CN113032117A - 深度学习框架的训练方法、装置及存储介质 - Google Patents
深度学习框架的训练方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113032117A CN113032117A CN202110266288.7A CN202110266288A CN113032117A CN 113032117 A CN113032117 A CN 113032117A CN 202110266288 A CN202110266288 A CN 202110266288A CN 113032117 A CN113032117 A CN 113032117A
- Authority
- CN
- China
- Prior art keywords
- task
- training
- deep learning
- node
- task node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
-
- 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
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
-
- 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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
-
- 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
- G06F9/52—Program synchronisation; Mutual exclusion, e.g. by means of semaphores
-
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/48—Indexing scheme relating to G06F9/48
- G06F2209/485—Resource constraint
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5022—Workload threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/503—Resource availability
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Machine Translation (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本公开公开了一种深度学习框架的训练方法、装置及存储介质,涉及深度学习、大数据处理等人工智能领域。具体实现方案为:在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点;判断至少一个任务节点的节点数量是否大于等于预设数量;若节点数量大于预设数量,则至少一个任务节点根据样本数据,同步训练目标任务的深度学习框架;在目标任务满足训练完成条件时,获取同步训练的目标深度学习框架。由此,实现了深度学习框架的自动弹性训练,在保证训练效果的前提下,提高了训练效率,降低了人力成本。
Description
技术领域
本公开涉及深度学习、大数据处理等技术领域,尤其涉及一种深度学习框架的训练方法、装置及存储介质。
背景技术
随着计算机技术的应用,深度学习技术在有监督学习领域取得了巨大的成功,其中,在深度学习的模型框架训练时,为了解决获取大规模有标签数据代价昂贵的问题,无监督技术开始逐渐被人们重视起来。在众多的无监督学习技术中,对比学习在近一年内展现了非凡的潜力,甚至在很多任务上的指标已经可以逼近有监督学习的效果。具体到视觉领域,对深度模型框架的训练期望通过某些预训练任务学习到一种对图像的表示,然后将学习到的表示直接应用到具体的任务上。
然而,实际的训练中,任务都是提交集群作业运行的,多人共享一批机器资源。如果预训练任务长期占用集群资源,将会导致其他用户的调研任务、或者一些高优先级的任务无法执行。而且,即便我们的任务提交成功了,还要频繁的观察是否执行失败,如果发现失败,需要手动重提任务,训练的效率十分低下。
发明内容
本公开提供了一种用于降低集群中任务训练的人力投入,以及提高训练效率的深度学习框架的训练方法、装置及存储介质。
根据本公开的一方面,提供了一种深度学习框架的训练方法,包括:在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点;判断所述至少一个任务节点的节点数量是否大于预设数量;若所述节点数量大于所述预设数量,则所述至少一个任务节点根据样本数据,同步训练所述目标任务的深度学习框架;在所述目标任务满足训练完成条件时,获取同步训练的目标深度学习框架。
根据本公开的另一方面,提供了一种深度学习框架的训练装置,包括:第一获取模块,用于在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点;判断模块,用于判断所述至少一个任务节点的节点数量是否大于预设数量;训练模块,用于在所述节点数量大于所述预设数量时,所述至少一个任务节点根据样本数据,同步训练所述目标任务的深度学习框架;第二获取模块,用于在所述目标任务满足训练完成条件时,获取同步训练的目标深度学习框架
根据本公开的又一方面,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第一方面实施例的深度学习框架的训练方法。
根据本公开的再一方面,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第一方面实施例的深度学习框架的训练方法。
根据本公开的还一方面,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第一方面实施例的深度学习框架的训练方法。
本公开的实施例,至少具有如下技术效果:
在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点,进而,判断至少一个任务节点的节点数量是否大于预设数量,若大于预设数量,则根据至少一个任务节点根据样本数据同步训练目标任务的深度学习框架,最后,在目标任务满足训练完成条件时,获取同步训练的目标深度学习框架。由此,实现了深度学习框架的自动弹性训练,在保证训练效果的前提下,提高了训练效率,降低了人力成本。
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是根据本公开第一实施例的深度学习框架的训练方法的流程示意图;
图2是根据本公开第二实施例的目标任务训练的状态示意图;
图3是根据本公开第三实施例的深度学习框架的训练方法的流程示意图;
图4是根据本公开第四实施例的深度学习框架的训练方法的流程示意图;
图5是根据本公开第五实施例的深度学习框架的训练装置的结构示意图;
图6是根据本公开第六实施例的深度学习框架的训练装置的结构示意图;
图7是用来实现本公开实施例的深度学习框架的训练的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。
为了解决上述背景技术中提到的,深度学习框架在集群资源中训练时,需要人工监测训练状态导致人工成本较高,以及,训练任务可能会影响其他任务长期占用集群资源,导致的高优先级任务无法执行问题,本公开提出了一种深度学习模型的深度学习框架的弹性训练方式。在集群资源空闲的情况下,自动进行我们预训练任务的执行,无需人为监测。在有更高优先级任务时杀掉我们的任务,避免影响其他高优先级任务的执行。
具体而言,图1是根据本公开一个实施例的深度学习框架的训练方法的流程图,如图1所示,该方法包括:
步骤101,在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点。
其中,目标任务可以为任意用于深度学习对深度学习框架的训练的任务,包括对图像类别的识别、对药品的标签分类、对图像的语义识别等。
当前任务节点集群不难理解的是,集群资源中可能承载了大量的训练任务,而目标任务的训练执行需要一定的资源,因此,为了确保目标任务可以执行,获取当前任务节点集群中满足预设开启条件的至少一个任务节点,其中,集群中的每个节点可以理解为机器资源,该机器资源可以用于根据样本数据对深度学习框架的训练。
步骤102,判断至少一个任务节点的节点数量是否大于预设数量。
其中,预设数量可以是根据目标任务的训练任务量确定的,在一些可能的实施例中,可以预先根据实验数据训练得到深度学习模型,该深度学习模型的输入为目标任务的任务类型,输出为预设数量,从而,可以根据该深度学习模型得到对应的任务类型。
应当理解的是,当存在较少的任务节点时,显然无法承载目标任务的训练强度,因此,判断至少一个任务节点的节点数量是否大于等于预设数量。
步骤103,若节点数量大于预设数量,则至少一个任务节点根据样本数据,同步训练目标任务的深度学习框架。
在本实施例中,如大于预设数量,则表明可以启动目标任务,根据满足条件的所有任务节点同步训练任务的深度学习框架。
其中,深度学习框架可以为任意形式的深度学习模型的初始架构,可以包括卷积层、池化层、全连接层等。
应当理解的是,不同节点的样本数据获取渠道以及获取时间等可以不同,由此,不同的任务节点在训练时采用的样本数据导致训练结果不同,因此,为了保证训练效果的全面性,在本公开的实施例中,根据满足条件的所有任务节点同步训练任务的深度学习框架,即将所有的任务节点的训练结果进行同步。
在本公开的一个实施例中,在每个任务节点中训练深度学习框架,根据预设周期读取每个周期每个任务节点中的深度学习框架的框架参数。该框架参数可以理解为深度学习模型的模型参数等,确定第一均值,第一均值为所有任务节点的框架参数的均值,根据第一均值同步每个任务节点中的深度学习框架,由此,实现了不同任务节点之间的训练的同步。
在本公开的另一个实施例中,将深度学习框架分为多个训练阶段,在每个训练阶段达到时,获取每个任务节点中针对该训练阶段的框架参数,对该阶段的框架参数求均值后实现每个训练阶段的同步。
步骤104,在目标任务满足训练完成条件时,获取同步训练的目标深度学习框架。
其中,在一些可能的实施例中,若是接收到用户发送的训练任务完成条件,则认为目标任务满足训练完成条件;在另一些可能的实施例中,在每个任务节点中,根据损失函数计算深度学习框架的损失值,当所有任务节点的损失值均小于预设阈值时,则认为目标任务满足训练完成条件。
在目标任务满足训练完成条件时,由于所有的任务节点是同步训练的,因此,获取所有任务节点同步训练的目标深度学习框架,该目标深度学习框架是同步了所有任务节点的训练结果,进而,根据目标深度学习框架进行任意需要目标深度学习框架的场景中,比如,通过目标深度学习框架进行图像语义的识别;比如,通过目标深度学习框架进行图像分类;比如,通过目标深度学习框架进行医学等领域中药品标签的确定等。
下面结合具体的应用场景示例性说明,在具体应用场景中训练深度学习框架的过程:
示例一:
在本示例中,通过目标深度学习框架进行图像语义的识别。
具体而言,根据图像语义的识别需求确定训练开始条件,在本示例中,训练开始条件为空闲状态的节点,预设数量大于5个,则在当前任务节点集群中空闲状态的节点数量大于等于5个时,确定空闲状态的节点为任务节点。
进而,在每个任务节点开始训练图像语义识别的深度学习框架,每个任务节点训练样本图像可以线上获取,也可以从该任务节点的本地读取,各个任务节点的训练样本图像不完全相同,采用无监督训练方式使得每个任务节点的深度学习框架学习得到图像语义对应的框架参数,并且,在本实施例中,每隔一段时间,计算所有任务节点的框架参数的均值,根据均值同步每个任务节点中的深度学习框架。
在本实施例中,根据损失函数计算最后一次同步的深度学习框架的语义损失值,比如,将标注标准语义的参考训练图像输入最后一次同步的深度学习框架,获取该最后一次同步的深度学习框架输出的参考语义,计算参考语义和标准语义的语义损失值,当损失值均小于预设阈值时,则认为该最后一次同步的深度学习框架为可以用来对图像语义识别的目标深度学习框架。
得到训练好的目标深度学习框架后,将待识别语义的图像输入该深度学习框架,可以获取该目标深度学习框架输出的图像语义。
示例二:
在本示例中,通过目标深度学习框架进行药品类别的类别标签的确定。
具体而言,根据类别标签的确定训练开始条件,在本示例中,训练开始条件为空闲状态的节点,预设数量大于20个,则在当前任务节点集群中空闲状态的节点数量大于等于20个时,确定空闲状态的节点为任务节点。
进而,在每个任务节点开始训练药品类别的类别标签的深度学习框架,每个任务节点训练样本数据可以线上获取,也可以从该任务节点的本地读取,其中,训练样本数据可以为各种药品的药品成分、药品生产厂家信息等,各个任务节点的训练样本数据不完全相同,采用无监督训练方式使得每个任务节点的深度学习框架学习得到类别识别对应的框架参数,并且,在本实施例中,每隔一段时间,计算所有任务节点的框架参数的均值,根据均值同步每个任务节点中的深度学习框架。
在本实施例中,根据损失函数计算最后一次同步的深度学习框架的类别标签损失值,比如,将标注标准类别标签的参考药品信息输入最后一次同步的深度学习框架,获取该最后一次同步的深度学习框架输出的参考类别标签,计算参考类别标签和标准类别标签的类别标签损失值,当损失值均小于预设阈值时,则认为该最后一次同步的深度学习框架为可以用来对药品的类别标签识别的目标深度学习框架。
得到训练好的目标深度学习框架后,将待识别类别标签的药品信息输入该深度学习框架,可以获取该目标深度学习框架输出的类别标签。由此,上述训练过程全程实现训练自动化,无需用户监测集群资源以及人物状态等,降低了训练的人力成本,提高了训练效率。
综上,本公开实施例的深度学习框架的训练方法,在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点,进而,判断至少一个任务节点的数量是否大于预设数量,若大于预设数量,则至少一个任务节点根据样本数据,同步训练目标任务的深度学习框架,最后,在目标任务满足训练完成条件时,获取任务节点同步训练的目标深度学习框架。由此,实现了深度学习框架的自动弹性训练,在保证训练效果的前提下,提高了训练效率,降低了人力成本。
需要说明的是,在不同的应用场景中,目标任务对应的训练开始条件,以及至少一个任务节点对应的预设开启条件不同,首先,示例说明目标任务对应的训练开始条件,说明如下:
示例一:
在本发明的一个实施例中,为了便于对目标任务的训练的自动化管理,设置任务的四种状态,如图2所示,任务训练的四种状态包括:激活,等待,运行,结束,他们之间的转换关系参照图2,每个任务的初始状态都是“激活”,当在集群资源中训练时,任务的状态为运行,运行状态即表示任务在正常运行,当它被中断、被抢占、因为机器故障或者其他原因失败的情况下,会转换到等待状态,在等待状态时,当集群资源再次满足训练开始的有关要求,训练任务再次转为运行状态,当整个任务顺利完成训练之后,会转为结束状态,表示训练完成。
因此,在本实施例中,目标任务满足训练开始条件,可以是目标任务被启动至激活状态,或者是,目标任务处于等待状态。
在本实施中,为了保证每个任务节点在进入等待状态后,仍旧保留之前的训练结果,任务在训练时,会每隔一段时间保存对应的深度学习框架的框架参数等,以便于在等待状态时,当机器资源再次满足,会自动从最近一次保存出来的框架参数热启动进行下一次训练,训练任务再次转为运行状态。
示例二:
在本实施例中,提供人为触发训练开始接口,当接收到用户语音信息中包含目标任务开始训练的关键字,或者是,用户触发预设的训练开始控件时,确定目标任务满足训练开始条件。
示例三:
在本示例中,为了不会阻碍其他高优任务的进行,只有在没有高等级的任务需要执行时,才任务满足训练开始条件。
在本实施例中,监测当前任务节点集群中待执行任务的优先等级,若优先等级小于预设等级,则确定目标任务满足训练开始条件。
不难理解的是,集群资源中可能承载了大量的训练任务,而目标任务的训练执行需要一定的资源,因此,为了确保目标任务可以执行,获取当前任务节点集群中满足预设开启条件的至少一个任务节点,其中,集群中的每个节点可以理解为机器资源,该机器资源可以用于根据样本数据对深度学习框架的训练。
其次,示例说明,至少一个任务节点对应的预设开启条件,示例说明如下:
示例一:
在本示例中,预设开启条件为节点状态为空闲状态。
在本示例中,确定当前任务节点集群中每个节点的节点状态,该节点状态可以包括任务执行状态以及空闲状态等,在本实施例中,确定节点状态为空闲状态的节点为满足预设开启条件的任务节点。
在本实施例中,可以向每个节点发送状态位的查询请求,根据每个节点的反馈信息,确定每个节点的节点状态。
示例二:
在本示例中,预设开启条件为空闲资源量大于一定值。
在本实施例中,确定当前任务节点集群中每个节点的空闲资源量,比如,空闲内存量,比如,当每个节点也是一个子集群时,空闲资源量为每个节点中空闲的字节点的数量等。
进而,确定空闲资源量大于预设阈值的节点为满足预设开启条件的任务节点,其中,预设阈值可以根据目标任务的训练量确定。
综上,本公开实施例的深度学习框架的训练方法,根据场景需要,灵活采用不同的方式确定与目标任务对应的任务节点,进一步提升了目标任务训练的自动化。
由于自监督方案采取的都是数据并行策略,所以对一个任务来说,使用的节点数量越多,意味着并行度越大,那么训练的耗时也就越短。
需要注意的是,在有监督训练中,因为在训练深度神经网络时,需要在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布的训练要求存在,所以如果在训练过程中增减节点数量,会导致统计量产生波动,使得训练不稳定,效果有损。而在自监督训练的上述几个方案中,上述训练要求都是全局的,所以增减节点对效果完全没有影响。这一点是我们设计的弹性训练模块的理论保证。
在本发明的一个实施例中,设置自动弹性预训练框架,能够充分利用集群的空闲资源完成自监督训练这种非常耗时的任务。更重要的,上述训练要求的全局化要求,使得多个任务节点之间训练的框架参数同步,从而保证了弹性训练是效果无损的。而且,自动探测重提机制,能够让调研者不必经常查看任务状态,解放人力做更有意义的事情。
具体而言,图3是根据本公开一个实施例的深度学习框架的训练方法的流程图,如图3所示,在上述步骤中的获取到任务的训练完成指令时之前,该方法还包括:
步骤301,监测当前任务节点集群中是否包含满足预设开启条件的其他任务节点。
在本实施例中,在节点训练过程中,即任务在训练过程中,即处于运行状态时,如果发现集群有了更多的空闲节点,也可以直接“弹”出去,以使用更多数量的节点来充分利用集群资源加速训练。或者,是在任务节点由等待状态进入运行状态时,监测当前任务节点集群中是否包含满足预设开启条件的其他任务节点。
步骤302,若存在其他任务节点,则其他任务节点和至少一个任务节点根据样本数据,同步训练目标任务的深度学习框架。
在本实施例中,若是存在其他节点,则其他任务节点和至少一个任务节点根据样本数据同步训练深度学习框架。比如,某个任务,第一次训练使用了4个任务节点;随后因为被抢占进入了等待状态;当再次满足目标任务的训练开始条件的时候,有了8个空闲的任务节点,那么此时我们会自动为该任务分配8个任务节点,从而达到弹性的目的。
在本公开的实施例中,其他任务节点并非从深度学习框架的初始状态训练,而是从任务节点已经训练的状态训练,如图4所示,根据其他任务节点和至少一个任务节点同步训练深度学习框架,包括:
步骤401,获取至少一个任务节点中深度学习框架的当前框架参数。
可以理解的是,每个任务节点中的深度学习框架的框架参数都是当前任务节点已经训练后的成果。
步骤402,确定第二均值,第二均值为所有当前框架参数的均值。
步骤403,其他任务节点和至少一个任务节点根据第二均值更新深度学习框架的框架参数。
在本实施例中,计算所有任务节点的框架参数的第二均值,根据第二均值更新深度学习框架的框架参数,从而获取更新后的参考框架参数,该参考框架参数包含了所有任务节点的当前训练结果。
在本实施例中,根据其他任务节点和至少一个任务节点训练目标任务的深度学习框架,提高了目标任务的训练效率。
当然,在本公开的一个实施例中,为了降低对节点的占用率,还可以根据目标任务的训练量设置其他节点的上限,当其他节点的数量大于该上限后,在满足预设条件的任务节点中随机选择上限对应的数量的节点作为其他节点。
综上,本公开实施例的深度学习框架的训练方法,采用自动弹性预训练框架,能够充分利用集群的空闲资源完成自监督训练这种非常耗时的任务,在保证训练效果的同时提升了训练效率。
为了实现上述实施例,本公开还提出了一种深度学习框架的训练装置。图5是根据本公开一个实施例的深度学习框架的训练装置的结构示意图,如图5所示,该装置包括:第一获取模块510、判断模块520、训练模块530和第二获取模块540,其中,
第一获取模块510,用于在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点;
判断模块520,用于判断至少一个任务节点的节点数量是否大于等于预设数量;
训练模块530,用于在节点数量大于预设数量时,根据至少一个任务节点根据样本数据,同步训练目标任务的深度学习框架;
第二获取模块540,用于在目标任务满足训练完成条件时,获取同步训练的目标深度学习框架。
在本公开的一个实施例中,第一获取模块510,具体用于:
确定当前任务节点集群中每个节点的节点状态;
确定节点状态为空闲状态条件的节点,为满足预设开启条件的至少一个任务节点。
在本公开的一个实施例中,第一获取模块510,具体用于:
确定当前任务节点集群中每个节点的空闲资源量;
确定空闲资源量大于预设阈值条件的节点,为满足预设开启条件的至少一个任务节点。
在本公开的一个实施例中,训练模块530,具体用于:
在每个任务节点中训练深度学习框架;
根据预设周期读取每个周期每个任务节点中的深度学习框架的框架参数;
确定第一均值,第一均值为所有任务节点的框架参数的均值,根据第一均值同步每个任务节点中的深度学习框架。
需要说明的是,前述对深度学习框架的训练方法的解释说明,也适用于本公开实施例的深度学习框架的训练装置,其实现原理类似,在此不再赘述。
综上,本公开实施例的深度学习框架的训练装置,在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点,进而,判断至少一个任务节点的数量是否大于预设数量,若大于预设数量,则至少一个任务节点根据样本数据同步训练目标任务的深度学习框架,最后,在目标任务满足训练完成条件时,获取至少一个任务节点同步训练的目标深度学习框架。由此,实现了深度学习框架的自动弹性训练,在保证训练效果的前提下,提高了训练效率,降低了人力成本。
在本公开的一个实施例中,如图6所示,深度学习框架的训练装置包括:第一获取模块610、判断模块620、训练模块630、第二获取模块640和监测模块650,其中,第一获取模块610、判断模块620、训练模块630、第二获取模块640与上述实施例中的第一获取模块510、判断模块520、训练模块530和第二获取模块540功能相同,在此不再赘述。
在本实施例中,监测模块650,用于监测当前任务节点集群中是否包含满足预设开启条件的其他任务节点;
训练模块630,还用于其他任务节点和至少一个任务节点根据样本数据,同步训练目标任务的深度学习框架。
在本公开的一个实施例中,训练模块630,具体用于:
获取至少一个任务节点的每个任务节点中深度学习框架的当前框架参数;
计算所有当前框架参数的第二均值;
根据第二均值,第二均值为所有当前框架参数的均值;
其他任务节点和至少一个任务节点根据第二均值更新深度学习框架的框架参数。
在本公开的一个实施例中,第一获取模块510,具体用于:
监测当前任务节点集群中待执行任务的优先等级;
在优先等级小于预设等级时,确定目标任务满足训练开始条件。
需要说明的是,前述对深度学习框架的训练方法的解释说明,也适用于本公开实施例的深度学习框架的训练装置,其实现原理类似,在此不再赘述。
综上,本公开实施例的深度学习框架的训练装置,采用自动弹性预训练框架,能够充分利用集群的空闲资源完成自监督训练这种非常耗时的任务,在保证训练效果的同时提升了训练效率。
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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如方法深度学习框架的训练。例如,在一些实施例中,方法深度学习框架的训练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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的方法深度学习框架的训练的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法深度学习框架的训练。
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)、互联网和区块链网络。
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("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
服务器也可以为分布式系统的服务器,或者是,结合了区块链的服务器。
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 (17)
1.一种深度学习框架的训练方法,包括:
在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点;
判断所述至少一个任务节点的节点数量是否大于预设数量;
若所述节点数量大于所述预设数量,则所述至少一个任务节点根据样本数据,同步训练所述目标任务的深度学习框架;
在所述目标任务满足训练完成条件时,获取同步训练的目标深度学习框架。
2.如权利要求1所述的方法,其中,所述获取当前任务节点集群中满足预设开启条件的至少一个任务节点,包括:
确定所述当前任务节点集群中每个节点的节点状态;
确定所述节点状态为空闲状态条件的节点,为所述满足预设开启条件的至少一个任务节点。
3.如权利要求1所述的方法,其中,所述获取当前任务节点集群中满足预设开启条件的至少一个任务节点,包括:
确定所述当前任务节点集群中每个节点的空闲资源量;
确定所述空闲资源量大于预设阈值条件的节点,为所述满足预设开启条件的至少一个任务节点。
4.如权利要求1所述的方法,其中,所述则所述至少一个任务节点根据样本数据,同步训练所述目标任务的深度学习框架,包括:
在每个所述任务节点中训练所述深度学习框架;
根据预设周期读取每个周期每个所述任务节点中的深度学习框架的框架参数;
确定第一均值,所述第一均值为所有所述任务节点的框架参数的均值;
根据所述第一均值同步每个所述任务节点中的深度学习框架。
5.如权利要求1所述的方法,所述则所述至少一个任务节点根据样本数据,同步训练所述目标任务的深度学习框架,包括:
监测所述当前任务节点集群中是否包含满足所述预设开启条件的其他任务节点;
若存在所述其他任务节点,则所述其他任务节点和所述至少一个任务节点根据样本数据,同步训练所述目标任务的深度学习框架。
6.如权利要求5所述的方法,其中,所述其他任务节点和所述至少一个任务节点根据样本数据,同步训练所述目标任务的深度学习框架,包括:
获取所述至少一个任务节点的每个任务节点中深度学习框架的当前框架参数;
确定第二均值,所述第二均值为所有所述当前框架参数的均值;
所述其他任务节点和所述至少一个任务节点根据所述第二均值更新所述深度学习框架的框架参数。
7.如权利要求1所述的方法,所述在目标任务满足训练开始条件时,包括:
监测所述当前任务节点集群中待执行任务的优先等级;
若所述优先等级小于预设等级,则确定所述目标任务满足训练开始条件。
8.一种深度学习框架的训练装置,包括:
第一获取模块,用于在目标任务满足训练开始条件时,获取当前任务节点集群中满足预设开启条件的至少一个任务节点;
判断模块,用于判断所述至少一个任务节点的节点数量是否大于预设数量;
训练模块,用于在所述节点数量大于所述预设数量时,所述至少一个任务节点根据样本数据,同步训练所述目标任务的深度学习框架;
第二获取模块,用于在所述目标任务满足训练完成条件时,获取同步训练的目标深度学习框架。
9.如权利要求8所述的装置,其中,所述第一获取模块,具体用于:
确定所述当前任务节点集群中每个节点的节点状态;
确定所述节点状态为空闲状态条件的节点,为所述满足预设开启条件的至少一个任务节点。
10.如权利要求8所述的装置,其中,所述第一获取模块,具体用于:
确定所述当前任务节点集群中每个节点的空闲资源量;
确定所述空闲资源量大于预设阈值条件的节点,为所述满足预设开启条件的至少一个任务节点。
11.如权利要求8所述的装置,其中,所述训练模块,具体用于:
在每个所述任务节点中训练所述深度学习框架;
根据预设周期读取每个周期每个所述任务节点中的深度学习框架的框架参数;
确定第一均值,所述第一均值为所有所述任务节点的框架参数的均值。
12.如权利要求8所述的装置,还包括:
监测模块,用于监测所述当前任务节点集群中是否包含满足所述预设开启条件的其他任务节点;
所述训练模块,还用于所述其他任务节点和所述至少一个任务节点根据样本数据,同步训练所述目标任务的深度学习框架。
13.如权利要求12所述的装置,其中,所述训练模块,具体用于:
获取所述至少一个任务节点的每个任务节点中深度学习框架的当前框架参数;
确定第二均值,所述第二均值为所有所述当前框架参数的均值;
所述其他任务节点和所述至少一个任务节点根据所述第二均值更新所述深度学习框架的框架参数。
14.如权利要求8所述的装置,其中,所述第一获取模块,具体用于:
监测所述当前任务节点集群中待执行任务的优先等级;
在所述优先等级小于预设等级时,确定所述目标任务满足训练开始条件。
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中任一项所述的深度学习框架的训练方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,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1-7中任一项所述的深度学习框架的训练方法。
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中任一项所述的深度学习框架的训练方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110266288.7A CN113032117A (zh) | 2021-03-10 | 2021-03-10 | 深度学习框架的训练方法、装置及存储介质 |
EP21202496.2A EP3955174A3 (en) | 2021-03-10 | 2021-10-13 | Method, apparatus and storage medium for training a deep learning framework |
US17/501,003 US20220036241A1 (en) | 2021-03-10 | 2021-10-14 | Method, device and storage medium for training a deep learning framework |
JP2021185382A JP2022017588A (ja) | 2021-03-10 | 2021-11-15 | 深層学習フレームワークのトレーニング方法、装置及び記憶媒体 |
KR1020210173825A KR20210156243A (ko) | 2021-03-10 | 2021-12-07 | 딥러닝 프레임워크의 훈련 방법, 장치 및 저장 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110266288.7A CN113032117A (zh) | 2021-03-10 | 2021-03-10 | 深度学习框架的训练方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113032117A true CN113032117A (zh) | 2021-06-25 |
Family
ID=76470214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110266288.7A Pending CN113032117A (zh) | 2021-03-10 | 2021-03-10 | 深度学习框架的训练方法、装置及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220036241A1 (zh) |
EP (1) | EP3955174A3 (zh) |
JP (1) | JP2022017588A (zh) |
KR (1) | KR20210156243A (zh) |
CN (1) | CN113032117A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327598A (zh) * | 2021-06-30 | 2021-08-31 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
CN114860411A (zh) * | 2022-05-17 | 2022-08-05 | 北京百度网讯科技有限公司 | 多任务学习方法、装置、电子设备和存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114741175A (zh) * | 2022-04-15 | 2022-07-12 | 支付宝(杭州)信息技术有限公司 | 任务执行方法、装置、中心节点和下游节点设备 |
CN114820279B (zh) * | 2022-05-18 | 2023-03-24 | 北京百度网讯科技有限公司 | 基于多gpu的分布式深度学习方法、装置及电子设备 |
CN115222041B (zh) * | 2022-06-22 | 2023-09-01 | 北京百度网讯科技有限公司 | 用于模型训练的图生成方法、装置、电子设备及存储介质 |
KR102665470B1 (ko) * | 2023-06-09 | 2024-05-10 | 주식회사 노타 | 인공지능 기반의 모델의 벤치마크 결과를 포함하는 사용자 인터페이스를 제공하기 위한 방법 및 장치 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729126A (zh) * | 2016-08-12 | 2018-02-23 | 中国移动通信集团浙江有限公司 | 一种容器云的任务调度方法和装置 |
CN110889492A (zh) * | 2019-11-25 | 2020-03-17 | 北京百度网讯科技有限公司 | 用于训练深度学习模型的方法和装置 |
CN111768006A (zh) * | 2020-06-24 | 2020-10-13 | 北京金山云网络技术有限公司 | 一种人工智能模型的训练方法、装置、设备及存储介质 |
CN112416599A (zh) * | 2020-12-03 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 一种资源调度方法、装置、设备及计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007244887A (ja) * | 2001-12-03 | 2007-09-27 | Ziosoft Inc | ボリュームレンダリング処理方法、ボリュームレンダリング処理システム、計算機及びプログラム |
US10540608B1 (en) * | 2015-05-22 | 2020-01-21 | Amazon Technologies, Inc. | Dynamically scaled training fleets for machine learning |
US20180314971A1 (en) * | 2017-04-26 | 2018-11-01 | Midea Group Co., Ltd. | Training Machine Learning Models On A Large-Scale Distributed System Using A Job Server |
CN109117265A (zh) * | 2018-07-12 | 2019-01-01 | 北京百度网讯科技有限公司 | 在集群中调度作业的方法、装置、设备及存储介质 |
CN112000473A (zh) * | 2020-08-12 | 2020-11-27 | 中国银联股份有限公司 | 深度学习模型的分布式训练方法以及装置 |
-
2021
- 2021-03-10 CN CN202110266288.7A patent/CN113032117A/zh active Pending
- 2021-10-13 EP EP21202496.2A patent/EP3955174A3/en active Pending
- 2021-10-14 US US17/501,003 patent/US20220036241A1/en active Pending
- 2021-11-15 JP JP2021185382A patent/JP2022017588A/ja active Pending
- 2021-12-07 KR KR1020210173825A patent/KR20210156243A/ko unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729126A (zh) * | 2016-08-12 | 2018-02-23 | 中国移动通信集团浙江有限公司 | 一种容器云的任务调度方法和装置 |
CN110889492A (zh) * | 2019-11-25 | 2020-03-17 | 北京百度网讯科技有限公司 | 用于训练深度学习模型的方法和装置 |
CN111768006A (zh) * | 2020-06-24 | 2020-10-13 | 北京金山云网络技术有限公司 | 一种人工智能模型的训练方法、装置、设备及存储介质 |
CN112416599A (zh) * | 2020-12-03 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 一种资源调度方法、装置、设备及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327598A (zh) * | 2021-06-30 | 2021-08-31 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
CN113327598B (zh) * | 2021-06-30 | 2023-11-14 | 北京有竹居网络技术有限公司 | 模型的训练方法、语音识别方法、装置、介质及设备 |
CN114860411A (zh) * | 2022-05-17 | 2022-08-05 | 北京百度网讯科技有限公司 | 多任务学习方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR20210156243A (ko) | 2021-12-24 |
EP3955174A3 (en) | 2022-05-04 |
US20220036241A1 (en) | 2022-02-03 |
JP2022017588A (ja) | 2022-01-25 |
EP3955174A2 (en) | 2022-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113032117A (zh) | 深度学习框架的训练方法、装置及存储介质 | |
CN107977268B (zh) | 人工智能的异构硬件的任务调度方法、装置及可读介质 | |
EP3905126A2 (en) | Image clustering method and apparatus | |
US10417062B2 (en) | Method and apparatus of unloading out of memory processing flow to user space | |
CN112784200A (zh) | 页面数据处理方法、装置、设备、介质和计算机程序产品 | |
CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
CN113344089A (zh) | 模型训练方法、装置及电子设备 | |
CN114841315A (zh) | 混合专家模型实现方法、系统、电子设备及存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
US20240061710A1 (en) | Resource allocation method and system after system restart and related component | |
CN113344214B (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN113377998A (zh) | 数据加载的方法、装置、电子设备及存储介质 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
US20230144949A1 (en) | Virtual-machine cold migration method and apparatus, electronic device and storage medium | |
CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
CN113360689B (zh) | 图像检索系统、方法、相关装置及计算机程序产品 | |
CN116069497A (zh) | 执行分布式任务的方法、装置、设备以及存储介质 | |
CN114627343A (zh) | 深度学习模型的训练方法、图像处理方法、装置及设备 | |
CN113554062A (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN114862655B (zh) | 用于模型训练的运行控制方法、装置和电子设备 | |
CN113360407B (zh) | 函数的定位方法、装置、电子设备及可读存储介质 | |
CN115827526A (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN114494945A (zh) | 交通灯图像的采样方法、装置、电子设备及边缘计算设备 | |
CN115390992A (zh) | 一种虚拟机创建方法、装置、设备和存储介质 |
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 |