CN113361574A - 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
- CN113361574A CN113361574A CN202110584511.2A CN202110584511A CN113361574A CN 113361574 A CN113361574 A CN 113361574A CN 202110584511 A CN202110584511 A CN 202110584511A CN 113361574 A CN113361574 A CN 113361574A
- Authority
- CN
- China
- Prior art keywords
- data processing
- processing model
- training
- trained
- nodes
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
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:获取样本数据;获取初始数据处理模型,初始数据处理模型包括:多个前向节点;确定与多个前向节点对应的多个时间依赖性特征;根据多个时间依赖性特征处理初始数据处理模型,以得到待训练数据处理模型;以及采用样本数据、多个中间计算结果训练待训练数据处理模型。由于是结合了各个前向节点的时间依赖性特征对初始数据处理模型的结构进行了相应的优化处理,能够有效降低数据处理逻辑对显存的消耗,从而有效地提升数据处理模型的训练效率,有效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,在训练数据处理模型时,由于数据处理模型可能会产生较多的中间计算结果,这些中间计算结果会占用大量的显存,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:获取样本数据;获取初始数据处理模型,初始数据处理模型包括:多个前向节点,多个前向节点用于输出与样本数据对应的多个中间计算结果;确定与多个前向节点对应的多个时间依赖性特征;根据多个时间依赖性特征处理初始数据处理模型,以得到待训练数据处理模型;以及采用样本数据、多个中间计算结果训练待训练数据处理模型,以得到目标数据处理模型。
根据本公开的第二方面,提供了一种数据处理方法,包括:获取待处理数据;将所述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,以得到所述目标数据处理模型输出的数据处理结果。
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,用于获取样本数据;第二获取模块,用于获取初始数据处理模型,初始数据处理模型包括:多个前向节点,多个前向节点用于输出与样本数据对应的多个中间计算结果;确定模块,用于确定与多个前向节点对应的多个时间依赖性特征;第一处理模块,用于根据多个时间依赖性特征处理初始数据处理模型,以得到待训练数据处理模型;以及训练模块,用于采用样本数据、多个中间计算结果训练待训练数据处理模型,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:第三获取模块,用于获取待处理数据;第二处理模块,用于将所述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,以得到所述目标数据处理模型输出的数据处理结果。
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所述的数据处理方法。
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所述的数据处理方法。
根据本公开的第五方面,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所述的数据处理方法。
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2是本公开实施例中一时间依赖性特征示意图
图3是根据本公开第二实施例的示意图;
图4是本公开实施例中另一时间依赖性特征示意图;
图5是根据本公开第三实施例的示意图;
图6是根据本公开第四实施例的示意图;
图7是根据本公开第五实施例的示意图;
图8是根据本公开第六实施例的示意图;
图9是根据本公开第七实施例的示意图;
图10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样本数据,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。该样本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,本公开实施例中的样本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:获取样本数据。
其中,用于训练模型的数据,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。
样本数据的数量可以是多个。
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:获取初始数据处理模型,初始数据处理模型包括:多个前向节点,多个前向节点用于输出与样本数据对应的多个中间计算结果。
其中,在训练的初始阶段获取得到的数据处理模型,可以被称为初始数据处理模型,该初始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。
本公开实施例中,在获取样本数据,并获取初始数据处理模型,可以执行对初始数据处理模型的结构进行相应的优化处理的步骤,例如,对初始数据处理模型的结构进行简化,或者采用其它任意可能的方式来对初始数据处理模型的结构进行相应的优化处理,从而辅助有效降低数据处理逻辑对显存的消耗。
本公开实施例中的初始数据处理模型包括:多个前向节点,其中,前向节点能够被用于执行数据处理逻辑中的前向计算任务,即在将样本数据输入数据处理模型后,通常是基于前向节点对样本数据执行前向计算任务,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前向节点之后,采用前向节点对样本数据执行前向计算任务输出的计算结果,可以被称为中间计算结果。
当前向节点的数量为多个时,多个前向节点可以具有一定的连接关系,例如,顺序连接关系,从而多个前向节点执行前向计算任务,可以是多个前向节点顺序地对输入的样本数据执行前向计算的过程。
在本实施例中,在获取样本数据后,可以获取初始数据处理模型,即可以从预先设定的模型库中获取数据处理模型,并作为初始数据处理模型,该初始数据处理模型包括多个前向节点,多个前向节点在执行前向计算任务中可以输出与样本数据对应的多个中间计算结果。
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。
S103:确定与多个前向节点对应的多个时间依赖性特征。
其中,时间依赖性特征指:对应的前向节点与其它前向节点是否存在时间维度的计算关联关系,即,对应的前向节点执行前向计算任务时是否依赖其它前向节点输出的中间计算结果,该时间依赖性特征,可以是不同的前向节点的计算顺序上的依赖,也可以是一段计算时间内,时间维度上的计算关联关系的依赖,对此不做限制。
举例而言,如果前向计算任务的计算顺序是由0-t,其中,t可以表示前向节点的计算序号,即,前向计算任务包括:第0步计算、第1步计算,…,第t步计算,可以由不同的前向节点分别对应执行不同步骤的计算任务,如果一个前向节点执行第t步计算时依赖第t-1步计算输出的中间计算结果,则可以确定该前向节点的时间依赖性特征是:与其它前向节点存在时间维度的计算关联关系,如果一个前向节点执行第t步计算时不依赖其它任一步计算输出的中间计算结果,则可以确定该前向节点的时间依赖性特征是:与其它前向节点不存在时间维度的计算关联关系。
如图2所示,图2是本公开实施例中一时间依赖性特征示意图,其中,多个前向节点包括:前向节点2、前向节点3、前向节点4,多个前向节点的计算顺序依次为:前向节点2、前向节点3、前向节点4,相应的,前向节点在执行0-t步的计算时,可以依据t-1、t、t+1步的计算顺序依次展开计算,其中,前向节点3在执行第t步计算时,依赖第t-1步输出的中间计算结果,在执行第t+1步计算时,依赖第t步输出的中间计算结果,由此,可以确定前向节点3的时间依赖性特征是:与其它前向节点存在时间维度的计算关联关系,前向节点2和前向节点4在执行第t-1、t步和t+1步计算时,不需要依赖其它任一步输出的中间计算结果,则此时可以确定前向节点2和前向节点4的时间依赖性特征是:与其它前向节点不存在时间维度的计算关联关系。
一些实施例中,在确定与前向节点对应的时间依赖性特征时,可以获取向该前向节点输入的中间计算结果,并分析该输入的中间计算结果中是否与其它步计算任务输出的中间计算结果存在关联关系,从而分析得到对应的时间依赖性特征,对此不做限制。
在本实施例中,在获取初始数据处理模型后,可以对初始数据处理模型中的各个前向节点,与其它前向节点之间的计算关联关系进行分析,从而根据分析得到的计算关联关系,来确定与多个前向节点对应的多个时间依赖性特征,或者,也可以获取与初始数据处理模型对应的配置文件,解析该配置文件得到各个前向节点对应的属性特征,并对属性特征进行相应的分析,以得到与多个前向节点分别对应的多个时间依赖性特征,对此不做限制。
S104:根据多个时间依赖性特征处理初始数据处理模型,以得到待训练数据处理模型。
其中,对初始数据处理模型进行优化处理得到的数据处理模型,可以被称为待训练数据处理模型。
上述在确定多个前向节点对应的多个时间依赖性特征后,可以根据多个时间依赖性特征处理初始数据处理模型,得到待训练数据处理模型。
举例而言,可以结合多个时间依赖性特征对初始数据处理模型进行优化训练,以对初始数据处理模型的模型结构参数进行相应更新,得到优化后的初始数据处理模型,该优化后的初始数据处理模型即可以被称为为待训练数据处理模型,或者,也可以采用其它任意可能的方式来执行根据多个时间依赖性特征处理初始数据处理模型。
S105:采用样本数据、多个中间计算结果训练待训练数据处理模型,以得到目标数据处理模型。
上述在根据多个时间依赖性特征处理初始数据处理模型,得到待训练数据处理模型后,可以采用样本数据、多个中间计算结果训练待训练数据处理模型,以得到目标数据处理模型。
例如,可以将多个样本数据、多个中间计算结果输入待训练数据处理模型之中,以得到待训练数据处理模型输出的预测处理结果,如果预测处理结果与标注处理结果之间满足收敛条件,则训练完毕,并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,可以针对待训练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,将样本数据,多个中间计算结果,以及预测处理结果、标注处理结果作为损失函数的输入参数,并确定损失函数输入的损失值,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,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。
本实施例中,获取样本数据;获取初始数据处理模型,初始数据处理模型包括:多个前向节点,多个前向节点用于输出与样本数据对应的多个中间计算结果;确定与多个前向节点对应的多个时间依赖性特征;根据多个时间依赖性特征处理初始数据处理模型,以得到待训练数据处理模型;以及采用样本数据、多个中间计算结果训练待训练数据处理模型,以得到目标数据处理模型,由于是结合了各个前向节点的时间依赖性特征对初始数据处理模型的结构进行了相应的优化处理,能够有效降低数据处理逻辑对显存的消耗,从而有效地提升数据处理模型的训练效率,有效提升数据处理模型的数据处理效果。
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:获取样本数据。
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:获取初始数据处理模型,初始数据处理模型包括:多个前向节点,多个前向节点用于输出与样本数据对应的多个中间计算结果。
在一些应用场景下,还可以针对初始数据处理模型划定复算范围,该复算范围内可以包括:多个前向节点,该多个前向节点可以是初始数据处理模型的全部的前向节点中的部分前向节点,并支持从该部分前向节点之中筛选出目标前向节点,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。
S303:确定与多个前向节点对应的多个时间依赖性特征。
S301-S303的描述说明可以具体参见上述实施例,在此不再赘述。
S304:根据多个时间依赖性特征,从多个前向节点之中确定出目标前向节点。
其中,在计算过程中,与其它前向节点不存在时间维度的计算关联关系的前向节点,可以被称为目标前向节点。
上述在确定多个前向节点对应的多个时间依赖性特征后,可以根据多个时间依赖性特征,从多个前向节点中确定出与其它前向节点不存在时间维度的计算关联关系的前向节点并作为目标前向节点。
可以一并结合图4针对本实施例作出说明,如图4所示,图4是本公开实施例中另一时间依赖性特征示意图,包括:前向节点1、前向节点2、前向节点3、前向节点4,通过确定前向节点1、前向节点2、前向节点3、前向节点4的时间依赖性特征可知,前向节点1的时间依赖性特征是:与其它前向节点不存在时间维度的计算关联关系,则可以把前向节点1确定为目标前向节点。
在本实施例中,通过确定多个前向节点对应的依赖性特征,可以从多个前向节点中确定与其它前向节点不存在时间维度的计算关联关系的目标前向节点,对该目标前向节点设置复算状态(即针对目标前向节点1配置对应的复算节点1,可如图4所示),以得到该目标前向节点输出的复算结果,而后可以用样本数据、多个中间结果以及复算结果对待训练数据处理模型进行训练得到目标数据处理训练模型。
其中,当将目标前向节点设置复算状态时,指示在进行模型的反向计算时,如果反向节点依赖目标前向节点输出的中间计算结果,则可以采用与其对应的复算节点执行复算任务,输出与目标前向节点对应的中间计算结果,以辅助进行模型的参数调优。
S305:生成与目标前向节点对应的复算节点,复算节点用于输出与样本数据对应的复算结果,复算结果,与目标前向节点输出的中间计算结果相同。
上述在根据多个时间依赖性特征,从多个前向节点之中确定出目标前向节点之后,可以生成目标前向节点对应的复算节点。
其中,复算节点是指在数据处理模型的反向训练过程中,可以重新对样本数据执行复算任务以生成与目标前向节点对应的中间计算结果,该复算得到的中间计算结果可被用于支持数据处理模型的反向训练,反向训练的目的可以是模型参数调优。
其中,上述复算节点在复算过程中输出中间计算结果,可以被称为复算结果,上述复算节点在复算过程中输出的复算结果与目标前向节点在前向训练过程中输出的中间计算结果相同。
在本实施例中,通过对前向节点复算及显存综合收益进行计算,可以生成与复算及显存综合收益最大的前向节点相应的复算节点,具体计算公式如下:recommit_benefit=output_size–input_size+recompute_input_size,其中,recommit_benefit为复算及显存综合收益值,output_size为前向节点输出的中间计算结果的显存大小,input_size为前向节点所有输入的显存大小,recompute_input_size为目标前向节点输入的显存大小,确定计算得到的目标前向节点中复算显存收益最大的计算节点,生成与上述计算节点对应的复算节点,重复上述步骤,直至得到的最大复算及显存综合收益值小于预设阈值。反之,如果计算得到的复算及显存综合收益值高于预设阈值,则可以不生成与目标前向节点对应的复算节点。
举例而言,如图4所示,上述确定的目标前向节点为前向节点1,则对前向节点1进行复算及显存综合收益的计算,如果对前向节点1计算得到的复算及显存综合收益小于预设阈值,则生成与目标前向节点1对应的复算节点,其中,前向节点1在复算过程中会输出复算结果1,复算结果1与上述前向节点1在前向计算中输出的中间计算结果1为相同结果,反之,如果如果对前向节点1计算得到的复算及显存综合收益大于预设阈值,则可以不生成与目标前向节点复算节点,此时,可以通过后续计算重新确定复算节点,对此不做限制。
S306:根据多个前向节点和复算节点,生成待训练数据处理模型。
上述在生成与目标前向节点对应的复算节点后,可以根据多个前向节点和复算节点,生成待训练数据处理模型。
在本实施例中,通过根据多个时间依赖性特征,从多个前向节点之中确定出目标前向节点;生成与目标前向节点对应的复算节点,复算节点用于输出与样本数据对应的复算结果,复算结果与目标前向节点输出的中间计算结果相同;以及根据多个前向节点和复算节点,生成待训练数据处理模型,从而实现参考时间依赖性特征对初始数据处理模型进行了结构优化,由于配置了相应的复算节点来执行复算任务,可以支持采用复算得到的复算结果对数据处理模型进行参数调优,有效地降低对目标前向节点输出的中间计算结果的依赖性。
需要说明的是,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。
S307:采用样本数据、其它中间计算结果,以及复算结果训练待训练数据处理模型,以得到目标数据处理模型;其中,其它中间计算结果,是其它前向节点输出的与样本数据对应的中间计算结果,目标前向节点和其它前向节点共同构成多个前向节点。
上述在根据多个前向节点和复算节点,生成待训练数据处理模型后,可以采用样本数据,其它中间计算结果,以及复算结果训练待训练数据处理模型,以得到目标数据处理模型,由于是结合了样本数据、其它中间计算结果,以及复算结果训练待训练数据处理模型,能够有效提高数据处理模型训练效率和性能,能够有效提高数据处理模型的训练效果,从而能够使得数据处理模型适配于实时性需求较高的应用场景。
可以一并结合上述图4对本实施例作出说明,如图4所示,数据处理模型包括:前向节点1、前向节点2、前向节点3、前向节点4,反向节点1、反向节点2、反向节点3、反向节点4,上述在确定了复算节点1及复算结果1后,可以一并结合样本数据及前向节点2输出的中间计算结果2,前向节点3输出的中间计算结果3训练待训练数据处理模型,以对数据处理模型进行参数调优,并将参数调优得到目标数据处理模型。
一些实施例中,可以分别对前向节点和反向节点配置相应的损失函数,从而在执行前向节点的计算过程中,得到前向节点配置的损失函数输出的损失值,而后,将中间计算结果2作为反向节点2的输入,将中间计算结果3作为反向节点3及反向节点4的输入,将复算结果1作为反向节点1的输入,通过执行反向节点的反向计算(反向计算用于对模型进行参数调优),根据对反向节点配置的损失函数计算得到模型的下降梯度,通过更新优化器,将下降梯度应用到模型参数上,得到更新的模型的训练参数,而后,可以将更新的模型训练参数与预先设定的模型训练的标准参数进行比对,以确定模型是否训练完毕。
本实施例中,获取样本数据;获取初始数据处理模型,初始数据处理模型包括:多个前向节点,多个前向节点用于输出与样本数据对应的多个中间计算结果;确定与多个前向节点对应的多个时间依赖性特征;根据多个时间依赖性特征处理初始数据处理模型,以得到待训练数据处理模型;以及采用样本数据、多个中间计算结果训练待训练数据处理模型,以得到目标数据处理模型,由于是结合了各个前向节点的时间依赖性特征对初始数据处理模型的结构进行了相应的优化处理,能够有效降低数据处理逻辑对显存的消耗,从而有效地提升数据处理模型的训练效率,有效提升数据处理模型的数据处理效果。通过根据多个时间依赖性特征,从多个前向节点之中确定出目标前向节点;生成与目标前向节点对应的复算节点,复算节点用于输出与样本数据对应的复算结果,复算结果与目标前向节点输出的中间计算结果相同;以及根据多个前向节点和复算节点,生成待训练数据处理模型,从而实现参考时间依赖性特征对初始数据处理模型进行了结构优化,由于配置了相应的复算节点来执行复算任务,可以支持采用复算得到的复算结果对数据处理模型进行参数调优,有效地降低对目标前向节点输出的中间计算结果的依赖性。
图5是根据本公开第三实施例的示意图。
如图5所示,该数据处理模型的训练方法包括:
S501:将样本数据作为待训练数据处理模型的前向训练输入,以得到待训练数据处理模型之中多个前向节点输出的多个中间计算结果。
在本实施例中,通过将样本数据输入待训练数据处理模型之中,并基于待训练数据处理模型中的多个前向节点执行前向计算任务(前向计算任务可以被用于执行数据处理任务),从而得到多个前向节点分别输出多个中间计算结果,该中间计算结果可被作为反向计算任务的输入,反向计算任务可以被视为模型参数调优任务。
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。
S502:删除目标前向节点输出的中间计算结果,并保留其它前向节点输出的其它中间计算结果。
上述在将将样本数据作为待训练数据处理模型的前向训练输入,得到待训练数据处理模型的多个中间计算结果后,可以删除目标前向节点输出的中间计算结果,并保留其它前向节点输出的其它中间计算结果。
举例而言,上述前向节点1、前向节点2、前向节点3、前向节点4,在前向训练中分别输出了与样本数据有关的中间计算结果1、中间计算结果2、中间计算结果3、中间计算结果4,上述在确定前向节点1为目标前向节点后,可以删除前向节点1输出的中间计算结果1,保留中间计算结果2、中间计算结果3,中间计算结果4,作为其它中间计算结果。
在本实施例中,通过将样本数据作为待训练数据处理模型的前向训练输入以得到待训练数据处理模型之中多个前向节点输出的多个中间计算结果,后删除目标前向节点输出的中间计算结果,并保留其它前向节点输出的其它中间计算结果,由此,可以避免目标前向节点输出中间结果在后续模型训练过程中对显存的持续占用,提升存储性能,从而辅助提升数据处理模型的训练速度。
S503:获取复算节点生成的与样本数据对应的复算结果。
也即是说,在基于待训练数据处理模型中的多个反向节点执行反向计算任务(反向计算任务可以被视为模型参数调优任务)时,可以采用复算节点执行复算任务,以输出与样本数据对应的中间计算结果(复算节点输出的中间计算结果,可以被称为复算结果)。
S504:将样本数据、其它中间计算结果,以及复算结果作为待训练数据处理模型的反向训练输入,以得到多个反向节点输出的预测调优参数。
上述在获取复算节点生成的与样本数据对应的复算结果后,可以将样本数据,其它中间计算结果,以及复算结果作为待训练数据处理模型的反向训练输入,以得到多个反向节点输出的预测调优参数。
其中,反向节点预测得到的调优参数可以被称为预测调优参数,预测调优参数可以是用来反映模型训练状态的参数,该参数可以具体是预测得到的,相应的在模型训练时,该待训练数据处理模型会具有对应的初始调优参数,该初始调优参数可以是待调节的调优参数,在反向训练过程中,可以执行反向计算任务以模型的待调节的调优参数进行调优,此时,反向节点会生成相应的预测调优参数。
在本实施例中,可以对数据处理模型预先配置损失函数,在执行反向节点的过程中,可以根据预先配置的损失函数计算得到数据处理模型训练参数的下降梯度,通过执行参数更新,将上述下降梯度应用到模型训练参数上,得到更新的预测调优参数。
S505:如果预测调优参数和标注调优参数满足设定条件,则将训练得到的数据处理模型作为目标数据处理模型。
其中,针对数据处理模型预先配置性能指标,并根据该性能指标解析得到的数据处理的模型的目标调优参数,可以被称为标注调优参数。
一些实施例中,可以预先对数据处理模型设定相应的标注调优参数,并对数据处理模型预先配置损失函数,在对数据处理模型的反向训练过程中,通过执行参数更新,得到更新的预测调优参数,如果预测调优参数和标注调优参数之间的损失值小于该损失阀值,则可以确定预测调优参数和标注调优参数之间满足设定条件,则可以根据预测调优参数调整待调节的调优参数,以得到目标数据处理模型,或者,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,通过获取复算节点生成的与样本数据对应的复算结果,再将样本数据、其它中间计算结果,以及复算结果作为待训练数据处理模型的反向训练输入,以得到多个反向节点输出的预测调优参数,如果预测调优参数和标注调优参数满足设定条件,则将训练得到的数据处理模型作为目标数据处理模型,由于是结合了样本数据、其它中间计算结果,以及复算结果执行反向计算任务以对模型进行参数调优,从而能够有效地提升数据处理模型的表现性能,实现了数据处理模型训练效率和性能的兼顾,能够有效提高数据处理模型的训练效果,从而能够使得数据处理模型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。
上述训练得到的数据处理模型,可以有效地适用于流式计算场景,有效地增强了复算优化的易用性和智能性,降低的用户的使用门槛,以达到增加样本数据的批尺寸,同时保证计算速度的目的,使得数据处理算法,能够更快的在生产环境进行训练,提高数据处理模型的交付效率。
需要说明的是,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。
本实施例中,通过将样本数据作为待训练数据处理模型的前向训练输入,以得到待训练数据处理模型之中多个前向节点输出的多个中间计算结果,后删除目标前向节点输出的中间计算结果,并保留其它前向节点输出的其它中间计算结果后,可以获取复算节点生成的与样本数据对应的复算结果,由此,可以避免目标前向节点输出中间结果在后续模型训练过程中对显存的持续占用,提升存储性能,从而辅助提升数据处理模型的训练速度。通过获取复算节点生成的与样本数据对应的复算结果,再将样本数据、其它中间计算结果,以及复算结果作为待训练数据处理模型的反向训练输入,以得到多个反向节点输出的预测调优参数,如果预测调优参数和标注调优参数满足设定条件,则将训练得到的数据处理模型作为目标数据处理模型,由于是结合了样本数据、其它中间计算结果,以及复算结果执行反向计算任务以对模型进行参数调优,从而能够有效地提升数据处理模型的表现性能,实现了数据处理模型训练效率和性能的兼顾,能够有效提高数据处理模型的训练效果,从而能够使得数据处理模型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6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6所示,该数据处理方法包括:
S601: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一段语音数据帧,也可以是多段的语音数据帧,也即是说,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。
S602: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。
上述在获取待处理数据之后,可以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。
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,由于目标数据处理模型,是结合前向节点的时间依赖性特征对初始数据处理模型的结构优化处理并训练得到的,从而在采用目标数据处理模型处理待处理数据时,能够有效降低数据处理逻辑对显存的消耗,从而有效地提升数据处理效率,有效提升数据处理效果。
图7是根据本公开第五实施例的示意图。
如图7所示,该数据处理模型的训练装置70,包括:
第一获取模块701,用于获取样本数据;
第二获取模块702,用于获取初始数据处理模型,初始数据处理模型包括:多个前向节点,多个前向节点用于输出与样本数据对应的多个中间计算结果;
确定模块703,用于确定与多个前向节点对应的多个时间依赖性特征;
第一处理模块704,用于根据多个时间依赖性特征处理初始数据处理模型,以得到待训练数据处理模型;以及
训练模块705,用于采用样本数据、多个中间计算结果训练待训练数据处理模型,以得到目标数据处理模型。
在本公开的一些实施例中,如图8所示,图8是根据本公开第六实施例的示意图,该图像处理模型的训练装置80,包括:第一获取模块801、第二获取模块802、确定模块803、第一处理模块804、训练模块805,其中,第一处理模块804,包括:
确定子模块8041,用于根据多个时间依赖性特征,从多个前向节点之中确定出目标前向节点;
第一生成子模块8042,用于生成与目标前向节点对应的复算节点,复算节点用于输出与样本数据对应的复算结果,复算结果,与目标前向节点输出的中间计算结果相同;以及
第二生成子模块8043,用于根据多个前向节点和复算节点,生成待训练数据处理模型。
在本公开的一些实施例中,其中,训练模块805,包括:
训练子模块8051,用于采用样本数据、其它中间计算结果,以及复算结果训练待训练数据处理模型,以得到目标数据处理模型;
其中,其它中间计算结果,是其它前向节点输出的与样本数据对应的中间计算结果,目标前向节点和其它前向节点共同构成多个前向节点。
在本公开的一些实施例中,其中,训练模块805,还包括:
输入子模块8052,用于将样本数据作为待训练数据处理模型的前向训练输入,以得到待训练数据处理模型之中多个前向节点输出的多个中间计算结果;
删除子模块8053,用于删除目标前向节点输出的中间计算结果,并保留其它前向节点输出的其它中间计算结果。
在本公开的一些实施例中,待训练数据处理模型包括:多个反向节点,反向节点,用于输出与样本数据对应的预测调优参数,样本数据具有对应的标注调优参数,其中,训练子模块8051,具体用于:
获取复算节点生成的与样本数据对应的复算结果;
将样本数据、其它中间计算结果,以及复算结果作为待训练数据处理模型的反向训练输入,以得到多个反向节点输出的预测调优参数;
如果预测调优参数和标注调优参数满足设定条件,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,目标前向节点的时间依赖性特征指示:目标前向节点与其它前向节点不存在时间维度的计算关联关系。
可以理解的是,本实施例附图8中的数据处理模型的训练装置80与上述实施例中的数据处理模型的训练装置70,第一获取模块801与上述实施例中的第一获取模块701,第二获取模块802与上述实施例中的第二获取模块702,确定模块803与上述实施例中的确定模块703,第一处理模块804与上述实施例中的第一处理模块704,训练模块805与上述实施例中的训练模块705,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,通过获取样本数据;获取初始数据处理模型,初始数据处理模型包括:多个前向节点,多个前向节点用于输出与样本数据对应的多个中间计算结果;确定与多个前向节点对应的多个时间依赖性特征;根据多个时间依赖性特征处理初始数据处理模型,以得到待训练数据处理模型;以及采用样本数据、多个中间计算结果训练待训练数据处理模型,以得到目标数据处理模型。由于是结合了各个前向节点的时间依赖性特征对初始数据处理模型的结构进行了相应的优化处理,能够有效降低数据处理逻辑对显存的消耗,从而有效地提升数据处理模型的训练效率,有效提升数据处理模型的数据处理效果。
图9是根据本公开第七实施例的示意图。
如图9所示,该数据处理装置900,包括:
第三获取模块901,用于获取待处理数据;
第二处理模块902,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,以得到所述目标数据处理模型输出的数据处理结果。
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。
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,由于目标数据处理模型,是结合前向节点的时间依赖性特征对初始数据处理模型的结构优化处理并训练得到的,从而在采用目标数据处理模型处理待处理数据时,能够有效降低数据处理逻辑对显存的消耗,从而有效地提升数据处理效率,有效提升数据处理效果。
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10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。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10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001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1001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提供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 (17)
1.一种数据处理模型的训练方法,包括:
获取样本数据;
获取初始数据处理模型,所述初始数据处理模型包括:多个前向节点,所述多个前向节点用于输出与所述样本数据对应的多个中间计算结果;
确定与所述多个前向节点对应的多个时间依赖性特征;
根据所述多个时间依赖性特征处理所述初始数据处理模型,以得到待训练数据处理模型;以及
采用所述样本数据、所述多个中间计算结果训练所述待训练数据处理模型,以得到目标数据处理模型。
2.根据权利要求1所述的方法,其中,所述根据所述多个时间依赖性特征处理所述初始数据处理模型,以得到待训练数据处理模型,包括:
根据所述多个时间依赖性特征,从所述多个前向节点之中确定出目标前向节点;
生成与所述目标前向节点对应的复算节点,所述复算节点用于输出与所述样本数据对应的复算结果,所述复算结果,与所述目标前向节点输出的中间计算结果相同;以及
根据所述多个前向节点和所述复算节点,生成所述待训练数据处理模型。
3.根据权利要求2所述的方法,其中,所述采用所述样本数据、所述多个中间计算结果训练所述待训练数据处理模型,以得到目标数据处理模型,包括:
采用所述样本数据、其它中间计算结果,以及所述复算结果训练所述待训练数据处理模型,以得到目标数据处理模型;
其中,所述其它中间计算结果,是其它前向节点输出的与所述样本数据对应的中间计算结果,所述目标前向节点和所述其它前向节点共同构成所述多个前向节点。
4.根据权利要求3所述的方法,在所述采用所述样本数据、其它中间计算结果,以及所述复算结果训练所述待训练数据处理模型,以得到目标数据处理模型之前,还包括:
将所述样本数据作为所述待训练数据处理模型的前向训练输入,以得到所述待训练数据处理模型之中多个前向节点输出的多个中间计算结果;
删除所述目标前向节点输出的中间计算结果,并保留所述其它前向节点输出的所述其它中间计算结果。
5.根据权利要求4所述的方法,所述待训练数据处理模型包括:多个反向节点,所述反向节点,用于输出与所述样本数据对应的预测调优参数,所述样本数据具有对应的标注调优参数,
其中,所述采用所述样本数据、其它中间计算结果,以及所述复算结果训练所述待训练数据处理模型,以得到目标数据处理模型,包括:
获取所述复算节点生成的与所述样本数据对应的复算结果;
将所述样本数据、其它中间计算结果,以及所述复算结果作为所述待训练数据处理模型的反向训练输入,以得到所述多个反向节点输出的预测调优参数;
如果所述预测调优参数和所述标注调优参数满足设定条件,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。
6.根据权利要求2-5任一项所述的方法,其中,所述目标前向节点的时间依赖性特征指示:所述目标前向节点与其它前向节点不存在时间维度的计算关联关系。
7.一种数据处理方法,包括:
获取待处理数据;
将所述待处理数据输入至如上述权利要求1-6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数据处理结果。
8.一种数据处理模型的训练装置,包括:
第一获取模块,用于获取样本数据;
第二获取模块,用于获取初始数据处理模型,所述初始数据处理模型包括:多个前向节点,所述多个前向节点用于输出与所述样本数据对应的多个中间计算结果;
确定模块,用于确定与所述多个前向节点对应的多个时间依赖性特征;
第一处理模块,用于根据所述多个时间依赖性特征处理所述初始数据处理模型,以得到待训练数据处理模型;以及
训练模块,用于采用所述样本数据、所述多个中间计算结果训练所述待训练数据处理模型,以得到目标数据处理模型。
9.根据权利要求8所述装置,其中,所述第一处理模块,包括:
确定子模块,用于根据所述多个时间依赖性特征,从所述多个前向节点之中确定出目标前向节点;
第一生成子模块,用于生成与所述目标前向节点对应的复算节点,所述复算节点用于输出与所述样本数据对应的复算结果,所述复算结果,与所述目标前向节点输出的中间计算结果相同;以及
第二生成子模块,用于根据所述多个前向节点和所述复算节点,生成所述待训练数据处理模型。
10.根据权利要求9所述装置,其中,所述训练模块,包括:
训练子模块,用于采用所述样本数据、其它中间计算结果,以及所述复算结果训练所述待训练数据处理模型,以得到目标数据处理模型;
其中,所述其它中间计算结果,是其它前向节点输出的与所述样本数据对应的中间计算结果,所述目标前向节点和所述其它前向节点共同构成所述多个前向节点。
11.根据权利要求10所述装置,其中,所述训练模块,还包括:
输入子模块,用于将所述样本数据作为所述待训练数据处理模型的前向训练输入,以得到所述待训练数据处理模型之中多个前向节点输出的多个中间计算结果;
删除子模块,用于删除所述目标前向节点输出的中间计算结果,并保留所述其它前向节点输出的所述其它中间计算结果。
12.根据权利要求11所述装置,其中,所述待训练数据处理模型包括:多个反向节点,所述反向节点,用于输出与所述样本数据对应的预测调优参数,所述样本数据具有对应的标注调优参数,
其中,所述训练子模块,具体用于:
获取所述复算节点生成的与所述样本数据对应的复算结果;
将所述样本数据、其它中间计算结果,以及所述复算结果作为所述待训练数据处理模型的反向训练输入,以得到所述多个反向节点输出的预测调优参数;
如果所述预测调优参数和所述标注调优参数满足设定条件,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。
13.根据权利要求9-12任一项所述装置,其中,所述目标前向节点的时间依赖性特征指示:所述目标前向节点与其它前向节点不存在时间维度的计算关联关系。
14.一种数据处理装置,包括:
第三获取模块,用于获取待处理数据;
第二处理模块,用于将所述待处理数据输入至如上述权利要求8-13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数据处理结果。
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1-6中任一项所述的方法,或者执行权利要求7所述的方法。
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1-6中任一项所述的方法,或者执行根据权利要求7所述的方法。
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1-6中任一项所述的方法,或者实现根据权利要求7所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584511.2A CN113361574A (zh) | 2021-05-27 | 2021-05-27 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
JP2022039275A JP2022078286A (ja) | 2021-05-27 | 2022-03-14 | データ処理モデルのトレーニング方法、装置、電子機器及び記憶媒体 |
US17/655,253 US20220207427A1 (en) | 2021-05-27 | 2022-03-17 | Method for training data processing model, electronic device and storage medium |
EP22163265.6A EP4020327A3 (en) | 2021-05-27 | 2022-03-21 | Method and apparatus for training data processing model, electronic device and storage medium |
KR1020220050650A KR20220061060A (ko) | 2021-05-27 | 2022-04-25 | 데이터 처리 모델의 트레이닝 방법, 장치, 전자 기기 및 저장 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110584511.2A CN113361574A (zh) | 2021-05-27 | 2021-05-27 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361574A true CN113361574A (zh) | 2021-09-07 |
Family
ID=77527913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110584511.2A Pending CN113361574A (zh) | 2021-05-27 | 2021-05-27 | 数据处理模型的训练方法、装置、电子设备及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220207427A1 (zh) |
EP (1) | EP4020327A3 (zh) |
JP (1) | JP2022078286A (zh) |
KR (1) | KR20220061060A (zh) |
CN (1) | CN113361574A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186738A (zh) * | 2022-06-20 | 2022-10-14 | 北京百度网讯科技有限公司 | 模型训练方法、装置和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5510014B2 (ja) * | 2010-04-13 | 2014-06-04 | 富士通株式会社 | ニューラルネットワーク設計方法及びプログラム |
US11256990B2 (en) * | 2016-05-20 | 2022-02-22 | Deepmind Technologies Limited | Memory-efficient backpropagation through time |
JP2020135748A (ja) * | 2019-02-25 | 2020-08-31 | 株式会社Preferred Networks | 最適化装置、最適化方法及びプログラム |
CN112529210A (zh) * | 2020-12-09 | 2021-03-19 | 广州云从鼎望科技有限公司 | 模型训练方法、装置以及计算机可读存储介质 |
-
2021
- 2021-05-27 CN CN202110584511.2A patent/CN113361574A/zh active Pending
-
2022
- 2022-03-14 JP JP2022039275A patent/JP2022078286A/ja active Pending
- 2022-03-17 US US17/655,253 patent/US20220207427A1/en active Pending
- 2022-03-21 EP EP22163265.6A patent/EP4020327A3/en active Pending
- 2022-04-25 KR KR1020220050650A patent/KR20220061060A/ko unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186738A (zh) * | 2022-06-20 | 2022-10-14 | 北京百度网讯科技有限公司 | 模型训练方法、装置和存储介质 |
CN115186738B (zh) * | 2022-06-20 | 2023-04-07 | 北京百度网讯科技有限公司 | 模型训练方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP4020327A3 (en) | 2022-10-26 |
KR20220061060A (ko) | 2022-05-12 |
JP2022078286A (ja) | 2022-05-24 |
EP4020327A2 (en) | 2022-06-29 |
US20220207427A1 (en) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
CN112527281B (zh) | 基于人工智能的算子升级方法、装置、电子设备及介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN114841315A (zh) | 混合专家模型实现方法、系统、电子设备及存储介质 | |
JP7357114B2 (ja) | 生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体 | |
CN114239853A (zh) | 模型训练方法、装置、设备、存储介质以及程序产品 | |
CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
CN113361574A (zh) | 数据处理模型的训练方法、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 | |
CN113344214B (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN116030235A (zh) | 目标检测模型训练方法、目标检测方法、装置和电子设备 | |
CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
CN113204616A (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN113033179A (zh) | 知识获取方法、装置、电子设备及可读存储介质 | |
CN113362218B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114860405B (zh) | 多任务模型的参数更新方法、装置和存储介质 | |
CN113963433B (zh) | 运动搜索方法、装置、电子设备及存储介质 | |
CN115169549B (zh) | 人工智能模型更新方法、装置、电子设备及存储介质 | |
CN114255427B (zh) | 视频理解方法、装置、设备以及存储介质 | |
CN116012748A (zh) | 视频处理方法、装置、设备、存储介质和程序产品 | |
CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
CN115131709A (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 |
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 |