CN112752148A - 视频起播的优化方法、装置、设备以及存储介质 - Google Patents

视频起播的优化方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN112752148A
CN112752148A CN202011578020.9A CN202011578020A CN112752148A CN 112752148 A CN112752148 A CN 112752148A CN 202011578020 A CN202011578020 A CN 202011578020A CN 112752148 A CN112752148 A CN 112752148A
Authority
CN
China
Prior art keywords
video
regression model
gbdt regression
player
predicted value
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
Application number
CN202011578020.9A
Other languages
English (en)
Inventor
高远飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011578020.9A priority Critical patent/CN112752148A/zh
Publication of CN112752148A publication Critical patent/CN112752148A/zh
Priority to US17/345,612 priority patent/US20210303938A1/en
Priority to KR1020210077922A priority patent/KR102551385B1/ko
Priority to EP21183410.6A priority patent/EP3926958A1/en
Priority to JP2021110593A priority patent/JP7402201B2/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44004—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving video buffer management, e.g. video decoder buffer or video display buffer
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
    • H04N21/2401—Monitoring of the client buffer
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/433—Content storage operation, e.g. storage operation in response to a pause request, caching operations
    • H04N21/4331—Caching operations, e.g. of an advertisement for later insertion during playback
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/438—Interfacing the downstream path of the transmission network originating from a server, e.g. retrieving encoded video stream packets from an IP network
    • H04N21/4383—Accessing a communication channel
    • H04N21/4384—Accessing a communication channel involving operations to reduce the access time, e.g. fast-tuning for reducing channel switching latency
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44209—Monitoring of downstream path of the transmission network originating from a server, e.g. bandwidth variations of a wireless network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
    • H04N21/47217—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for controlling playback functions for recorded or on-demand content, e.g. using progress bars, mode or play-point indicators or bookmarks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/81—Monomedia components thereof
    • H04N21/8166—Monomedia components thereof involving executable data, e.g. software
    • H04N21/8193—Monomedia components thereof involving executable data, e.g. software dedicated tools, e.g. video decoder software or IPMP tool

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Memory System Of A Hierarchy Structure (AREA)

Abstract

本申请公开了视频起播的优化方法、装置、设备以及存储介质，涉及人工智能技术领域，具体为深度学习和计算机视觉技术领域。该方法的一具体实施方式包括：获取视频起播时影响视频起播速度的特征数据；将特征数据输入预先训练好的梯度提升决策树GBDT回归模型，输出预测的视频缓存帧的值，记为第一预测值；基于第一预测值确定是否开始播放视频。该实施方式提供了一种视频起播的优化方法，降低了视频的起播时间，减少了视频播放的卡顿次数，从而提升了用户体验。

Description

视频起播的优化方法、装置、设备以及存储介质
技术领域
本申请实施例涉及计算机领域，具体涉及深度学习、计算机视觉等人工智能领域，尤其涉及视频起播的优化方法、装置、设备以及存储介质。
背景技术
随着网络技术和智能设备的普及，智能终端(手机、电视、盒子、平板电脑等)数量迅速增长，随时随地看网络视频、直播视频逐渐成为一种习惯，随之而来的是出现大量由于各种原因导致的网络视频起播不畅的情况，从而给用户带来极差的视频播放体验。
网络视频起播前，视频播放器通常都会预先下载并缓存一定数量的视频帧，当缓存的视频帧达到一定的阈值时，才会让视频帧解码并播放，阈值的选取往往针对某一类型场景，阈值一旦选取就固化了，视频起播都以这个选取的阈值为标准。
发明内容
本申请实施例提出了一种视频起播的优化方法、装置、设备以及存储介质。
第一方面，本申请实施例提出了一种视频起播的优化方法，包括：获取视频起播时影响视频起播速度的特征数据；将特征数据输入预先训练好的梯度提升决策树GBDT回归模型，输出预测的视频缓存帧的值，记为第一预测值；基于第一预测值确定是否开始播放视频。
第二方面，本申请实施例提出了一种视频起播的优化装置，包括：第一获取模块，被配置成获取视频起播时影响视频起播速度的特征数据；预测模块，被配置成将特征数据输入预先训练好的GBDT回归模型，输出预测的视频缓存帧的值，记为第一预测值；确定模块，被配置成基于第一预测值确定是否开始播放视频。
第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
第五方面，本申请实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的视频起播的优化方法、装置、设备以及存储介质，首先获取视频起播时影响视频起播速度的特征数据；然后将特征数据输入预先训练好的GBDT回归模型，输出预测的视频缓存帧的值，记为第一预测值；最后基于第一预测值确定是否开始播放视频。本申请提供了一种通过机器学习的方法动态预测最优化的视频缓存帧值的方法，降低了多种场景下视频的起播时间，减少了视频播放的卡顿次数，从而提升了用户体验。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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。附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请的视频起播的优化方法的一个实施例的流程图；
图2是根据本申请的视频起播的优化方法的另一个实施例的流程图；
图3是播放器运行本申请的视频起播的优化方法的实现框图；
图4是根据本申请的视频起播的优化装置的一个实施例的结构示意图；
图5是用来实现本申请实施例的视频起播的优化方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
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示出了根据本申请的视频起播的优化方法的一个实施例的流程100。该视频起播的优化方法包括以下步骤：
步骤101，获取视频起播时影响视频起播速度的特征数据。
在本实施例中，视频起播的优化方法的执行主体可以获取视频起播时影响视频起播速度的特征数据。具体的，在视频的首屏出现前，上述执行主体可以获取影响视频起播速度的所有特征数据，包括但不限于获取以下特征数据：网络类型、网络速度、视频码率、视频高宽、视频帧率、编码类型、解码模式等。网络类型可以包括：局域网、有线网、无线网等；网络速度即当前视频起播时的网速，在一些弱网场景下，下载相同帧数的视频数据，会需要更长时间达到阈值，从而导致起播时间退化问题的出现；视频码率就是数据传输时单位时间传送的数据位数；视频帧率是用于测量显示帧数的量度。在视频起播时以上特征都会影响视频起播速度，获取当前视频起播时所有影响视频起播速度的特征数据，能够更好地对视频起播进行优化。
步骤102，将特征数据输入预先训练好的梯度提升决策树GBDT回归模型，输出预测的视频缓存帧的值，记为第一预测值。
在本实施例中，上述执行主体可以将获取的所有影响视频起播速度的特征数据输入到预先训练好的GBDT(Gradient Boosting Decision Tree，梯度提升决策树)回归模型中，得到输出的预测的视频缓存帧的值，并将该值记为第一预测值。GBDT回归模型的输入是影响视频起播速度的特征数据，输出是预测的最小视频缓存帧的值，所以将当前视频起播时所有影响视频起播速度的特征数据输入上述GBDT回归模型中，就能得到预测的在当前网络情况下最小视频缓存帧的值，并将该值记做第一预测值。
在本实施例的一些可选实现方式中，在获取视频起播时影响视频起播速度的特征数据之前，加载预先训练好的GBDT回归模型。在获取影响视频起播速度的特征数据之前，先加载GBDT回归模型，在获取特征数据后，将特征数据输入GBDT回归模型，以得到预测值。
在本实施例的一些可选实现方式中，在获取视频起播时影响视频起播速度的特征数据之前，由播放器在视频起播前加载预先训练好的GBDT回归模型。在创建播放器时，由播放器加载GBDT回归模型，这样在之后每次打开播放器时就可以直接对当前视频起播时的最小视频缓存帧的值进行预测，从而减少了视频起播的时间。
步骤103，基于第一预测值确定是否开始播放视频。
在本实施例中，上述执行主体会基于第一预测值来确定是否开始播放视频。由于在打开播放器时，播放器就已经开始缓存视频帧，将播放器实际缓存视频帧的值记做实际缓存值，所以当GBDT回归模型输出第一预测值后，播放器会获取该第一预测值，并将此时的实际缓存值与第一预测值进行比较，基于两个数值的比较结果来确定是否开始播放视频。
在本实施例的一些可选实现方式中，将播放器实际缓存视频帧的值与第一预测值进行比较；若播放器实际缓存视频帧的值大于第一预测值，开始播放视频。第一预测值是基于当前网络状况得到的最小的视频缓存帧，当播放器实际缓存视频帧的值大于第一预测值时开始播放视频，能解决不同场景下视频起播时间退化的问题。
在本实施例的一些可选实现方式中，将播放器实际缓存视频帧的值与第一预测值进行比较；若播放器实际缓存视频帧的值小于第一预测值，则播放器继续缓冲下载数据，直至实际缓存视频帧的值达到第一预测值，才开始播放视频，从而减少了视频播放时的卡顿次数。
本申请实施例提供的视频起播的优化方法，首先获取视频起播时影响视频起播速度的特征数据；然后将特征数据输入预先训练好的GBDT回归模型，输出预测的视频缓存帧的值，并记为第一预测值；最后基于第一预测值确定是否开始播放视频。本申请提供了一种通过机器学习的方法动态预测最优化的视频缓存帧值的方法，降低了多种场景下视频的起播时间，减少了视频播放的卡顿次数，从而提升了用户体验。
继续参考图2，图2示出了根据本申请的视频起播的优化方法的另一个实施例的流程200。该视频起播的优化方法包括以下步骤：
步骤201，获取影响视频起播速度的样本特征数据。
在本实施例中，上述执行主体可以获取影响视频起播速度的特征数据，将其作为样本特征数据。例如：网络速度、往返时间、视频码率等，在下载数据时，获取网络速度或是往返时间；在视频帧解码时，获取视频码率和格式。这些特征点数据触发时，会上传至服务端，服务端将这些数据保存起来，客户端就可以获取并使用这些数据来训练模型。
在本实施例的一些可选实现方式中，影响视频起播速度的特征包括以下至少一项：网络速度、视频码率、视频帧率、视频流格式、编码类型、解码模式、往返时延。
步骤202，基于上述样本特征数据进行GBDT回归训练，得到GBDT回归模型。
在本实施例中，上述执行主体将获取的样本特征数据输入GBDT算法库进行迭代训练，直至调整出一系列的参数使样本的损失尽量变得更小，进而获取到模型参数，得到训练好的GBDT回归模型。GBDT回归训练是利用训练样本数据对模型进行的一种有监督训练，训练样本数据包括输入和目标输出，其中，样本特征数据为训练的输入，最小视频缓存帧为训练的目标输出。具体的过程包括以下步骤：
1)训练样本数据T＝{(x1，y1)，(x2，y2)…(xm，ym)，}，其中，x是样本特征数据，y是训练的目标输出，m是样本特征数据的个数，T是最大迭代次数，L(yi，f(xi))是损失函数，xi表示第i个训练样本，yi表示第i个训练样本对应的目标输出，f(xi)表示第i个训练样本的损失值。。初始化弱学习器f0(x)：
Figure BDA0002863933910000061
其中，c是最小的损失值。
2)对迭代次数t＝1,2…T有：
a、对样本i＝1,2…m，计算负梯度rti：
Figure BDA0002863933910000062
b、利用(xi，rti((i＝1,2..m)，拟合一颗CART(Classification and RegressionTrees，分类与回归树)回归树，得到第t颗回归树，其对应的叶子节点区域为Rtj，j＝1,2..J，其中J为回归树t的叶子节点的个数。
c、对叶子区域j＝1,2..J，计算最佳拟合值ctj：
Figure BDA0002863933910000063
d、更新强学习器ft(x)：
Figure BDA0002863933910000064
3)得到强学习器f(x)的表达式：
Figure BDA0002863933910000065
基于上述步骤得到训练好的GBDT回归模型。
在本实施例的一些可选实现方式中，基于样本特征数据进行GBDT回归训练，得到GBDT回归模型，还包括：对样本特征数据进行数据清洗，选取优化的样本特征数据进行GBDT回归训练，得到GBDT回归模型。在获取样本特征数据之后，还会对样本特征数据进行数据清洗，将部分特征异常的数据进行过滤，如过滤掉数值为null或数值过大的数据，同时对导致视频卡顿率过大或者导致视频起播时间过长的数据进行过滤。对样本特征数据进行清洗，是为了选取优化的特征数据进行回归训练，以能够得到使样本的损失尽量变得更小的模型参数，从而得到GBDT回归模型。
步骤203，播放器在视频起播前加载GBDT回归模型。
在本实施例中，播放器在视频器播前加载已经训练好的GBDT回归模型。例如播放器可以启动线程来对GBDT回归模型进行加载。
在本实施例的一些可选实现方式中，由播放器启动预测线程，以判断播放器是否已经下载GBDT回归模型；若播放器没有下载GBDT回归模型，则在预测线程中下载GBDT回归模型，下载成功时加载GBDT回归模型。一方面，播放器启动预测线程判断GBDT回归模型是否已经下载，如果没下载，则在预测线程下载GBDT回归模型，在下载成功时加载GBDT回归模型；另一方面，播放器在初始化后就开始下载视频帧数据。这样当预测线程输出预测的视频缓存帧的值之后，播放器就可以直接获取该预测值，并基于该预测值确定是否开始播放视频，从而提高了工作效率，减少了视频起播时间，提升了用户体验。
步骤204，获取当前视频起播时所有影响视频起播速度的特征数据。
在本实施例中，在视频的首屏出现前，上述执行主体可以获取影响视频起播速度的所有特征数据，包括但不限于网络类型、网络速度、视频码率等特征。
步骤205，将上述特征数据输入加载的GBDT回归模型，并输出预测的视频缓存帧的值。
在本实施例中，上述执行主体将上述获取的所有特征数据输入加载的GBDT回归模型，能获得输出的预测的视频缓存帧的值。
步骤206，基于预测的视频缓存帧的值确定是否开始播放视频。
在本实施例中，上述执行主体基于获得的预测视频缓存帧的值确定是否开始播放视频。具体的，获取此时播放器实际已经缓存的视频缓存帧的数值，将该数值与预测的视频缓存帧的值进行比较，若实际缓存的视频帧小于预测的视频缓存帧，则继续缓存数据；否则，开始播放视频。
本申请实施例提供的视频起播的优化方法，首先获取影响视频起播速度的样本特征数据；并基于上述样本特征数据进行GBDT回归训练，得到GBDT回归模型；然后播放器在视频起播前加载GBDT回归模型；并获取当前视频起播时所有影响视频起播速度的特征数据；之后将上述特征数据输入加载的GBDT回归模型，并输出预测的视频缓存帧的值；最后基于预测的视频缓存帧的值确定是否开始播放视频。本申请提供了一种通过机器学习的方法动态预测最优化的视频缓存帧值的方法，降低了多种场景下视频的起播时间，减少了视频播放的卡顿次数，从而提升了用户体验。
继续参考图3，其示出了播放器运行本申请的视频起播的优化方法的实现框图。如图3所示，播放器在启动初始化时，启动一个预测线程，由预测线程判断播放器是否已经下载GBDT回归模型，如果已经下载了GBDT回归模型，则直接加载并进行获取特征数据；如果没有下载GBDT回归模型，则开始下载GBDT回归模型，并在下载成功后加载GBDT回归模型。然后预测线程会继续会获取当前视频起播时所有影响视频起播速度的特征数据，播放器同时下载视频帧数据。预测线程将获取的特征数据输入GBDT回归模型，并输出预测的视频缓存帧的值。播放器获取该预测值，并将此时实际缓存的视频帧数据与该预测值进行比较，若实际缓存的视频帧的值大于该预测值，则开始播放视频；否则，播放器继续缓存视频帧数据，直至缓存的视频帧数据达到该预测值，开始播放视频。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种视频起播的优化装置的一个实施例，该装置实施例与图1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4所示，本实施例的视频起播的优化装置400可以包括：第一获取模块401、预测模块402和确定模块403。其中，第一获取模块401，被配置成获取视频起播时影响视频起播速度的特征数据；预测模块402，被配置成将特征数据输入预先训练好的梯度提升决策树GBDT回归模型，输出预测的视频缓存帧的值，记为第一预测值；确定模块403，被配置成基于第一预测值确定是否开始播放视频。
在本实施例中，视频起播的优化装置400中：第一获取模块401、预测模块402和确定模块403的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-103的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，该视频起播的优化装置还包括：加载模块，被配置成由播放器在视频起播前加载GBDT回归模型。
在本实施例的一些可选的实现方式中，加载模块进一步配置成：由播放器启动预测线程，以判断播放器是否已经下载GBDT回归模型；若播放器没有下载GBDT回归模型，则在预测线程中下载GBDT回归模型，下载成功时加载GBDT回归模型。
在本实施例的一些可选的实现方式中，该视频起播的优化装置还包括：第二获取模块，被配置成获取影响视频起播速度的样本特征数据；训练模块，被配置成基于样本特征数据进行GBDT回归训练，得到GBDT回归模型。
在本实施例的一些可选的实现方式中，训练模块进一步配置成：对样本特征数据进行数据清洗，选取优化的样本特征数据进行GBDT回归训练，得到GBDT回归模型。
在本实施例的一些可选的实现方式中，影响视频起播速度的特征包括以下至少一项：网络速度、视频码率、视频帧率、视频流格式、编码类型、解码模式、往返时延。
在本实施例的一些可选的实现方式中，确定模块进一步配置成：将播放器实际缓存视频帧的值与第一预测值进行比较；若播放器实际缓存视频帧的值大于第一预测值，开始播放视频。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图5所示，是根据本申请实施例视频起播的优化方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的视频起播的优化方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的视频起播的优化方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的视频起播的优化方法对应的程序指令/模块(例如，附图4所示的第一获取模块401、预测模块402和确定模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的视频起播的优化方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据视频起播的优化方法的电子设备的使用所发送的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至视频起播的优化方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
视频起播的优化方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收发送的特征数据，以及产生与视频起播的优化方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案，首先获取视频起播时影响视频起播速度的特征数据；然后将特征数据输入预先训练好的GBDT回归模型，输出预测的视频缓存帧的值，记为第一预测值；最后基于第一预测值确定是否开始播放视频。本申请提供了一种通过机器学习的方法动态预测最优化的视频缓存帧值的方法，降低了多种场景下视频的起播时间，减少了视频播放的卡顿次数，从而提升了用户体验。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (17)

1.一种视频起播的优化方法，包括：
获取视频起播时影响视频起播速度的特征数据；
将所述特征数据输入预先训练好的梯度提升决策树GBDT回归模型，输出预测的视频缓存帧的值，记为第一预测值；
基于所述第一预测值确定是否开始播放视频。
2.根据权利要求1所述的方法，其中，在所述获取视频起播时影响视频起播速度的特征数据之前，所述方法还包括：
由播放器在视频起播前加载所述GBDT回归模型。
3.根据权利要求2所述的方法，其中，在所述由播放器在视频起播前加载所述GBDT回归模型之前，所述方法还包括：
由播放器启动预测线程，以判断所述播放器是否已经下载所述GBDT回归模型；
若所述播放器没有下载所述GBDT回归模型，则在预测线程中下载所述GBDT回归模型，下载成功时加载所述GBDT回归模型。
4.根据权利要求1所述的方法，其中，所述方法还包括：
获取影响视频起播速度的样本特征数据；
基于所述样本特征数据进行GBDT回归训练，得到所述GBDT回归模型。
5.根据权利要求4所述的方法，其中，所述基于所述样本特征数据进行GBDT回归训练，得到所述GBDT回归模型，包括：
对所述样本特征数据进行数据清洗，选取优化的样本特征数据进行GBDT回归训练，得到所述GBDT回归模型。
6.根据权利要求5所述的方法，其中，所述影响视频起播速度的特征包括以下至少一项：网络速度、视频码率、视频帧率、视频流格式、编码类型、解码模式、往返时延。
7.根据权利要求1所述的方法，其中，所述基于所述第一预测值确定是否开始播放视频，包括：
将所述播放器实际缓存视频帧的值与所述第一预测值进行比较；
若所述播放器实际缓存视频帧的值大于所述第一预测值，开始播放视频。
8.一种视频起播的优化装置，包括：
第一获取模块，被配置成获取视频起播时影响视频起播速度的特征数据；
预测模块，被配置成将所述特征数据输入预先训练好的梯度提升决策树GBDT回归模型，输出预测的视频缓存帧的值，记为第一预测值；
确定模块，被配置成基于所述第一预测值确定是否开始播放视频。
9.根据权利要求8所述的装置，其中，所述装置还包括：
加载模块，被配置成由播放器在视频起播前加载所述GBDT回归模型。
10.根据权利要求9所述的装置，其中，所述加载模块进一步配置成：
由播放器启动预测线程，以判断所述播放器是否已经下载所述GBDT回归模型；
若所述播放器没有下载所述GBDT回归模型，则在预测线程中下载所述GBDT回归模型，下载成功时加载所述GBDT回归模型。
11.根据权利要求8所述的装置，其中，所述装置还包括：
第二获取模块，被配置成获取影响视频起播速度的样本特征数据；
训练模块，被配置成基于所述样本特征数据进行GBDT回归训练，得到所述GBDT回归模型。
12.根据权利要求11所述的装置，其中，所述训练模块进一步配置成：
对所述样本特征数据进行数据清洗，选取优化的样本特征数据进行GBDT回归训练，得到所述GBDT回归模型。
13.根据权利要求12所述的装置，其中，所述影响视频起播速度的特征包括以下至少一项：网络速度、视频码率、视频帧率、视频流格式、编码类型、解码模式、往返时延。
14.根据权利要求8所述的装置，其中，所述确定模块进一步配置成：
将所述播放器实际缓存视频帧的值与所述第一预测值进行比较；
若所述播放器实际缓存视频帧的值大于所述第一预测值，开始播放视频。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
CN202011578020.9A 2020-12-28 2020-12-28 视频起播的优化方法、装置、设备以及存储介质 Pending CN112752148A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202011578020.9A CN112752148A (zh) 2020-12-28 2020-12-28 视频起播的优化方法、装置、设备以及存储介质
US17/345,612 US20210303938A1 (en) 2020-12-28 2021-06-11 Method and apparatus for optimizing video playback start, device and storage medium
KR1020210077922A KR102551385B1 (ko) 2020-12-28 2021-06-16 비디오 재생 개시의 최적화 방법, 장치, 기기 및 저장 매체
EP21183410.6A EP3926958A1 (en) 2020-12-28 2021-07-02 Method and apparatus for optimizing video playback start, device and storage medium
JP2021110593A JP7402201B2 (ja) 2020-12-28 2021-07-02 ビデオ再生開始の最適化方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011578020.9A CN112752148A (zh) 2020-12-28 2020-12-28 视频起播的优化方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN112752148A true CN112752148A (zh) 2021-05-04

Family

ID=75647660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011578020.9A Pending CN112752148A (zh) 2020-12-28 2020-12-28 视频起播的优化方法、装置、设备以及存储介质

Country Status (5)

Country Link
US (1) US20210303938A1 (zh)
EP (1) EP3926958A1 (zh)
JP (1) JP7402201B2 (zh)
KR (1) KR102551385B1 (zh)
CN (1) CN112752148A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113495843A (zh) * 2021-07-07 2021-10-12 北京百度网讯科技有限公司 用于测试视频播放器的起播性能的方法和装置
CN115190338A (zh) * 2022-07-05 2022-10-14 上海哔哩哔哩科技有限公司 视频预加载的方法和系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102653972B1 (ko) 2021-10-06 2024-04-02 세종대학교산학협력단 그래디언트 부스팅 네트워크를 이용한 단안 영상 기반 깊이 추정 방법 및 장치
CN114245167A (zh) * 2021-11-08 2022-03-25 浙江大华技术股份有限公司 一种视频存储方法、设备及计算机可读存储介质
CN115002557B (zh) * 2022-05-23 2024-01-30 北京字跳网络技术有限公司 一种网速预测方法、装置、设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103475934A (zh) * 2013-09-13 2013-12-25 北京世纪鼎点软件有限公司 一种面向网络直播的视频编码流控方法
CN104301786A (zh) * 2014-09-28 2015-01-21 四川长虹电器股份有限公司 网络视频播放方法
CN106604079A (zh) * 2016-12-08 2017-04-26 乐视控股（北京）有限公司 一种播放器起播延迟优化方法及装置
CN108012162A (zh) * 2017-12-04 2018-05-08 北京小米移动软件有限公司 内容推荐方法及装置
CN109618179A (zh) * 2019-01-21 2019-04-12 北京数码视讯软件技术发展有限公司 超高清视频直播的快速起播方法及装置
CN110209975A (zh) * 2019-05-30 2019-09-06 百度在线网络技术（北京）有限公司 用于提供对象的方法、装置、设备和存储介质
CN111405327A (zh) * 2020-04-03 2020-07-10 广州市百果园信息技术有限公司 网络带宽预测模型训练方法、视频数据播放方法及装置
US20200272937A1 (en) * 2019-02-26 2020-08-27 Microsoft Technology Licensing, Llc Using online engagement footprints for video engagement prediction

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103475934A (zh) * 2013-09-13 2013-12-25 北京世纪鼎点软件有限公司 一种面向网络直播的视频编码流控方法
CN104301786A (zh) * 2014-09-28 2015-01-21 四川长虹电器股份有限公司 网络视频播放方法
CN106604079A (zh) * 2016-12-08 2017-04-26 乐视控股（北京）有限公司 一种播放器起播延迟优化方法及装置
CN108012162A (zh) * 2017-12-04 2018-05-08 北京小米移动软件有限公司 内容推荐方法及装置
CN109618179A (zh) * 2019-01-21 2019-04-12 北京数码视讯软件技术发展有限公司 超高清视频直播的快速起播方法及装置
US20200272937A1 (en) * 2019-02-26 2020-08-27 Microsoft Technology Licensing, Llc Using online engagement footprints for video engagement prediction
CN110209975A (zh) * 2019-05-30 2019-09-06 百度在线网络技术（北京）有限公司 用于提供对象的方法、装置、设备和存储介质
CN111405327A (zh) * 2020-04-03 2020-07-10 广州市百果园信息技术有限公司 网络带宽预测模型训练方法、视频数据播放方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GHANI RANA F ET AL: "《Objective video streaming QoE measurement based on prediction model》", 《2017 9TH COMPUTER SCIENCE AND ELECTRONIC ENGINEERING(CEEC) 》 *
YI SUN ET AL: "《CS2P》", 《ACM SIGCOMM 2016 CONFERENCE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113495843A (zh) * 2021-07-07 2021-10-12 北京百度网讯科技有限公司 用于测试视频播放器的起播性能的方法和装置
CN113495843B (zh) * 2021-07-07 2024-06-07 北京百度网讯科技有限公司 用于测试视频播放器的起播性能的方法和装置
CN115190338A (zh) * 2022-07-05 2022-10-14 上海哔哩哔哩科技有限公司 视频预加载的方法和系统
CN115190338B (zh) * 2022-07-05 2024-04-26 上海哔哩哔哩科技有限公司 视频预加载的方法和系统

Also Published As

Publication number Publication date
KR20210084365A (ko) 2021-07-07
JP7402201B2 (ja) 2023-12-20
JP2022006167A (ja) 2022-01-12
US20210303938A1 (en) 2021-09-30
EP3926958A1 (en) 2021-12-22
KR102551385B1 (ko) 2023-07-04

Similar Documents

Publication Publication Date Title
CN112752148A (zh) 视频起播的优化方法、装置、设备以及存储介质
AU2019310340B2 (en) Dynamic topology generation for branching narratives
US11694726B2 (en) Automatic trailer detection in multimedia content
JP7135143B2 (ja) キーポイント学習モデルを構築するための方法、装置、電子デバイス及びコンピュータ可読記憶媒体
US11521038B2 (en) Electronic apparatus and control method thereof
US11696002B2 (en) Dynamic topology generation for branching narratives
CN111695698B (zh) 用于模型蒸馏的方法、装置、电子设备及可读存储介质
US11748389B1 (en) Delegated decision tree evaluation
CN111859114A (zh) 推荐系统的优化方法、装置、设备和计算机存储介质
CN110795569A (zh) 知识图谱的向量表示生成方法、装置及设备
CN111563593B (zh) 神经网络模型的训练方法和装置
CN111275190A (zh) 神经网络模型的压缩方法及装置、图像处理方法及处理器
CN111695699B (zh) 用于模型蒸馏的方法、装置、电子设备及可读存储介质
KR102629474B1 (ko) 데이터 압축 및 복원을 위한 전자 장치 및 그 압축 방법
KR20220081997A (ko) 디스럽션 중에 애플리케이션에 자동화된 사용자 입력을 제공하는 기법
CN111935502A (zh) 视频处理方法、装置、电子设备以及存储介质
CN118661208A (zh) 处理多模态任务的方法及其装置
CN112001489A (zh) 优化器学习的方法、装置、电子设备和可读存储介质
CN111680599B (zh) 人脸识别模型处理方法、装置、设备和存储介质
CN111160552A (zh) 负采样处理方法、装置、设备和计算机存储介质
CN113139092B (zh) 视频搜索方法及装置、电子设备和介质
AU2022279597B2 (en) Training rate control neural networks through reinforcement learning
CN111539226B (zh) 语义理解框架结构的搜索方法和装置
CN115396728B (zh) 视频播放倍速的确定方法、装置、电子设备及介质
CN113326459A (zh) 图片更新方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210504

RJ01 Rejection of invention patent application after publication