CN112990289B - 基于多任务预测模型的数据处理方法、装置、设备和介质 - Google Patents
基于多任务预测模型的数据处理方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112990289B CN112990289B CN202110257360.XA CN202110257360A CN112990289B CN 112990289 B CN112990289 B CN 112990289B CN 202110257360 A CN202110257360 A CN 202110257360A CN 112990289 B CN112990289 B CN 112990289B
- Authority
- CN
- China
- Prior art keywords
- feature
- data
- modules
- module
- dimension
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 159
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 82
- 238000000034 method Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001746 injection moulding Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种基于多任务预测模型的数据处理方法、装置、设备和介质，涉及计算机技术领域，尤其涉及机器学习技术、云计算及云服务技术领域。具体实现方案为：对产品至少两个尺寸维度的原始数据分别执行预处理操作，以得到至少两组标准原始数据；对标准原始数据进行特征提取，以得到至少两组尺寸特征数据；将至少两组尺寸特征数据进行拼接，以得到特征拼接数据；分别对特征拼接数据进行特征融合，以得到至少两组特征融合数据；根据特征融合数据确定产品每个尺寸维度的预测结果。本公开实现了提高对于产品每个尺寸维度预测结果的准确度的效果。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及机器学习技术、云计算及云服务技术领域，特别涉及一种基于多任务预测模型的数据处理方法、装置、设备和介质。
背景技术
注塑成型是常见的一种塑料制品加工工艺，它所加工的产品在生活中随处可见，例如电子产品、汽车配件和玩具等。由于成型系统较为复杂并且对环境较为敏感，注塑成型加工过程中的不稳定因素很容易导致产品不良的发生，造成经济损失。因此需要对成型过程的产品尺寸实时预测，这有助于减少甚至避免不合格品的产生，对于管控产品质量、降低生产成本有重要的作用。
现有方法通常是采用多个独立模型对产品尺寸的各维度分别进行预测。
发明内容
本公开提供了一种用于预测产品尺寸的方法、装置、设备和介质。
根据本公开的一方面，提供了一种基于多任务预测模型的数据处理方法，所述多任务预测模型包括输入层、至少一层特征共享层和输出层，所述特征共享层包括至少两个特征提取模块、特征拼接模块、和至少两个特征融合模块，所述输出层包括至少两个预测模块；所述方法包括：
通过所述输入层对产品至少两个尺寸维度的原始数据分别执行预处理操作，以得到至少两组标准原始数据；
将至少两组所述标准原始数据分别输入至少两个所述特征提取模块，对所述标准原始数据进行特征提取，以得到至少两组尺寸特征数据；
将至少两组所述尺寸特征数据输入所述特征拼接模块进行拼接，以得到特征拼接数据；
将所述特征拼接数据分别输入至少两个所述特征融合模块，分别对所述特征拼接数据进行特征融合，以得到至少两组特征融合数据；
将至少两组所述特征融合数据分别输入至少两个所述预测模块，以根据所述特征融合数据确定所述产品每个尺寸维度的预测结果。
根据本公开的另一方面，提供了一种基于多任务预测模型的数据处理装置，所述多任务预测模型包括输入层、至少一层特征共享层和输出层，所述特征共享层包括至少两个特征提取模块、特征拼接模块、和至少两个特征融合模块，所述输出层包括至少两个预测模块；所述装置包括：
预处理模块，用于通过所述输入层对产品至少两个尺寸维度的原始数据分别执行预处理操作，以得到至少两组标准原始数据；
尺寸特征数据获取模块，用于将至少两组所述标准原始数据分别输入至少两个所述特征提取模块，对所述标准原始数据进行特征提取，以得到至少两组尺寸特征数据；
特征拼接数据获取模块，用于将至少两组所述尺寸特征数据输入所述特征拼接模块进行拼接，以得到特征拼接数据；
特征融合数据获取模块，用于将所述特征拼接数据分别输入至少两个所述特征融合模块，分别对所述特征拼接数据进行特征融合，以得到至少两组特征融合数据；
预测结果确定模块，用于将至少两组所述特征融合数据分别输入至少两个所述预测模块，以根据所述特征融合数据确定所述产品每个尺寸维度的预测结果。
根据本公开的另一方面，提供了一种电子设备，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本公开中任一项所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。
根据本公开的另一方面，提供了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本公开中任一项所述的方法。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例公开的一种基于多任务预测模型的数据处理方法的流程图；
图2A是根据本公开实施例公开的一种基于多任务预测模型的数据处理方法的流程图；
图2B是根据本公开实施例公开的一种特征拼接数据的示意图；
图3是根据本公开实施例公开的一种多任务预测模型的结构示意图；
图4是根据本公开实施例公开的一种基于多任务预测模型的数据处理装置的结构示意图；
图5是用来实现本公开实施例公开的基于多任务预测模型的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
申请人在研发过程中发现，现有对于多维输出问题的预测通常会将多维输出问题转化为多个一维输出问题，例如对于一次需要预测产品三个尺寸维度的任务，会将预测任务转化为三个一维尺寸维度的预测问题，如转化为长、宽和高三个一维尺寸维度预测问题，并对于每个一维尺寸维度预测问题，分别采用包括但不限于xgboost或randomForest等模型进行独立预测，得到预测结果。
然而现有方法的缺点在于：每个一维输出问题都采用独立的模型进行预测，各维度之间并没有进行特征的共享，而往往一个维度的预测结果与其他维度的特征之间是有关联的，这就导致最终各维度的预测结果的准确度较低。
图1是根据本公开实施例公开的一种基于多任务预测模型的数据处理方法的流程图，本实施例可以适用于同时预测产品多个维度的尺寸的情况。本实施例方法可以由基于多任务预测模型的数据处理装置来执行，所述装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。所述多任务预测模型包括输入层、至少一层特征共享层和输出层，所述特征共享层包括至少两个特征提取模块、特征拼接模块、和至少两个特征融合模块，所述输出层包括至少两个预测模块。
如图1所示，本实施例公开的基于多任务预测模型的数据处理方法可以包括：
S101、通过所述输入层对产品至少两个尺寸维度的原始数据分别执行预处理操作，以得到至少两组标准原始数据。
其中，本实施例中的产品可以是任何具有尺寸规格的实体产品，例如注塑产品等。产品的尺寸维度至少为两个，以注塑产品为例，其对应的尺寸维度包括长度、宽度和高度。当然，尺寸维度还可以根据不同的产品进行设定，例如还可以是产品的表面积等。原始数据为产品在生产过程中产生的生产变量，继续以注塑产品为例，原始数据包括但不限于传感器高频数据、成型机状态数据和/或机台工艺设定参数等。
在一种实施方式中，将至少两个尺寸维度的原始数据输入到多任务预测模型的输入层，输入层对获取原始数据进行预处理操作，包括但不限于数据清理、数据集成、数据规约和数据变换等，以使得得到的至少两组标准原始数据是标准的、可信的及准确的数据。原始数据的数量过多会增大模型的数据处理压力，而原始数据的数量过少则可能导致预测结果准确度较低，可选的，本实施例中的原始数据的数量为16600条。
通过输入层对产品至少两个尺寸维度的原始数据分别执行预处理操作，以得到至少两组标准原始数据，保证了标准原始数据是标准的、可信的及准确的，进而保证最终预测结果的准确性。
S102、将至少两组所述标准原始数据分别输入至少两个所述特征提取模块，对所述标准原始数据进行特征提取，以得到至少两组尺寸特征数据。
其中，每个尺寸维度都对应有一个特征提取模块，每个特征提取模块用于从标准原始数据中提取对应尺寸维度的独有尺寸特征数据。
在一种实施方式中，将至少两组标准原始数据分别输入至少两个特征提取模块，各特征提取模块采用预设特征提取方法从原始数据中提取对应尺寸维度的独有尺寸特征数据。其中，特征提取方法包括但不限于基于树模型的特征提取方法、基于惩罚值的特征提取方法、递归特征消除特征提取方法及互信息选择特征提取方法等。
通过对标准原始数据进行特征提取，以得到至少两组尺寸特征数据，为后续对尺寸特征数据进行拼接，奠定了基础。
S103、将至少两组所述尺寸特征数据输入所述特征拼接模块进行拼接，以得到特征拼接数据。
在一种实施方式中，将至少两组尺寸特征数据输入特征拼接模块，特征拼接模块采用预设拼接方法，将各尺寸维度对应的尺寸特征数据进行特征拼接，得到特征拼接数据，从而使得特征拼接数据同时包含有各尺寸维度对应的尺寸特征数据。
通过将至少两组尺寸特征数据输入特征拼接模块进行拼接，以得到特征拼接数据，使得特征拼接数据同时包含有各尺寸维度对应的尺寸特征数据，从而保证后续特征融合过程中能够实现各尺寸维度对应的尺寸特征数据之间的融合，起到了铺垫作用。
S104、将所述特征拼接数据分别输入至少两个所述特征融合模块，分别对所述特征拼接数据进行特征融合，以得到至少两组特征融合数据。
其中，每个尺寸维度都对应有一个特征融合模块，每个特征融合模块用于将对应尺寸维度的尺寸特征数据，与其他尺寸维度的尺寸特征数据进行融合，以实现各尺寸维度之间的特征共享。
在一种实施方式中，将特征拼接数据分别输入至少两个特征融合模块，各特征融合模块采用预设特征融合方法对各尺寸维度的尺寸特征数据进行数据融合，得到至少两组特征融合数据。其中，特征融合方法包括但不限于基于贝叶斯理论的特征融合算法、基于线性特征依赖模型的特征融合算法、基于稀疏表示理论的特征融合算法以及基于深度学习理论的特征融合算法。
通过对特征拼接数据进行特征融合，以得到至少两组特征融合数据，使得后续根据特征融合数据确定的预测结果的准确度更高。
S105、将至少两组所述特征融合数据分别输入至少两个所述预测模块，以根据所述特征融合数据确定所述产品每个尺寸维度的预测结果。
其中，每个尺寸维度都对应有一个预测模块，每个预测模块用于根据对应尺寸维度的特征融合数据，确定对应尺寸维度的预测结果。
在一种实施方式中，将至少两组特征融合数据分别输入至少两个预测模块，各预测模块采用预设预测方法根据特征融合数据确定对应尺寸维度的预测结果。其中，预设预测方法包括但不限于回归预测方法、基于卡尔曼滤波模型的预测方法、马尔科夫预测方法以及基于BP神经网络预测模型的预测方法。
通过将至少两组特征融合数据分别输入至少两个预测模块，以根据特征融合数据确定产品每个尺寸维度的预测结果，实现了产品尺寸各维度的同时预测。
通过将预测模块的网络结构设置为全连接神经网络，并采用公式F3＝σ3(W3x3+b3)确定产品每个尺寸维度的预测结果，实现了同时分别确定各尺寸维度的预测结果的效果，且由于全连接神经网络的特征，数据处理的速度较快，且预测结果的准确度也较高。
本公开通过将至少两组标准原始数据分别输入至少两个特征提取模块，对标准原始数据进行特征提取，以得到至少两组尺寸特征数据，并将至少两组尺寸特征数据输入特征拼接模块进行拼接，以得到特征拼接数据，进而将特征拼接数据分别输入至少两个特征融合模块，分别对特征拼接数据进行特征融合，以得到至少两组特征融合数据，最终将至少两组特征融合数据分别输入至少两个预测模块，以根据特征融合数据确定产品每个尺寸维度的预测结果，由于特征融合数据包含了各尺寸维度的特征表达，使得各尺寸维度的特征进行了共享，因此根据特征融合数据确定每个尺寸维度预测结果，相比分别根据单一尺寸维度的尺寸特征数据确定每个尺寸维度预测结果，能够大大提高预测结果的准确度。
在上述实施例的基础上，S105之后，还包括：
根据产品每个尺寸维度的预测结果以及预设损失函数，采用预设训练方法对多任务预测模型中的模型参数进行训练。
可选的，本实施例中的预设损失函数设置为Eloss函数，主要原因有两方面：一、Eloss函数更接近真实的评分函数；二、Eloss函数对异常值更加敏感，预测更加稳定。
可选的，本实施采用梯度下降的方式对多任务预测模型中的模型参数进行训练，即对特征提取模块、特征融合模块和预测模块中的网络权重和网络偏置项进行训练。
值得注意的是，本实施例中的基于多任务预测模型的数据处理方法，可以直接用于对产品各尺寸维度进行预测，即此时多任务预测模型中的模型参数是训练完毕的；还可以用于对多任务预测模型的训练过程，即此时多任务预测模型中的模型参数是待优化的。本领域技术人员可以根据需求选择执行所述方法的场景。
本公开实施例还公开了一种可选的特征提取模块的结构，其中，所述特征提取模块的网络结构为全连接神经网络，每个所述特征提取模块通过如下公式得到尺寸特征数据：
F1＝σ1(W1x1+b1)
其中，F1表示任一尺寸维度对应的尺寸特征数据；x1表示该尺寸维度的标准原始数据；W1表示特征提取模块的网络权重；b1表示所述特征提取模块的网络偏置项；σ1()表示所述特征提取模块的激活函数，在本实施例中可选的将特征提取模块的激活函数设置为tanh函数。值得注意的是，每个特征提取模块具有相同的网络结构，但是却学习有不同的模型参数，即各特征提取模块的网络权重W1和网络偏置项b1不同，从而可以使得各特征提取模块分别提取对应尺寸维度的独有尺寸特征数据。
通过将特征提取模块的网络结构设置为全连接神经网络，并采用公式F1＝σ1(W1x1+b1)得到尺寸特征数据，使得特征提取模块能够根据各自学习的模型参数提取对应尺寸维度的独有尺寸特征数据。
本公开实施例还公开了一种可选的特征融合模块的结构，其中，特征融合模块的网络结构为全连接神经网络，每个特征融合模块通过如下公式得到特征融合数据：
F2＝σ2(W2x2+b2)
其中，F2表示任一尺寸维度对应的特征融合数据；x2表示特征拼接数据；W2表示所述特征融合模块的网络权重；b2表示所述特征融合模块的网络偏置项；σ2()表示所述特征融合模块的激活函数，在本实施例中可选的将特征融合模块的激活函数设置为sigmoid函数。
可选的，各所述特征融合模块之间的模型参数不同。即各特征融合模块学习有不同的网络权重W2和网络偏置项b2，从而使得各特征融合模块根据学习的网络权重W2和网络偏置项b2，确定其他尺寸维度的哪些尺寸特征数据是可以共享的，从而可以选择性的融合其它他尺寸维度的特征数据。
通过将特征融合模块的网络结构设置为全连接神经网络，并采用公式F2＝σ2(W2x2+b2)得到特征融合数据，使得特征融合模块能够将对应尺寸维度的尺寸特征数据，与其他尺寸维度的尺寸特征数据进行融合，以实现各尺寸维度之间的特征共享；并且，各所述特征融合模块之间的模型参数不同，从而使得各特征融合模块根据学习的模型参数，确定其他尺寸维度的哪些尺寸特征数据是可以共享的，从而可以选择性的融合其它他尺寸维度的特征数据。
本公开实施例还公开了一种可选的预测模块的结构，其中，所述预测模块的网络结构为全连接神经网络，每个所述预测模块通过如下公式确定所述产品每个尺寸维度的预测结果：
F3＝σ3(W3x3+b3)
其中，F3表示所述产品对应任一尺寸维度的预测结果，x3表示该尺寸维度的特征融合数据，W3表示所述预测模块的网络权重，b3表示所述预测模块的网络偏置项，σ3()表示所述预测模块的激活函数，在本实施例中可选的将特征提取模块的激活函数设置为tanh函数。值得注意的是，每个预测模块具有相同的网络结构，但是却学习有不同的模型参数，即各预测模块的网络权重W3和网络偏置项b3不同，从而可以使得不同预测模块能够输出不同尺寸维度的预测结果。
通过将预测模块的网络结构设置为全连接神经网络，并采用公式F3＝σ3(W3x3+b3)确定产品每个尺寸维度的预测结果，实现了同时分别确定各尺寸维度的预测结果的效果，且由于全连接神经网络的特征，数据处理的速度较快，且预测结果的准确度也较高。
图2A是根据本公开实施例公开的一种基于多任务预测模型的数据处理方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。在上述实施例公开的多任务预测模型结构的基础上，所述特征共享层还包括至少两个特征提取辅助模块和至少两个特征求和模块。
如图2A所示，该方法可以包括：
S201、通过所述输入层对产品至少两个尺寸维度的原始数据执行分箱操作、编码操作和标准化操作中的至少一种操作，以得到至少两组标准原始数据。
其中，分箱操作包括有监督分箱操作和无监督分箱操作，实现对连续变量离散化，从而提高模型稳定性，降低了模型过拟合的风险；编码操作包括但不限于独热编码和标签编码等；标准化操作包括通过Z-score进行标准化。
S202、将至少两组所述标准原始数据分别输入至少两个所述特征提取模块和，对所述标准原始数据进行特征提取，以得到至少两组尺寸特征数据，并且还将至少两组所述标准原始数据分别输入至少两个所述特征提取辅助模块进行特征提取，以得到至少两组辅助特征数据。
其中，特征提取辅助模块与特征提取模块的数量相同，且均用于提取特征数据，但是两者是根据不同的训练数据、损失函数以及训练方法训练得到的，因此对于同一尺寸维度的特征提取辅助模块和特征提取模块，却具有不同的模型参数，这就使得输出的尺寸特征数据和辅助特征数据不同。从而增加了多任务预测模型中每一尺寸维度的特征多样性，相应也会提高预测结果的准确度。
S203、将至少两组所述尺寸特征数据输入所述特征拼接模块进行矩阵拼接，得到特征拼接数据。
在一种实施方式中，采用concat方式将至少两组尺寸特征数据进行横向的矩阵拼接，以得到特征拼接数据。
图2B为是根据本申请实施例公开的一种特征拼接数据的示意图，如图2B所示，特征拼接数据20包括尺寸特征数据21、尺寸特征数据22和尺寸特征数据23，且每个尺寸特征数据的维度均为32维。当然，图2B仅用于对特征拼接数据进行示意性展示，并不对其具体的结构进行任何限定。
S204、将所述特征拼接数据分别输入至少两个所述特征融合模块，分别对所述特征拼接数据进行特征融合，以得到至少两组特征融合数据。
S205、将所述特征融合数据与同一尺寸维度的辅助特征数据输入所述特征求和模块相加，以得到的特征求和数据更新所述特征融合数据。
其中，特征求和模块通过包括但不限于add方式将特征融合数据与辅助特征数据相加。
示例性的，假设尺寸维度包括长度、宽度和高度，则将长度的特征融合数据和辅助特征数据输入特征求和模块相加，并将得到的特征求和数据作为更新后的长度的特征融合数据；将宽度的特征融合数据和辅助特征数据输入特征求和模块相加，并将得到的特征求和数据作为更新后的宽度的特征融合数据；将高度的特征融合数据和辅助特征数据输入特征求和模块相加，并将得到的特征求和数据作为更新后的高度的特征融合数据。
S206、将更新后的至少两组所述特征融合数据分别输入至少两个所述预测模块，以根据更新后的所述特征融合数据确定所述产品每个尺寸维度的预测结果。
在一种实施方式中，将更新后的至少两组特征融合数据分别输入至少两个预测模块，各预测模块采用预设预测方法根据更新后的特征融合数据确定对应尺寸维度的预测结果。
本公开通过输入层对产品至少两个尺寸维度的原始数据执行分箱操作、编码操作和标准化操作中的至少一种操作，保证了标准原始数据是标准的、可信的及准确的，进而保证最终预测结果的准确性；通过还将至少两组标准原始数据分别输入至少两个特征提取辅助模块进行特征提取，以得到至少两组辅助特征数据，从而增加了多任务预测模型中每一尺寸维度的特征多样性，相应也会提高预测结果的准确度；通过将至少两组尺寸特征数据输入特征拼接模块进行矩阵拼接，得到特征拼接数据，使得矩阵形式的特征拼接数据更容易被后续特征融合模块进行处理；通过将特征融合数据与同一尺寸维度的辅助特征数据输入特征求和模块相加，以得到的特征求和数据更新特征融合数据，并将更新后的至少两组所述特征融合数据分别输入至少两个所述预测模块，以根据更新后的所述特征融合数据确定所述产品每个尺寸维度的预测结果，从而提升了模型的拟合能力，增加了模型的深度，提高了每个尺寸维度的预测结果的准确度。
在上述实施例的基础上，所述特征共享层的数量为两个以上，每个所述特征共享层的输入数据为所述输入层或前一特征共享层的输出数据，所述输出层还包括至少两个特征拼接辅助模块；
相应的，所述方法还包括以下A和B两个步骤：
A、将各特征共享层输出的至少两组特征融合数据分别输入至少两个所述特征拼接辅助模块进行拼接，以得到至少两个辅助特征拼接数据。
其中，特征拼接辅助模块采用concat的方式将输入的各特征融合数据进行矩阵拼接，得到辅助特征拼接数据。
在一种实施方式中，各特征共享层除了将至少两组特征融合数据输入至下一层特征共享层外，还会将至少两组特征融合数据分别输入到输出层中的至少两个特征拼接辅助模块进行拼接，以得到至少两个辅助特征拼接数据。换言之，同一尺寸维度的辅助特征拼接数据包括各特征共享层输出的该尺寸维度的特征融合数据。
B、将至少两个所述辅助特征拼接数据分别输入至少两个所述预测模块，以根据所述辅助特征拼接数据确定所述产品每个尺寸维度的预测结果。
在一种实施方式中，将至少两个辅助特征拼接数据分别输入至少两个预测模块，各预测模块采用预设预测方法根据辅助特征拼接数据确定对应尺寸维度的预测结果。
通过将各特征共享层输出的至少两组特征融合数据分别输入至少两个特征拼接辅助模块进行拼接，以得到至少两个辅助特征拼接数据，并将至少两个辅助特征拼接数据分别输入至少两个预测模块，以根据辅助特征拼接数据确定产品每个尺寸维度的预测结果，由于辅助特征拼接数据包含了各特征共享层输出的特征融合数据，从而更好的表达了尺寸维度的特征，因此根据辅助特征拼接数据确定产品每个尺寸维度的预测结果，能够提高预测结果的准确度。
图3是根据本公开实施例公开的一种多任务预测模型的结构示意图，如图3所示，多任务预测模型300包括输入层301、特征共享层302、特征共享层303和输出层304；其中，特征共享层302包括特征提取模块305～307、特征拼接模块308、特征融合模块309～311、特征提取辅助模块312～314和特征求和模块315～317；特征共享层303包括特征提取模块318～320、特征拼接模块321、特征融合模块322～324、特征提取辅助模块325～327和特征求和模块328～330；输出层304包括特征拼接辅助模块331～333和预测模块334～336。
上述各模块的作用已在方法实施例中进行了描述，此处不再赘述。并且，图3仅是展示了一种可选的多任务预测模型的结构以方便读者理解，而并不是对多任务预测模型的结构进行任何限定。
图4是根据本公开实施例公开的一种基于多任务预测模型的数据处理装置的结构示意图，可以适用于同时预测产品多个维度的尺寸的情况。本实施例装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。
如图4所示，本实施例公开的基于多任务预测模型的数据处理装置40可以包括预处理模块41、尺寸特征数据获取模块42、特征拼接数据获取模块43、特征融合数据获取模块44和预测结果确定模块45，其中：
预处理模块41，用于通过所述输入层对产品至少两个尺寸维度的原始数据分别执行预处理操作，以得到至少两组标准原始数据；
尺寸特征数据获取模块42，用于将至少两组所述标准原始数据分别输入至少两个所述特征提取模块，对所述标准原始数据进行特征提取，以得到至少两组尺寸特征数据；
特征拼接数据获取模块43，用于将至少两组所述尺寸特征数据输入所述特征拼接模块进行拼接，以得到特征拼接数据；
特征融合数据获取模块44，用于将所述特征拼接数据分别输入至少两个所述特征融合模块，分别对所述特征拼接数据进行特征融合，以得到至少两组特征融合数据；
预测结果确定模块45，用于将至少两组所述特征融合数据分别输入至少两个所述预测模块，以根据所述特征融合数据确定所述产品每个尺寸维度的预测结果。
可选的，所述特征提取模块的网络结构为全连接神经网络，所述尺寸特征数据获取模块42，具体用于：
每个所述特征提取模块通过如下公式得到尺寸特征数据：
F1＝σ1(W1x1+b1)
其中，F1表示尺寸特征数据，x1表示标准原始数据，W1表示所述特征提取模块的网络权重，b1表示所述特征提取模块的网络偏置项，σ1()表示所述特征提取模块的激活函数。
可选的，所述特征拼接数据获取模块43，具体用于：
将至少两组所述尺寸特征数据输入所述特征拼接模块进行矩阵拼接，得到特征拼接数据。
可选的，各所述特征融合模块之间的模型参数不同。
可选的，所述特征融合模块的网络结构为全连接神经网络，所述特征融合数据获取模块44，具体用于：
每个所述特征融合模块通过如下公式得到特征融合数据：
F2＝σ2(W2x2+b2)
其中，F2表示特征融合数据，x2表示特征拼接数据，W2表示所述特征融合模块的网络权重，b2表示所述特征融合模块的网络偏置项，σ2()表示所述特征融合模块的激活函数。
可选的，所述预测模块的网络结构为全连接神经网络，所述预测结果确定模块45，具体用于：
每个所述预测模块通过如下公式确定所述产品每个尺寸维度的预测结果：
F3＝σ3(W3x3+b3)
其中，F3表示所述产品对应每个尺寸维度的预测结果，x3表示特征融合数据，W3表示所述预测模块的网络权重，b3表示所述预测模块的网络偏置项，σ3()表示所述预测模块的激活函数。
可选的，所述特征共享层还包括至少两个特征提取辅助模块和至少两个特征求和模块，所述装置还包括特征融合数据更新模块，具体用于：
将至少两组所述标准原始数据分别输入至少两个所述特征提取辅助模块进行特征提取，以得到至少两组辅助特征数据；
将所述特征融合数据与同一尺寸维度的辅助特征数据输入所述特征求和模块相加，以得到的特征求和数据更新所述特征融合数据。
可选的，所述特征共享层的数量为两个以上，每个所述特征共享层的输入数据为所述输入层或前一特征共享层的输出数据，所述输出层还包括至少两个特征拼接辅助模块；
相应的，所述装置还包括辅助特征拼接数据确定模块，具体用于：
将各特征共享层输出的至少两组特征融合数据分别输入至少两个所述特征拼接辅助模块进行拼接，以得到至少两个辅助特征拼接数据；
将至少两个所述辅助特征拼接数据分别输入至少两个所述预测模块，以根据所述辅助特征拼接数据确定所述产品每个尺寸维度的预测结果。
可选的，所述预处理模块41，具体用于：
通过所述输入层对产品至少两个尺寸维度的原始数据执行分箱操作、编码操作和标准化操作中的至少一种操作。
本公开实施例所公开的基于多任务预测模型的数据处理装置40可执行本公开实施例所公开的基于多任务预测模型的数据处理方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
…
根据本公开的实施例，本公开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。
图5示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如基于多任务预测模型的数据处理方法。例如，在一些实施例中，基于多任务预测模型的数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的基于多任务预测模型的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于多任务预测模型的数据处理方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、区块链网络和互联网。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (21)
1.一种基于多任务预测模型的数据处理方法，其中，所述多任务预测模型包括输入层、至少一层特征共享层和输出层，所述特征共享层包括至少两个特征提取模块、特征拼接模块、和至少两个特征融合模块，所述输出层包括至少两个预测模块；所述方法包括：
通过所述输入层对产品至少两个尺寸维度的原始数据分别执行预处理操作，以得到至少两组标准原始数据；
将至少两组所述标准原始数据分别输入至少两个所述特征提取模块，对所述标准原始数据进行特征提取，以得到至少两组尺寸特征数据；
将至少两组所述尺寸特征数据输入所述特征拼接模块进行拼接，以得到特征拼接数据；
将所述特征拼接数据分别输入至少两个所述特征融合模块，分别对所述特征拼接数据进行特征融合，以得到至少两组特征融合数据；
将至少两组所述特征融合数据分别输入至少两个所述预测模块，以根据所述特征融合数据确定所述产品每个尺寸维度的预测结果；其中，各所述预测模块采用预设预测方法根据特征融合数据确定对应尺寸维度的预测结果。
2.根据权利要求1所述的方法，其中，所述特征提取模块的网络结构为全连接神经网络，每个所述特征提取模块对所述标准原始数据进行特征提取具体包括：
每个所述特征提取模块通过如下公式得到尺寸特征数据：
F1＝σ1(W1x1+b1)
其中，F1表示尺寸特征数据，x1表示标准原始数据，W1表示所述特征提取模块的网络权重，b1表示所述特征提取模块的网络偏置项，σ1()表示所述特征提取模块的激活函数。
3.根据权利要求1所述的方法，其中，将至少两组所述尺寸特征数据输入所述特征拼接模块进行拼接，以得到特征拼接数据包括：
将至少两组所述尺寸特征数据输入所述特征拼接模块进行矩阵拼接，得到特征拼接数据。
4.根据权利要求1所述的方法，其中，各所述特征融合模块之间的模型参数不同。
5.根据权利要求4所述的方法，其中，所述特征融合模块的网络结构为全连接神经网络，每个所述特征融合模块对所述特征拼接数据进行特征融合具体包括：
通过如下公式得到特征融合数据：
F2＝σ2(W2x2+b2)
其中，F2表示特征融合数据，x2表示特征拼接数据，W2表示所述特征融合模块的网络权重，b2表示所述特征融合模块的网络偏置项，σ2()表示所述特征融合模块的激活函数。
6.根据权利要求1所述的方法，其中，所述预测模块的网络结构为全连接神经网络，每个所述预测模块根据所述特征融合数据确定所述产品每个尺寸维度的预测结果具体包括：
通过如下公式确定所述产品每个尺寸维度的预测结果：
F3＝σ3(W3x3+b3)
其中，F3表示所述产品对应每个尺寸维度的预测结果，x3表示特征融合数据，W3表示所述预测模块的网络权重，b3表示所述预测模块的网络偏置项，σ3()表示所述预测模块的激活函数。
7.根据权利要求1所述的方法，其中，所述特征共享层还包括至少两个特征提取辅助模块和至少两个特征求和模块，所述方法还包括：
将至少两组所述标准原始数据分别输入至少两个所述特征提取辅助模块进行特征提取，以得到至少两组辅助特征数据；
将所述特征融合数据与同一尺寸维度的辅助特征数据输入所述特征求和模块相加，以得到的特征求和数据更新所述特征融合数据。
8.根据权利要求1所述的方法，其中，所述特征共享层的数量为两个以上，每个所述特征共享层的输入数据为所述输入层或前一特征共享层的输出数据，所述输出层还包括至少两个特征拼接辅助模块；
相应的，所述方法还包括：
将各特征共享层输出的至少两组特征融合数据分别输入至少两个所述特征拼接辅助模块进行拼接，以得到至少两个辅助特征拼接数据；
将至少两个所述辅助特征拼接数据分别输入至少两个所述预测模块，以根据所述辅助特征拼接数据确定所述产品每个尺寸维度的预测结果。
9.根据权利要求1所述的方法，其中，通过所述输入层对产品至少两个尺寸维度的原始数据分别执行预处理操作，包括：
通过所述输入层对产品至少两个尺寸维度的原始数据执行分箱操作、编码操作和标准化操作中的至少一种操作。
10.一种基于多任务预测模型的数据处理装置，其中，所述多任务预测模型包括输入层、至少一层特征共享层和输出层，所述特征共享层包括至少两个特征提取模块、特征拼接模块、和至少两个特征融合模块，所述输出层包括至少两个预测模块；所述装置包括：
预处理模块，用于通过所述输入层对产品至少两个尺寸维度的原始数据分别执行预处理操作，以得到至少两组标准原始数据；
尺寸特征数据获取模块，用于将至少两组所述标准原始数据分别输入至少两个所述特征提取模块，对所述标准原始数据进行特征提取，以得到至少两组尺寸特征数据；
特征拼接数据获取模块，用于将至少两组所述尺寸特征数据输入所述特征拼接模块进行拼接，以得到特征拼接数据；
特征融合数据获取模块，用于将所述特征拼接数据分别输入至少两个所述特征融合模块，分别对所述特征拼接数据进行特征融合，以得到至少两组特征融合数据；
预测结果确定模块，用于将至少两组所述特征融合数据分别输入至少两个所述预测模块，以根据所述特征融合数据确定所述产品每个尺寸维度的预测结果；其中，各所述预测模块采用预设预测方法根据特征融合数据确定对应尺寸维度的预测结果。
11.根据权利要求10所述的装置，其中，所述特征提取模块的网络结构为全连接神经网络，所述尺寸特征数据获取模块，具体用于：
每个所述特征提取模块通过如下公式得到尺寸特征数据：
F1＝σ1(W1x1+b1)
其中，F1表示尺寸特征数据，x1表示标准原始数据，W1表示所述特征提取模块的网络权重，b1表示所述特征提取模块的网络偏置项，σ1()表示所述特征提取模块的激活函数。
12.根据权利要求10所述的装置，其中，所述特征拼接数据获取模块，具体用于：
将至少两组所述尺寸特征数据输入所述特征拼接模块进行矩阵拼接，得到特征拼接数据。
13.根据权利要求10所述的装置，其中，各所述特征融合模块之间的模型参数不同。
14.根据权利要求13所述的装置，其中，所述特征融合模块的网络结构为全连接神经网络，所述特征融合数据获取模块，具体用于：
每个所述特征融合模块通过如下公式得到特征融合数据：
F2＝σ2(W2x2+b2)
其中，F2表示特征融合数据，x2表示特征拼接数据，W2表示所述特征融合模块的网络权重，b2表示所述特征融合模块的网络偏置项，σ2()表示所述特征融合模块的激活函数。
15.根据权利要求10所述的装置，其中，所述预测模块的网络结构为全连接神经网络，所述预测结果确定模块，具体用于：
每个所述预测模块通过如下公式确定所述产品每个尺寸维度的预测结果：
F3＝σ3(W3x3+b3)
其中，F3表示所述产品对应每个尺寸维度的预测结果，x3表示特征融合数据，W3表示所述预测模块的网络权重，b3表示所述预测模块的网络偏置项，σ3()表示所述预测模块的激活函数。
16.根据权利要求10所述的装置，其中，所述特征共享层还包括至少两个特征提取辅助模块和至少两个特征求和模块，所述装置还包括特征融合数据更新模块，具体用于：
将至少两组所述标准原始数据分别输入至少两个所述特征提取辅助模块进行特征提取，以得到至少两组辅助特征数据；
将所述特征融合数据与同一尺寸维度的辅助特征数据输入所述特征求和模块相加，以得到的特征求和数据更新所述特征融合数据。
17.根据权利要求10所述的装置，其中，所述特征共享层的数量为两个以上，每个所述特征共享层的输入数据为所述输入层或前一特征共享层的输出数据，所述输出层还包括至少两个特征拼接辅助模块；
相应的，所述装置还包括辅助特征拼接数据确定模块，具体用于：
将各特征共享层输出的至少两组特征融合数据分别输入至少两个所述特征拼接辅助模块进行拼接，以得到至少两个辅助特征拼接数据；
将至少两个所述辅助特征拼接数据分别输入至少两个所述预测模块，以根据所述辅助特征拼接数据确定所述产品每个尺寸维度的预测结果。
18.根据权利要求10所述的装置，其中，所述预处理模块，具体用于：
通过所述输入层对产品至少两个尺寸维度的原始数据执行分箱操作、编码操作和标准化操作中的至少一种操作。
19.一种电子设备，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1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品，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1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110257360.XA CN112990289B (zh) | 2021-03-09 | 2021-03-09 | 基于多任务预测模型的数据处理方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110257360.XA CN112990289B (zh) | 2021-03-09 | 2021-03-09 | 基于多任务预测模型的数据处理方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112990289A CN112990289A (zh) | 2021-06-18 |
| CN112990289B true CN112990289B (zh) | 2024-04-19 |
Family
ID=76334680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110257360.XA Active CN112990289B (zh) | 2021-03-09 | 2021-03-09 | 基于多任务预测模型的数据处理方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990289B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114882884B (zh) * | 2022-07-06 | 2022-09-23 | 深圳比特微电子科技有限公司 | 一种基于深度学习模型的多任务实现方法、装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633707A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 预测速度的方法和装置 |
| CN111860695A (zh) * | 2020-08-03 | 2020-10-30 | 上海高德威智能交通系统有限公司 | 一种数据融合、目标检测方法、装置及设备 |
| CN111898539A (zh) * | 2020-07-30 | 2020-11-06 | 国汽(北京)智能网联汽车研究院有限公司 | 一种多目标检测方法、装置、系统、设备及可读存储介质 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
-
2021
- 2021-03-09 CN CN202110257360.XA patent/CN112990289B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633707A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 预测速度的方法和装置 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN111898539A (zh) * | 2020-07-30 | 2020-11-06 | 国汽(北京)智能网联汽车研究院有限公司 | 一种多目标检测方法、装置、系统、设备及可读存储介质 |
| CN111860695A (zh) * | 2020-08-03 | 2020-10-30 | 上海高德威智能交通系统有限公司 | 一种数据融合、目标检测方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于改进YOLOv3的木结缺陷检测方法研究;岳慧慧;白瑞林;;自动化仪表(03);全文 * |
| 多尺度融合dropout优化算法;钟忺;陈恩晓;罗瑞奇;卢炎生;;华中科技大学学报(自然科学版)(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112990289A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113239705B (zh) | 语义表示模型的预训练方法、装置、电子设备和存储介质 | |
| CN113553864A (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
| CN112560985B (zh) | 神经网络的搜索方法、装置及电子设备 | |
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN111640425A (zh) | 一种模型训练和意图识别方法、装置、设备及存储介质 | |
| CN112883149A (zh) | 一种自然语言处理方法以及装置 | |
| CN112580732A (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
| CN114782719B (zh) | 一种特征提取模型的训练方法、对象检索方法以及装置 | |
| CN115631381A (zh) | 分类模型训练方法、图像分类方法、装置及电子设备 | |
| CN112990289B (zh) | 基于多任务预测模型的数据处理方法、装置、设备和介质 | |
| CN112966744A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
| CN113240177B (zh) | 训练预测模型的方法、预测方法、装置、电子设备及介质 | |
| CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
| CN115759209B (zh) | 神经网络模型的量化方法、装置、电子设备及介质 | |
| CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
| CN109214544B (zh) | 寿命预测及维护决策方法和装置、以及存储介质、计算机 | |
| CN112784967B (zh) | 信息处理方法、装置以及电子设备 | |
| CN113516185B (zh) | 模型训练的方法、装置、电子设备及存储介质 | |
| CN116341634A (zh) | 神经结构搜索模型的训练方法、装置及电子设备 | |
| CN112966513B (zh) | 用于实体链接的方法和装置 | |
| CN112966140B (zh) | 字段识别方法、装置、电子设备、存储介质和程序产品 | |
| CN113961765A (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
| CN114707643A (zh) | 一种模型切分方法及其相关设备 | |
| CN113222414A (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
| CN113362428B (zh) | 用于配置颜色的方法、装置、设备、介质和产品 |
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 |