CN113344214B - 数据处理模型的训练方法、装置、电子设备及存储介质 - Google Patents
数据处理模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113344214B CN113344214B CN202110604501.0A CN202110604501A CN113344214B CN 113344214 B CN113344214 B CN 113344214B CN 202110604501 A CN202110604501 A CN 202110604501A CN 113344214 B CN113344214 B CN 113344214B
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- data processing
- target
- processing model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Abstract
本公开提供了一种数据处理模型的训练方法、装置、电子设备及存储介质,涉及计算机技术领域,尤其涉及深度学习、大数据处理等人工智能技术领域。具体实现方案为:获取多个样本数据,多个样本数据具有对应的多个标注信息;对多个样本数据进行融合处理,以得到目标样本数据;以及根据多个样本数据、目标样本数据,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型。由于是根据融合处理得到的目标样本数据对初始的数据处理模型进行训练,能够相应地减少数据处理模型所处理的数据量,从而有效地避免无效数据对显存的占用,有效地提升数据处理模型的训练效率,提升数据处理模型的数据处理效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及深度学习、大数据处理等人工智能技术领域,具体涉及一种数据处理模型的训练方法、装置、电子设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术,以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
相关技术中,在数据处理模型训练过程中,由于多个样本数据之间的帧长差异较大,通常采用对多个样本数据对齐的方式,以根据对齐的样本数据进行模型训练,而对多个样本数据对齐的方式会带入无效数据,从而影响数据处理模型的训练效率。
发明内容
本公开提供了一种用于数据处理模型的训练方法、数据处理方法、装置、电子设备、存储介质以及计算机程序产品。
根据本公开的第一方面,提供了一种数据处理模型的训练方法,包括:获取多个样本数据,多个样本数据具有对应的多个标注信息;对多个样本数据进行融合处理,以得到目标样本数据;以及根据多个样本数据、目标样本数据,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型。
根据本公开的第二方面,提供了一种据处理方法,包括:获取待处理数据;将待处理数据输入至如上述的数据处理模型的训练方法训练得到的目标数据处理模型之中,以得到目标数据处理模型输出的目标信息。
根据本公开的第三方面,提供了一种数据处理模型的训练装置,包括:第一获取模块,用于获取多个样本数据,多个样本数据具有对应的多个标注信息;融合模块,用于对多个样本数据进行融合处理,以得到目标样本数据;训练模块,用于根据多个样本数据、目标样本数据,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型。
根据本公开的第四方面,提供了一种数据处理装置,包括:第二获取模块,用于获取待处理数据;处理模块,用于将待处理数据输入至如上述的数据处理模型的训练装置训练得到的目标数据处理模型之中,以得到目标数据处理模型输出的目标信息。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面的数据处理模型的训练方法,或者执行如第二方面的数据处理方法。
根据本公开的第六方面,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,计算机指令用于使计算机执行如第一方面的数据处理模型的训练方法,或者执行如第二方面的数据处理方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面的数据处理模型的训练方法,或者执行如第二方面的数据处理方法。
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是根据本公开第一实施例的示意图;
图2a是本公开实施例中样本数据的标准排列结构示意图;
图2b是本公开实施例中样本数据的紧密排列结构示意图;
图3是根据本公开第二实施例的示意图;
图4是本公开实施例中搜索出的计算子图示意图;
图5是本公开实施例中数据处理模型的结构示意图
图6是根据本公开第三实施例的示意图;
图7是根据本公开第四实施例的示意图;
图8是根据本公开第五实施例的示意图;
图9是根据本公开第六实施例的示意图;
图10是根据本公开第七实施例的示意图;
图11示出了可以用来实施本公开的实施例的数据处理模型的训练方法的示例电子设备的示意性框图。
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。
图1是根据本公开第一实施例的示意图。
其中,需要说明的是,本实施例的数据处理模型的训练方法的执行主体为数据处理模型的训练装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
本公开实施例涉及深度学习、大数据处理等人工智能技术领域。
其中,人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
而大数据处理,是指采用人工智能的方式对规模巨大的数据进行分析以及处理的过程,而大数据可以概括为5个V,数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值(Value)、真实性(Veracity)。
本实施例中,数据处理模型的训练方法的执行主体可以通过各种公开、合法合规的方式获取数据,例如可以是从公开数据集处获取的,或者是经过了用户的授权从用户处获取的。该数据并不能反映出某一特定用户的个人信息。
需要说明的是,本公开实施例中的数据均是在符合相关法律、法规的情况下获取的。
如图1所示,该数据处理模型的训练方法,包括:
S101:获取多个样本数据,多个样本数据具有对应的多个标注信息。
其中,用于训练数据处理模型的数据,可以被称为样本数据,该样本数据可以是样本的图像数据,也可以是样本的音频数据,对此不做限制。
一些实施例中,在获取样本数据时,可以获取视频流,并对该视频流进行视频帧解析,以得到多帧视频作为样本数据,或者,也可以解析各帧视频对应的音频数据作为样本数据,对此不做限制。
一些实施例中,在获取样本数据时,可以是从样本数据池中获取,该数据池可以是预先构建的,其中包含多个不同的样本数据,则可以直接从样本数据池抓取一个,或者多个样本数据,或者,也可以采用其它任意可能的方式来获取样本数据,对此不做限制。
另外一些实施例中,还可以直接将经由数据输入接口(该数据输入接口可以例如是电子设备上配置的一个接口,可以被用于接收样本数据)接收用户输入的数据(图像数据,或音频数据)作为样本数据,对此不做限制。
其中,标注信息,是用于在训练数据处理模型的过程中作为参考标注的信息,假设数据处理模型执行数据处理任务,是根据输入的样本数据,输出与该样本数据对应的预测信息,而作为参考标注的信息,可以被称为标注信息,该标注信息可被用于确定数据处理模型的收敛时机,对此不做限制。
而信息可以具体用于描述样本数据对应的数据特征,例如该样本数据对应的长度、包含的字符数、该样本数据对应的语义、上下文信息等等,对此不做限制。
在本公开实施例中,在采用多个样本数据训练数据处理模型的过程中,可以将多个样本数据组成一个样本数据序列,以样本数据序列的形式进行迭代训练,样本数据序列由多个样本数据构成时。
而与多个样本数据分别对应的多个标注的信息(例如该样本数据对应的标注的长度、包含的字符数、该样本数据对应的语义、上下文信息等等),可以被称为对应的多个标注的信息。
需要说明的是,本实施例中的样本数据并不是针对某一特定用户的样本数据,并不能反映出某一特定用户的个人信息。
本实施例中的样本数据可以来自于公开数据集,或者样本数据的获取是经过了样本数据对应的用户的授权。
S102:对多个样本数据进行融合处理,以得到目标样本数据。
上述在获取样本数据,以及确定多个样本数据对应的多个标注信息后,可以对多个样本数据进行融合处理,以得到融合处理后的样本数据,该融合处理后的样本数据,即可以被称为目标样本数据。
举例而言,若多个样本数据包括:2个样本数据,分别为样本数据a、样本数据b、样本数据a可以由a1、a2两个数据帧组成,样本数据b可以由b1、b2两个数据帧组成,则可以对样本数据a、样本数据b对应的数据帧进行融合,例如:可以对a1、b1两个数据帧进行融合处理,以得到一个新的样本数据(样本数据c),对a2、b2两个数据帧进行融合处理,以得到一个新的样本数据(样本数据d),而样本数据c和样本数据d即可以被称为目标样本数据,对此不做限制。
可选的,一些实施例中,对多个样本数据进行融合处理,以得到目标样本数据,可以对多个样本数据进行首尾拼接,并将首尾拼接得到的样本数据作为目标样本数据。
如图2a所示,图2a是本公开实施例中样本数据的标准排列结构示意图。包括:4个样本数据,4个样本数据对应的批尺寸是4,4个样本数据依照标准排列方式排列为:样本数据a、样本数据b、样本数据c、样本数据d。
如图2b所示,图2b是本公开实施例中样本数据的紧密排列结构示意图。在获取上述图2a所示以标准排列方式排列的4个样本数据后,可以对上述样本数据a、样本数据b、样本数据c、样本数据d,通过首尾拼接的方式进行融合处理,即可以将样本数据a的数据帧尾与样本数据b的数据帧头进行拼接,将样本数据b的数据帧尾与样本数据c的数据帧头进行拼接,相应的,将样本数据c的数据帧尾与样本数据d的数据帧头进行拼接,以得到以紧密排列方式排列的样本数据,该样本数据即为目标样本数据,目标样本数据对应的批尺寸为1。
由上述图2a和图2b中可知,在本公开实施例中,在对多个样本数据进行融合处理时,可以是采用对多个样本数据进行首尾拼接的方式,对样本数据进行融合处理,这种方式下,由于避免了对多个样本数据进行对齐(由于对齐处理的方式通常需要补零,补充的数据即为无效数据),从而本公开实施例可以有效地避免引入无效数据,减少无效数据对显存的占用,能够较大程度地降低对计算资源的浪费,另外,首尾拼接的融合处理方式,实现简便,能够有效地避免数据融合对数据处理模型训练过程的影响,保障数据处理模型训练的连贯性。
当然,也可以采用其它任意可能的方式来对多个样本数据进行融合处理,以得到目标样本数据,比如模型融合的方式,加权融合的方式等等,对此不做限制。
S103:根据多个样本数据、目标样本数据,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型。
其中,在训练的初始阶段获取得到的数据处理模型,可以被称为初始的数据处理模型,该初始的数据处理模型可以是人工智能模型,具体例如为神经网络模型或者是机器学习模型,当然,也可以采用其它任意可能的能够执行数据处理任务的模型,对此不做限制。
上述在对多个样本数据进行融合处理,以得到目标样本数据后,可以根据多个样本数据、目标样本数据,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型。
例如,可以将多个样本数据、目标样本数据、多个标注信息输入初始的数据处理模型之中,以得到初始的数据处理模型输出的预测信息,如果预测信息与标注信息之间满足收敛条件,则确定数据处理模型收敛,可以将训练得到的数据处理模型作为目标数据处理模型。
一些实施例中,可以针对初始的数据处理模型预先配置损失函数,在训练数据处理模型的过程中,将多个标注信息和预测信息作为损失函数的输入参数,并确定损失函数输出的损失值,并结合该损失值确定数据处理模型是否满足收敛时机,对此不做限制。
本实施例中,通过获取多个样本数据,多个样本数据具有对应的多个标注信息,并对多个样本数据进行融合处理,以得到目标样本数据,以及根据多个样本数据、目标样本数据,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型,由于是根据融合处理得到的目标样本数据对初始的数据处理模型进行训练,能够相应地减少数据处理模型所处理的数据量,从而有效地避免无效数据对显存的占用,有效地提升数据处理模型的训练效率,提升数据处理模型的数据处理效果。
需要说明的是,本实施例中的初始数据处理模型,也并不是针对某一特定用户的数据处理模型,也并不能反映出某一特定用户的个人信息。
通过本步骤得到的目标数据处理模型包含了针对样本数据的数据处理逻辑,但该样本数据的数据处理逻辑的构建是在经用户授权后执行的,其构建过程符合相关法律法规。
图3是根据本公开第二实施例的示意图。
如图3所示,该数据处理模型的训练方法,包括:
S301:获取多个样本数据,多个样本数据具有对应的多个标注信息。
需要说明的是,本实施例中的样本数据并不是针对某一特定用户的样本数据,并不能反映出某一特定用户的个人信息。
本实施例中的样本数据可以来自于公开数据集,或者样本数据的获取是经过了样本数据对应的用户的授权。
S302:对多个样本数据进行融合处理,以得到目标样本数据。
S301-S302的描述说明可以具体参见上述实施例,在此不再赘述。
S303:获取与多个样本数据对应的多个数据特征。
其中,数据特征可以具体用于描述样本数据的数据特征,例如该样本数据对应的长度、包含的字符数等,对此不做限制。
本公开实施例中,与多个样本数据对应的多个数据长度,以及多个样本数据的批尺寸(例如多个样本数据的数量),即可以被称为多个数据特征,对此不做限制。
举例而言,假设多个样本数据包含:2个样本数据,两个样本数据对应的批尺寸为2,则可以将2个样本数据分别对应的两种数据长度,以及该2个样本数据对应的批尺寸(2),作为数据特征,对此不做限制。
当然,也可以采用其它任意可能的方式来确定与多个样本数据对应的多个数据特征,使得确定的数据特征能够表征样本数据对运算资源的占用情况即可,对此不做限制。
S304:根据多个数据特征,从多个计算节点之中识别出目标计算节点。
其中,根据多个数据特征,从多个计算节点之中识别出的计算节点,可以被称为目标计算节点。
而计算节点能够被用于执行数据处理逻辑中的相应计算任务,多个计算节点可以具有一定的连接关系,例如,顺序连接关系,从而在采用多个计算节点分别对应的计算任务,来训练数据处理模型时,可以是采用多个计算节点顺序地分别对输入的样本数据执行对应的计算任务,以支持数据处理模型的训练过程。
其中,对多个样本数据的数据特征不敏感的计算任务所属的计算节点,可以被称为目标计算节点。
举例而言,对样本数据的数据特征不敏感的计算任务所属的计算节点可以例如,全连接层(Full Connect Layers,FC)和逐元素相乘(element-wise)。
上述在获取多个样本数据后,可以根据多个数据特征,从多个计算节点之中识别出目标计算节点,由于目标计算节点在执行对应的计算任务时,对样本数据的数据特征(该数据特征能够表征样本数据对运算资源的占用情况)不敏感的特性,则可以相应地对输入至目标计算节点的多个样本数据进行相应的优化处理,以相应地减少数据处理模型所处理的数据量。
以数据特征是多个样本数据的批尺寸进行示例。
举例而言,如果获取到的多个样本数据对应的批尺寸为4,且该多个样本数据被用于作为目标计算节点的输入数据,以执行相应的计算任务,由于目标计算节点可能对批尺寸不敏感,从而可以对4个样本数据进行拼接,得到以紧密排列方式排列的目标样本数据,该目标样本数据的批尺寸为1。
在本实施例中,可以参考样本数据的数据特征,从多个计算节点中确定出支持对样本数据进行紧密排列计算的目标计算节点,而后,若目标计算节点的数量为多个,则还可以根据多个目标计算节点生成计算子图,例如逐个地将计算节点加入计算子图,在计算子图上搜索与它连通的计算节点,并确定连通的计算节点是否支持紧密排列计算(即是否是目标计算节点),若支持紧密排列计算,则可以将该连通的计算节点加入到计算子图之中,并以此类推,对计算子图进行扩充,直至搜索出全部的目标计算节点。
如图4所示,图4是本公开实施例中搜索出的计算子图示意图,该计算子图中包括:多个目标计算节点,从而支持后续针对输入目标计算节点的多个样本数据进行相应的优化处理。
S305:将目标样本数据输入至目标计算节点之中,以得到目标计算节点输出的第一中间计算结果。
上述在对多个样本数据进行融合处理,以得到目标样本数据,并根据样本数据对应的多个数据特征,从多个计算节点中,确定目标计算节点后,可以将目标样本数据输入至目标计算节点之中,以得到目标计算节点输出的第一中间计算结果。
其中,模型训练过程中,在将样本数据输入数据处理模型后,通常是基于计算节点对样本数据执行相应的计算任务,以输出与样本数据分别对应的多个中间计算结果,其中,当将样本数据输入至目标计算节点之后,采用目标计算节点对目标样本数据执行相应计算任务输出的计算结果,可以被称为中第一中间计算结果。
也即是说,本申请实施例中,由于结合了样本数据的数据特征对数据处理模型之中多个计算节点进行了划分,以确定出目标计算节点(由于目标计算节点对数据特征相对地不敏感),从而可以针对输入至目标计算节点的多个样本数据进行相应的融合优化处理,以避免带入过多的无效数据,而针对其它计算节点,则可以不对样本数据进行融合处理,以保证数据处理的计算任务的计算准确性,从而兼顾了数据处理的准确性和数据处理的效率,并且使得针对样本数据的融合过程与已有的数据处理逻辑相兼容。
如图5所示,图5是本公开实施例中数据处理模型的结构示意图,在上述图4所示标识出计算子图(该计算子图包括:多个相连接的目标计算节点)之后,可以对初始的数据处理模型的结构进行相应的优化处理。
举例而言,可以针对初始的数据处理模型的结构添加数据转换节点,和相应的数据还原节点,数据转换节点(例如图5中的lod_trans节点)支持将多个样本数据由标准排列结构转换为紧密排列结构,数据还原节点(例如图5中的re_lod_trans节点),支持将处理目标样本数据得到的第一中间计算结果还原为多个中间计算子结果,即,由紧密排列结构还原为标准排列结构,对此不做限制。
举例而言,可以将以标准排列方式排列的多个样本数据输入至lod_trans节点中,以得到lod_trans节点输出的以紧密排列结构排列的目标样本数据,而后,将目标样本数据输入至目标计算节点之中,以采用目标计算节点对目标样本数据进行相应的计算,得到的中间计算结果,即可以被称为第一中间计算结果。
也即是说,该第一中间计算结果,是目标计算节点针对目标样本数据执行计算任务,得到的计算结果。
相应地,下述其它计算节点针对多个样本数据执行计算任务,得到的与多个样本数据分别对应的计算结果,可以被称为多个第二中间计算结果。
S306:将多个样本数据输入至其它计算节点之中,以得到其它计算节点输出的第二中间计算结果,其中,目标计算节点和其它计算节点共同构成多个计算节点。
其中,初始的数据处理模型包括多个计算节点,从而上述在确定目标计算节点后,剩余的计算节点,即可被称为其它计算节点,也即是说,其它计算节点相较于目标计算节点而言,对输入其的样本数据的数据特征较为敏感,从而针对输入至其它计算节点的多个样本数据,不进行相应的数据融合处理,以保障数据处理的准确性。
其中,其它计算节点可以例如,卷积层(Convolutional Layer,Conv)和批标准化(batch-normalizasion)。
本公开实施例中,在将目标样本数据输入至目标计算节点之中,以得到目标计算节点输出的第一中间计算结果后,可以将多个样本数据输入至其它计算节点之中,以得到其它计算节点输出的第二中间计算结果,而后触发执行后续步骤。
S307:根据第一中间计算结果、第二中间计算结果,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型。
上述将多个样本数据输入至其它计算节点之中,以得到其它计算节点输出的第二中间计算结果后,可以根据第一中间计算结果、第二中间计算结果,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型。
举例而言,可以将第一中间计算结果、第二中间计算结果输入初始的数据处理模型之中,以得到初始的数据处理模型输出的预测信息,如果预测信息与标注信息之间满足收敛条件,则确定数据处理模型满足收敛时机,可以将训练得到的数据处理模型作为目标数据处理模型。
一些实施例中,可以针对初始的数据处理模型预先配置损失函数,在训练数据处理模型的过程中,将多个标注信息和预测信息作为损失函数的输入参数,并确定损失函数输出的损失值,并结合该损失值确定数据处理模型是否满足收敛时机,对此不做限制。
需要说明的是,本实施例中的初始数据处理模型,也并不是针对某一特定用户的数据处理模型,也并不能反映出某一特定用户的个人信息。
通过本步骤得到的待训练数据处理模型包含了针对样本数据的数据处理逻辑,但该样本数据的数据处理逻辑的构建是在经用户授权后执行的,其构建过程符合相关法律法规。
本实施例中,通过获取多个样本数据,多个样本数据具有对应的多个标注信息,并对多个样本数据进行融合处理,以得到目标样本数据,以及根据多个样本数据、目标样本数据,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型,由于是根据融合处理得到的目标样本数据对初始的数据处理模型进行训练,能够相应地减少数据处理模型所处理的数据量,从而有效地避免无效数据对显存的占用,有效地提升数据处理模型的训练效率,提升数据处理模型的数据处理效果。通过获取与多个样本数据对应的多个数据特征,并根据多个数据特征,从多个计算节点之中识别出目标计算节点,将目标样本数据输入至目标计算节点之中,以得到目标计算节点输出的第一中间计算结果,将多个样本数据输入至其它计算节点之中,以得到其它计算节点输出的第二中间计算结果,其中,目标计算节点和其它计算节点共同构成多个计算节点,以及根据第一中间计算结果、第二中间计算结果,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型,由于结合了样本数据的数据特征对数据处理模型之中多个计算节点进行了划分,以确定出目标计算节点(由于目标计算节点对数据特征相对地不敏感),从而可以针对输入至目标计算节点的多个样本数据进行相应的融合优化处理,以避免带入过多的无效数据,而针对其它计算节点,则可以不对样本数据进行融合处理,以保证数据处理的计算任务的计算准确性,从而兼顾了数据处理的准确性和数据处理的效率,并且使得针对样本数据的融合过程与已有的数据处理逻辑相兼容。
图6是根据本公开第三实施例得示意图。
如图6所示,该数据处理模型的训练方法,包括:
S601:获取与多个样本数据对应的多个数据特征。
需要说明的是,本实施例中的样本数据并不是针对某一特定用户的样本数据,并不能反映出某一特定用户的个人信息。
本实施例中的样本数据可以来自于公开数据集,或者样本数据的获取是经过了样本数据对应的用户的授权。
S601的描述说明可以具体参见上述实施例,在此不再赘述。
S602:根据多个数据特征,确定与多个计算节点对应的多个敏感程度值。
其中,敏感程度值,用于描述计算节点对样本数据的数据特征的敏感程度,敏感程度值越大,则表明计算节点对数据特征较为敏感,反之,则表明计算节点对数据特征相对的不敏感。
S603:将小于设定程度阈值的敏感程度值所对应的计算节点作为目标计算节点。
上述在根据多个数据特征,确定与多个计算节点分别对应的多个敏感程度值后,可以将小于设定程度阈值的敏感程度值所对应的计算节点作为目标计算节点。
其中,设定程度阈值可以是预先配置的,也可以结合数据处理模型的实际训练场景需求自适应调整,对此不做限制。
一些实施例中,可以确定多个计算节点分别对应的多个敏感程度值,并将多个敏感程度值与设定程度阈值进行比对,如果计算节点敏感程度值小于设定程度阈值,则将该计算节点作为目标计算节点。
本公开实施例中,根据多个数据特征,确定与多个计算节点分别对应的多个敏感程度值,将小于设定程度阈值的敏感程度值所对应的计算节点作为目标计算节点,由于是结合多个计算节点分别对应的敏感程度值,及设定程度阈值来确定目标计算节点,从而可以较为准确地、合理地识别出目标计算节点,从而有效地避免目标计算节点的识别计算过程对数据处理模型的处理逻辑的影响,保障了数据处理模型的训练和数据处理效率。
S604:将目标样本数据输入至目标计算节点之中,以得到目标计算节点输出的第一中间计算结果。
S605:将多个样本数据输入至其它计算节点之中,以得到其它计算节点输出的第二中间计算结果,其中,目标计算节点和其它计算节点共同构成多个计算节点。
S604-S605的描述说明可以具体参见上述实施例,在此不再赘述。
S606:根据多个数据特征处理第一中间计算结果,以得到与多个样本数据对应的多个中间计算子结果。
可以一并结合图5对本实施例做具体说明,如图5所示,可以采用上述图5中所示的数据还原节点(例如图5中的re_lod_trans节点),支持将处理目标样本数据得到的第一中间计算结果还原为多个中间计算子结果,即,由紧密排列结构还原为标准排列结构,也即是说,采用re_lod_trans节点执行根据多个数据特征处理第一中间计算结果,以得到与多个样本数据对应的多个中间计算子结果的步骤。
其中,采用re_lod_trans节点将第一中间计算结果还原得到的多个计算结果,可以被称为多个中间计算子结果。
上述在将目标样本数据输入至目标计算节点之中,以得到目标计算节点输出的第一中间计算结果后,可以根据多个数据特征处理第一中间计算结果,以得到与多个样本数据分别对应的多个中间计算子结果,从而能够有效保障后续数据处理逻辑能够准确地对多个中间计算子结果进行识别解析,保障数据处理模型整体的数据处理任务的连贯性,实现样本数据融合逻辑和数据处理逻辑之间的无缝衔接。
举例而言,上述在得到目标计算节点输出的第一中间计算结果后,可以将第一中间计算结果输入至re_lod_trans节点中,以得到re_lod_trans节点输出的与样本数据对应的以标准排列结构排列的多个中间计算子结果。
S607:将多个中间计算子结果和第二中间计算结果输入至输出层之中,以得到输出层输出的预测信息。
上述在根据多个数据特征处理第一中间计算结果,以得到与多个样本数据分别对应的多个中间计算子结果后,可以将多个中间计算子结果和第二中间计算结果输入至输出层之中,以得到输出层输出的预测信息。
其中,初始的数据处理模型,还包括:输出层,输出层用于处理多个中间计算子结果和第二中间计算结果,以得到并输出预测信息,预测信息可以用以表征模型针对样本数据的处理结果信息,该预测信息可以被用于和上述的标注信息进行比对,以确定数据处理模型的处理性能是否达标。
S608:如果预测信息和多个标注信息之间的损失值满足设定条件,则将训练得到的数据处理模型作为目标数据处理模型。
举例而言,可以预先对数据处理模型配置损失函数,在对数据处理模型的训练过程中,通过执行参数更新,得到更新的预测信息,如果预测信息和标注信息之间的损失值小于损失阈值,则可以确定数据处理模型满足收敛时机,以得到目标数据处理模型。
当然,设定条件也可以配置为其它任意可能的条件,对此不做限制。
从而本实施例中,由于是结合了多个中间计算子结果、第二中间计算结果,预测信息、及标注信息对数据处理模型进行训练,从而能够有效地提升数据处理模型的数据处理性能,有效地提升数据处理模型的训练效率,能够有效提高数据处理模型的训练效果,采用本公开实施例训练得到的数据处理模型,能够有效地适配于实时性需求较高的应用场景,较大程度地丰富了模型训练和使用的场景。
本实施例中,通过根据多个数据特征,确定与多个计算节点分别对应的多个敏感程度值,将小于设定程度阈值的敏感程度值所对应的计算节点作为目标计算节点,由于是结合多个计算节点分别对应的敏感程度值,及设定程度阈值来确定目标计算节点,从而可以较为准确地、合理地识别出目标计算节点,从而有效地避免目标计算节点的识别计算过程对数据处理模型的处理逻辑的影响,保障了数据处理模型的训练和数据处理效率。在将目标样本数据输入至目标计算节点之中,以得到目标计算节点输出的第一中间计算结果后,可以根据多个数据特征处理第一中间计算结果,以得到与多个样本数据分别对应的多个中间计算子结果,从而能够有效保障后续数据处理逻辑能够准确地对多个中间计算子结果进行识别解析,保障数据处理模型整体的数据处理任务的连贯性,实现样本数据融合逻辑和数据处理逻辑之间的无缝衔接。由于是结合了多个中间计算子结果、第二中间计算结果,预测信息、及标注信息对数据处理模型进行训练,从而能够有效地提升数据处理模型的数据处理性能,有效地提升数据处理模型的训练效率,能够有效提高数据处理模型的训练效果,采用本公开实施例训练得到的数据处理模型,能够有效地适配于实时性需求较高的应用场景,较大程度地丰富了模型训练和使用的场景。
图7是根据本公开第四实施例的示意图。
本实施例中,数据处理方法的执行主体可以通过各种公开、合法合规的方式获取待处理数据,例如可以是从公开数据集处获取的,或者是经过了用户的授权从用户处获取的。该待处理数据并不能反映出某一特定用户的个人信息。
需要说明的是,本公开实施例中的待处理数据均是在符合相关法律、法规的情况下获取的。
如图7所示,该数据处理方法包括:
S701:获取待处理数据。
其中,当前待对其进行处理的数据,可以被称为待处理数据。
该待处理数据可以例如是语音数据,也可以是图像数据。
该待处理数据的数量可以是一个或者多个,对此不做限制。
需要说明的是,本公开实施例中的待处理数据均是在符合相关法律、法规的情况下获取的。
S702:将待处理数据输入至如上述的数据处理模型的训练方法训练得到的目标数据处理模型之中,以得到目标数据处理模型输出的目标信息。
上述在获取待处理数据之后,可以将待处理数据输入至如上述数据处理模型的训练方法训练得到的目标数据处理模型之中,以得到目标数据处理模型输出的数据处理结果。
由于目标数据处理模型,是根据融合处理得到的目标样本数据对初始的数据处理模型进行训练得到的,由此,该目标数据处理模型具备了针对输入的待处理数据进行融合的处理逻辑,从而能够相应地减少数据处理模型所处理的数据量。
而该目标数据处理模型针对输入的待处理数据进行融合的处理逻辑,可以具体参见上述实施例,在此不再赘述。
本实施例中,通过获取待处理数据,并将待处理数据输入至如上述数据处理模型的训练方法训练得到的目标数据处理模型之中,以得到目标数据处理模型输出的数据处理结果,能够相应地减少数据处理模型所处理的数据量,从而有效地避免无效数据对显存的占用,有效地提升数据处理模型的数据处理效率和数据处理效果。
图8是根据本公开第五实施例的示意图。
如图8所示,该数据处理模型的训练装置80,包括:
第一获取模块801,用于获取多个样本数据,多个样本数据分别具有对应的多个标注信息;
融合模块802,用于对多个样本数据进行融合处理,以得到目标样本数据;
训练模块803,用于根据多个样本数据、目标样本数据,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型。
在本公开的一些实施例中,如图9所示,图9是根据本公开第六实施例的示意图,该数据处理模型的训练装置90,包括:第一获取模块901、融合模块902、训练模块903,其中,训练模块903,包括:
获取子模块9031,用于获取与多个样本数据分别对应的多个数据特征;
识别子模块9032,用于根据多个数据特征,从多个计算节点之中识别出目标计算节点;
第一输入子模块9033,用于将目标样本数据输入至目标计算节点之中,以得到目标计算节点输出的第一中间计算结果;
第二输入子模块9034,用于将多个样本数据输入至其它计算节点之中,以得到其它计算节点输出的第二中间计算结果,其中,目标计算节点和其它计算节点共同构成多个计算节点;以及
训练子模块9035,用于根据第一中间计算结果、第二中间计算结果,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型。
在本公开的一些实施例中,其中,训练模块903,还包括:
处理子模块9036,用于根据多个数据特征处理第一中间计算结果,以得到与多个样本数据分别对应的多个中间计算子结果。
在本公开的一些实施例中,初始的数据处理模型还包括:输出层,其中,训练子模块9035,具体用于:
将多个中间计算子结果和第二中间计算结果输入至输出层之中,以得到输出层输出的预测信息;
如果预测信息和多个标注信息之间的损失值满足设定条件,则将训练得到的数据处理模型作为目标数据处理模型。
在本公开的一些实施例中,其中,识别子模块9032,具体用于:
根据多个数据特征,确定与多个计算节点分别对应的多个敏感程度值;
将小于设定程度阈值的敏感程度值所对应的计算节点作为目标计算节点。
在本本公开的一些实施例中,其中,融合模块902,具体用于:
对多个样本数据进行首尾拼接,并将首尾拼接得到的样本数据作为目标样本数据。
可以理解的是,本实施例附图9中的数据处理模型的训练装置90与上述实施例中的数据处理模型的训练装置80,第一获取模块901与上述实施例中的第一获取模块801,融合模块902与上述实施例中的融合模块802,训练模块903与上述实施例中的训练模块803可以具有相同的功能和结构。
需要说明的是,前述对数据处理模型的训练方法的解释说明也适用于本实施例的数据处理模型的训练装置。
本实施例中,通过获取多个样本数据,多个样本数据具有对应的多个标注信息,并对多个样本数据进行融合处理,以得到目标样本数据,以及根据多个样本数据、目标样本数据,以及多个标注信息训练初始的数据处理模型,以得到目标数据处理模型,由于是根据融合处理得到的目标样本数据对初始的数据处理模型进行训练,能够相应地减少数据处理模型所处理的数据量,从而有效地避免无效数据对显存的占用,有效地提升数据处理模型的训练效率,提升数据处理模型的数据处理效果。
图10是根据本公开第七实施例的示意图。
如图10所示,该数据处理装置100,包括:
第二获取模块1001,用于获取待处理数据;
处理模块1002,用于将待处理数据输入至如上述的数据处理模型的训练装置训练得到的目标数据处理模型之中,以得到目标数据处理模型输出的目标信息。
本实施例中,通过获取待处理数据,并将待处理数据输入至如上述数据处理模型的训练方法训练得到的目标数据处理模型之中,以得到目标数据处理模型输出的数据处理结果,能够相应地减少数据处理模型所处理的数据量,从而有效地避免无效数据对显存的占用,有效地提升数据处理模型的数据处理效率和数据处理效果。
需要说明的是,前述对数据处理方法的解释说明也适用于本实施例的数据处理装置,此处不再赘述。
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11示出了可以用来实施本公开的实施例的数据处理模型的训练方法示例电子设备的示意性框图。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11所示,设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1101加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106,例如键盘、鼠标等;输出单元1107,例如各种类型的显示器、扬声器等;存储单元1108,例如磁盘、光盘等;以及通信单元1109,例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其它设备交换信息/数据。
计算单元1101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1101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1101执行上文所描述的各个方法和处理,例如数据处理模型的训练方法,或者数据处理方法。例如,在一些实施例中,数据处理模型的训练方法,或者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1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM1103并由计算单元1101执行时,可以执行上文描述的数据处理模型的训练方法,或者数据处理方法的一个或多个步骤。备选地,在其它实施例中,计算单元1101可以通过其它任何适当的方式(例如,借助于固件)而被配置为执行数据处理模型的训练方法,或者数据处理方法。
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、专用计算机或其它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)、互联网及区块链网络。
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。
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,根据设计要求和其它因素,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 (12)
1.一种数据处理模型的训练方法,包括:
获取多个样本数据,所述多个样本数据具有对应的多个标注信息;
所述获取多个样本数据包括:获取视频流,对所述视频流进行视频帧解析得到多帧视频,将所述多帧视频作为所述多个样本数据;
对所述多个样本数据进行融合处理,以得到目标样本数据;以及
根据所述多个样本数据、所述目标样本数据,以及所述多个标注信息训练初始的数据处理模型,以得到目标数据处理模型;
所述初始的数据处理模型包括:多个计算节点,其中,所述根据所述多个样本数据、所述目标样本数据,以及所述多个标注信息训练初始的数据处理模型,以得到目标数据处理模型,包括:
获取与所述多个样本数据对应的多个数据特征,所述数据特征包括:所述多个样本数据对应的长度、包含的字符数、样本数据对应的语义、上下文信息;
根据所述多个数据特征,从所述多个计算节点之中识别出目标计算节点,包括:
根据所述多个数据特征,确定与所述多个计算节点对应的多个敏感程度值;
将小于设定程度阈值的所述敏感程度值所对应的计算节点作为所述目标计算节点;
将所述目标样本数据输入至所述目标计算节点之中,以得到所述目标计算节点输出的第一中间计算结果;
将所述多个样本数据输入至其它计算节点之中,以得到所述其它计算节点输出的第二中间计算结果,其中,所述目标计算节点和所述其它计算节点共同构成所述多个计算节点;以及
根据所述第一中间计算结果、所述第二中间计算结果,以及所述多个标注信息训练所述初始的数据处理模型,以得到所述目标数据处理模型。
2.根据权利要求1所述的方法,其中,在所述根据所述第一中间计算结果、所述第二中间计算结果,以及所述多个标注信息训练所述初始的数据处理模型,以得到所述目标数据处理模型前,还包括:
根据所述多个数据特征处理所述第一中间计算结果,以得到与所述多个样本数据对应的多个中间计算子结果。
3.根据权利要求2所述的方法,所述初始的数据处理模型还包括:输出层,其中,所述根据所述第一中间计算结果、所述第二中间计算结果,以及所述多个标注信息训练所述初始的数据处理模型,以得到所述目标数据处理模型,包括:
将所述多个中间计算子结果和所述第二中间计算结果输入至所述输出层之中,以得到所述输出层输出的预测信息;
如果所述预测信息和所述多个标注信息之间的损失值满足设定条件,则将训练得到的数据处理模型作为所述目标数据处理模型。
4.根据权利要求1-3任一项所述的方法,其中,所述对所述多个样本数据进行融合处理,以得到目标样本数据,包括:
对所述多个样本数据进行首尾拼接,并将首尾拼接得到的样本数据作为所述目标样本数据。
5.一种数据处理方法,包括:
获取待处理数据,包括:
获取视频流,对所述视频流进行视频帧解析得到多帧视频,将所述多帧视频作为所述待处理数据;
将所述待处理数据输入至如上述权利要求1-4任一项所述的数据处理模型的训练方法训练得到的目标数据处理模型之中,以得到所述目标数据处理模型输出的目标信息。
6.一种数据处理模型的训练装置,包括:
第一获取模块,用于获取多个样本数据,所述多个样本数据具有对应的多个标注信息,所述获取多个样本数据包括:获取视频流,对所述视频流进行视频帧解析得到多帧视频,将所述多帧视频作为所述多个样本数据;
融合模块,用于对所述多个样本数据进行融合处理,以得到目标样本数据;
训练模块,用于根据所述多个样本数据、所述目标样本数据,以及所述多个标注信息训练初始的数据处理模型,以得到目标数据处理模型;
所述初始的数据处理模型包括:多个计算节点,其中,所述训练模块,包括:
获取子模块,用于获取与所述多个样本数据对应的多个数据特征,所述数据特征包括:所述多个样本数据对应的长度、包含的字符数、样本数据对应的语义、上下文信息;
识别子模块,用于根据所述多个数据特征,从所述多个计算节点之中识别出目标计算节点;
第一输入子模块,用于将所述目标样本数据输入至所述目标计算节点之中,以得到所述目标计算节点输出的第一中间计算结果;
第二输入子模块,用于将所述多个样本数据输入至其它计算节点之中,以得到所述其它计算节点输出的第二中间计算结果,其中,所述目标计算节点和所述其它计算节点共同构成所述多个计算节点;以及
训练子模块,用于根据所述第一中间计算结果、所述第二中间计算结果,以及所述多个标注信息训练所述初始的数据处理模型,以得到所述目标数据处理模型;
所述识别子模块,具体用于:
根据所述多个数据特征,确定与所述多个计算节点对应的多个敏感程度值;
将小于设定程度阈值的所述敏感程度值所对应的计算节点作为所述目标计算节点。
7.根据权利要求6所述装置,其中,所述训练模块,还包括:
处理子模块,用于根据所述多个数据特征处理所述第一中间计算结果,以得到与所述多个样本数据对应的多个中间计算子结果。
8.根据权利要求7所述装置,所述初始的数据处理模型还包括:输出层,其中,所述训练子模块,具体用于:
将所述多个中间计算子结果和所述第二中间计算结果输入至所述输出层之中,以得到所述输出层输出的预测信息;
如果所述预测信息和所述多个标注信息之间的损失值满足设定条件,则将训练得到的数据处理模型作为所述目标数据处理模型。
9.根据权利要求6-8任一项所述装置,其中,所述融合模块,具体用于:
对所述多个样本数据进行首尾拼接,并将首尾拼接得到的样本数据作为所述目标样本数据。
10.一种数据处理装置,包括:
第二获取模块,用于获取待处理数据;
处理模块,用于将所述待处理数据输入至如上述权利要求6-9任一项所述的数据处理模型的训练装置训练得到的目标数据处理模型之中,以得到所述目标数据处理模型输出的目标信息。
11.一种电子设备,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1-4中任一项所述的方法,或者执行权利要求5所述的方法。
12.一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1-4中任一项所述的方法,或者执行根据权利要求5所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210325710.6A CN114882333A (zh) | 2021-05-31 | 2021-05-31 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
CN202110604501.0A CN113344214B (zh) | 2021-05-31 | 2021-05-31 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604501.0A CN113344214B (zh) | 2021-05-31 | 2021-05-31 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210325710.6A Division CN114882333A (zh) | 2021-05-31 | 2021-05-31 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344214A CN113344214A (zh) | 2021-09-03 |
CN113344214B true CN113344214B (zh) | 2022-06-14 |
Family
ID=77473437
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110604501.0A Active CN113344214B (zh) | 2021-05-31 | 2021-05-31 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
CN202210325710.6A Pending CN114882333A (zh) | 2021-05-31 | 2021-05-31 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210325710.6A Pending CN114882333A (zh) | 2021-05-31 | 2021-05-31 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113344214B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344214B (zh) * | 2021-05-31 | 2022-06-14 | 北京百度网讯科技有限公司 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980683A (zh) * | 2017-03-30 | 2017-07-25 | 中国科学技术大学苏州研究院 | 基于深度学习的博客文本摘要生成方法 |
CN107992976A (zh) * | 2017-12-15 | 2018-05-04 | 中国传媒大学 | 热点话题早期发展趋势预测系统及预测方法 |
CN108932535A (zh) * | 2018-07-13 | 2018-12-04 | 南方电网科学研究院有限责任公司 | 一种基于机器学习的边缘计算克隆节点识别方法 |
CN109151615A (zh) * | 2018-11-02 | 2019-01-04 | 湖南双菱电子科技有限公司 | 视频处理方法、计算机设备和计算机存储介质 |
CN110210513A (zh) * | 2019-04-23 | 2019-09-06 | 深圳信息职业技术学院 | 数据分类方法、装置及终端设备 |
JP2019191895A (ja) * | 2018-04-24 | 2019-10-31 | 株式会社日立ソリューションズ | データ分析システム及びデータ分析方法 |
CN111444878A (zh) * | 2020-04-09 | 2020-07-24 | Oppo广东移动通信有限公司 | 一种视频分类方法、装置及计算机可读存储介质 |
AU2020101959A4 (en) * | 2020-08-24 | 2020-10-01 | Southwest University | Decentralized optimization algorithm for machine learning tasks in networks: Resource efficient |
WO2021062536A1 (en) * | 2019-09-30 | 2021-04-08 | Musashi Auto Parts Canada Inc. | System and method for ai visual inspection |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033332B (zh) * | 2015-03-10 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及设备 |
US11726210B2 (en) * | 2018-08-05 | 2023-08-15 | COM-IoT Technologies | Individual identification and tracking via combined video and lidar systems |
CN109165683B (zh) * | 2018-08-10 | 2023-09-12 | 深圳前海微众银行股份有限公司 | 基于联邦训练的样本预测方法、装置及存储介质 |
US11328430B2 (en) * | 2019-05-28 | 2022-05-10 | Arizona Board Of Regents On Behalf Of Arizona State University | Methods, systems, and media for segmenting images |
CN110569721B (zh) * | 2019-08-01 | 2023-08-29 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
CN111210024B (zh) * | 2020-01-14 | 2023-09-15 | 深圳供电局有限公司 | 模型训练方法、装置、计算机设备和存储介质 |
CN111611239A (zh) * | 2020-04-17 | 2020-09-01 | 第四范式(北京)技术有限公司 | 实现自动机器学习的方法、装置、设备及存储介质 |
CN111723932A (zh) * | 2020-06-03 | 2020-09-29 | 上海商汤智能科技有限公司 | 神经网络模型的训练方法和相关产品 |
CN111930859A (zh) * | 2020-07-30 | 2020-11-13 | 北京邮电大学 | 一种基于异质图神经网络的节点处理方法、装置及设备 |
CN112070216B (zh) * | 2020-09-29 | 2023-06-02 | 支付宝(杭州)信息技术有限公司 | 一种基于图计算系统训练图神经网络模型的方法及系统 |
CN113344214B (zh) * | 2021-05-31 | 2022-06-14 | 北京百度网讯科技有限公司 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
-
2021
- 2021-05-31 CN CN202110604501.0A patent/CN113344214B/zh active Active
- 2021-05-31 CN CN202210325710.6A patent/CN114882333A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980683A (zh) * | 2017-03-30 | 2017-07-25 | 中国科学技术大学苏州研究院 | 基于深度学习的博客文本摘要生成方法 |
CN107992976A (zh) * | 2017-12-15 | 2018-05-04 | 中国传媒大学 | 热点话题早期发展趋势预测系统及预测方法 |
JP2019191895A (ja) * | 2018-04-24 | 2019-10-31 | 株式会社日立ソリューションズ | データ分析システム及びデータ分析方法 |
CN108932535A (zh) * | 2018-07-13 | 2018-12-04 | 南方电网科学研究院有限责任公司 | 一种基于机器学习的边缘计算克隆节点识别方法 |
CN109151615A (zh) * | 2018-11-02 | 2019-01-04 | 湖南双菱电子科技有限公司 | 视频处理方法、计算机设备和计算机存储介质 |
CN110210513A (zh) * | 2019-04-23 | 2019-09-06 | 深圳信息职业技术学院 | 数据分类方法、装置及终端设备 |
WO2021062536A1 (en) * | 2019-09-30 | 2021-04-08 | Musashi Auto Parts Canada Inc. | System and method for ai visual inspection |
CN111444878A (zh) * | 2020-04-09 | 2020-07-24 | Oppo广东移动通信有限公司 | 一种视频分类方法、装置及计算机可读存储介质 |
AU2020101959A4 (en) * | 2020-08-24 | 2020-10-01 | Southwest University | Decentralized optimization algorithm for machine learning tasks in networks: Resource efficient |
Non-Patent Citations (2)
Title |
---|
Distributed deep neural networks over the cloud,the edge and end devices;surat teerapittayanon et al.;《2017 IEEE 37th international conference on distributed computing systems(ICDCS)》;20170717;第1-12页 * |
基于电力大数据的多源异构数据融合技术研究与应用;毛先胤等;《电力大数据》;20200831;第23卷(第8期);第33-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344214A (zh) | 2021-09-03 |
CN114882333A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560496B (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
CN112633380A (zh) | 兴趣点特征提取方法、装置、电子设备及存储介质 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN113159091B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN112989970A (zh) | 文档版面分析方法、装置、电子设备及可读存储介质 | |
CN113361578A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN113836925A (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN113221565A (zh) | 实体识别模型的训练方法、装置、电子设备及存储介质 | |
CN114120253A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN112949818A (zh) | 模型蒸馏方法、装置、设备以及存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
US20230245429A1 (en) | Method and apparatus for training lane line detection model, electronic device and storage medium | |
CN115640520A (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
CN113591864B (zh) | 文本识别模型框架的训练方法、装置及系统 | |
CN113344214B (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN114861758A (zh) | 多模态数据处理方法、装置、电子设备及可读存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN114792097A (zh) | 预训练模型提示向量的确定方法、装置及电子设备 | |
CN114972910A (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 |
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 |