CN113240036B - 一种对象分类方法和装置、电子设备、存储介质 - Google Patents
一种对象分类方法和装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113240036B CN113240036B CN202110594708.4A CN202110594708A CN113240036B CN 113240036 B CN113240036 B CN 113240036B CN 202110594708 A CN202110594708 A CN 202110594708A CN 113240036 B CN113240036 B CN 113240036B
- Authority
- CN
- China
- Prior art keywords
- classification result
- sub
- classification
- target
- classified
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013145 classification model Methods 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 description 66
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 13
- 230000002093 peripheral effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
- G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
- G06F15/7867—Architectures of general purpose stored program computers comprising a single central processing unit with reconfigurable architecture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
- G06F9/4451—User profiles; Roaming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种对象分类方法和装置、电子设备、存储介质,涉及数据处理领域,能够提高对象分类的效率。该方法应用于包括有逻辑阵列芯片的电子设备,该方法中逻辑阵列芯片执行以下步骤:接收并解析待分类对象的特征信息,得到待分类对象的至少一个特征参量;查询预先部署的参量阈值表,确定与待分类对象的各特征参量对应的参量阈值;根据待分类对象的特征参量对应的参量阈值,对待分类对象的特征参量进行编码,得到待分类对象的目标编码;查询预先部署的分类结果表,得到与目标编码对应的目标分类结果,并将目标分类结果作为待分类对象的分类结果;分类结果表包括分类模型中特征参量的编码和分类模型的对象分类结果之间的对应关系。
Description
技术领域
本公开实施例涉及数据处理领域,尤其涉及一种对象分类方法和装置、电子设备、存储介质。
背景技术
目前,为了更好的实现对象的分类(例如流量类别的分类),大多使用提前训练好的决策树类模型(例如随机森林模型)结合获取到的某些对象的特征参量,对这些对象进行分类。但是目前在利用中央处理器(central processing unit,CPU)或现场可编程逻辑门阵列(field programmable gate array,FPGA)对决策树类模型进行使用时,需要依据获取到的对象的特征参量,逐层对该决策树类模型中决策树的每一层进行结果计算,最终将该决策树类模型中每一个决策树的计算结果汇总后得出该对象的分类结果,整个过程计算效率较低,耗时较长,用户体验不够好。
发明内容
本公开关于一种对象分类方法和装置、电子设备、存储介质,能够提高利用决策树类模型进行对象分类的效率。
为达到上述目的,本公开实施例采用如下技术方案:
第一方面,提供一种对象分类方法,应用于包括有逻辑阵列芯片的电子设备,该方法包括:所述逻辑阵列芯片接收并解析待分类对象的特征信息,得到待分类对象的至少一个特征参量;逻辑阵列芯片查询预先部署的参量阈值表,确定与待分类对象的各特征参量对应的参量阈值;参量阈值表中记录有分类模型中各特征参量对应的参量阈值;逻辑阵列芯片根据待分类对象的特征参量对应的参量阈值,对待分类对象的特征参量进行编码,得到待分类对象的目标编码;逻辑阵列芯片查询预先部署的分类结果表,得到与目标编码对应的目标分类结果,并将目标分类结果作为待分类对象的分类结果;分类结果表包括分类模型中特征参量的编码和分类模型的对象分类结果之间的对应关系。
基于上述技术方案,逻辑阵列芯片在获取某个待分类对象的特征参量后,可以根据提前部署在逻辑阵列芯片上的分类模型的参量阈值表确定各特征参量的参量阈值,而后可以根据该参量阈值对各特征参量编码以得到待分类对应的目标编码,然后从预存在逻辑阵列芯片上的分类模型的分类结果表中查找与目标编码对应的目标分类结果,并将该目标分类结果确定为待分类对象的分类结果。其中,参量阈值表中记录有分类模型中各特征参量对应的参量阈值,分类结果表包括分类模型中特征参量的编码和分类模型的对象分类结果之间的对应关系。可以看出,本公开实施例提供的技术方案中,提前将能够实现对象分类的分类模型进行归纳总结,得到其对应的参量阈值表和分类结果表并部署在逻辑阵列芯片上。而后在需要对某个待分类对象进行分类识别时,逻辑阵列芯片仅需要在获取到该待分类对象的特征参量并查询到相应的参量阈值后,进行编码得到该待分类对象的目标编码。最后,便可以从分类结果表中通过对比查找等简单手段得到待分类对象的分类结果。因为整个分类过程,不需要每次都从头到尾进行一遍分类模型的逻辑运算,而是仅通过简单的编码和对比查找等手段便可以快速获取待分类对象的分类结果,所以其相比于现有技术而言,对象分类的延时不会再因为分类模型中分类逻辑复杂度大而大,能够大大提高对象分类的运算效率。
可选的,对待分类对象的各特征参量进行编码,包括:根据待分类对象的特征参量对应的参量阈值,确定待分类对象的各特征参量的子编码;组合确定出的所有子编码,得到目标编码。
可选的,根据待分类对象的特征参量对应的参量阈值,确定待分类对象的各特征参量对应的子编码,包括:逻辑阵列芯片在待分类对象的特征参量大于第一参量阈值的情况下,将待分类对象的特征参量对应第一参量阈值的子编码确定为1;逻辑阵列芯片在待分类对象的特征参量小于或等于第一参量阈值的情况下,将待分类对象的特征参量对应第一参量阈值的子编码确定为0;第一参量阈值为待分类对象的特征参量对应的所有参量阈值中的一个。
可选的,在分类模型包括至少一个分类器的情况下,组合确定出的所有子编码,得到目标编码,包括:确定至少一个特征参量中对应每个分类器的特征参量;将分类器对应的所有特征参量对应的所有子编码组合为分类器的子目标编码;将所有子目标编码的组合确定为目标编码。
可选的,查询预先部署的分类结果表,得到与目标编码对应的目标分类结果,包括:确定分类结果表中与目标编码匹配的第一编码,并将第一编码对应的对象分类结果作为目标分类结果。
可选的,在分类结果表包括与至少一个分类器分别对应的至少一个子分类结果表,子分类结果表包括其所属的分类器中特征参量的编码和子分类结果表所属的分类器的对象分类结果的对应关系的情况下,查询预先部署的分类结果表,得到与目标编码对应的目标分类结果,包括:确定对应目标编码中对应每个子分类结果表的子目标编码;确定第一子分类结果表中与第一子目标编码匹配的待定编码,并将待定编码对应的对象分类结果作为第一子目标编码对应的子目标分类结果;第一子目标编为所有子目标编中的一个,第一子分类结果表为所有子分类结果表中与第一子目标编码对应的一个;根据所有子目标编码的子目标分类结果,确定目标分类结果。
可选的,根据所有子目标编码的子目标分类结果,确定目标分类结果,包括:将所有子目标编码的子目标分类结果中占比最大的子目标分类结果,确定为目标分类结果。
可选的,电子设备还包括处理器,处理器通过总线接口与逻辑阵列芯片连接,该对象分类方法还包括:逻辑阵列芯片通过总线接口从处理器下载分类模型的参量阈值表和分类结果表。
可选的,该对象分类方法还包括:逻辑阵列芯片通过自身的网络接口发送待分类对象的分类结果。
第二方面,提供一种对象分类装置,应用于包括有逻辑阵列芯片的电子设备,包括获取模块、编码模块和处理模块。其中,获取模块,被配置为接收并解析待分类对象的特征信息,得到待分类对象的至少一个特征参量;处理模块,被配置为查询预先部署的参量阈值表,确定与获取模块获取的待分类对象的各特征参量对应的参量阈值;参量阈值表中记录有分类模型中各特征参量对应的参量阈值;编码模块,被配置为根据处理模块确定的待分类对象的特征参量对应的参量阈值,对获取模块获取的待分类对象的特征参量进行编码,得到待分类对象的目标编码;处理模块,还被配置为查询预先部署的分类结果表,得到与编码模块得到的目标编码对应的目标分类结果,并将目标分类结果作为待分类对象的分类结果;分类结果表包括分类模型中特征参量的编码和分类模型的对象分类结果之间的对应关系。
可选的,编码模块具体被配置为:根据处理模块确定的待分类对象的特征参量对应的参量阈值,确定获取模块获取的待分类对象的各特征参量的子编码;组合确定出的所有子编码,得到目标编码。
可选的,编码模块具体被配置为:在待分类对象的特征参量大于第一参量阈值的情况下,将待分类对象的特征参量对应第一参量阈值的子编码确定为1;在待分类对象的特征参量小于或等于第一参量阈值的情况下,将待分类对象的特征参量对应第一参量阈值的子编码确定为0;第一参量阈值为获取模块获取的待分类对象的特征参量对应的所有参量阈值中的一个。
可选的,在分类模型包括至少一个分类器的情况下,编码模块具体被配置为:确定至少一个特征参量中对应每个分类器的特征参量;将分类器对应的所有特征参量对应的所有子编码组合为分类器的子目标编码;将所有子目标编码的组合确定为目标编码。
可选的,处理模块具体被配置为:确定分类结果表中与编码模块得到的目标编码匹配的第一编码,并将第一编码对应的对象分类结果作为目标分类结果。
可选的,在分类结果表包括与至少一个分类器分别对应的至少一个子分类结果表,子分类结果表包括其所属的分类器中特征参量的编码和子分类结果表所属的分类器的对象分类结果的对应关系的情况下,处理模块具体被配置为:确定对应编码模块得到目标编码中对应每个子分类结果表的子目标编码;确定第一子分类结果表中与第一子目标编码匹配的待定编码,并将待定编码对应的对象分类结果作为第一子目标编码对应的子目标分类结果;第一子目标编为所有子目标编中的一个,第一子分类结果表为所有子分类结果表中与第一子目标编码对应的一个;根据所有子目标编码的子目标分类结果,确定目标分类结果。
可选的,处理模块具体被配置为:将所有子目标编码的子目标分类结果中占比最大的子目标分类结果,确定为目标分类结果。
可选的,电子设备还包括处理器,处理器通过总线接口与逻辑阵列芯片连接,获取模块还被配置为:从处理器下载分类模型的参量阈值表和分类结果表。
可选的,还包括:发送模块,被配置为发送处理模块确定的待分类对象的分类结果。
第三方面,提供一种电子设备,包括处理器和通过总线接口与处理器连接的逻辑阵列芯片;用于存储可执行指令的存储器;其中,逻辑阵列芯片被配置为执行可执行指令,以实现如第一方面提供及其任一种可能的实施方式的对象分类方法。
第四方面,本公开提供一种计算机可读存储介质,该计算机可读存储介质上存储有指令,当计算机可读存储介质中的指令由电子设备的逻辑阵列芯片执行时,使得电子设备执行如第一方面提供及其任一种可能的实施方式的对象分类方法。
第五方面,本公开实施例还提供一种计算机程序产品,包括一条或多条指令,该一条或多条指令可以在电子设备的逻辑阵列芯片上运行,使得电子设备的逻辑阵列芯片执行如第一方面及其任一种可能的实施方式的对象分类方法。
可以理解地,上述提供的第二方面至第五方面的方案,均用于执行上文第一方面所提供的对应的对象分类方法,因此,其所能达到的有益效果可参考上文所提供的对应的对象分类方法中的有益效果,此处不再赘述。
应当理解的是,在本公开中,上述电子设备的名字对设备或功能模块本身不构成限定,在实际实现中,这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似,属于本申请权利要求及其等同技术的范围之内。另外,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
图1为本公开实施例提供的一种实施环境示意图;
图2为本公开实施例提供的一种对象分类方法的流程示意图一;
图3为本公开实施例提供的一种对象分类方法的补充流程示意图;
图4为本公开实施例提供的一种分类模型的逻辑示意图;
图5为本公开实施例提供的另一种对象分类方法的补充流程示意图;
图6为本公开实施例提供的另一种分类模型的逻辑示意图;
图7为本公开实施例提供的一种对象分类方法的流程示意图二;
图8为本公开实施例提供的一种对象分类方法的流程示意图三;
图9为本公开实施例提供的一种对象分类方法的流程示意图四;
图10为本公开实施例提供的一种对象分类方法的流程示意图五;
图11为本公开实施例提供的一种对象分类方法的原理意图;
图12为本公开实施例提供的一种对象分类装置的结构示意图;
图13为本公开实施例提供的一种电子设备的结构示意图;
图14为本公开实施例提供的另一种电子设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
另外,在本公开实施例的描述中,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,在本公开实施例的描述中,“多个”是指两个或多于两个。
本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。
首先,对本公开所涉及的技术术语进行介绍:
决策树:是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。决策树是一种十分常用的分类方法,它属于一种监督学习,在训练该决策树时,需要事先给定一堆样本,每个样本都有一组属性和一个类别,这些类别是事先确定的,然后通过机器学习的方式可以得到一个分类器(即决策树),这个分类器能够对新出现的对象给出正确的分类。
CPU:中央处理器,英文全称为central processing unit。CPU主要是作为计算机系统的运算和控制核心,是信息处理、程序运行的最终执行单元。
FPGA:现场可编辑逻辑门阵列,英文全称为field programmable gate array。FPGA是在PAL(programmable array logic,可编程阵列逻辑)、GAL(generic array logic,通用阵列逻辑)等可编程器件的基础上进一步发展的产物。它是作为专用集成电路(ASIC,application specific integrated circuit)领域中的一种半定制电路而出现的,既解决了定制电路的不足,又克服了原有可编程器件门电路数有限的缺点。内部包括可配置逻辑模块CLB(configurable Logic Block)、输入输出模块IOB(input output block)和内部连线(interconnect)三个部分。现场可编程门阵列(是可编程器件,与传统逻辑电路和门阵列相比,FPGA具有不同的结构。FPGA利用小型查找表(16×1RAM(random access memory,随机存取存储器))来实现组合逻辑,每个查找表连接到一个D触发器的输入端,触发器再来驱动其他逻辑电路或驱动I/O,由此构成了既可实现组合逻辑功能又可实现时序逻辑功能的基本逻辑单元模块,这些模块间利用金属连线互相连接或连接到I/O模块。FPGA的逻辑是通过向内部静态存储单元加载编程数据来实现的,存储在存储器单元中的值决定了逻辑单元的逻辑功能以及各模块之间或模块与I/O间的联接方式,并最终决定了FPGA所能实现的功能,FPGA允许无限次的编程。
示例性的,本公开中使用的FPGA可以为Stratix 10 GX FPGA加速卡D5005,其内具备有229Mbit嵌入式存储器。
PCIe:全称为peripheral component interconnect express,即虚拟高速串行计算机扩展总线标准,是一种高速串行计算机扩展总线标准,其主要的目的是为了连接对传输速度和带宽有更高要求的外部设备。PCIe是新一代的总线接口,用于取代PCI总线,与PCI总线的共享并行架构不同,PCIe总线使用高速串行传送方式,能够支持更高的频率,连接的设备不再像PCI总线那样共享总线带宽。此外,PCIe总线还引入了一些新特性,如流量控制机制、服务质量管理、热插拔支持、数据完整性和新型错误处理机制等。
目前,在使用决策树类模型(即本公开实施例中的分类模型)完成对象分类时,通常是依据待分类对象的特征参数,利用CPU或FPGA逐层对决策树类模型中每一个决策树(即本公开实施例中的分类器)的分类结果进行逻辑运算,最终汇总每个决策树的结果,得到最终的分类结果,整个过程计算效率低,耗时较长,用户体验不够好。
因此针对上述问题,本公开提供一种对象分类方法,能够提高利用分类模型进行对象分类的效率。本公开提供的对象分类方法,应用于如图1所示的对象分类系统中,该系统包括电子设备01和服务器02,电子设备01和服务器02之间通过有线通讯或无线通讯的方式进行通信。这里的电子设备01可以为终端,也可以为服务器。电子设备01内应当设置有CPU和FPGA,CPU和FPGA之间可以通过PCIe总线通信。
示例性,当电子设备01为终端时,其具体可以是手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本,以及蜂窝电话、个人数字助理(personal digital assistant,PDA)、增强现实(augmented reality,AR)\虚拟现实(virtual reality,VR)设备等可以进行数据处理的设备,本公开实施例对终端的具体形态不作特殊限制。当该电子设备01为服务器时,其具体可以是一台服务器,也可以是多台服务器组成的服务器集群,或者是一个云计算服务中心,本公开对此不做限定。电子设备01主要用于从服务器处获取用于对象分类的分类模型,并对该决策树类模型进行归纳统计后生成本公开需要的分类结果表,以便后续在进行对象分类时的使用。
示例性的,本公开中的服务器02可以是一台服务器,也可以是多台服务器组成的服务器集群,或者是一个云计算服务中心,本公开对此不做限定。服务器02主要用于训练分类模型,并将训练好的分类模型发送给电子设备使用。
基于上述系统架构,参考图2所示,本公开实施例提供一种对象分类方法,该方法的具体执行主体为对象分类装置,该对象分类装置可以是包括有逻辑阵列芯片的电子设备。该逻辑阵列芯片可以为FPGA,该电子设备可以为图1所示的电子设备。参照图2所示,该方法具体可以包括201-204:
201、逻辑阵列芯片接收并解析待分类对象的特征信息,得到所述待分类对象的至少一个特征参量。
其中,待分类对象的特征信息可以是需要对某个对象进行分类的设备发送给对象分类装置的。其可以被携带在分类指令中。该待分类对象可以为视频、语音、图片等。以待分类对象为视频为例,该特征信息可以为视频的清晰度、大小、名称等信息,也可以直接为特征参量。对此,本公开不做具体限制。
202、逻辑阵列芯片查询预先部署的参量阈值表,确定与待分类对象的各特征参量对应的参量阈值。
其中,参量阈值表中记录有分类模型中各特征参量对应的参量阈值。示例性的,分类模型可以为随机森林模型。
另外,为了确保根据待分类对象的特征信息解析得到的至少一个特征参量都能在参量阈值表中找到相应的参量阈值。在本公开实施例中,前述的201步骤中,逻辑阵列芯片可以依据参量阈值表从特征信息中获取待分类对象的至少一个特征参量。
203、逻辑阵列芯片根据待分类对象的特征参量对应的参量阈值,对待分类对象的特征参量进行编码,得到待分类对象的目标编码。
示例性的,目标编码可以由多组编码组成,一组编码可以是该待分类对象的一个特征参量依据其参量阈值编码得到的。例如某个待分类对象的三个特征参量A、B和C根据其各自的参量阈值得到的三组编码分别为X、Y和Z,则目标编码可以为X、Y和Z以任意形式组成得到的(例如XYZ、XZY、ZXY、YXZ等)。
204、逻辑阵列芯片查询预先部署的分类结果表,得到与目标编码对应的目标分类结果,并将目标分类结果作为待分类对象的分类结果。
其中,分类结果表包括分类模型中特征参量的编码和分类模型的对象分类结果之间的对应关系。
需要说明的是,如果分类模型本身仅具备一个分类器,则上述的分类结果表仅为该分类器中特征参量和其对象分类结果之间的对应关系。如果分类模型具备多个分类器,则上述的分类结果表应当包括有多个子分类结果表,每个子分类结果为一个分类器中特征参量和其对象分类结果之间的对应关系。
基于上述技术方案可以看出,本公开实施例提供的技术方案中,提前将能够实现对象分类的分类模型进行归纳总结,得到其对应的分类结果表,而后在需要对某个待分类对象进行分类识别时,仅需要在获取到该待分类对象的特征参量后,结合相应的目标参量阈值以及预设规则得到该待分类对象的目标编码后,便可以从分类结果表中通过对比查找等简单手段得到待分类对象的分类结果。因为后续的整个分类过程,不需要每次都从头到尾进行一遍分类模型的逻辑运算,而是仅通过简单的编码和对比查找等手段便可以快速获取待分类对象的分类结果,所以其相比于现有技术而言,对象分类的延时不会再因为决策树类模型中决策树的层数大而大,能够大大提高对象分类的运算效率。
可选的,为了得到上述的参量阈值表和分类结果表,参照图3所示,本公开实施例还提供一种分类模型的模型信息的获取方法。其中,模型信息可以包括前述实施例中的参量阈值表和分类结果表。该方法的执行主体可以是设置在电子设备中与前述的逻辑阵列芯片通过总线接口(PCIe总线接口)连接的处理器,也可以为电子设备中的逻辑阵列芯片,还可以是与电子设备连接的服务器。
该方法具体可以包括S1-S3:
S1、获取预先训练的分类模型。
示例性的,这里的S1步骤可以是电子设备向服务器发送模型获取请求,服务器在接收到该请求后,将训练好的目分类模型发送给电子设备。当该方法的执行主体电子设备为服务器时,该S1步骤可以是服务器从自身存储器中提取预先训练的分类模型。具体如何训练分类模型,可以根据实际需求而定,本公开对此不做具体限制。
S2、对分类模型中所有特征参量对应每种对象分类结果的阈值条件进行编码,以得到分类模型的每种对象分类结果对应的特征编码。
其中,某种对象分类结果的阈值条件为该对象分类结果对应的每个特征参量,与其对应的参量阈值之间的大小关系。特征编码由其所属的对象分类结果对应的所有阈值条件的编码(本申请中,某个分类结果对应的一个特征参量的阈值条件的编码,可以认为是该特征参量的编码即前述实施例中提到的分类结果表中的特征参量的编码)组合得出。例如,某个对象分类结果由A和B两个特征参量决定,A的参量阈值为a,B的参量阈值为b;则该对象分类结果的阈值条件包括A和a的大小关系以及B和b的大小关系。若A和a的大小关系被编码为1则可以认为A的编码为1,B和b的大小关系被编码为0则可以认为B的编码为0,则该对象分类结果的特征编码为01或10。
S3、根据分类模型中的所有特征参量及其参量阈值生成分类模型的参量阈值表,并根据分类模型的每种对象分类结果对应的特征编码生成分类模型的分类结果表。
示例性的,参照图4所示,以分类模型为决策树类模型,且该决策树类模型中包括一颗决策树(分类器),分类结果有I类、II类、III类和IV类四种,其中特征参量A、B、C对应的参量阈值分别是m、n和t为例,每种对象分类结果对应的阈值条件如下:
I类:A>m,B>n,C>t;II类:A>m,B≤n,C>t或C≤t;III类:A≤m,B>n或B<n,C>t或C≤t;IV类:A>m,B>n,C≤t。
如果生成特征编码时的规则为:把特征参量大于参量阈值的特征参量的编码(阈值条件的编码)设置为1,把特征参量小于参量阈值的特征参量的编码(阈值条件的编码)设置为0,则对应该分类模型的分类结果表可以如下表1所示,参量阈值表为下表2所示。
表1
其中,A、B、C三个特征参量的编码的组合则为特征编码,例如表1中第一行中的A、B、C三个特征参量的编码的组合的特征编码为000。后续的特征编码同理。
表2
特征参量 | 参量阈值 |
A | m |
B | n |
C | t |
可以看出,基于上述方案,可以顺利对分类模型的算法进行归纳,得到分类结果表,方便后续对待分类对象的分类。因为整个过程中,在分类模型未更新时,只需要生成一次分类结果表,后续需要进行对象分类时,在根据前述表2对待分类对象的特征参量选取参量阈值并编码后,依据表1查找一次表,便可以得到待分类对象的分类结果,不需要每次对象分类都走一遍分类模型的整个运算逻辑,所以提高了使用分类模型进行对象分类的效率。
可选的,在分类模型为决策树类模型的情况下,因为实际中的决策树类模型可能会存在多个决策树(例如随机森林模型)。所以在生成分类结果表时,除了可以如S1-S3对应的技术方案一样从整体上考虑整个分类模型运算逻辑以外,还可以分别考虑每一个决策树的运算逻辑,生成对应每一个决策树的子分类结果表。而后将所有子分类结果表整体组合作为分类结果表。因而结合图3,参照图5所示,该方法在S1之后,还可以包括:S2’-S4’:
S2’、对分类模型中所有特征参量对应目标决策树的每种对象分类结果的阈值条件进行编码,以得到目标决策树的每种分类结果对应的特征编码。
其中,目标决策树为决策树类模型中的决策树。其中,若目标决策树中的特征参量不包括分类模型中的所有特征参量,则上述的所有特征参量对应目标决策树的每种对象分类结果的阈值条件可以为:所有特征参量中对应目标决策树的特征参量对应目标决策树的每种分类结果的阈值条件。
S3’、根据分类模型中的所有特征参量及其参量阈值生成分类模型的参量阈值表,并根据目标决策树的每种对象分类结果对应的特征编码生成目标决策树对应的子分类结果表。
示例性的,参照图6所示,以分类模型中包括a、b和c三个决策树,分类结果有A类和B类两种,其中特征参量X对应的两个参量阈值x1>x2为例,每个决策树的分类结果对应的阈值条件如下:
a决策树:A类为X≤x1且Y≤y;B类为X>x1、X≤x1且Y>y;
b决策树:A类为Y≤y、Y>y且Z>z;B类为Y>y且Z≤z;
c决策树:A类为X≤x2且Z≤z、x1≥X>x2;B类为X≤x2且Z>z、X>x1>x2。
如果特征编码的编码规则为:把特征参量大于其参量阈值的特征参量的编码(阈值条件的编码)设置为1,特征参量小于其参量阈值的特征参量的编码(阈值条件的编码)设置为0。则对应a决策树的子分类结果表可以如下表3所示,对应b决策树的子分类结果表可以如下表4所示,对应c决策树的子分类结果表可以如下表5所示:
表3
表4
表5
其中,表5中X对应的编码00表明X<x2<x1,10表明x2<X<x1,11表明x2<x1<X。当然,实际中还可以是其他可行的编码方式,本公开对此不做具体限制。以图6所示的分类模型为例,最终生成如下表6所示的参量阈值表。
表6
S4’、使用所有目标决策树的子分类结果表组成分类结果表。
上述表3-表5便整体上组成为分类结果表,基于上表3-表6,后续在对待分类对象进行分类时,便可以根据其特征参量从表6中找到在每个决策树中对应的参量阈值,而后比较后编码得到对应每个决策树的子目标编码。然后根据待分类对象的至少一个特征参量对应每个决策树的子目标编从表3-表5中查找待分类对象的至少一个特征参量对应每个决策树的对象分类结果。然后将其中占比最大的对象分类结果作为待分类对象的分类结果。当然,实际中还可以根据每个决策树的分类结果,依据预设规则(例如某个决策树的结果都占两票,其余决策树的结果占一票,最后以票数占的最多的对象分类结果作为最终对象分类结果)获得待分类对象的分类结果,本公开对此不做具体限制。
这样一来,因为整个过程中,在分类模型未更新时,仅需要归纳一次得到分类模型中每个决策树的子分类结果表,后续便不需要每次对象分类都走一遍分类模型的整个运算逻辑,所以提高了使用分类模型进行对象分类的效率。
当然,如图6所示的存在多个决策树的决策树类模型,也可以考虑整个模型,以所有决策树的分类结果中占比最大的分类结果作为分类模型的分类结果为例,可以得到以下不同类别下每个决策树的阈值条件:
A类:(1)a中X≤x1且Y≤y,b中Y≤y、Y>y且Z>z,c中X≤x2且Z>z、X>x1>x2;
(2)a中X≤x1且Y≤y,b中Y>y且Z≤z,c中X≤x2且Z≤z、x1≥X>x2;
(3)a中X>x1、X≤x1且Y>y,b中Y≤y、Y>y且Z>z,c中X≤x2且Z≤z、x1≥X>x2;
(4)a中X≤x1且Y≤y,b中Y≤y、Y>y且Z>z,c中X≤x2且Z≤z、x1≥X>x2。
B类:(1)a中X>x1、X≤x1且Y>y,b中Y>y且Z≤z,c中X≤x2且Z≤z、x1≥X>x2;
(2)a中X>x1、X≤x1且Y>y,b中Y≤y、Y>y且Z>z,c中X≤x2且Z>z、X>x1>x2;
(3)a中X≤x1且Y≤y,b中Y>y且Z≤z,c中X≤x2且Z>z、X>x1>x2;
(4)a中X>x1、X≤x1且Y>y,b中Y>y且Z≤z,c中X≤x2且Z>z、X>x1>x2。
基于上述得到的阈值条件,如果特征编码的编码规则为把特征参量大于其参量阈值的特征参量的编码(阈值条件的编码)设置为1,特征参量小于其参量阈值的特征参量的编码(阈值条件的编码)设为0。则这种情况下该分类模型的分类结果表可以如下表7所示,该分类模型的参量阈值表则可以如下表8所示。
表7
表7中对应X的编码具体含义可参照前述表5中X对应的编码的含义,此处不再赘述。
表8
特征参量 | 参量阈值 |
X | x1、x2 |
Y | y |
Z | z |
上述表7和表8对应技术方案为上述S1-S3对应的技术方案,由表8和表9的内容可知,其相比于S1和S2’-S4’对应的技术方案,其需要的存储空间更小,而且后续进行对象分类时,不需要对多个决策树的分类结果统计确定最终分类结果,可以进一步降低对计算资源的需求。
可选的,在本公开实施例提供的对象分类方法应用的电子设备还包括通过总线接口与逻辑阵列芯片连接的处理器,且在图3和图5所示的模型信息的获取方法由该处理器实施的情况下,为了保证该对象分类方法的顺利实施,该对象分类方法还包括:逻辑阵列芯片通过总线接口从处理器下载分类模型的参量阈值表和分类结果表。
这样一来,因为逻辑阵列芯片可以从处理器处获取分类模型的参量阈值表和分类结果表,从而可以保证整个对象分类方法的实施。
一种可实现的方式中,结合图2,参照图7所示,203步骤具体包括2031和2032:
2031、逻辑阵列芯片根据待分类对象的特征参量对应的参量阈值,确定待分类对象的各特征参量的子编码。
一种可实现的方式中,2031步骤具体可以为:逻辑阵列芯片在待分类对象的特征参量大于第一参量阈值的情况下,将待分类对象的特征参量对应第一参量阈值的子编码确定为1;逻辑阵列芯片在待分类对象的特征参量小于或等于第一参量阈值的情况下,将待分类对象的特征参量对应第一参量阈值的子编码确定为0;第一参量阈值为待分类对象的特征参量对应的所有参量阈值中的一个。
示例性的,以特征参量为A,A对应的参量阈值仅有一个a为例,若A>a,则A对应a的子编码为1,若A≤a,则A对应a的子编码的子编码为0。
进一步示例的,若A的参量阈值中还包括b,且a>b。则A的子编码具体情况可以如下:若a≥A>b,则可以将A的子编码设置为01或10,其中0用于表征A和a的大小关系,是A对应a的子编码,1用于表征A和b的大小关系,是A对应b的子编码。若A≤b,则将A总体上的子编码为00,其中一个0用于表征A和a的大小关系,是A对应a的子编码,另一个0则用于表征A和b的大小关系,是A对应b的子编码。若a<A,则将A总体上的子编码为11,其中一个1用于表征A和a的大小关系,是A对应a的子编码,另一个1则用于表征A和b的大小关系,是A对应b的子编码。
这样一来,便可以以极小的数据表示特征参量和参量阈值之间的关系,目标编码也就仅需要很小的资源便可以存储,降低本公开实施例提供的对象分类方法所需的存储资源。
当然,除了上述实例中的子编码的生成方式以外,实际中还可以是任意可行的子编码的生成方式,只要能实现根据特征参量的参量阈值对特征参量进行编码的目的即可。
2032、逻辑阵列芯片组合确定出的所有子编码,得到目标编码。
一种可实现的方式中,以待分类对象的特征参量为A和B,A的子编码为11,B的子编码为0为例,目标编码则可以为110,或者011。
基于上述2031和2032对应的技术方案,本公开实施例中的分类结果表中的目标编码仅需要很小的存储资源便可以被顺利存储,所以也就降低了本公开实施例提供的对象分类方法所需的存储资源。
另一种可实现的方式中,在所述分类模型包括至少一个分类器的情况下,结合图7,参照图8所示,2032步骤具体可以包括20321-20323:
20321、逻辑阵列芯片确定至少一个特征参量中对应每个分类器的特征参量。
具体的,为了实现20321步骤,逻辑阵列芯片中部署的参量阈值表中应当包括有每个特征参量对应的分类器标识。
20322、逻辑阵列芯片将分类器对应的所有特征参量对应的所有子编码组合为分类器的子目标编码。
具体如何将某个分类器的所有子编码组合为该分类器的子目标编码,可以参照前述2032步骤后的相关表述,此处不再赘述。
20323、逻辑阵列芯片将所有子目标编码的组合确定为目标编码。
示例性的,以分类模型包括A和B两个分类器,A分类器的子目标编码为001,B分类器的子目标编码为111为例,目标编码可以为{A:001;B:111},也可以为A001B111或者B111A001。具体根据实际需求而定,本申请不做具体限制。
这样一来,便可以顺利由每个分类器对应的子目标编码组合形成目标编码,后续在分类结果表是由图5所示的方式得到的多个分类器的子分类结果表组成时,可以顺利确定最终的分类结果。
可选的,结合图2,参照图9所示,204步骤具体可以包括2041A-2042A:
2041A、逻辑阵列芯片查询预先部署的分类结果表,确定分类结果表中与目标编码匹配的第一编码,并将所述第一编码对应的对象分类结果作为所述目标分类结果。示例性的,以分类结果表为前述中的表1所示,待分类对象的至少一个特征参量包括A、B和C,且括A、B和C的子编码组合成目标编码的方式为A子编码B子编码C子编码,目标编码为011为例,第一编码为表1中倒数第五行对应的特征编码011,第一编码对应的对象分类结果则为III类。
当然,实际中有可能待分类对象的至少一个特征参量并不包括分类模型中的所有特征参量。此时寻找与目标编码匹配的第一编码时,只要分类结果表中的某个特征编码中对与目标编码中对应同一特征参量的编码均相同,则可将其作为上述第一编码。例如,以分类结果表为前述中的表1所示,待分类对象的至少一个特征参量包括A和B,且括A和B的子编码组合成目标编码的方式为A子编码B子编码,目标编码为11为例,第一编码为表1中倒数第一行对应的特征编码111和倒数第二行对应的特征编码110,第一编码对应的对象分类结果则为I类和IV类。这种情况下,具体以哪个分类结果为准,则由需要知晓待分类对象的分类结果的用户决定。
2042A、逻辑阵列芯片将目标分类结果作为待分类对象的分类结果。
这样一来,便可以根据目标编码查询分类结果表,快捷方便的得到待分类对象的分类结果。相比于现有技术中每次走一遍分类模型的逻辑判断过程,要更为迅速。
可选的,结合图2,参照图10所示,在分类模型中包括至少一个分类器,分类结果表包括与至少一个分类器分别对应的至少一个子分类结果表,所述子分类结果表包括其所属的分类器中特征参量的编码和所述子分类结果表所属的分类器的对象分类结果的对应关系的情况下,即分类结果表如图5所示的实施例中的分类结果表的情况下,204可以包括2041B-2043B:
2041B、逻辑阵列芯片确定对应目标编码中对应每个子分类结果表的子目标编码。
具体的,为了实现2041步骤,实际中每个子分类结果表可以包括有其对应的分类器的标识。以分类模型包括A分类器和B分类器,A分类器的子目标编码为001,B分类器的子目标编码为111为例,目标编码则可以由如图8所示的实施例中目标编码的生成方式生成,其具体形式可以类似{A:001;B:111}或A001B111或者B111A001一样能够体现出不同分类器的子目标编码的的样式。2042B、逻辑阵列芯片确定第一子分类结果表中与第一子目标编码匹配的待定编码,并将待定编码对应的对象分类结果作为第一子目标编码对应的子目标分类结果。
具体的,待定编码和第一子目标编码的匹配实现具体可以参照前述针对图9所示实例中204步骤后的相关表述,此处不再赘述。
其中,第一子目标编为所有子目标编中的一个,第一子分类结果表为所有子分类结果表中与第一子目标编码对应的一个。
2043B、逻辑阵列芯片根据所有子目标编码的子目标分类结果,确定目标分类结果,并将目标分类结果作为待分类对象的分类结果。
一种可实现的方式中,为了更快速的根据所有子目标分类结果得到目标分类结果,2043步骤可以为将所有子目标编码的子目标分类结果中占比最大的子目标分类结果,确定为目标分类结果。
当然,实际中根据子目标分类结果确定目标分类结果的方式还可以是其他任意可行方式,本公开对此不做具体限制。
这样一来,基于上述2041-2044对应的技术方案,便可以在分类结果表由至少一个子分类结果表的情况下,快速查表得到目标分类结果,提高整个对象分类的效率。
可选的,为了将最终得到待分类对象的分类结果顺利发出,本公开实施例中,该对象分类方法还可以包括:逻辑阵列芯片通过自身的网络接口发送待分类对象的分类结果。
示例性的,结合前述实施例,以逻辑阵列芯片为FPGA,总线接口为PCIe总线接口、特征信息为网络端发送给电子设备,电子设备将分类结果发送给网络端为例,本公开提供的技术方案的具体逻辑可如图11所示。
以分类模型为随机森林模型,分类结果表为上述表3-表5类似内容,预设参量阈值表为上述表6类似内容,上述201-204步骤由电子设备中FPGA执行,且分类结果表和预设参量阈值表存储在FPGA的BRAM(block random access memory,块随机存取存储器),FPGA的时钟频率为250MH,FPGA处理一个决策树相关的编码和子目标编码对应的分类结果为4个FPGA时钟周期为例,因为FPGA可以并行对所有决策树同时进行处理计算,而分类模型中决策树的最大层数会很大,所以参照下表9所示,实验测得的使用本公开提供的技术方案在进行对象分类时的时延会小于现有技术中的技术方案进行对象分类时的时延。
表9
方案 | 对象分类时延 |
现有技术中的技术方案 | 最深决策树层数*8ns |
本公开提供的技术方案 | 20ns |
需要说明的是,本公开实施例中关于分类结果表的确定,可以由电子设备中的CPU或FPGA完成,本公开对此不做具体限制。另外,因为实际中分类模型会较为复杂,对其进行归纳后得到的分类结果表的数据也可能会很大,所以在本公开中,分类结果表除了可以存储在对象分类装置或者其所在的电子设备中(例如内存),还可以存在远端的服务器中起到缓解电子设备的存储压力的目的。
上述明主要从电子设备的角度对本公开实施例提供的方案进行了介绍。可以理解的是,电子设备可以分别通过其中配置的对象分类装置实现上述功能。为了实现上述功能,对象分类装置包含了执行各个功能相应的硬件结构和/或软件模块,这些执行各个功能相应的硬件结构和/或软件模块可以构成一个电子设备。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
本公开实施例可以根据上述方法示例对电子设备进行功能模块的划分,例如,电子设备可以包括对象分类装置,对象分类装置可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本公开实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图12示出了应用在图1中所示电子设备01的对象分类装置03的一种可能的结构示意图,该对象分类装置03包括:获取模块31、编码模块32和处理模块33。
具体的,获取模块31,被配置为接收并解析待分类对象的特征信息,得到待分类对象的至少一个特征参量;处理模块33,被配置为查询预先部署的参量阈值表,确定与获取模块31获取的待分类对象的各特征参量对应的参量阈值;参量阈值表中记录有分类模型中各特征参量对应的参量阈值;编码模块32,被配置为根据处理模块33确定的待分类对象的特征参量对应的参量阈值,对获取模块31获取的待分类对象的特征参量进行编码,得到待分类对象的目标编码;处理模块33,还被配置为查询预先部署的分类结果表,得到与编码模块32得到的目标编码对应的目标分类结果,并将目标分类结果作为待分类对象的分类结果;分类结果表包括分类模型中特征参量的编码和分类模型的对象分类结果之间的对应关系。
可选的,编码模块32具体被配置为:根据处理模块33确定的待分类对象的特征参量对应的参量阈值,确定获取模块31获取的待分类对象的各特征参量的子编码;组合确定出的所有子编码,得到目标编码。
可选的,编码模块32具体被配置为:在待分类对象的特征参量大于第一参量阈值的情况下,将待分类对象的特征参量对应第一参量阈值的子编码确定为1;在待分类对象的特征参量小于或等于第一参量阈值的情况下,将待分类对象的特征参量对应第一参量阈值的子编码确定为0;第一参量阈值为获取模块31获取的待分类对象的特征参量对应的所有参量阈值中的一个。
可选的,在分类模型包括至少一个分类器的情况下,编码模块32具体被配置为:确定至少一个特征参量中对应每个分类器的特征参量;将分类器对应的所有特征参量对应的所有子编码组合为分类器的子目标编码;将所有子目标编码的组合确定为目标编码。
可选的,处理模块33具体被配置为:确定分类结果表中与编码模块32得到的目标编码匹配的第一编码,并将第一编码对应的对象分类结果作为目标分类结果。
可选的,在分类结果表包括与至少一个分类器分别对应的至少一个子分类结果表,子分类结果表包括其所属的分类器中特征参量的编码和子分类结果表所属的分类器的对象分类结果的对应关系的情况下,处理模块33具体被配置为:确定对应编码模块32得到目标编码中对应每个子分类结果表的子目标编码;确定第一子分类结果表中与第一子目标编码匹配的待定编码,并将待定编码对应的对象分类结果作为第一子目标编码对应的子目标分类结果;第一子目标编为所有子目标编中的一个,第一子分类结果表为所有子分类结果表中与第一子目标编码对应的一个;根据所有子目标编码的子目标分类结果,确定目标分类结果。
可选的,处理模块33具体被配置为:将所有子目标编码的子目标分类结果中占比最大的子目标分类结果,确定为目标分类结果。
可选的,电子设备还包括处理器,处理器通过总线接口与逻辑阵列芯片连接,获取模块31还被配置为:从处理器下载分类模型的参量阈值表和分类结果表。
可选的,该电子设备还包括:发送模块34,被配置为发送处理模块33确定的待分类对象的分类结果。
关于上述实施例中的对象分类装置,其中各个模块执行操作的具体方式已经在前述中的对象分类方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在采用集成的单元的情况下,图13是根据一示例性实施例示出的如图1所示的电子设备01的一种可能的结构示意图,该电子设备01可以是上述的对象分类装置03。如图12所示,该电子设备01包括处理器41和通过总线接口与处理器连接的逻辑阵列芯片42,以及用于存储可执行指令的存储器40。其中,逻辑阵列芯片被配置为执行可执行指令,以实现上述实施例中对象分类装置03中各个模块的功能。
其中,在具体的实现中,作为一种实施例,处理器41(41-1和41-2)可以包括一个或多个CPU,例如图13中所示的CPU0和CPU1。且作为一种实施例,空调的控制装置可以包括多个处理器41,例如图13中所示的处理器41-1和处理器41-2。这些处理器41中的每一个CPU可以是一个单核处理器(Single-CPU),也可以是一个多核处理器(Multi-CPU)。这里的处理器41可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器40可以是只读存储器40(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)、块随机存取存储器(block random access memory,BRAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmableread-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘可读存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由电子设备存取的任何其他介质,但不限于此。存储器40可以是独立存在,通过总线43与逻辑阵列芯片42相连接。存储器40也可以和逻辑阵列芯片42或处理器41集成在一起。
总线43,可以是工业标准体系结构(industry standard architecture,ISA)总线、外部设备互连(peripheral component interconnect,PCI)总线、虚拟高速串行计算机扩展总线(peripheral component interconnect express,PCIe)或扩展工业标准体系结构(extended industry standard architecture,EISA)总线等。该总线43可以分为地址总线、数据总线、控制总线等。为便于表示,图13中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
另外,为了方便电子设备01与其他设备(例如服务器)进行信息交互,该电子设备01包括通信接口44。通信接口44,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如控制系统、无线接入网(radio access network,RAN),无线局域网(wirelesslocal area networks,WLAN)等。通信接口44可以包括接收单元实现接收功能,以及发送单元实现发送功能。
在一些实施例中,若电子设备为终端设备,参照图14所示,电子设备01还可选包括有:外围设备接口45和至少一个外围设备。处理器41、存储器40和外围设备接口45之间可以通过总线43或信号线相连。各个外围设备可以通过总线43、信号线或电路板与外围设备接口45相连。具体地,外围设备包括:射频电路46、显示屏47、摄像头48、音频电路49、定位组件50和电源51中的至少一种。
外围设备接口45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41和存储器40。在一些实施例中,处理器41、存储器40和外围设备接口45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41、存储器40和外围设备接口45中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不予限定。
射频电路46用于接收和发射RF(radio frequency,射频)信号,也称电磁信号。射频电路46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46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46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46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Wi-Fi(wireless fidelity,无线保真)网络。在一些实施例中,射频电路46还可以包括NFC(near field communication,近距离无线通信)有关的电路,本公开对此不加以限定。
显示屏47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47是显示屏时,显示屏47还具有采集在显示屏47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41进行处理。此时,显示屏47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47可以为一个,设置电子设备01的前面板;显示屏47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48用于采集图像或视频。可选地,摄像头组件48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。音频电路49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41进行处理,或者输入至射频电路46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,分别设置在电子设备01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41或射频电路46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49还可以包括耳机插孔。
定位组件50用于定位电子设备01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50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51用于为电子设备01中的各个组件进行供电。电源51可以是交流电、直流电、一次性电池或可充电电池。当电源51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,电子设备01还包括有一个或多个传感器410。该一个或多个传感器410包括但不限于:加速度传感器、陀螺仪传感器、压力传感器、指纹传感器、光学传感器以及接近传感器。
加速度传感器可以检测以电子设备01建立的坐标系的三个坐标轴上的加速度大小。陀螺仪传感器可以检测电子设备01的机体方向及转动角度,陀螺仪传感器可以与加速度传感器协同采集用户对电子设备01的3D动作。压力传感器可以设置在电子设备01的侧边框和/或显示屏47的下层。当压力传感器设置在电子设备01的侧边框时,可以检测用户对电子设备01的握持信号。指纹传感器用于采集用户的指纹。光学传感器用于采集环境光强度。接近传感器,也称距离传感器,通常设置在电子设备01的前面板。接近传感器用于采集用户与电子设备01的正面之间的距离。
本领域技术人员可以理解,图13中示出的结构并不构成对终端的限定,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。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有指令,当该计算机可读存储介质上的指令由电子设备的逻辑阵列芯片执行时,使得电子设备能够执行前述实施例中提供的应用在电子设备上的对象分类方法。
本公开实施例还提供一种包含指令的计算机程序产品,当其在电子设备的逻辑阵列芯片上运行时,使得逻辑阵列芯片执行前述实施例提供的对象分类方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (21)
1.一种对象分类方法,其特征在于,应用于包括有逻辑阵列芯片的电子设备,所述对象分类方法包括:
所述逻辑阵列芯片接收并解析待分类对象的特征信息,得到所述待分类对象的至少一个特征参量;所述待分类对象为视频、语音或者图片;
所述逻辑阵列芯片查询预先部署的参量阈值表,确定与所述待分类对象的各特征参量对应的参量阈值;所述参量阈值表中记录有分类模型中各特征参量对应的参量阈值;
所述逻辑阵列芯片根据所述待分类对象的特征参量对应的参量阈值,对所述待分类对象的特征参量进行编码,得到所述待分类对象的目标编码;
所述逻辑阵列芯片查询预先部署的分类结果表,得到与所述目标编码对应的目标分类结果,并将所述目标分类结果作为所述待分类对象的分类结果;所述分类结果表包括所述分类模型中特征参量的编码和所述分类模型的对象分类结果之间的对应关系。
2.根据权利要求1所述的对象分类方法,其特征在于,所述对所述待分类对象的各特征参量进行编码,包括:
根据所述待分类对象的特征参量对应的参量阈值,确定待分类对象的各特征参量的子编码;
组合确定出的所有子编码,得到所述目标编码。
3.根据权利要求2所述的对象分类方法,其特征在于,所述根据所述待分类对象的特征参量对应的参量阈值,确定待分类对象的各特征参量对应的子编码,包括:
所述逻辑阵列芯片在所述待分类对象的特征参量大于第一参量阈值的情况下,将所述待分类对象的特征参量对应所述第一参量阈值的子编码确定为1;所述逻辑阵列芯片在所述待分类对象的特征参量小于或等于第一参量阈值的情况下,将所述待分类对象的特征参量对应所述第一参量阈值的子编码确定为0;所述第一参量阈值为所述待分类对象的特征参量对应的所有参量阈值中的一个。
4.根据权利要求3所述的对象分类方法,其特征在于,在所述分类模型包括至少一个分类器的情况下,所述组合确定出的所有子编码,得到所述目标编码,包括:
确定所述至少一个特征参量中对应每个所述分类器的特征参量;
将所述分类器对应的所有特征参量对应的所有子编码组合为所述分类器的子目标编码;
将所有所述子目标编码的组合确定为所述目标编码。
5.根据权利要求1所述的对象分类方法,其特征在于,所述查询预先部署的分类结果表,得到与所述目标编码对应的目标分类结果,包括:
确定所述分类结果表中与所述目标编码匹配的第一编码,并将所述第一编码对应的对象分类结果作为所述目标分类结果。
6.根据权利要求1所述的对象分类方法,其特征在于,在所述分类结果表包括与所述至少一个分类器分别对应的至少一个子分类结果表,所述子分类结果表包括其所属的分类器中特征参量的编码和所述子分类结果表所属的分类器的对象分类结果的对应关系的情况下,所述查询预先部署的分类结果表,得到与所述目标编码对应的目标分类结果,包括:
确定对应所述目标编码中对应每个子分类结果表的子目标编码;
确定第一子分类结果表中与第一子目标编码匹配的待定编码,并将所述待定编码对应的对象分类结果作为所述第一子目标编码对应的子目标分类结果;所述第一子目标编为所有子目标编中的一个,所述第一子分类结果表为所有所述子分类结果表中与所述第一子目标编码对应的一个;
根据所有所述子目标编码的子目标分类结果,确定所述目标分类结果。
7.根据权利要求6所述的对象分类方法,其特征在于,所述根据所有所述子目标编码的子目标分类结果,确定所述目标分类结果,包括:
将所有所述子目标编码的子目标分类结果中占比最大的子目标分类结果,确定为所述目标分类结果。
8.根据权利要求1-7任一项所述的对象分类方法,其特征在于,所述电子设备还包括处理器,所述处理器通过总线接口与所述逻辑阵列芯片连接,所述对象分类方法还包括:
所述逻辑阵列芯片通过所述总线接口从所述处理器下载所述分类模型的所述参量阈值表和所述分类结果表。
9.根据权利要求1-7任一项所述的对象分类方法,其特征在于,所述对象分类方法还包括:
所述逻辑阵列芯片通过自身的网络接口发送所述待分类对象的分类结果。
10.一种对象分类装置,应用于包括有逻辑阵列芯片的电子设备,其特征在于,包括:
获取模块,被配置为接收并解析待分类对象的特征信息,得到所述待分类对象的至少一个特征参量;所述待分类对象为视频、语音或者图片;
处理模块,被配置为查询预先部署的参量阈值表,确定与所述获取模块获取的所述待分类对象的各特征参量对应的参量阈值;所述参量阈值表中记录有分类模型中各特征参量对应的参量阈值;
编码模块,被配置为根据所述处理模块确定的所述待分类对象的特征参量对应的参量阈值,对所述获取模块获取的所述待分类对象的特征参量进行编码,得到所述待分类对象的目标编码;
所述处理模块,还被配置为查询预先部署的分类结果表,得到与所述编码模块得到的所述目标编码对应的目标分类结果,并将所述目标分类结果作为所述待分类对象的分类结果;所述分类结果表包括所述分类模型中特征参量的编码和所述分类模型的对象分类结果之间的对应关系。
11.根据权利要求10所述的对象分类装置,其特征在于,所述编码模块具体被配置为:
根据所述处理模块确定的所述待分类对象的特征参量对应的参量阈值,确定所述获取模块获取的所述待分类对象的各特征参量的子编码;
组合确定出的所有子编码,得到所述目标编码。
12.根据权利要求11所述的对象分类装置,其特征在于,所述编码模块具体被配置为:
在所述待分类对象的特征参量大于第一参量阈值的情况下,将所述待分类对象的特征参量对应所述第一参量阈值的子编码确定为1;在所述待分类对象的特征参量小于或等于第一参量阈值的情况下,将所述待分类对象的特征参量对应所述第一参量阈值的子编码确定为0;所述第一参量阈值为所述获取模块获取的所述待分类对象的特征参量对应的所有参量阈值中的一个。
13.根据权利要求12所述的对象分类装置,其特征在于,在所述分类模型包括至少一个分类器的情况下,所述编码模块具体被配置为:
确定所述至少一个特征参量中对应每个所述分类器的特征参量;
将所述分类器对应的所有特征参量对应的所有子编码组合为所述分类器的子目标编码;
将所有所述子目标编码的组合确定为所述目标编码。
14.根据权利要求13所述的对象分类装置,其特征在于,所述处理模块具体被配置为:
确定所述分类结果表中与所述编码模块得到的所述目标编码匹配的第一编码,并将所述第一编码对应的对象分类结果作为所述目标分类结果。
15.根据权利要求10所述的对象分类装置,其特征在于,在所述分类结果表包括与所述至少一个分类器分别对应的至少一个子分类结果表,所述子分类结果表包括其所属的分类器中特征参量的编码和所述子分类结果表所属的分类器的对象分类结果的对应关系的情况下,所述处理模块具体被配置为:
确定对应所述编码模块得到所述目标编码中对应每个子分类结果表的子目标编码;
确定第一子分类结果表中与第一子目标编码匹配的待定编码,并将所述待定编码对应的对象分类结果作为所述第一子目标编码对应的子目标分类结果;所述第一子目标编为所有子目标编中的一个,所述第一子分类结果表为所有所述子分类结果表中与所述第一子目标编码对应的一个;
根据所有所述子目标编码的子目标分类结果,确定所述目标分类结果。
16.根据权利要求15所述的对象分类装置,其特征在于,所述处理模块具体被配置为:
将所有所述子目标编码的子目标分类结果中占比最大的子目标分类结果,确定为所述目标分类结果。
17.根据权利要求10-16任一项所述的对象分类装置,其特征在于,所述电子设备还包括处理器,所述处理器通过总线接口与所述逻辑阵列芯片连接,所述获取模块还被配置为:从所述处理器下载所述分类模型的所述参量阈值表和所述分类结果表。
18.根据权利要求10-16任一项所述的对象分类装置,其特征在于,还包括:
发送模块,被配置为发送所述处理模块确定的所述待分类对象的分类结果。
19.一种电子设备,其特征在于,包括:
处理器;
逻辑阵列芯片,通过总线接口与所述处理器连接;
用于存储可执行指令的存储器;
其中,所述逻辑阵列芯片被配置为执行所述可执行指令,以实现如权利要求1-9中任一项所述的对象分类方法。
20.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,当所述计算机可读存储介质中的指令由电子设备的逻辑阵列芯片执行时,使得所述电子设备执行如权利要求1-9中任一项所述的对象分类方法。
21.一种计算机程序产品,其特征在于,包括一条或多条指令,所述一条或多条指令在电子设备的逻辑阵列芯片上运行时,使得所述电子设备的逻辑阵列芯片执行如权利要求1-9中任一项所述的对象分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110594708.4A CN113240036B (zh) | 2021-05-28 | 2021-05-28 | 一种对象分类方法和装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110594708.4A CN113240036B (zh) | 2021-05-28 | 2021-05-28 | 一种对象分类方法和装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240036A CN113240036A (zh) | 2021-08-10 |
CN113240036B true CN113240036B (zh) | 2023-11-07 |
Family
ID=77135629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110594708.4A Active CN113240036B (zh) | 2021-05-28 | 2021-05-28 | 一种对象分类方法和装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240036B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523241A (zh) * | 2012-01-09 | 2012-06-27 | 北京邮电大学 | 基于决策树高速并行处理的网络流量在线分类方法及装置 |
CN109376797A (zh) * | 2018-11-20 | 2019-02-22 | 大连理工大学 | 一种基于二进制编码器和多哈希表的网络流量分类方法 |
CN111104954A (zh) * | 2018-10-26 | 2020-05-05 | 华为技术有限公司 | 一种对象分类的方法与装置 |
CN111368079A (zh) * | 2020-02-28 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 一种文本分类的方法、模型训练的方法、装置及存储介质 |
CN111652280A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于行为的目标物数据分析方法、装置及存储介质 |
CN111813929A (zh) * | 2020-05-27 | 2020-10-23 | 维沃移动通信有限公司 | 资讯处理方法、装置及电子设备 |
CN112052333A (zh) * | 2020-08-20 | 2020-12-08 | 深圳市欢太科技有限公司 | 文本分类方法及装置、存储介质和电子设备 |
-
2021
- 2021-05-28 CN CN202110594708.4A patent/CN113240036B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523241A (zh) * | 2012-01-09 | 2012-06-27 | 北京邮电大学 | 基于决策树高速并行处理的网络流量在线分类方法及装置 |
CN111104954A (zh) * | 2018-10-26 | 2020-05-05 | 华为技术有限公司 | 一种对象分类的方法与装置 |
CN109376797A (zh) * | 2018-11-20 | 2019-02-22 | 大连理工大学 | 一种基于二进制编码器和多哈希表的网络流量分类方法 |
CN111368079A (zh) * | 2020-02-28 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 一种文本分类的方法、模型训练的方法、装置及存储介质 |
CN111652280A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于行为的目标物数据分析方法、装置及存储介质 |
CN111813929A (zh) * | 2020-05-27 | 2020-10-23 | 维沃移动通信有限公司 | 资讯处理方法、装置及电子设备 |
CN112052333A (zh) * | 2020-08-20 | 2020-12-08 | 深圳市欢太科技有限公司 | 文本分类方法及装置、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113240036A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178546B (zh) | 机器学习模型的搜索方法及相关装置、设备 | |
Alzubi et al. | Distracted driver detection using compressed energy efficient convolutional neural network | |
CN110162604B (zh) | 语句生成方法、装置、设备及存储介质 | |
CN112163428A (zh) | 语义标签的获取方法、装置、节点设备及存储介质 | |
EP4287068A1 (en) | Model training method, scene recognition method, and related device | |
CN111339737B (zh) | 实体链接方法、装置、设备及存储介质 | |
CN113822322B (zh) | 图像处理模型训练方法及文本处理模型训练方法 | |
CN110533693B (zh) | 一种目标跟踪方法及目标跟踪装置 | |
CN114722937B (zh) | 一种异常数据检测方法、装置、电子设备和存储介质 | |
CN111507094B (zh) | 基于深度学习的文本处理模型训练方法、装置及设备 | |
WO2023045879A1 (zh) | 内存分配方法、内存分配装置、电子设备和可读存储介质 | |
CN111209377A (zh) | 基于深度学习的文本处理方法、装置、设备及介质 | |
CN110942046A (zh) | 图像检索方法、装置、设备及存储介质 | |
CN114547428A (zh) | 推荐模型处理方法、装置、电子设备及存储介质 | |
CN108021669B (zh) | 图像分类方法和装置、电子设备、计算机可读存储介质 | |
CN112561084B (zh) | 特征提取方法、装置、计算机设备及存储介质 | |
CN114281936A (zh) | 分类方法、装置、计算机设备及存储介质 | |
CN113240036B (zh) | 一种对象分类方法和装置、电子设备、存储介质 | |
CN116778306A (zh) | 伪造对象检测方法、相关装置及存储介质 | |
CN116758362A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN112232890B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113343709B (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
EP4339881A1 (en) | Compression and decompression methods and apparatuses for 3d map | |
CN111104566B (zh) | 特征索引编码方法、装置、电子设备及存储介质 | |
CN111599417B (zh) | 溶解度预测模型的训练数据获取方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |