CN112905328A - 任务处理方法、装置及计算机可读存储介质 - Google Patents
任务处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112905328A CN112905328A CN202110239237.5A CN202110239237A CN112905328A CN 112905328 A CN112905328 A CN 112905328A CN 202110239237 A CN202110239237 A CN 202110239237A CN 112905328 A CN112905328 A CN 112905328A
- Authority
- CN
- China
- Prior art keywords
- component package
- algorithm
- specific component
- package
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本申请实施例公开了一种任务处理方法、装置及计算机可读存储介质,属于智能计算领域。本申请实施例中多算法共有的组件包作为公共基础组件包,多算法非共有的组件包作为特定组件包,存储公共基础组件包和特定组件包,而非将各个完整的算法包独立存储,这样能够占用更少的存储资源,减轻存储负担。另外,创建分析任务后,通过加载匹配的特定组件包,与公共基础组件包进行组合,生成算法包来执行分析任务。这样,创建新的分析任务后,切换特定组件包即可,无需每次都加载公共基础组件包这部分资源,灵活调度减少了资源加载时间,提高了任务处理效率。且公共基础组件包和特定组件包区分存储,便于管理和维护,提高了管理和维护的灵活性。
Description
技术领域
本申请实施例涉及智能计算领域,特别涉及一种任务处理方法、装置及计算机可读存储介质。
背景技术
随着AI(Artificial Intelligence,人工智能)技术的发展,AI应用算法在视频监控、模式识别等领域得到广泛应用,也即基于AI应用算法的任务处理方法得到广泛使用。目前,一个智能系统中AI应用算法的种类和数量日益扩展,例如,在一个智能分析系统中包括算法1、算法2、算法3,甚至包括更多算法,其中,算法1用于人体检测,算法2用于人脸识别,算法3用于行为分析。在这种多算法的应用中,不同的算法应对不同的场景需求,可以理解为不同的算法进行不同的任务处理。虽然基于多算法进行任务处理所应对的场景更丰富,但同时多算法的应用给算法的调度、存储、维护和管理等带来了一定的负担。
发明内容
本申请实施例提供了一种任务处理方法、装置及计算机可读存储介质,能够提高多算法的调度、存储、维护和管理的灵活性,提高任务处理效率,减轻存储、维护和管理的负担。所述技术方案如下:
一方面,提供了一种任务处理方法,所述方法包括:
接收用户设备创建的分析任务;
加载与所述分析任务匹配的特定组件包,所述特定组件包是指多算法非共有的组件包;
根据已加载的公共基础组件包和所述特定组件包,生成算法包,所述公共基础组件包是指所述多算法共有的组件包;
通过生成的算法包处理所述分析任务,得到任务结果,将所述任务结果反馈给所述用户设备。
可选地,一个特定组件包对应一个算法标识,一个算法标识对应一个算法描述信息;
所述加载与所述分析任务匹配的特定组件包,包括:
从多个算法描述信息中获取与所述分析任务匹配的第一算法描述信息;
确定与第一算法描述信息对应的第一算法标识;
加载与所述第一算法标识对应的特定组件包。
可选地,所述方法还包括:
获取所述特定组件包的更新数据;
根据所述更新数据,对存储的所述特定组件包进行更新,所述特定组件包更新前与更新后对应的算法标识保持不变。
可选地,所述获取所述特定组件包的更新数据,包括:
根据更新周期,自动获取所述特定组件包的更新数据,所述更新数据按照训练周期自动训练对应的算法模型得到。
可选地,所述加载与所述分析任务匹配的特定组件包之前,还包括:
获取待生成的算法包的特定组件包;
生成所述算法包的算法标识;
将生成的算法标识与获取的特定组件包对应存储。
可选地,所述方法还包括:
获取第一算法资源;
根据所述第一算法资源对应的组件包功能标签,解析所述第一算法资源得到所述第一公共组件包和第一特定组件包,所述公共基础组件包包括所述第一公共组件包;
分别存储所述第一公共组件包和所述第一特定组件包。
可选地,所述特定组件包存储在第一资源库,所述公共基础组件包存储在所述第二资源库。
可选地,所述公共基础组件包包括取流、编解码、封装、解封装、数据预处理、数据后处理中的一种或多种;和/或,
所述特定组件包包括算法配置信息、检测库、比对库、属性库、评分库、模型库中的一种或多种。
可选地,所述算法配置信息包括算法运行能力、目标类型、分类信息、芯片类型、厂家类型、版本信息中一种或多种。
另一方面,提供了一种任务处理装置,所述装置包括:
接收模块,用于接收用户设备创建的分析任务;
加载模块,用于加载与所述分析任务匹配的特定组件包,所述特定组件包是指多算法非共有的组件包;
第一生成模块,用于根据已加载的公共基础组件包和所述特定组件包,生成算法包,所述公共基础组件包是指所述多算法共有的组件包;
处理模块,用于通过生成的算法包处理所述分析任务,得到任务结果,将所述任务结果反馈给所述用户设备。
可选地,一个特定组件包对应一个算法标识,一个算法标识对应一个算法描述信息;
所述加载模块包括:
获取子模块,用于从多个算法描述信息中获取与所述分析任务匹配的第一算法描述信息;
确定子模块,用于确定与第一算法描述信息对应的第一算法标识;
加载子模块,用于加载与所述第一算法标识对应的特定组件包。
可选地,所述装置还包括:
第一获取模块,用于获取所述特定组件包的更新数据;
第一更新模块,用于根据所述更新数据,对存储的所述特定组件包进行更新,所述特定组件包更新前与更新后对应的算法标识保持不变。
可选地,所述第一获取模块包括:
获取子模块,用于根据更新周期,自动获取所述特定组件包的更新数据,所述更新数据按照训练周期自动训练对应的算法模型得到。
可选地,所述装置还包括:
第二获取模块,用于获取待生成的算法包的特定组件包;
第二生成模块,用于生成所述算法包的算法标识;
第一存储模块,用于将生成的算法标识与获取的特定组件包对应存储。
可选地,所述装置还包括:
第三获取模块,用于获取第一算法资源;
解析模块,用于根据所述第一算法资源对应的组件包功能标签,解析所述第一算法资源得到所述第一公共组件包和第一特定组件包,所述公共基础组件包包括所述第一公共组件包;
第二存储模块,用于分别存储所述第一公共组件包和所述第一特定组件包。
可选地,所述特定组件包存储在第一资源库,所述公共基础组件包存储在所述第二资源库。
可选地,所述公共基础组件包包括取流、编解码、封装、解封装、数据预处理、数据后处理中的一种或多种;和/或,
所述特定组件包包括算法配置信息、检测库、比对库、属性库、评分库、模型库中的一种或多种。
可选地,所述算法配置信息包括算法运行能力、目标类型、分类信息、芯片类型、厂家类型、版本信息中一种或多种。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器、通信接口、存储器和通信总线,所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信,所述存储器用于存放计算机程序,所述处理器用于执行所述存储器上所存放的程序,以实现上述所述任务处理方法的步骤。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述所述任务处理方法的步骤。
另一方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述所述的任务处理方法的步骤。
本申请实施例提供的技术方案至少可以带来以下有益效果:
本申请实施例中提取多算法共有的组件包作为公共基础组件包,多算法非共有的组件包作为特定组件包,存储公共基础组件包和特定组件包,而非将各个完整的算法包独立存储,可见本方案能够占用更少的存储资源,减轻多算法的存储负担。另外,用户设备创建分析任务后,通过加载匹配的特定组件包,与公共基础组件包进行组合,生成算法包来执行分析任务。这样,对于用户设备来说,创建新的分析任务后,切换特定组件包即可,无需每次都加载公共基础组件包这部分资源,灵活调度减少了资源加载时间,提高了任务处理效率。且公共基础组件包和特定组件包区分存储,便于管理和维护,提高了管理和维护的灵活性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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他的附图。
图1是本申请实施例提供的一种任务处理系统的架构图;
图2是本申请实施例提供的一种任务处理方法的流程图;
图3是本申请实施例提供的一种算法包的存储示意图;
图4是本申请实施例提供的一种算法更新方式的示意图;
图5是本申请实施例提供的另一种任务处理方法的流程图;
图6是本申请实施例提供的一种任务处理装置的结构示意图;
图7是本申请实施例提供的另一种任务处理装置的结构示意图;
图8是本申请实施例提供的一种终端的结构示意图;
图9是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、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。
首先介绍本申请实施例的涉及的一些应用场景进行介绍。
随着AI技术的发展,AI应用算法在视频监控、模式识别等领域得到广泛应用。现有的算法都是一个算法做成一个算法包进行存储和使用,但目前的智能系统中算法的种类和数量日益扩展,形成多算法的应用系统。在这种多算法的应用系统中,不同的算法应对不同的场景需求。虽然多算法的应用所应对的场景更丰富,但同时多算法的应用给算法的调度、存储、维护和管理等带来了一定的负担。本方案正是为了应对各种多算法的应用场景,通过本方案能够减轻多算法的存储负担,提高算法的管理和维护的灵活性。
接下来对本申请实施例提供的任务处理方法所涉及的系统架构进行介绍。
图1是本申请实施例提供的一种任务处理系统的架构图,该任务处理系统也可称为多算法的应用系统。参见图1,该系统包括用户设备101和服务器102,用户设备101和服务器102通过有线或无线方式连接进行通信。
用户设备101用于创建分析任务,向服务器102提交分析任务。示例性地,用户设备101根据用户操作即时创建和提交分析任务。或者,用户设备101创建分析任务,并设置任务执行时间(如周期性的时间,或定时的时间),在到达任务执行时间时,向服务器102提交分析任务。或者,用户设备101创建分析任务,设置分析任务对应的任务执行时间,向服务器102提交分析任务和对应的任务执行时间。在本申请实施例中,不限定用户提交分析任务的方式,这些方式可以单独使用,也可以组合使用。
服务器102用于接收用户设备101分析任务,并根据本申请实施例提供的任务处理方法执行分析任务,得到任务结果,向用户设备101反馈用户结果。示例性地,在用户设备101即时提交分析任务的情况下,服务器102也即时执行分析任务。在用户设备101到达任务执行时提交分析任务时,服务器102执行分析任务。在用户设备101向服务器102提交分析任务以及对应的任务执行时间的情况下,服务器102根据任务执行时间执行分析任务。
由上述可知,本申请实施例中的分析任务可以是一次性任务,也可以是周期性任务,本申请实施例对此不作限定。
可选地,服务器102还用于存储执行分析任务所需的算法包,其中,算法包包括公共基础组件包和特定组件包。可选地,服务器102还用于更新存储的公共基础组件包和特定组件包。
可选地,本申请实施例中服务器102服务于一个或多个用户设备101,每个用户设备101均可以与服务器102交互实现本申请实施例提供的任务处理方法。
在本申请实施例中,用户设备101为手机、笔记本电脑、台式电脑、平板电脑等。服务器102为一台独立的服务器,或者为由多台服务器构成的服务器集群,或者为一个云计算服务中心。
接下来对本申请实施例提供的任务处理方法进行详细的解释说明。
图2是本申请实施例提供的一种任务处理方法的流程图。以该方法应用于服务器为例进行介绍。请参考图2,该方法包括如下步骤。
步骤201:接收用户设备创建的分析任务。
在本申请实施例中,由前述可知,用户设备用于创建分析任务,并向服务器提交分析任务,服务器接收用户设备创建并提交的分析任务。
示例性地,用户设备登录智能系统,用户根据需求在用户设备上显示的算法选项中选择对应的算法,输入需要分析的数据(如图片、视频)等,点击提交,以通过智能系统的前端页面创建并提交分析任务给服务器。也即是,智能系统为用户提供多算法的选项,每个选项会提示对应的算法名称、算法功能、算法类型等算法简介,用户可以根据需求选择合适的算法。或者,用户根据需求向用户设备输入任务描述信息,比如输入需要识别人脸等文字,点击提交,以创建并提交分析任务给服务器。
需要说明的是,本申请实施例并不限定用户创建分析任务的方式,并且由前述可知本申请实施例也不限定每个分析任务的执行时间。
步骤202:加载与分析任务匹配的特定组件包,特定组件包是指多算法非共有的组件包。
在本申请实施例中,服务器在接收到分析任务之后,加载与分析任务匹配的特定组件包。其中,特定组件包是指多算法非共有的组件包。例如,服务器从存储器中获取特定组件包,并进行加载。
需要说明的是,在本申请实施例中,将多算法共有的组件包作为公共基础组件包,将多算法非共有的组件包作为对应算法的特定组件包。可选地,在本申请实施例中,公共基础组件包存储在第一资源库(也称为公共资源库)中,特定组件包存储在第二资源库(也称为特定资源库)中。也即是,针对不同的算法,存储一份公共基础组件包共同使用,存储各自的特定组件包分别使用。
可选地,公共基础组件包包括取流、编解码、封装、解封装、数据预处理、数据后处理中的一种或多种。可选地,特定组件包包括算法配置信息、检测库、比对库、属性库、评分库、模型库中的一种或多种。其中,可选地,算法配置信息包括算法运行能力、目标类型、分类信息、芯片类型、厂家类型、版本信息中一种或多种。在本申请实施例中,一个算法的特定组件包对应一个算法标识,可选地,一个算法标识根据对应的算法配置信息唯一生成,用于区分不同算法的特定组件包。
需要说明的是,在本申请实施例中,依据不同算法包对于资源的依赖关系差异,区分公共基础组件包和特定组件包。其中,公共基础组件包存放的是多算法中每个算法在分析过程中都需要的组件资源,公共基础组件包根据通用的功能特定提取出来,特定组件包根据不同算法之间差异的推理功能提取出来。
图3是本申请实施例提供的一种算法包的存储示意图。参见图3,将公共基础组件包和特定组件包区分存储,例如分别存储在一个或多个存储器中,又如在公共资源库中存储公共基础组件包,在特定资源库中存储特定组件包,每个特定组件包根据算法配置信息(算法信息配置文件)生成唯一的算法ID(Identity,身份标识,简称标识)。
由于服务器中存储有多算法的多个特定组件包,因此,服务器需要从该多个特定组件包中获取与分析任务匹配的特定组件包,也即加载与分析任务匹配的特定组件包。在本申请实施例中,一个特定组件包对应一个算法标识,一个算法标识对应一个算法描述信息。可选地,算法描述信息可以指算法配置信息。服务器从存储的多个算法描述信息中获取与分析任务匹配的第一算法描述信息,确定与第一算法描述信息对应的第一算法标识,加载与第一算法标识对应的特定组件包。示例性地,服务器确定第一算法标识之后,从特定资源库中获取与第一算法标识对应的特定组件包,并进行加载。
可选地,服务器从存储的多个算法描述信息中获取与分析任务匹配的第一算法描述信息的一种实现方式为:服务器根据分析任务对应的任务描述信息,从多个算法描述信息中匹配与该任务描述信息匹配的第一算法描述信息。其中,匹配的方式可以为文字字符匹配这种关键字匹配的方式。
可选地,服务器从存储的多个算法描述信息中获取与分析任务匹配的第一算法描述信息的另一种实现方式为:服务器根据分析任务对应的用户所选择的算法选项,从多个算法描述信息中匹配与该算法选项对应的第一算法描述信息。
在本申请实施例中,服务器在确定第一算法描述信息之后,根据算法标识和算法描述信息的对应关系,获取与第一算法描述信息对应的第一算法标识,根据第一算法标识加载对应的特定组件包。
可选地,在分析任务是根据用户选择的算法选项创建的情况下,服务器也可以根据分析任务对应的用户所选择的算法选项,从多个算法描述信息中匹配与该算法选项对应的第一算法标识,加载与第一算法标识对应的特定组件包即可。
步骤203:根据已加载的公共基础组件包和特定组件包,生成算法包,公共基础组件包是指多算法共有的组件包。
在本申请实施例中,服务器在加载特定组件包之后,根据已加载的公共基础组件包和特定组件包,生成算法包。其中,公共基础组件包是指多算法共有的组件包。可选地,公共基础组件包从公共资源库中获取并进行加载得到。示例性地,服务器将已加载的公共基础组件包和已加载的特定组件包合并,得到用于处理该分析任务的算法包。
需要说明的是,公共基础组件包可以是在执行本次的分析任务之前已加载的组件包,在本次执行任务时仅需加载对应的特定组件包即可,可以看出,这样无需每次加载完整的算法包,加载的资源较少,提高了加载效率。
步骤204:通过生成的算法包处理分析任务,得到任务结果,将任务结果反馈给用户设备。
在本申请实施例中,服务器在生成算法包之后,通过生成的算法包处理分析任务,得到任务结果,将结果反馈给用户设备。
可选地,在用户设备上显示任务结果,供用户查看。可选地,在用户设备接收到任务结果之前,用户设备上显示任务执行进度、执行状态等信息,便于用户了解任务执行情况。
在本申请实施例提供的任务处理方法中,除了前述介绍的算法的存储和使用,还包括算法的更新。接下来对本申请实施例中多算法的更新方式进行介绍,这里介绍两种更新方式,这两种更新方式在基于多算法的应用中可以单独使用,也可以结合使用。
第一种更新方式、更新特定组件包中的资源,特定组件包更新前与更新后对应的算法标识保持不变,也即不生成新的算法。
在第一种更新方式中,服务器获取特定组件包的更新数据,根据该更新数据,对存储的特定组件包进行更新。也即是,服务器仅更新特定组件包中的资源,例如更新特定组件包中的属性库或检测库等,也即更新数据仅包括更新的资源(如更新的库、更新的算法配置信息等),系统增量更新替换特定组件包中的资源,特定组件包的唯一算法ID不变。
可选地,服务器根据更新周期,自动获取特定组件包的更新数据,其中,更新数据按照训练周期自动训练对应的算法模型得到。也即是,在算法不断继续训练更新的情况下,特定组件包中的资源也同步进行定期迭代更新,这样,系统即具有自学习自更新的功能,实用性很强。
需要说明的是,算法训练的过程可以在该服务器上进行,也可以在其他的训练设备上进行,也可以在用户设备上进行,本申请实施例对此不作限定。
第二种更新方式、更新特定组件包,得到新的算法。
在这种更新方式中,服务器获取待生成的算法包的特定组件包,生成算法包的算法标识,将生成的算法标识与获取的特定组件包对应存储。
需要说明的是,在这种更新方式中,所更新的特定组件包可能是应对新的场景,或者提供新的功能等,当然,也可以是对已有的特定组件包的一个版本更新所得到的特定组件包。
可选地,在这种更新方式中,所更新的特定组件包是根据训练算法模型得到的特定组件包。如果算法模型自动迭代训练更新,那么特定组件包也能够不断自动更新。其中,算法训练的过程参照前述第一种更新方式中的相关介绍,这里不再赘述。
图4是本申请实施例提供的一种算法更新方式的示意图。参见图4,应用系统(智能系统)中已导入公共基础组件包、特定组件包1和特定组件包2,其中,特定组件包1对应算法1,特定组件包2对应算法2。特定组件包1的更新数据(例如包括属性库和算法信息配置文件)导入应用系统,得到更新后的算法1。也即是,特定组件包1通过上述介绍的第一种更新方式进行更新。特定组件包3导入应用系统,得到算法3,也即通过上述第二种更新方式更新得到一个新的算法。可选地,特定组件包3可以是特定组件包2的版本更新,也可以是一个具备新功能应对新场景的新算法的特定组件包。
可选地,在本申请实施例中,公共基础组件包也可以进行更新,本申请实施例不限定公共基础组件包的更新方法。
可选地,在本申请实施例中,若导入系统的资源为一个完整的算法包的资源,服务器也能够解析该算法包,区分该算法包包括的公共基础组件包和特定组件包。示例性地,服务器获取第一算法资源,根据第一算法资源对应的组件包功能标签,解析第一算法资源得到第一公共组件包和第一特定组件包,分别存储第一公共组件包和第一特定组件包。其中,上述介绍的公共基础组件包包括第一公共组件包。也即是,在本申请实施例中设置或者定义算法资源包括的各个部分资源的功能标签,功能标签用于区分解析相应资源得到的组件包为公共基础组件包还是特定组件包。示例性地,在各部分资源的代码中定义功能标签,或者,在各部分资源的文件名中设置功能标签字段,本申请实施例对此不作限定,服务器解析算法资源时根据代码中的功能标签或者根据文件名中的功能标签字段等,区分出公共基础组件包和特定组件包。
需要说明的是,本申请实施例中所涉及的算法资源是宽泛的,算法资源可以包括算法包、程序代码、组件包等各种形式的数据。
可选地,服务器生成第一公共组件包和第一特定组件包分别对应的算法ID,根据ID判断服务器中是否存储有相同ID的组件包,如果未存储相同ID的组件包,则服务器直接对应存储相应的组件包和算法ID,如果已存储有相同ID的组件包,则服务器用最新的组件包对已存储的具有相同ID的组件包进行覆盖更新。示例性地,若服务器中未存储对应的算法ID与第一特定组件包对应的算法ID相同的特定组件包,则服务器将第一特定组件包和对应的算法ID对应存储,若服务器中存储有对应的算法ID与第一特定组件包对应的算法ID相同的特定组件包,则服务器用第一特定组件包覆盖对已存储的具有相同算法ID的特定组件包进行覆盖更新。
接下来通过图5对本申请实施例提供的任务处理方法再次进行解释说明。图5是本申请实施例提供的另一种任务处理方法的流程图。参见图5,以服务器加载组件包和执行任务为例,服务器包括智能任务模块、算法仓库、分析引擎和数据存储模块。可选地,算法仓库包括公共资源库和特定资源库。用户设备通过用户创建并提交分析任务,服务器的智能任务模块通过算法信息查询从算法仓库中查询与分析任务匹配的算法信息(算法描述信息),智能分析模块将查询到的算法信息下发给分析引擎,并下发分析任务给分析引擎。分析引擎根据算法信息从算法仓库中加载对应的特定组件包和公共基础组件包(若已加载公共基础组件包,则无需再加载)。分析引擎将加载的公共基础组件包和特定组件包合并,得到算法包进行任务分析,得到分析结果(即任务结果)将分析结果即时地反馈给用户。可选地,分析引擎将分析结果发送给数据存储模块,数据存储模块将分析结果存储在结果库中,便于用户随时查询。用户通过用户设备向服务器请求查询任务结果,服务器从结果库中进行数据查询,将查询到的任务结果反馈给用户设备。用户设备可以显示任务结果给用户。可选地,分析引擎还用于更新公共基础组件包和特定组件包。
由上述可知,分析引擎中的组件包可以根据任务进行切换,在一种实现方式中,分析引擎根据任务要求切换对应的特定组件包即可。对于算法的更新维护也更加灵活。
综上所述,本申请实施例中提取多算法共有的组件包作为公共基础组件包,多算法非共有的组件包作为特定组件包,存储公共基础组件包和特定组件包,而非将各个完整的算法包独立存储,可见本方案能够占用更少的存储资源,减轻多算法的存储负担。另外,用户设备创建分析任务后,通过加载匹配的特定组件包,与公共基础组件包进行组合,生成算法包来执行分析任务。这样,对于用户设备来说,创建新的分析任务后,切换特定组件包即可,无需每次都加载公共基础组件包这部分资源,灵活调度减少了资源加载时间,提高了任务处理效率。且公共基础组件包和特定组件包区分存储,便于管理和维护,提高了管理和维护的灵活性。
上述所有可选技术方案,均可按照任意结合形成本申请的可选实施例,本申请实施例对此不再一一赘述。
图6是本申请实施例提供的一种任务处理装置的结构示意图,该任务处理600可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部,可选地,该计算机设备可以为上述实施例中服务器的部分或全部。请参考图6,该装置600包括:接收模块601、加载模块602、第一生成模块603和处理模块604。
接收模块601,用于接收用户设备创建的分析任务;
加载模块602,用于加载与分析任务匹配的特定组件包,特定组件包是指多算法非共有的组件包;
第一生成模块603,用于根据已加载的公共基础组件包和特定组件包,生成算法包,公共基础组件包是指多算法共有的组件包;
处理模块604,用于通过生成的算法包处理分析任务,得到任务结果,将任务结果反馈给用户设备。
可选地,一个特定组件包对应一个算法标识,一个算法标识对应一个算法描述信息;
加载模块602包括:
获取子模块,用于从多个算法描述信息中获取与分析任务匹配的第一算法描述信息;
确定子模块,用于确定与第一算法描述信息对应的第一算法标识;
加载子模块,用于加载与第一算法标识对应的特定组件包。
可选地,参见图7,该装置600还包括:
第一获取模块605,用于获取特定组件包的更新数据;
第一更新模块606,用于根据更新数据,对存储的特定组件包进行更新,特定组件包更新前与更新后对应的算法标识保持不变。
可选地,第一获取模块605包括:
获取子模块,用于根据更新周期,自动获取特定组件包的更新数据,更新数据按照训练周期自动训练对应的算法模型得到。
可选地,该装置600还包括:
第二获取模块,用于获取待生成的算法包的特定组件包;
第二生成模块,用于生成算法包的算法标识;
第一存储模块,用于将生成的算法标识与获取的特定组件包对应存储。
可选地,该装置600还包括:
第三获取模块,用于获取第一算法资源;
解析模块,用于根据第一算法资源对应的组件包功能标签,解析第一算法资源得到第一公共组件包和第一特定组件包,公共基础组件包包括第一公共组件包;
第二存储模块,用于分别存储第一公共组件包和第一特定组件包。
可选地,特定组件包存储在第一资源库,公共基础组件包存储在第二资源库。
可选地,公共基础组件包包括取流、编解码、封装、解封装、数据预处理、数据后处理中的一种或多种;和/或,
特定组件包包括算法配置信息、检测库、比对库、属性库、评分库、模型库中的一种或多种。
可选地,算法配置信息包括算法运行能力、目标类型、分类信息、芯片类型、厂家类型、版本信息中一种或多种。
本申请实施例中提取多算法共有的组件包作为公共基础组件包,多算法非共有的组件包作为特定组件包,存储公共基础组件包和特定组件包,而非将各个完整的算法包独立存储,可见本方案能够占用更少的存储资源,减轻多算法的存储负担。另外,用户设备创建分析任务后,通过加载匹配的特定组件包,与公共基础组件包进行组合,生成算法包来执行分析任务。这样,对于用户设备来说,创建新的分析任务后,切换特定组件包即可,无需每次都加载公共基础组件包这部分资源,灵活调度减少了资源加载时间,提高了任务处理效率。且公共基础组件包和特定组件包区分存储,便于管理和维护,提高了管理和维护的灵活性。
需要说明的是:上述实施例提供的任务处理装置在应用多算法时,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,即将装置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,上述实施例提供的任务处理装置与任务处理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。
图8示出了本申请一个示例性实施例提供的终端800的结构框图。该终端800可以是:智能手机、平板电脑、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端800包括有:处理器801和存储器802。
处理器801可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器801可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器801还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的任务处理方法。
在一些实施例中,终端800还可选包括有:外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地,外围设备包括:射频电路804、显示屏805、摄像头组件806、音频电路807、定位组件808和电源809中的至少一种。
外围设备接口803可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中,处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上;在一些其他实施例中,处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路804用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路804包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路804还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏805用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时,显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时,显示屏805还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏805可以为一个,设置在终端800的前面板;在另一些实施例中,显示屏805可以为至少两个,分别设置在终端800的不同表面或呈折叠设计;在另一些实施例中,显示屏805可以是柔性显示屏,设置在终端800的弯曲表面上或折叠面上。甚至,显示屏805还可以设置成非矩形的不规则图形,也即异形屏。显示屏805可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件806用于采集图像或视频。可选地,摄像头组件806包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器801进行处理,或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路807还可以包括耳机插孔。
定位组件808用于定位终端800的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件808可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源809用于为终端800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于:加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。
加速度传感器811可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号,控制显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器812可以检测终端800的机体方向及转动角度,陀螺仪传感器812可以与加速度传感器811协同采集用户对终端800的3D动作。处理器801根据陀螺仪传感器812采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器813可以设置在终端800的侧边框和/或显示屏805的下层。当压力传感器813设置在终端800的侧边框时,可以检测用户对终端800的握持信号,由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在显示屏805的下层时,由处理器801根据用户对显示屏805的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器814用于采集用户的指纹,由处理器801根据指纹传感器814采集到的指纹识别用户的身份,或者,由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器801授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器814可以被设置在终端800的正面、背面或侧面。当终端800上设置有物理按键或厂商Logo时,指纹传感器814可以与物理按键或厂商Logo集成在一起。
光学传感器815用于采集环境光强度。在一个实施例中,处理器801可以根据光学传感器815采集的环境光强度,控制显示屏805的显示亮度。具体地,当环境光强度较高时,调高显示屏805的显示亮度;当环境光强度较低时,调低显示屏805的显示亮度。在另一个实施例中,处理器801还可以根据光学传感器815采集的环境光强度,动态调整摄像头组件806的拍摄参数。
接近传感器816,也称距离传感器,通常设置在终端800的前面板。接近传感器816用于采集用户与终端800的正面之间的距离。在一个实施例中,当接近传感器816检测到用户与终端800的正面之间的距离逐渐变小时,由处理器801控制显示屏805从亮屏状态切换为息屏状态;当接近传感器816检测到用户与终端800的正面之间的距离逐渐变大时,由处理器801控制显示屏805从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图8中示出的结构并不构成对终端800的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图9是根据一示例性实施例示出的一种服务器的结构示意图。该服务器可以是后台服务器集群中的服务器。具体来讲:
服务器900包括中央处理单元(CPU)901、包括RAM(Random Access Memory,随机存取存储器)902和只读存储器(ROM)903的系统存储器904,以及连接系统存储器904和中央处理单元901的系统总线905。服务器900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(I/O系统)906,和用于存储操作系统913、应用程序914和其他程序模块915的大容量存储设备907。
基本输入/输出系统906包括有用于显示信息的显示器908和用于用户输入信息的诸如鼠标、键盘之类的输入设备909。其中显示器908和输入设备909都通过连接到系统总线905的输入输出控制器910连接到中央处理单元901。基本输入/输出系统906还可以包括输入输出控制器910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910还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备907通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。大容量存储设备907及其相关联的计算机可读介质为服务器900提供非易失性存储。也就是说,大容量存储设备907可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性,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、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD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计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备907可以统称为存储器。
根据本申请的各种实施例,服务器900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900可以通过连接在系统总线905上的网络接口单元911连接到网络912,或者说,也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,被配置由CPU执行。所述一个或者一个以上程序包含用于进行本申请实施例提供的任务处理方法的指令。
在一些实施例中,还提供了一种计算机可读存储介质,该存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任务处理的步骤。例如,所述计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
值得注意的是,本申请实施例提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。所述计算机指令可以存储在上述计算机可读存储介质中。
也即是,在一些实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述所述的任务处理方法的步骤。
应当理解的是,本文提及的“至少一个”是指一个或多个,“多个”是指两个或两个以上。在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种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。另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
以上所述为本申请提供的实施例,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 (12)
1.一种任务处理方法,其特征在于,所述方法包括:
接收用户设备创建的分析任务;
加载与所述分析任务匹配的特定组件包,所述特定组件包是指多算法非共有的组件包;
根据已加载的公共基础组件包和所述特定组件包,生成算法包,所述公共基础组件包是指所述多算法共有的组件包;
通过生成的算法包处理所述分析任务,得到任务结果,将所述任务结果反馈给所述用户设备。
2.根据权利要求1所述的方法,其特征在于,一个特定组件包对应一个算法标识,一个算法标识对应一个算法描述信息;
所述加载与所述分析任务匹配的特定组件包,包括:
从多个算法描述信息中获取与所述分析任务匹配的第一算法描述信息;
确定与第一算法描述信息对应的第一算法标识;
加载与所述第一算法标识对应的特定组件包。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述特定组件包的更新数据;
根据所述更新数据,对存储的所述特定组件包进行更新,所述特定组件包更新前与更新后对应的算法标识保持不变。
4.根据权利要求3所述的方法,其特征在于,所述获取所述特定组件包的更新数据,包括:
根据更新周期,自动获取所述特定组件包的更新数据,所述更新数据按照训练周期自动训练对应的算法模型得到。
5.根据权利要求1所述的方法,其特征在于,所述加载与所述分析任务匹配的特定组件包之前,还包括:
获取待生成的算法包的特定组件包;
生成所述算法包的算法标识;
将生成的算法标识与获取的特定组件包对应存储。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一算法资源;
根据所述第一算法资源对应的组件包功能标签,解析所述第一算法资源得到所述第一公共组件包和第一特定组件包,所述公共基础组件包包括所述第一公共组件包;
分别存储所述第一公共组件包和所述第一特定组件包。
7.根据权利要求1-6任一所述的方法,其特征在于,所述特定组件包存储在第一资源库,所述公共基础组件包存储在所述第二资源库。
8.根据权利要求1-6任一所述的方法,其特征在于,所述公共基础组件包包括取流、编解码、封装、解封装、数据预处理、数据后处理中的一种或多种;和/或,
所述特定组件包包括算法配置信息、检测库、比对库、属性库、评分库、模型库中的一种或多种。
9.根据权利要求8所述的方法,其特征在于,所述算法配置信息包括算法运行能力、目标类型、分类信息、芯片类型、厂家类型、版本信息中一种或多种。
10.一种任务处理装置,其特征在于,所述装置包括:
接收模块,用于接收用户设备创建的分析任务;
加载模块,用于加载与所述分析任务匹配的特定组件包,所述特定组件包是指多算法非共有的组件包;
第一生成模块,用于根据已加载的公共基础组件包和所述特定组件包,生成算法包,所述公共基础组件包是指所述多算法共有的组件包;
处理模块,用于通过生成的算法包处理所述分析任务,得到任务结果,将所述任务结果反馈给所述用户设备。
11.根据权利要求10所述的装置,其特征在于,一个特定组件包对应一个算法标识,一个算法标识对应一个算法描述信息;
所述加载模块包括:
获取子模块,用于从多个算法描述信息中获取与所述分析任务匹配的第一算法描述信息;
确定子模块,用于确定与第一算法描述信息对应的第一算法标识;
加载子模块,用于加载与所述第一算法标识对应的特定组件包;
其中,所述装置还包括:
第一获取模块,用于获取所述特定组件包的更新数据;
第一更新模块,用于根据所述更新数据,对存储的所述特定组件包进行更新,所述特定组件包更新前与更新后对应的算法标识保持不变;
其中,所述第一获取模块包括:
获取子模块,用于根据更新周期,自动获取所述特定组件包的更新数据,所述更新数据按照训练周期自动训练对应的算法模型得到;
其中,所述装置还包括:
第二获取模块,用于获取待生成的算法包的特定组件包;
第二生成模块,用于生成所述算法包的算法标识;
第一存储模块,用于将生成的算法标识与获取的特定组件包对应存储;
其中,所述装置还包括:
第三获取模块,用于获取第一算法资源;
解析模块,用于根据所述第一算法资源对应的组件包功能标签,解析所述第一算法资源得到所述第一公共组件包和第一特定组件包,所述公共基础组件包包括所述第一公共组件包;
第二存储模块,用于分别存储所述第一公共组件包和所述第一特定组件包;
其中,所述特定组件包存储在第一资源库,所述公共基础组件包存储在所述第二资源库;
其中,所述公共基础组件包包括取流、编解码、封装、解封装、数据预处理、数据后处理中的一种或多种;和/或,
所述特定组件包包括算法配置信息、检测库、比对库、属性库、评分库、模型库中的一种或多种;
其中,所述算法配置信息包括算法运行能力、目标类型、分类信息、芯片类型、厂家类型、版本信息中一种或多种。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110239237.5A CN112905328B (zh) | 2021-03-04 | 2021-03-04 | 任务处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110239237.5A CN112905328B (zh) | 2021-03-04 | 2021-03-04 | 任务处理方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905328A true CN112905328A (zh) | 2021-06-04 |
CN112905328B CN112905328B (zh) | 2023-09-19 |
Family
ID=76106953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110239237.5A Active CN112905328B (zh) | 2021-03-04 | 2021-03-04 | 任务处理方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905328B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023087764A1 (zh) * | 2021-11-17 | 2023-05-25 | 上海商汤智能科技有限公司 | 算法应用元的打包方法及装置、设备、存储介质和计算机程序产品 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6182279B1 (en) * | 1997-08-12 | 2001-01-30 | International Business Machines Corporation | Method and apparatus for storing templates in a component system |
US20030135464A1 (en) * | 1999-12-09 | 2003-07-17 | International Business Machines Corporation | Digital content distribution using web broadcasting services |
US7330997B1 (en) * | 2004-06-03 | 2008-02-12 | Gary Odom | Selective reciprocal backup |
US20170118283A1 (en) * | 2015-10-27 | 2017-04-27 | International Business Machines Corporation | On-demand workload management in cloud bursting |
CN108536783A (zh) * | 2018-03-29 | 2018-09-14 | 广东欧珀移动通信有限公司 | 数据处理方法和装置、终端、计算机可读存储介质 |
CN108696564A (zh) * | 2017-04-12 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 任务处理方法、装置、终端及存储介质 |
CN109165055A (zh) * | 2018-08-30 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 一种组件加载方法、装置、计算机设备及存储介质 |
CN109324793A (zh) * | 2018-10-24 | 2019-02-12 | 北京奇虎科技有限公司 | 支持算法组件化的处理系统及方法 |
CN109783744A (zh) * | 2018-12-05 | 2019-05-21 | 北京奇艺世纪科技有限公司 | 页面启动方法、装置、终端及计算机可读存储介质 |
CN110308910A (zh) * | 2019-05-30 | 2019-10-08 | 苏宁金融服务(上海)有限公司 | 算法模型部署以及风险监控的方法、装置和计算机设备 |
CN110704177A (zh) * | 2019-09-04 | 2020-01-17 | 金蝶软件(中国)有限公司 | 计算任务处理方法、装置、计算机设备和存储介质 |
CN111190748A (zh) * | 2019-12-23 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 数据共享方法、装置、设备及存储介质 |
CN112052027A (zh) * | 2019-06-06 | 2020-12-08 | 阿里巴巴集团控股有限公司 | 一种处理ai任务的方法及装置 |
CN112416425A (zh) * | 2020-11-20 | 2021-02-26 | 微医云(杭州)控股有限公司 | App构建方法、装置、计算机设备及存储介质 |
-
2021
- 2021-03-04 CN CN202110239237.5A patent/CN112905328B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6182279B1 (en) * | 1997-08-12 | 2001-01-30 | International Business Machines Corporation | Method and apparatus for storing templates in a component system |
US20030135464A1 (en) * | 1999-12-09 | 2003-07-17 | International Business Machines Corporation | Digital content distribution using web broadcasting services |
US7330997B1 (en) * | 2004-06-03 | 2008-02-12 | Gary Odom | Selective reciprocal backup |
US20170118283A1 (en) * | 2015-10-27 | 2017-04-27 | International Business Machines Corporation | On-demand workload management in cloud bursting |
CN108696564A (zh) * | 2017-04-12 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 任务处理方法、装置、终端及存储介质 |
CN108536783A (zh) * | 2018-03-29 | 2018-09-14 | 广东欧珀移动通信有限公司 | 数据处理方法和装置、终端、计算机可读存储介质 |
CN109165055A (zh) * | 2018-08-30 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 一种组件加载方法、装置、计算机设备及存储介质 |
CN109324793A (zh) * | 2018-10-24 | 2019-02-12 | 北京奇虎科技有限公司 | 支持算法组件化的处理系统及方法 |
CN109783744A (zh) * | 2018-12-05 | 2019-05-21 | 北京奇艺世纪科技有限公司 | 页面启动方法、装置、终端及计算机可读存储介质 |
CN110308910A (zh) * | 2019-05-30 | 2019-10-08 | 苏宁金融服务(上海)有限公司 | 算法模型部署以及风险监控的方法、装置和计算机设备 |
CN112052027A (zh) * | 2019-06-06 | 2020-12-08 | 阿里巴巴集团控股有限公司 | 一种处理ai任务的方法及装置 |
CN110704177A (zh) * | 2019-09-04 | 2020-01-17 | 金蝶软件(中国)有限公司 | 计算任务处理方法、装置、计算机设备和存储介质 |
CN111190748A (zh) * | 2019-12-23 | 2020-05-22 | 腾讯科技(深圳)有限公司 | 数据共享方法、装置、设备及存储介质 |
CN112416425A (zh) * | 2020-11-20 | 2021-02-26 | 微医云(杭州)控股有限公司 | App构建方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
ANDREAS SCHONBERGER等: "Translating shared state based ebXML BPSS models to WS-BPEL", 《BUSINESS INTELLIGENCE AND DATA MINING》, vol. 5, no. 4, pages 1 - 24 * |
李永泽: "高扩展性的海量存储文件系统设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 6, pages 137 - 44 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023087764A1 (zh) * | 2021-11-17 | 2023-05-25 | 上海商汤智能科技有限公司 | 算法应用元的打包方法及装置、设备、存储介质和计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN112905328B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110493626B (zh) | 视频数据处理方法及装置 | |
CN111552470A (zh) | 物联网中的数据分析任务创建方法、装置及存储介质 | |
CN111090687B (zh) | 数据处理方法及装置、系统、计算机可读存储介质 | |
CN108132790B (zh) | 检测无用代码的方法、装置及计算机存储介质 | |
CN112256425B (zh) | 负载均衡方法及系统、计算机集群、信息编辑方法及终端 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN111949680A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN110636144A (zh) | 数据下载的方法和装置 | |
CN110704324A (zh) | 应用调试方法、装置及存储介质 | |
CN112116690A (zh) | 视频特效生成方法、装置及终端 | |
CN111192072A (zh) | 用户分群方法及装置、存储介质 | |
CN112612539A (zh) | 数据模型卸载方法、装置、电子设备及存储介质 | |
CN110086814B (zh) | 一种数据获取的方法、装置及存储介质 | |
CN112905328B (zh) | 任务处理方法、装置及计算机可读存储介质 | |
CN113051485B (zh) | 群组搜索方法、装置、终端及存储介质 | |
CN111064657B (zh) | 关注账户分组的方法、装置、系统 | |
CN114329292A (zh) | 资源信息的配置方法、装置、电子设备以及存储介质 | |
CN113763932A (zh) | 语音处理方法、装置、计算机设备及存储介质 | |
CN112416356A (zh) | Json字符串的处理方法、装置、设备及存储介质 | |
CN113268234A (zh) | 页面生成方法、装置、终端和存储介质 | |
CN110851435B (zh) | 一种存储数据的方法及装置 | |
CN112612540A (zh) | 数据模型配置方法、装置、电子设备及存储介质 | |
CN113051015A (zh) | 页面渲染方法、装置、电子设备及存储介质 | |
CN112560612A (zh) | 确定业务算法的系统、方法、计算机设备及存储介质 | |
CN112699906A (zh) | 获取训练数据的方法、装置及存储介质 |
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 |