端将解析该模型下载请求得到应用环境信息,并查找到符合应用环境信息的目标机器学习模型,最后,服务器将向终端发送该目标机器学习模型,从而终端下载该目标机器学习模型。其中,应用环境信息是终端在实现预设功能时的运行环境。由于终端能够根据实际的运行环境下载相应的目标机器学习模型,因此服务器可以预先训练多个机器学习模型,降低了机器学习模型的训练难度并提高了终端最终使用的机器学习模型实现预设功能的精度。
基于上一个实施例所公开的方案,终端还能够在服务器中执行相应的机器学习模型的下载方法,请参考如下实施例。
图4是本申请一个示例性实施例提供的一种机器学习模型的下载方法的流程图。该机器学习模型的下载方法可以应用在上述图1所示的服务器,或,图2所示的后台服务器和存储服务器中。为了便于理解和介绍,在图4实施例中以执行主体为服务器进行介绍。在图4中,机器学习模型的下载方法包括如下步骤。
步骤410,接收终端发送的模型下载请求。
可选地,由于机器学习模型是运营商或终端厂商耗费较大资源获得的数字资源。因此,服务器中可以设置身份验证流程。在身份验证流程中,服务器将从模型下载请求中读取用于指示终端权限的信息。其中,用于指示终端权限的信息可以包括终端自身的硬件标识,例如MAC(Media Access Control Address,媒体存取控制位址)或IMEI(InternationalMobile Equipment Identity,国际移动设备识别码)。或者,用于指示终端权限的信息可以是帐号和密码的组合。服务器将在用于指示终端权限的信息通过验证时,完成身份验证流程,进而执行后续流程。否则,服务器将向终端返回身份验证失败并拒绝提供机器学习模型的提示信息。
可选地,针对接收模型下载请求的时机,服务器可以在以下两种场景中接收并响应终端发送的模型下载请求。一种可能的方式中,服务器可以在机器学习模型已成功存储在服务器后,即刻开放机器学习模型的下载权限,接收并响应模型下载请求。另一种可能的方式中,服务器中存储的机器学习模型具有上线时间。当服务器中的系统时间到达该上线时间后,服务器将开放该机器学习模型的下载权限,接收并响应模型下载请求。
步骤420,解析模型下载请求,得到应用环境信息,应用环境信息用于指示终端在实现预设功能时的运行环境。
在接收到模型下载请求之后,服务器对该模型下载请求进行解析,并从该模型下载请求中解析得到应用环境信息。一种可能的方式中,若应用环境信息是以明文形式存储在模型下载请求中,则服务器将在正常解码流程之后,直接读取应用环境信息。另一种可能的方式中,若应用环境信息是以密文形式存储在模型下载请求中,则服务器需要执行相应的解密流程以获取应用环境信息。需要说明的是,若服务器完成解密流程,则成功得到解密流程;若服务器未通过解密流程,则无法得到应用环境信息,向终端返回获取模型失败的提示信息。
步骤430,从存储的至少两个用于实现预设功能的机器学习模型中确定目标机器学习模型,目标机器学习模型是符合应用环境信息的机器学习模型。
在本例中,服务器能够预先存储多组机器学习模型,每一组机器学习模型符合对应的应用环境信息。请参考表2和表3,表2和表3示出了一种服务器中存储的多组机器学习模型及其对应的应用环境信息。
表2
其中,表2示出了服务器中存储的部分数据。不同组的机器学习模型符合应用环境信息。
表3
表3示出了服务器中存储的除表2之外的数据。不同组的机器学习模型符合不同的应用环境信息。在实际的根据应用环境信息匹配机器学习模型的过程中,服务器将在应用环境信息完全符合模型下载请求中的应用环境信息时,将对应于应用环境信息的机器学习模型确定为目标机器学习模型。
步骤440,向终端发送目标机器学习模型。
在确定目标机器学习模型之后,服务器能够对目标机器学习模型进行加密,并将加密后的目标机器学习模型发送至终端。或者,通过加密的通信协议发送至终端,从而使得终端能够下载该目标机器学习模型。
综上所述,本申请实施例提供的机器学习模型的下载方法,能够令服务器预先存储多个机器学习模型,不同的机器学习模型对应的应用环境信息不同,当服务器接收到模型下载请求后,能够从该模型下载请求中解析出应用环境信息,并将符合应用环境信息的机器学习模型作为目标应用环境信息,之后将目标应用环境信息发送至终端,从而使得终端能够实时获取到符合应用环境信息的目标机器学习模型,由于目标机器学习模型对于终端实现预设功能的有较高的识别精度或者较高的准确度,从而提高了终端实现预设功能的效果。
基于上述终端和服务器分别实现机器学习模型的下载方法的过程。本申请实施例还提供的一种终端和服务器同时参与的机器学习模型的下载方法,请参见图5。
图5是本申请另一个示例性实施例提供的一种机器学习模型的下载方法流程图。该机器学习模型的下载方法可以由终端和服务器配合来实现。在图5中,该机器学习模型的下载方法包括如下步骤。
步骤511,服务器获取预设功能的至少两组训练样本。
其中,不同组的训练样本是在不同的应用环境信息下采集得到的数据。服务器将预先分类分级,按照不同的应用环境信息,获取各种环境信息分别对应的训练样本。
可选地,应用环境信息包括硬件信息和地理区域信息中的至少一种。
一方面,硬件信息用于指示实现预设功能时对应的输入数据所来源的传感器。另一方面,地理区域信息,地理区域信息用于指示终端实现预设功能时所处的地理位置所在的区域。在本申请实施例中,输入数据用于输入至所述目标机器学习模型以实现所述预设功能。本申请中所示的终端,能够根据自身的应用环境信息,来下载与该应用环境信息对应的目标机器学习模型。
举例来说,硬件信息是用于指示终端中传感器种类。示意性的,传感器种类可以包括陀螺仪、加速度传感器和地磁感应传感器中的至少一种。
其中,陀螺仪用于测得终端的角运动情况。陀螺仪可将测得的角速度或者角加速度作为输出量输出。加速度传感器用于测得终端的运动情况,可获得终端在某个方向上的线速度或者线加速度。地磁感应传感器用于测量地磁的强度和方向。
在本申请中,当硬件信息是包括一种传感器的信息时,硬件信息可以是陀螺仪信息;硬件信息也可以是加速度传感器信息;硬件信息还可以是地磁感应传感器信息。当硬件信息是包括两种传感器的信息时,硬件信息可以是陀螺仪信息和地磁感应传感器信息;硬件信息也可以是加速度传感器信息和地磁感应传感器信息;硬件信息还可以是陀螺仪信息和加速度传感器信息。当硬件信息是包括三种传感器的信息时,硬件信息可以是陀螺仪信息、加速度传感器信息和地磁感应传感器信息。
以该硬件信息用于指示陀螺仪信息、加速度传感器信息和地磁感应传感器信息中至少一种为例说明。其中,以GS表示地磁感应传感器信息、AT表示加速度传感器信息并以RG表示陀螺仪信息。请参见表4。
表4
在本申请中,服务器能够按照表4所示的场景,提前获取7种样本集。然后,终端分别对应训练7种初始模型,从而得到7种用于识别扫码动作的机器学习模型。例如,以模型是第4扫码动作识别模型为例,该模型的应用环境信息是地磁感应传感器信息和加速度传感器信息。
在本申请中,终端通过自身的运动状态变化来识别扫码动作。当终端产生手机屏幕的翻转时,大概率将出现将显示屏对准扫码设备的情况。因此,本申请设计的方案中通过设计多种初始模型,以至少一种传感器采集的信息为输入信号,来识别输入信号指示的终端是否出现了扫码动作。在实际应用中,经过训练的初始模型,能够在对应的传感器采集的信息为输入的情况下,识别出终端是否出现扫码动作。
针对地理区域信息而言,该地理区域信息用于指示终端实现预设功能时所处的地理位置所在的区域。一种可能的情况中,地理区域信息可以用于指示城市,一个地理区域信息指示一座城市。在其它可能的实现方式中,地理区域信息也可以指示其它级别的地理区域。例如,地理区域信息还可以是省或县等其他行政区域的类型。需要说明的是,本处以上述行政划分为例进行举例,不同的国家对于各个级别的行政区域的划分称谓不同,本申请实施例中的地理区域信息同样可以用于指示不同国家中相应的行政区域。
以该地理区域信息用于指示城市为例,若本申请中包括的城市有BJ市、NY市、SH市、SZ市和HZ市,则各个城市具有对应的训练样本,请参见表5。
表5
在本申请中,服务器能够提前获取表5中的5个城市样本集,对相应的城市对应的机器学习模型进行训练。
步骤512,服务器分别利用至少两组训练样本,对初始模型进行训练,得到至少两个用于实现预设功能的机器学习模型。
在本申请中,服务器能够训练多个初始模型。以上述表5所示数据为例,在该表5所示的初始模型包括扫码设备识别模型cv1、扫码设备识别模型cv2、扫码设备识别模型cv3、扫码设备识别模型cv4和扫码设备识别模型cv5。
在该过程中,终端将分别使用5组训练样本:城市样本集c1、城市样本集c2、城市样本集c3、城市样本集c4和城市样本集c5。其中,每一组训练样本中均包括该城市中的地铁站中闸机的图像、包括该城市中的扫码枪的图像、包括该城市中的公交车的扫码设备的图像或者包括健康码扫码设备的图像。经过训练样本的训练,相应的初始模型将被训练成为能够识别该城市中的扫码设备的机器学习模型。
需要说明的是,扫码设备识别模型能够通过终端的前置摄像头拍摄图像,当从图像中识别出扫码设备时,终端将在屏幕中自动显示相应的图像码。例如,当终端识别出扫码设备是地铁闸机时,自动在屏幕中弹出显示地铁乘车码。当终端识别出扫码设备是公交车扫码设备时,自动在屏幕中弹出显示公交车的乘车码。当终端识别出扫码设备是健康码扫码设备时,自动在屏幕中弹出显示所绑定的用户的健康码。针对安全级别更高的显示付款的场景中,终端还需要处于解锁状态,才能够执行自动识别到付款扫码设备时弹出显示付款码的步骤。
需要说明的是,终端自动显示乘车码或者健康码无需终端处于解锁状态,当终端处于正常锁屏状态时即可使用。在另一种可能的方式中,当终端不慎被使用者遗失后,用户可以通过服务器远程锁定终端,锁定终端自动弹出显示图像码的功能,以保障用户自身的信息安全和财产安全。
步骤521,终端获取应用环境信息。
其中,应用环境信息用于指示终端在实现预设功能时的运行环境。
相应的,应用环境信息包括硬件信息和地理区域信息中的至少一种。
一种场景中,当应用环境信息包括硬件信息时,终端将通过执行步骤(a1)和步骤(a2)来实现获取硬件信息。
步骤(a1),终端读取终端提供给应用程序的传感器权限,应用程序用于在运行时实现预设功能。
终端通过应用程序实现预设功能,而应用程序在安装时能够获取终端授予的一些传感器权限。其中,终端能够读取应用程序被授予的传感器权限。也即,步骤(a1)可以在应用程序完成安装时执行。
请参见图6,图6是本申请实施例提供的一种支持机器学习模型的下载的系统架构图。在图6中,包括模型分级分类训练模块610、云端存储模块620、信息收集模块630和模型加载模块640。上述各个虚拟模块是分布在不同的硬件设备中。需要说明的是,模型分级分类训练模块610和云端存储模块620均是设置在服务器中的虚拟模块。信息收集模块630和模型加载模块640是设置在终端中的虚拟模块。
其中,模型分级分类训练模块610用于根据提前选定的应用环境信息所对应的训练样本,训练出对应的机器学习模型。可选地,模型分级分类训练模块610所训练出的机器学习模型的数量至少为两个。
云端存储模块620,用于将模型分级分类训练模块610训练好的机器学习模型和对应的应用环境信息进行关联,并保存在服务器中。其中,应用环境信息可以作为一个标签信息和对应的机器学习模型一同存储。
信息收集模块630,设置在终端中,用于通过各种器件获取应用环境信息。例如,通过传感器获取硬件信息,通过定位组件获取地理区域信息。
模型加载模块640,设置在终端中,用于根据信息收集模块630收集的应用环境信息,通过服务器下载对应的目标机器学习模型。
在一种终端读取传感器权限的场景中,响应于应用程序首次运行,终端将读取应用程序的传感器权限。
在应用程序首次运行时,表明用户有较大可能使用预设功能。在该场景中,终端在应用程序首次运行时,直接读取应用程序的传感器权限。
步骤(a2),终端将传感器权限对应的传感器类型确定为硬件信息。
终端将传感器权限对应的传感器类型确定为硬件信息。例如,终端具有陀螺仪权限,则陀螺仪权限对应的陀螺仪。终端将陀螺仪确定为硬件信息。
另一种场景中,当应用环境信息包括地理区域信息时,终端将通过执行步骤(b1)来实现获取地理区域信息。
步骤(b1),响应于当前系统时间是预设的位置采集时刻,终端调用定位组件获取终端当前的地理区域信息。
在本申请中,步骤(b1)可以由应用程序或者系统服务来执行。响应于终端当前系统时间是预设的位置采集时刻,终端将调用定位组件获取当前的地理区域信息。
需要说明的是,预设的位置采集时刻可以是以应用程序或者系统服务开始运行的时刻为起点,每过一个周期t,即为一个位置采集时刻。
终端能够通过导航卫星定位、网络定位或Wi-Fi定位等技术来确定当前的地理区域信息。一种可能的方式中,定位组件获取到的地理区域信息直接是最终的字符信息。例如,若地理区域信息是城市名称,定位组件能够直接获取到城市名称。另一种可能的方式中,定位组件将得到一个位置坐标,终端可以通过调用位置数据库等手段进一步确定地理区域信息。
步骤522,终端根据应用环境信息生成模型下载请求。
终端能够将应用环境信息作为模型下载请求一部分,生成模型下载请求。
步骤523,终端向服务器发送模型下载请求。
相应地,服务器接收终端发送的模型下载请求。
步骤531,服务器解析模型下载请求,得到应用环境信息。
其中,应用环境信息用于指示终端在实现预设功能时的运行环境。
步骤532,服务器从存储的至少两个用于实现预设功能的机器学习模型中确定目标机器学习模型。
其中,目标机器学习模型是符合应用环境信息的机器学习模型。
在本申请中,由于服务器中存储有多个机器学习模型。因此,服务器将根据应用环境信息对机器学习模型进行筛选,得到目标机器学习模型。一种可能的方式中,目标机器学习模型是一个机器学习模型。另一种可能的方式中,目标机器学习模型是一组机器学习模型,该组机器学习模型中包括多个机器学习模型。
步骤533,服务器向终端发送目标机器学习模型。
相应的,终端接收服务器发送的目标机器学习模型。并且,终端通过目标机器学习模型实现预设功能。
在本申请实施例所应用的一个选取机器学习模型的场景中,应用环境信息是包括n个应用环境子信息的第一集合,目标机器学习模型的数量是m个,m个目标机器学习模型中的第i机器学习模型与第一集合中的第i子集合相对应,i小于或等于m,n、m和i均为正整数。
其中,由n个应用环境子信息的第一集合最多可以与2n-1个机器学习模型对应。也即,在本申请中,m小于或等于2n-1。
例如,第一集合可以是{陀螺仪,加速度传感器,地磁感应传感器,城市名},该第一集合包括23-1个,也即7个子集合。每一个子集合均有对应的机器学习模型,也即本申请在该场景中提供有7个机器学习模型。由于第一集合中的城市名作为一个固定的变量没有进行调整,上述7个机器学习模型可以视为针对固定的城市分级中的7个类别的机器学习模型。
在该实例中,若城市名也进行变化,则服务器将首先确定对应于该城市的多个模型。在本例中,服务器能够根据城市名确定相应的7个机器学习模型,并根据应用环境信息的实际情况从中选出目标机器学习模型。
在本申请实施例中,当预设功能是公共交通程序中的乘车码展示功能时,目标机器学习模型是设备识别模型和动作识别模型。其中,终端接收服务器发送的目标机器学习模型,可以包括步骤(c1)和步骤(c2)。
步骤(c1),接收服务器发送的动作识别模型。
终端将接收动作识别模型。其中,动作识别模型用于根据传感器数据确定终端是否产生目标动作,目标动作用于控制终端的显示屏朝向扫码设备。
在实际应用场景中,当用户需要向扫码设备展示图形码时,会将终端进行一个翻转屏幕面向扫码设备的动作。在终端执行该动作时,终端中的传感器将采集到相应的传感数据,传感数据输入到动作识别模型后,动作识别模型可以识别出该动作是否是扫码动作。
步骤(c2),接收服务器发送的设备识别模型,设备识别模型用于识别终端拍摄的图像中是否存在扫码设备。
在终端通过动作识别模型识别出终端进行扫码动作时,终端将通过前摄像头拍摄图像,并将图像作为输入信息,输入到设备识别模型中。设备识别模型对该图像进行识别,来判断该图像中是否包括扫码设备。
终端能够通过扫码动作识别模型和设备识别模型的连续作用,识别出用户的扫码场景,从而完成在扫码场景中自动弹出显示图形码。例如,用户在通过地铁闸机时,可以掏出手机将手机屏幕面向闸机上的扫码窗,终端将能够自动显示乘车码,从而快捷完成相应的操作。
综上所述,本申请实施例能够令终端在需要机器学习模型前,获取应用环境信息,并根据当前的应用环境信息在服务器中至少两个机器学习模型中确定相应的目标机器学习模型。由此可见,当本申请提供的机器学习模型需要服务的终端所处城市,以及终端自身的硬件信息不相同时,终端总能够获取适配于自身应用环境信息的机器学习模型。由此,本申请不仅能够提高机器学习模型识别相应的对象的准确度,还能够减轻训练相应的机器学习模型的运算量,并减小机器学习模型的尺寸,便于该机器学习模型的传输。
可选地,当终端需要实现的预设功能是公共交通程序中的乘车码展示功能时,终端能够一次性下载扫码动作识别模型和设备识别模型,在后续应用过程中快速识别出扫码场景并自动展示乘车码。可见,本申请提高了服务器适配各个城市和各个机型的机器学习模型的能力,增强了基于机器学习模型的预定功能的适应性,具有较强的应用价值。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图7是本申请一个示例性实施例提供的一种机器学习模型的下载装置的结构框图。该机器学习模型的下载装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置包括:
信息获取模块710,用于获取应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境。
请求生成模块720,用于根据所述应用环境信息生成模型下载请求。
请求发送模块730,用于向服务器发送所述模型下载请求。
模型接收模块740,用于接收所述服务器发送的目标机器学习模型,所述目标机器学习模型是所述服务器中存储的至少两个用于实现所述预设功能的机器学习模型中符合所述应用环境信息的机器学习模型。
在一个可选的实施例中,所述装置涉及的所述应用环境信息包括如下信息中的至少一种:硬件信息,所述硬件信息用于指示实现预设功能时对应的输入数据所来源的传感器,所述输入数据用于输入至所述目标机器学习模型以实现所述预设功能;地理区域信息,所述地理区域信息用于指示所述终端实现预设功能时所处的地理位置所在的区域。
在一个可选的实施例中,所述装置涉及的所述应用环境信息包括所述硬件信息,所述信息获取模块710,用于读取所述终端提供给应用程序的传感器权限,所述应用程序用于在运行时实现所述预设功能;将所述传感器权限对应的传感器类型确定为所述硬件信息。
在一个可选的实施例中,所述信息获取模块710,用于响应于所述应用程序首次运行,读取所述应用程序的所述传感器权限。
在一个可选的实施例中,所述装置涉及的所述应用环境信息包括所述地理区域信息,所述信息获取模块710,用于响应于当前系统时间是预设的位置采集时刻,调用定位组件获取所述终端当前的所述地理区域信息。
在一个可选的实施例中,所述装置涉及的所述应用环境信息是包括n个应用环境子信息的第一集合,所述目标机器学习模型的数量是m个,m个所述目标机器学习模型中的第i机器学习模型与所述第一集合中的第i子集合相对应,i小于或等于m,n、m和i均为正整数。
在一个可选的实施例中,所述预设功能是公共交通程序中的乘车码展示功能,所述公共交通程序用于在预定场景中弹出显示对应的乘车码,所述模型接收模块740,用于接收所述服务器发送的设备识别模型,所述设备识别模型用于识别所述终端拍摄的图像中是否存在扫码设备;接收所述服务器发送的动作识别模型,所述动作识别模型用于根据传感器数据确定所述终端是否产生目标动作,所述目标动作用于控制所述终端的显示屏朝向扫码设备。
综上所述,本实施例提供的机器学习模型的下载装置,能够令终端在需要使用机器学习模型之前,获取本端中的应用环境信息,并根据机器学习模型生成相应的模型下载请求,再将该模型下载请求发送至服务器端,相应地,服务器端将解析该模型下载请求得到应用环境信息,并查找到符合应用环境信息的目标机器学习模型,最后,服务器将向终端发送该目标机器学习模型,从而终端下载该目标机器学习模型。其中,应用环境信息是终端在实现预设功能时的运行环境。由于终端能够根据实际的运行环境下载相应的目标机器学习模型,因此服务器可以预先训练多个机器学习模型,降低了机器学习模型的训练难度并提高了终端最终使用的机器学习模型实现预设功能的精度。
图8是本申请一个示例性实施例提供的另一种机器学习模型的下载装置的结构框图。该机器学习模型的下载装置可以通过软件、硬件或者两者的结合实现成为服务器的全部或一部分。该装置包括:
请求接收模块810,用于接收终端发送的模型下载请求。
请求解析模块820,用于解析所述模型下载请求,得到应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境。
模型确定模块830,用于从存储的至少两个用于实现所述预设功能的机器学习模型中确定目标机器学习模型,所述目标机器学习模型是符合所述应用环境信息的机器学习模型。
模型发送模块840,用于向所述终端发送所述目标机器学习模型。
在一个可选的实施例中,所述装置还包括训练模块,用于获取预设功能的至少两组训练样本,不同组的训练样本是在不同的所述应用环境信息下采集得到的数据;分别利用至少两组所述训练样本,对初始模型进行训练,得到至少两个用于实现预设功能的机器学习模型。
在一个可选的实施例中,所述装置中涉及的所述应用环境信息包括如下信息中的至少一种:硬件信息,所述硬件信息用于指示实现预设功能时对应的输入数据所来源的传感器;地理区域信息,所述地理区域信息用于指示所述终端实现预设功能时所处的地理位置所在的区域。
综上所述,本申请实施例提供的机器学习模型的下载装置,能够令服务器预先存储多个机器学习模型,不同的机器学习模型对应的应用环境信息不同,当服务器接收到模型下载请求后,能够从该模型下载请求中解析出应用环境信息,并将符合应用环境信息的机器学习模型作为目标应用环境信息,之后将目标应用环境信息发送至终端,从而使得终端能够实时获取到符合应用环境信息的目标机器学习模型,由于目标机器学习模型对于终端实现预设功能的有较高的识别精度或者较高的准确度,从而提高了终端实现预设功能的效果。
图9是本申请一个示例性实施例提供的一种终端的结构框图,如图9所示,该终端包括处理器920、存储器940和第一收发组件960,所述存储器940中存储有至少一条指令,所述指令由所述处理器920加载并执行以实现如本申请各个方法实施例所述的机器学习模型的下载方法。第一收发组件960用于与服务器进行通信。
在本申请中,终端900是具备下载机器学习模型的功能的电子设备。终端900获取应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境;根据所述应用环境信息生成模型下载请求;向服务器发送所述模型下载请求;接收所述服务器发送的目标机器学习模型,所述目标机器学习模型是所述服务器中存储的至少两个用于实现所述预设功能的机器学习模型中符合所述应用环境信息的机器学习模型。
处理器920可以包括一个或者多个处理核心。处理器920利用各种接口和线路连接整个终端900内的各个部分,通过运行或执行存储在存储器940内的指令、程序、代码集或指令集,以及调用存储在存储器940内的数据,执行终端900的各种功能和处理数据。可选的,处理器920可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器920可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器920中,单独通过一块芯片进行实现。
存储器940可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。可选的,该存储器940包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器940可用于存储指令、程序、代码、代码集或指令集。存储器940可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等;存储数据区可存储下面各个方法实施例中涉及到的数据等。
第一收发组件960可以包括基带芯片和射频组件。在信号发射过程中,信号通过基带芯片的调制和编码等处理过程之后,通过射频组件进行发射。在信号接收过程中,信号被射频组件接收后,通过基带芯片进行解调和解码等过程,获得所需的数据。示意性的,第一收发组件960还用于通过网络与服务器中的第二收发组件建立通信连接,以实现从服务器中下载目标机器学习模型的功能。
请参考图10,图10是本申请一个实施例提供的一种服务器的结构示意图。该服务器用于实施上述实施例提供的机器学习模型的下载方法。具体来讲:
所述服务器1000包括中央处理单元(CPU)1001、包括随机存取存储器(RAM)1002和只读存储器(ROM)1003的系统存储器1004,以及连接系统存储器1004和中央处理单元1001的系统总线1005。所述服务器1000还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output,I/O系统)1006,和用于存储操作系统1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
所述基本输入/输出系统1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1009。其中所述显示器1008和输入设备1009都通过连接到系统总线1005的输入输出控制器1010连接到中央处理单元1001。所述基本输入/输出系统1006还可以包括输入输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1007通过连接到系统总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。所述大容量存储设备1007及其相关联的计算机可读介质为服务器1000提供非易失性存储。也就是说,所述大容量存储设备1007可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Electrical Programmable Read Only Memory,电动程控只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory,带电可擦可编程只读存储器)、闪存或其他固态存储其技术,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1004和大容量存储设备1007可以统称为存储器。
根据本申请的各种实施例,所述服务器1000还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1000可以通过连接在所述系统总线1005上的第二收发组件1011连接到网络1012,或者说,也可以使用第二收发组件1011来连接到其他类型的网络或远程计算机系统。示意性的,第二收发组件1011还用于通过网络与终端中的第一收发组件建立通信连接,以实现向终端传送目标机器学习模型的功能。
本申请实施例还提供了一种计算机可读介质,该计算机可读介质存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如上各个实施例所述的机器学习模型的下载方法。
需要说明的是:上述实施例提供的机器学习模型的下载装置在执行机器学习模型的下载方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的机器学习模型的下载装置与机器学习模型的下载方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的能够实现的示例性的实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (16)
1.一种机器学习模型的下载方法,其特征在于,应用在终端中,所述方法包括:
获取应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境;
根据所述应用环境信息生成模型下载请求;
向服务器发送所述模型下载请求;
接收所述服务器发送的目标机器学习模型,所述目标机器学习模型是所述服务器中存储的至少两个用于实现所述预设功能的机器学习模型中符合所述应用环境信息的机器学习模型。
2.根据权利要求1所述的方法,其特征在于,所述应用环境信息包括如下信息中的至少一种:
硬件信息,所述硬件信息用于指示实现预设功能时对应的输入数据所来源的传感器,所述输入数据用于输入至所述目标机器学习模型以实现所述预设功能;
地理区域信息,所述地理区域信息用于指示所述终端实现预设功能时所处的地理位置所在的区域。
3.根据权利要求2所述的方法,其特征在于,所述应用环境信息包括所述硬件信息,所述获取应用环境信息,包括:
读取所述终端提供给应用程序的传感器权限,所述应用程序用于在运行时实现所述预设功能;
将所述传感器权限对应的传感器类型确定为所述硬件信息。
4.根据权利要求3所述的方法,其特征在于,所述读取所述终端提供给应用程序的传感器权限,包括:
响应于所述应用程序首次运行,读取所述应用程序的所述传感器权限。
5.根据权利要求2所述的方法,其特征在于,所述应用环境信息包括所述地理区域信息,所述获取应用环境信息,包括:
响应于当前系统时间是预设的位置采集时刻,调用定位组件获取所述终端当前的所述地理区域信息。
6.根据权利要求1所述的方法,其特征在于,所述应用环境信息是包括n个应用环境子信息的第一集合,所述目标机器学习模型的数量是m个,m个所述目标机器学习模型中的第i机器学习模型与所述第一集合中的第i子集合相对应,i小于或等于m,n、m和i均为正整数。
7.根据权利要求1所述的方法,其特征在于,所述预设功能是公共交通程序中的乘车码展示功能,所述公共交通程序用于在预定场景中弹出显示对应的乘车码,所述接收所述服务器发送的目标机器学习模型,包括:
接收所述服务器发送的设备识别模型,所述设备识别模型用于识别所述终端拍摄的图像中是否存在扫码设备;
接收所述服务器发送的动作识别模型,所述动作识别模型用于根据传感器数据确定所述终端是否产生目标动作,所述目标动作用于控制所述终端的显示屏朝向扫码设备。
8.一种机器学习模型的下载方法,其特征在于,应用在服务器中,所述方法包括:
接收终端发送的模型下载请求;
解析所述模型下载请求,得到应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境;
从存储的至少两个用于实现所述预设功能的机器学习模型中确定目标机器学习模型,所述目标机器学习模型是符合所述应用环境信息的机器学习模型;
向所述终端发送所述目标机器学习模型。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
获取预设功能的至少两组训练样本,不同组的训练样本是在不同的所述应用环境信息下采集得到的数据;
分别利用至少两组所述训练样本,对初始模型进行训练,得到至少两个用于实现预设功能的机器学习模型。
10.根据权利要求8所述的方法,其特征在于,所述应用环境信息包括如下信息中的至少一种:
硬件信息,所述硬件信息用于指示实现预设功能时对应的输入数据所来源的传感器;
地理区域信息,所述地理区域信息用于指示所述终端实现预设功能时所处的地理位置所在的区域。
11.一种机器学习模型的下载装置,其特征在于,应用于终端中,所述装置包括:
信息获取模块,用于获取应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境;
请求生成模块,用于根据所述应用环境信息生成模型下载请求;
请求发送模块,用于向服务器发送所述模型下载请求;
模型接收模块,用于接收所述服务器发送的目标机器学习模型,所述目标机器学习模型是所述服务器中存储的至少两个用于实现所述预设功能的机器学习模型中符合所述应用环境信息的机器学习模型。
12.一种机器学习模型的下载装置,其特征在于,应用在服务器中,所述装置包括:
请求接收模块,用于接收终端发送的模型下载请求;
请求解析模块,用于解析所述模型下载请求,得到应用环境信息,所述应用环境信息用于指示所述终端在实现预设功能时的运行环境;
模型确定模块,用于从存储的至少两个用于实现所述预设功能的机器学习模型中确定目标机器学习模型,所述目标机器学习模型是符合所述应用环境信息的机器学习模型;
模型发送模块,用于向所述终端发送所述目标机器学习模型。
13.一种终端,其特征在于,所述终端包括处理器、和与所述处理器相连的存储器和第一收发组件,以及存储在所述存储器上的程序指令,所述处理器执行所述程序指令时通过所述第一收发组件实现如权利要求1至7任一所述的机器学习模型的下载方法。
14.一种服务器,其特征在于,所述服务器包括处理器、和与所述处理器相连的存储器和第二收发组件,以及存储在所述存储器上的程序指令,所述处理器执行所述程序指令时通过所述第二收发组件实现如权利要求8至10任一所述的机器学习模型的下载方法。
15.一种计算机可读存储介质,所述存储介质中存储有程序指令,其特征在于,所述程序指令被处理器执行时实现如权利要求1至7任一所述的机器学习模型的下载方法。
16.一种计算机可读存储介质,所述存储介质中存储有程序指令,其特征在于,所述程序指令被处理器执行时实现如权利要求8至10任一所述的机器学习模型的下载方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011623427.9A CN112698848B (zh) | 2020-12-31 | 2020-12-31 | 机器学习模型的下载方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011623427.9A CN112698848B (zh) | 2020-12-31 | 2020-12-31 | 机器学习模型的下载方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112698848A true CN112698848A (zh) | 2021-04-23 |
CN112698848B CN112698848B (zh) | 2024-07-26 |
Family
ID=75512970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011623427.9A Active CN112698848B (zh) | 2020-12-31 | 2020-12-31 | 机器学习模型的下载方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112698848B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177471A (zh) * | 2021-04-28 | 2021-07-27 | Oppo广东移动通信有限公司 | 动作检测方法、装置、电子设备及存储介质 |
CN115033308A (zh) * | 2021-12-01 | 2022-09-09 | 荣耀终端有限公司 | 地铁出行检测方法及电子设备 |
US20220343004A1 (en) * | 2021-04-27 | 2022-10-27 | Spotify Ab | Access control for on-device machine learning models |
WO2022227959A1 (zh) * | 2021-04-27 | 2022-11-03 | 华为技术有限公司 | 模型分发的方法和装置 |
WO2023066288A1 (zh) * | 2021-10-21 | 2023-04-27 | 维沃移动通信有限公司 | 模型请求方法、模型请求处理方法及相关设备 |
WO2023245513A1 (en) * | 2022-06-22 | 2023-12-28 | Shenzhen Tcl New Technology Co., Ltd. | Device capability discovery method and wireless communication device |
CN117435354A (zh) * | 2023-12-20 | 2024-01-23 | 腾讯科技(深圳)有限公司 | 算法模型的运行方法、装置、系统、电子设备及存储介质 |
CN118261595A (zh) * | 2021-08-06 | 2024-06-28 | 荣耀终端有限公司 | 支付方法及相关装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782976A (zh) * | 2010-01-15 | 2010-07-21 | 南京邮电大学 | 一种云计算环境下机器学习自动选择方法 |
CN107454964A (zh) * | 2016-12-23 | 2017-12-08 | 深圳前海达闼云端智能科技有限公司 | 一种商品识别方法和装置 |
CN107633164A (zh) * | 2017-09-28 | 2018-01-26 | 珠海市魅族科技有限公司 | 支付控制方法、装置、计算机装置及计算机可读存储介质 |
CN109886422A (zh) * | 2019-02-01 | 2019-06-14 | 深圳绿米联创科技有限公司 | 模型配置方法、装置、电子设备及可读取存储介质 |
WO2019128568A1 (zh) * | 2017-12-27 | 2019-07-04 | Oppo广东移动通信有限公司 | 内容推送方法、装置及设备 |
WO2019128552A1 (zh) * | 2017-12-29 | 2019-07-04 | Oppo广东移动通信有限公司 | 信息推送方法、装置、终端及存储介质 |
CN110163319A (zh) * | 2019-04-10 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 条形码显示方法、装置及设备 |
CN110175677A (zh) * | 2019-04-16 | 2019-08-27 | 平安普惠企业管理有限公司 | 自动更新方法、装置、计算机设备及存储介质 |
CN110809757A (zh) * | 2017-11-29 | 2020-02-18 | 谷歌有限责任公司 | 使得应用之间能够共享机器学习模型的设备上的机器学习平台 |
CN111310934A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 一种模型生成方法、装置、电子设备和存储介质 |
CN111901294A (zh) * | 2020-06-09 | 2020-11-06 | 北京迈格威科技有限公司 | 一种构建在线机器学习项目的方法及机器学习系统 |
CN112106081A (zh) * | 2018-05-07 | 2020-12-18 | 谷歌有限责任公司 | 提供综合机器学习服务的应用开发平台和软件开发套件 |
-
2020
- 2020-12-31 CN CN202011623427.9A patent/CN112698848B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782976A (zh) * | 2010-01-15 | 2010-07-21 | 南京邮电大学 | 一种云计算环境下机器学习自动选择方法 |
CN107454964A (zh) * | 2016-12-23 | 2017-12-08 | 深圳前海达闼云端智能科技有限公司 | 一种商品识别方法和装置 |
CN107633164A (zh) * | 2017-09-28 | 2018-01-26 | 珠海市魅族科技有限公司 | 支付控制方法、装置、计算机装置及计算机可读存储介质 |
CN110809757A (zh) * | 2017-11-29 | 2020-02-18 | 谷歌有限责任公司 | 使得应用之间能够共享机器学习模型的设备上的机器学习平台 |
WO2019128568A1 (zh) * | 2017-12-27 | 2019-07-04 | Oppo广东移动通信有限公司 | 内容推送方法、装置及设备 |
WO2019128552A1 (zh) * | 2017-12-29 | 2019-07-04 | Oppo广东移动通信有限公司 | 信息推送方法、装置、终端及存储介质 |
CN112106081A (zh) * | 2018-05-07 | 2020-12-18 | 谷歌有限责任公司 | 提供综合机器学习服务的应用开发平台和软件开发套件 |
CN109886422A (zh) * | 2019-02-01 | 2019-06-14 | 深圳绿米联创科技有限公司 | 模型配置方法、装置、电子设备及可读取存储介质 |
CN110163319A (zh) * | 2019-04-10 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 条形码显示方法、装置及设备 |
CN110175677A (zh) * | 2019-04-16 | 2019-08-27 | 平安普惠企业管理有限公司 | 自动更新方法、装置、计算机设备及存储介质 |
CN111310934A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 一种模型生成方法、装置、电子设备和存储介质 |
CN111901294A (zh) * | 2020-06-09 | 2020-11-06 | 北京迈格威科技有限公司 | 一种构建在线机器学习项目的方法及机器学习系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220343004A1 (en) * | 2021-04-27 | 2022-10-27 | Spotify Ab | Access control for on-device machine learning models |
WO2022227959A1 (zh) * | 2021-04-27 | 2022-11-03 | 华为技术有限公司 | 模型分发的方法和装置 |
CN113177471A (zh) * | 2021-04-28 | 2021-07-27 | Oppo广东移动通信有限公司 | 动作检测方法、装置、电子设备及存储介质 |
CN118261595A (zh) * | 2021-08-06 | 2024-06-28 | 荣耀终端有限公司 | 支付方法及相关装置 |
WO2023066288A1 (zh) * | 2021-10-21 | 2023-04-27 | 维沃移动通信有限公司 | 模型请求方法、模型请求处理方法及相关设备 |
CN115033308A (zh) * | 2021-12-01 | 2022-09-09 | 荣耀终端有限公司 | 地铁出行检测方法及电子设备 |
CN115033308B (zh) * | 2021-12-01 | 2023-01-17 | 荣耀终端有限公司 | 地铁出行检测方法及电子设备 |
WO2023245513A1 (en) * | 2022-06-22 | 2023-12-28 | Shenzhen Tcl New Technology Co., Ltd. | Device capability discovery method and wireless communication device |
CN117435354A (zh) * | 2023-12-20 | 2024-01-23 | 腾讯科技(深圳)有限公司 | 算法模型的运行方法、装置、系统、电子设备及存储介质 |
CN117435354B (zh) * | 2023-12-20 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 算法模型的运行方法、装置、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112698848B (zh) | 2024-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112698848B (zh) | 机器学习模型的下载方法、装置、终端及存储介质 | |
CN108595970B (zh) | 处理组件的配置方法、装置、终端及存储介质 | |
US11044514B2 (en) | Method for displaying bullet comment information, method for providing bullet comment information, and device | |
CN103155513B (zh) | 加速认证的方法和装置 | |
US11770351B2 (en) | Multiple application list prioritization | |
KR102550672B1 (ko) | 영상처리장치 및 그 제어방법 | |
CN104516783A (zh) | 权限控制方法和装置 | |
KR102652384B1 (ko) | 메신저 봇을 이용하여 IoT 기기를 제어하기 위한 방법, 시스템, 및 비-일시적인 컴퓨터 판독가능한 기록 매체 | |
US10389685B2 (en) | Systems and methods for securely transferring selective datasets between terminals | |
CN108496155A (zh) | 参数处理方法、设备、机器可读存储介质以及系统 | |
US20070136425A1 (en) | Embedded Digitization System | |
CN116980495A (zh) | 一种数据转换方法、装置、计算机设备、介质及产品 | |
CN115878115A (zh) | 页面渲染方法、装置、介质和电子设备 | |
CN113918928A (zh) | 一种车辆管理方法、装置、存储介质及电子设备 | |
US11405341B1 (en) | Audience-based content optimization in a messaging system | |
CA3186477A1 (en) | Distributing digital cinema package (dcp) over internet | |
CN113506090A (zh) | 审计数据的处理方法、装置、存储介质及电子设备 | |
CN114205099B (zh) | 网页鉴权方法、电子设备及系统 | |
CN111597539B (zh) | 一种身份认证方法、身份认证装置及电子设备 | |
CN117240618B (zh) | 家庭云盒子访问方法、装置、设备及存储介质 | |
CN110287734B (zh) | 安全通信节点的设置方法、装置、终端及存储介质 | |
CN117009939A (zh) | 针对请求的验证方法、装置、存储介质及电子设备 | |
CN114513349A (zh) | 确定微服务请求方来源的方法及装置 | |
CN118378306A (zh) | 一种数据处理方法、系统及电子设备 | |
CN115277580A (zh) | 数据传输方法、装置、电子设备、业务系统及存储介质 |
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 |