CN113378893B - 数据管理方法及装置、电子设备和存储介质 - Google Patents
数据管理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113378893B CN113378893B CN202110556633.0A CN202110556633A CN113378893B CN 113378893 B CN113378893 B CN 113378893B CN 202110556633 A CN202110556633 A CN 202110556633A CN 113378893 B CN113378893 B CN 113378893B
- Authority
- CN
- China
- Prior art keywords
- data set
- target task
- output data
- recording
- input data
- 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 92
- 238000013523 data management Methods 0.000 title claims abstract description 52
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 39
- 238000013515 script Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008676 import Effects 0.000 claims description 9
- 238000004806 packaging method and process Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 abstract description 23
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 24
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000000638 solvent extraction Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 7
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- G06F18/10—Pre-processing; Data cleansing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种数据管理方法及装置、电子设备和存储介质，所述方法包括：响应于针对目标任务的配置操作，确定目标任务的输入数据集；根据输入数据集，执行目标任务，得到输出数据集；记录目标任务、输入数据集以及输出数据集之间的关联关系，以基于关联关系实现数据管理，关联关系包括以下至少一种：输入数据集及输出数据集分别与目标任务之间的对应关系，以及输入数据集与输出数据集之间的衍生关系。本公开实施例可有利于整体提高人工智能开发项目的开发效率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种数据管理方法及装置、电子设备和存储介质。
背景技术
在人工智能项目(如，人脸识别项目、服装识别项目)的开发过程中，有很多涉及到数据迭代的任务，例如数据集的获取、标注、划分，以及训练模型、测试模型等任务。
考虑到，人工智能项目的开发过程中可包括多种任务，可能存在某种任务执行多次，某种任务输出的数据集可能不止一个，某种任务输入的数据集可能不止一个等复杂情况，在该些复杂情况下，通过有效地管理数据集，能够提升人工智能项目的开发效率。
发明内容
本公开提出了一种数据管理技术方案。
根据本公开的一方面，提供了一种数据管理方法，包括：响应于针对目标任务的配置操作，确定所述目标任务的输入数据集；根据所述输入数据集，执行所述目标任务，得到输出数据集；记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，以基于所述关联关系实现数据管理，所述关联关系包括以下至少一种：所述输入数据集及所述输出数据集分别与所述目标任务之间的对应关系，以及所述输入数据集与所述输出数据集之间的衍生关系。
在一种可能的实现方式中，所述目标任务包括多个，根据所述输入数据集，执行所述目标任务，得到输出数据集，包括：根据所述输入数据集，执行第1个目标任务，得到第1组输出数据集；根据第n-1组输出数据集，执行第n个目标任务，得到第n组输出数据集，n≥2；其中，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，包括：记录所述输入数据集及所述第1组输出数据集分别与所述第1个目标任务之间的对应关系，以及记录所述第n-1组输出数据集及所述第n组输出数据集分别与所述第n个目标任务之间的对应关系；和/或，记录所述输入数据集与所述1组输出数据集之间的衍生关系，以及记录所述第n-1组输出数据集与所述第n组输出数据集之间的衍生关系。
在一种可能的实现方式中，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，包括：通过有向无环图和/或树状图，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系。
在一种可能的实现方式中，所述方法还包括：展示数据集列表、所述对应关系以及所述衍生关系中的至少一种，所述数据集列表包括所述输入数据集与所述输出数据集。
在一种可能的实现方式中，在所述目标任务包括多个的情况下，展示所述衍生关系，包括：基于有向无环图和/或树状图的形式，展示所述输入数据集与第1组输出数据集之间的衍生关系，以及第n-1组输出数据集与第n组输出数据集之间的衍生关系，其中，所述第1组输出数据集是根据所述输入数据集执行第1个目标任务得到的，所述第n组输出数据集是根据所述第n-1组输出数据集执行第n个目标任务得到的。
在一种可能的实现方式中，所述响应于针对目标任务的配置操作，确定所述目标任务的输入数据集，包括：响应于针对目标任务的配置操作，确定所述目标任务的配置参数以及所述目标任务的执行脚本，所述配置参数包括所述目标任务的任务参数以及所述目标任务的输入数据集，所述任务参数用于指示所述目标任务针对所述输入数据集的处理结果，所述执行脚本用于执行所述目标任务；其中，所述方法还包括：记录所述目标任务的配置参数。
在一种可能的实现方式中，所述方法还包括：将实现所述数据管理方法的代码进行封装，得到所述数据管理方法的软件开发工具包，所述软件开发工具用于部署在电子设备上，以在所述电子设备上执行所述数据管理方法。
在一种可能的实现方式中，所述目标任务为人工智能项目中的处理任务，所述目标任务包括：数据集导入、数据集标注、数据集划分、模型训练及模型测试中的至少一种，所述输入数据集包括图像、语音、视频、文本中的任意一种。
根据本公开的一方面，提供了一种数据管理装置，包括：配置模块，用于响应于针对目标任务的配置操作，确定所述目标任务的输入数据集；执行模块，用于根据所述输入数据集，执行所述目标任务，得到输出数据集；记录模块，用于记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，以基于所述关联关系实现数据管理，所述关联关系包括以下至少一种：所述输入数据集及所述输出数据集分别与所述目标任务之间的对应关系，以及所述输入数据集与所述输出数据集之间的衍生关系。
在一种可能的实现方式中，所述目标任务包括多个，执行模块，包括：第一执行子模块，用于根据所述输入数据集，执行第1个目标任务，得到第1组输出数据集；第二执行子模块，用于根据第n-1组输出数据集，执行第n个目标任务，得到第n组输出数据集，n≥2；其中，记录模块，包括：第一记录子模块，用于记录所述输入数据集及所述第1组输出数据集分别与所述第1个目标任务之间的对应关系，以及记录所述第n-1组输出数据集及所述第n组输出数据集分别与所述第n个目标任务之间的对应关系；和/或，第二记录子模块，用于记录所述输入数据集与所述1组输出数据集之间的衍生关系，以及记录所述第n-1组输出数据集与所述第n组输出数据集之间的衍生关系。
在一种可能的实现方式中，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，包括：通过有向无环图和/或树状图，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系。
在一种可能的实现方式中，所述装置还包括：展示模块，用于展示数据集列表、所述对应关系以及所述衍生关系中的至少一种，所述数据集列表包括所述输入数据集与所述输出数据集。
在一种可能的实现方式中，在所述目标任务包括多个的情况下，展示所述衍生关系，包括：基于有向无环图和/或树状图的形式，展示所述输入数据集与第1组输出数据集之间的衍生关系，以及第n-1组输出数据集与第n组输出数据集之间的衍生关系，其中，所述第1组输出数据集是根据所述输入数据集执行第1个目标任务得到的，所述第n组输出数据集是根据所述第n-1组输出数据集执行第n个目标任务得到的。
在一种可能的实现方式中，所述响应于针对目标任务的配置操作，确定所述目标任务的输入数据集，包括：响应于针对目标任务的配置操作，确定所述目标任务的配置参数以及所述目标任务的执行脚本，所述配置参数包括所述目标任务的任务参数以及所述目标任务的输入数据集，所述任务参数用于指示所述目标任务针对所述输入数据集的处理结果，所述执行脚本用于执行所述目标任务；其中，所述方法还包括：记录所述目标任务的配置参数。
在一种可能的实现方式中，所述装置还包括：封装模块，用于将实现所述数据管理方法的代码进行封装，得到所述数据管理方法的软件开发工具包，所述软件开发工具用于部署在电子设备上，以在所述电子设备上执行所述数据管理方法。
在一种可能的实现方式中，所述目标任务为人工智能项目中的处理任务，所述目标任务包括：数据集导入、数据集标注、数据集划分、模型训练及模型测试中的至少一种，所述输入数据集包括图像、语音、视频、文本中的任意一种。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，能够标准化地完整记录人工智能管理项目的开发过程中，不同目标任务与不同数据集之间的对应关系以及不同数据集之间的衍生关系，从而有利于减少针对数据集的记录混乱、记录重复、记录缺失等情况发生，这样在人工智能项目的开发过程中，能够有效地根据该关联关系实现数据管理，例如，实现不同数据集的查找、编辑等，从而有利于整体提高人工智能开发项目的开发效率。
应当理解的是，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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的数据管理方法的流程图。
图2a示出根据本公开实施例的一种衍生关系的示意图。
图2b示出根据本公开实施例的一种衍生关系的示意图。
图3示出根据本公开实施例的一种对应关系的示意图。
图4示出根据本公开实施例的一种数据管理方法的SDK架构的示意图。
图5示出根据本公开实施例的数据管理装置的框图。
图6示出根据本公开实施例的一种电子设备的框图。
图7示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“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，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在本公开的实施例中，目标任务可以是人工智能项目中的处理任务。其中，人工智能项目例如可指至少通过深度学习、机器学习等人工智能技术所实现的项目，例如人脸识别项目、语音识别项目等，对于人工智能项目的类型，本公开实施例不作限制。
其中，目标任务可以包括数据集导入、数据集标注、数据集划分、模型训练及模型测试中的至少一种。应理解的是，数据集导入可指上传数据集；数据集标注可指对上传的数据集进行标注；数据集划分，可指将标注的数据集划分为多个子数据集，例如划分为用于训练模型的训练集以及用于测试模型的测试集；模型训练可指使用数据集对模型进行训练；模型测试可指使用数据集对训练后的模型进行测试等。其中，本公开中的模型可包括神经网络或算法等，对此本公开实施例不作限制。
需要说明的是，以上数据集导入、数据集标注、数据集划分、模型训练及模型测试是本公开实施例公开的一些目标任务，应理解的是，目标任务可泛指人工智能项目中的各种处理任务，例如，目标任务还可包括使用模型对标注的数据集进行预测，以校验数据集标注的准确性等，对此本公开实施例不作限制。
如上所述，人工智能项目的开发过程中，目标任务可包括至少一种，可能存在每种目标任务执行多次，每种目标任务输出的数据集包括一个或多个，每种目标任务可输入至少一个数据集等复杂情况。在该些复杂情况下，容易出现数据集的记录混乱、记录重复、记录缺失等问题，从而影响整个人工智能项目的开发效率。根据本公开的实施例，通过记录目标任务、输入数据集与输出数据集之间的关联关系，能够有效减少针对数据集的记录混乱、记录重复、记录缺失等情况发生，有利于提高人工智能项目的开发效率。
图1示出根据本公开实施例的数据管理方法的流程图，所述数据管理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现，或者，可通过服务器执行所述方法，如图1所示，所述数据管理方法包括：
在步骤S11中，响应于针对目标任务的配置操作，确定目标任务的输入数据集；
在步骤S12中，根据输入数据集，执行目标任务，得到输出数据集；
在步骤S13中，记录目标任务、输入数据集以及输出数据集之间的关联关系，以基于关联关系实现数据管理；
其中，关联关系包括以下至少一种：输入数据集及输出数据集分别与目标任务之间的对应关系，以及输入数据集与输出数据集之间的衍生关系。
在一种可能的实现方式中，在步骤S11中，针对目标任务的配置操作，可用于配置目标任务的输入数据集。其中，可通过界面交互的方式实现针对目标任务的配置操作，还可通过调用针对目标任务的应用程序接口(Application Programming Interface，API)实现配置操作，对此本公开实施例不作限制。
其中，确定目标任务的输入数据集，例如，可以是确定输入数据集的存储地址，以便于根据输入数据集的存储地址，从数据集的存储空间中获取输入数据集，进而实现根据输入数据集，执行目标任务，得到输出数据集。
如上所述，目标任务可以包括数据集导入、数据集标注、数据集划分、模型训练及模型测试中的至少一种，应理解的是，不同目标任务针对输入数据集的处理过程不同。
在目标任务为数据集导入的情况下，在步骤S12中，根据输入数据集，执行目标任务，得到输出数据集，可以包括：根据输入数据集的存储地址，执行数据集导入的执行脚本，得到导入的数据集，导入的数据集也即为输出数据集。应理解的是，在目标任务为数据集导入的情况下，输入数据集可理解为未导入的数据集，输出数据集可理解为已导入的数据集。
在目标任务为数据集标注的情况下，在步骤S12中，根据输入数据集，执行目标任务，得到输出数据集，可包括：根据输入数据集，执行数据集标注的执行脚本，对输入数据集进行标注，得到已标注的数据集，已标注的数据集也即为输出数据集。应理解的是，在目标任务为数据集标注的情况下，输入数据集可理解为未标注的数据集，输出数据集可理解为已标注的数据集。
在目标任务为数据集划分的情况下，在步骤S12中，根据输入数据集，执行目标任务，得到输出数据集，可包括：根据输入数据集，执行数据集划分的执行脚本，将输入数据集划分为多个子数据集，多个子数据集包括至少一个训练集以及至少一个测试集，多个子数据集也即为输出数据集。
在目标任务为模型训练或模型测试的情况下，在步骤S12中，根据输入数据集，执行目标任务，得到输出数据集，可以包括：根据输入数据集，执行模型训练或模型测试的执行脚本，以对待训练模型进行训练或对待测试模型进行测试，得到模型的训练结果或测试结果。在该情况下，考虑到模型训练的执行结果是模型，例如得到新版本的模型，而非新的数据集，模型测试的执行结果是模型的测试结果，例如，模型是否满足评价指标，也非新的数据集，基于此，可以将模型训练或模型测试的执行结果作为输出数据集，或也可以设置输出数据集为空值，也即输出数据集中无数据等，对此本公开实施例不作限制。
应理解的是，针对某些为了获得初始数据集的目标任务，例如数据爬虫任务，输入数据集通常不是标准的数据集合(例如某网站上的外部数据)，针对该些目标任务，可以例如将未获取的外部数据作为输入数据集，将执行目标任务后获取到的外部数据作为输出数据集。
其中，针对该些目标任务，配置操作可以用于配置外部数据的来源(例如爬取外部数据的网站的地址)，也即实现确定目标任务的输入数据集；在记录输入数据集与目标任务之间的对应关系时，可以例如记录外部数据的来源与目标任务之间的对应关系，也即，可以将外部数据的来源作为输入数据集，以有效记录输入数据集与目标任务之间的对应关系。
在一种可能的实现方式中，在步骤S13中，可以通过数据库记录目标任务、输入数据集以及输出数据集之间的关联关系；也可以通过日志的形式记录该关联关系，对此本公开实施例不作限制。
在一种可能的实现方式中，可以通过任务标识表征不同的目标任务，可以通过数据集标识表征不同的数据集。其中，记录输入数据集及输出数据集分别与目标任务之间的对应关系，以及输入数据集与输出数据集之间的衍生关系，可以包括：根据目标任务的任务标识、输入数据集的数据集标识及输出数据集的数据集标识，记录对应关系及衍生关系。
应理解的是，输出数据集可以是基于输入数据集生成的，因此，输入数据集与输出数据集之间的衍生关系，能够表征由输入数据集衍生出的不同输出数据集，从而使得数据集的迭代过程更加清楚，便于实现数据管理。
其中，基于关联关系实现的数据管理，可理解为，基于关联关系实现的针对数据集的查看、编辑等操作，例如，用户可以根据衍生关系，查看某个数据集是基于哪个数据集生成的，以及基于该某个数据集生成了哪些数据集等，进而可以根据实际需求对数据集进行编辑(如增加数据、删除数据、修改数据等)。
应理解的是，编辑前的数据集可以相当于输入数据集；编辑后的数据集可以相当于输出数据集，因此，还可以记录编辑前的数据集与编辑后的数据集之间的衍生关系。通过该方式，能够完整记录数据集的迭代更新，有利于减少数据集记录混乱、记录重复以及记录丢失等情况的发生。
在一种可能的实现方式中，输入数据集可以包括图像、语音、视频、文本中的任意一种。应理解的是，不同人工智能项目所需的数据类型可以不同，也即，输入数据集中数据的数据类型可以不同，例如，针对人脸识别项目，输入数据集中数据可以是图像或视频；针对语音识别项目，输入数据集中数据可以是语音；针对自然语言处理项目，输入数据集中数据可以是文本。
在本公开实施例中，能够标准化地完整记录人工智能管理项目的开发过程中，不同目标任务与不同数据集之间的对应关系以及不同数据集之间的衍生关系，从而有利于减少针对数据集的记录混乱、记录重复、记录缺失等情况发生，这样在人工智能项目的开发过程中，能够有效地根据该关联关系实现数据管理，例如，实现不同数据集的查找、编辑等，从而有利于整体提高人工智能开发项目的开发效率。
考虑到，人工智能项目中目标任务可以包括多个，多个目标任务可能存在执行的先后顺序，因此，任一目标任务的输出数据集可以作为下一目标任务的输入数据集。在目标任务包括多个的情况下，在一种可能的实现方式中，在步骤S12中，根据输入数据集，执行目标任务，得到输出数据集，包括：
根据输入数据集，执行第1个目标任务，得到第1组输出数据集；
根据第n-1组输出数据集，执行第n个目标任务，得到第n组输出数据集，n≥2；
其中，对于多个目标任务的种类和数量，以及多个目标任务执行的先后顺序，可以根据人工智能项目的实际需求确定，对此本公开实施例不作限制。
举例来说，人工智能项目中包括目标任务B1、目标任务B2、目标任务B3，其中，可根据输入数据集A0，执行目标任务B1后，得到第1组输出数据集A1；可以根据该第1组输出数据集A1和/或该输入数据集A0，执行目标任务B2后，得到第2组输出数据集A2-1和A2-2；可根据第2组输出数据集A2-1和A2-2，或还可以根据上述A0、A1、A2-1和A2-2之间的排列组合，执行目标任务B3后，得到第3组输出数据集A3。
其中，第n-1组输出数据集表征的是输入至第n个目标任务中的数据集，第n组输出数据集表征的是执行第n个目标任务所输出的数据集。应理解的是，执行目标任务所得到的输出数据集可以包括至少一个，也即第n组输出数据集中可以包括至少一个数据集；由于输入至每个目标任务中的数据集是可配置的，输入至第n个目标任务的第n-1组输出数据集，以及输入至第1个目标任务的输入数据集中也可以包括至少一个数据集。
在一种可能的实现方式中，在步骤S13中，记录目标任务、输入数据集以及输出数据集之间的关联关系，包括：
记录输入数据集及第1组输出数据集分别与第1个目标任务之间的对应关系，以及记录第n-1组输出数据集及第n组输出数据集分别与第n个目标任务之间的对应关系；和/或，
记录输入数据集与1组输出数据集之间的衍生关系，以及记录第n-1组输出数据集与第n组输出数据集之间的衍生关系。
如上所述，可以通过数据库或日志等方式记录对应关系以及衍生关系。沿用上述例子，记录输入数据集及第1组输出数据集分别与第1个目标任务之间的对应关系，以及记录第n-1组输出数据集及第n组输出数据集分别与第n个目标任务之间的对应关系，可以是记录A0与B1、A1与B1、A1与B2、A2-1和A2-2与B2、A2-1和A2-2与B3、A3与B3之间的对应关系；记录输入数据集与1组输出数据集之间的衍生关系，以及记录第n-1组输出数据集与第n组输出数据集之间的衍生关系，可以是记录A0与A1、A1与A2-1、A1与A2-2、A2-1与A3、A2-2与A3之间的衍生关系。
在本公开实施例中，能够有效记录多个目标任务与不同数据集之间的对应关系、以及不同数据集之间衍生关系，从而有利于减少针对多个目标任务中数据集的记录混乱、记录重复、记录缺失等情况发生，有利于提高人工智能项目的开发效率。
在一种可能的实现方式中，在步骤S13中，记录目标任务、输入数据集以及输出数据集之间的关联关系，包括：通过有向无环图和/或树状图，记录目标任务、输入数据集以及输出数据集之间的关联关系。
图2a示出根据本公开实施例的一种衍生关系的示意图，图2b示出根据本公开实施例的一种衍生关系的示意图，图3示出根据本公开实施例的一种对应关系的示意图。如图2a所示，可以基于通过有向无环图记录输入数据集与输出数据集之间的衍生关系，如图2b所示，还可以通过树状图记录输入数据集与输出数据集之间的衍生关系。如图3所示，可以通过有向无环图记录输入数据集与输出数据集分别与目标任务之间的对应关系。
应理解的是，图2a、图2b、图3示出的关联关系的记录方式，是本公开实施例公开的实现方式。实际上，本领域技术人员可以采用本领域的已知的方式，记录目标任务、输入数据集以及输出数据集关联关系，对此本公开实施例不作限制。
在本公开实施例中，能够清楚有效地记录目标任务、输入数据集以及输出数据集的关联关系，便于查看该关联关系。
考虑到，为便于用户基于关联关系实现数据管理，在一种可能的实现方式中，所述方法还包括：展示数据集列表、对应关系以及衍生关系中的至少一种，数据集列表包括输入数据集与输出数据集。
其中，可以通过应用程序界面、浏览器界面、命令行窗口界面等形式，展示数据集列表、对应关系以及衍生关系中的至少一种。应理解的是，本领域技术人员可以采用本领域已知的技术，实现在上述界面中展示数据集列表、对应关系以及衍生关系中的至少一种，对此本公开实施例不作限制。
如上所述，可以通过任务标识表征不同的目标任务，可以通过数据集标识表征不同的数据集，展示的数据集列表中可以包括输入数据集与输出数据集各自的数据集标识。
如上所述，可以通过日志的形式记录关联关系。在一种可能的实现方式中，可以在上述界面中展示用于记录关联关系的日志，以实现展示对应关系和/或衍生关系，对此本公开实施例不作限制。
在本公开实施例中，能够直观地展示人工智能项目中的各种数据集、对应关系以及衍生关系，以便于用户实现数据管理。
如上所述，目标任务可以包括多个，多个目标任务可能存在执行的先后顺序，任一目标任务的输出数据集可以作为下一目标任务的输入数据集，数据集与目标任务之间可能存在一对一、一对多、多对一等情况，为更清楚地展示出数据集之间的衍生关系，在一种可能的实现方式中，在目标任务包括多个的情况下，展示衍生关系，包括：
基于有向无环图和/或树状图的形式，展示输入数据集与第1组输出数据集之间的衍生关系，以及第n-1组输出数据集与第n组输出数据集之间的衍生关系，其中，第1组输出数据集是根据所述输入数据集执行第1个目标任务得到的，第n组输出数据集是根据第n-1组输出数据集执行第n个目标任务得到的。
如上所述，可以通过有向无环图和/或树状图记录关联关系。基于有向无环图和/或树状图的形式，展示衍生关系，包括：将用于记录衍生关系的有向无环图和/或树状图展示在界面中，例如，展示在应用程序界面、浏览器界面、命令行窗口界面等界面中，对此本公开实施例不作限制。如图2a所示的可是在界面中展示的一种衍生关系的有向无环图，如图2b所示可是在界面中展示的一种衍生关系的树状图。
应理解的是，本领域技术人员可根据实际需求，设计有向无环图和/或树状图在界面中的位置、大小、颜色等，以获得更好的视觉效果，对此本公开实施例不作限制。
在本公开实施例中，通过有向无环图和/或树状图，能够更清楚直观地展示不同数据集之间的衍生关系。
在一种可能的实现方式中，响应于针对目标任务的配置操作，确定目标任务的输入数据集，包括：
响应于针对目标任务的配置操作，确定目标任务的配置参数以及目标任务的执行脚本，配置参数包括目标任务的任务参数以及目标任务的输入数据集，任务参数用于指示目标任务针对输入数据集的处理结果，执行脚本用于执行目标任务；
其中，所述方法还包括：记录目标任务的配置参数。
如上所述，人工智能项目中可以包括多个目标任务，针对目标任务进行的配置操作，不仅可用于确定目标任务的输入数据集，还可用于确定目标任务的任务参数。
其中，任务参数用于指示目标任务针对输入数据集的处理结果(或是处理方式)，可理解为，任务参数反映用户对输入数据集的处理需求，目标任务根据任务参数对输入数据集进行处理，得到的处理结果与任务参数表征的处理需求一致。
例如，针对数据集划分的目标任务，任务参数可以包括数据集的划分数量，根据划分数量，可以将输入数据集划分成与该划分数量一致的子数据集；其中，任务参数还可以包括多个子数据集(也即输出数据集)的存储地址，这样可以将目标任务的输出数据集，存储至指定的存储地址中，以便于其它目标任务中根据指定的存储地址获取该输出数据集。
其中，目标任务的执行脚本，可以是开发人员预先编程好的代码脚本。应理解的是，不同目标任务对应的执行脚本不同，通过确定执行脚本也即确定出所要执行的目标任务。
在一种可能的实现方式中，可以通过数据库或日志的形式记录目标任务的配置参数，对此本公开实施例不作限制。通过该方式，可以实现持久化目标任务的配置参数，以能够基于该配置参数高效地复现目标任务，从而便于开发人员查看、更新历史目标任务等，有利于提高人工智能项目的开发效率。
在一种可能的实现方式中，所述方法还可以包括：根据记录的关联关系和/或数据集标识，通过数据访问接口从数据库中取出任一数据集，并基于取出的数据集进行相关处理。其中，相关处理例如可以至少包括：基于取出的数据集复现某一目标任务、或是对两个模型进行比对，或是对该数据集内的数据进行编辑等。
在一种可能的实现方式中，所述方法还包括：
将实现数据管理方法的代码进行封装，得到数据管理方法的软件开发工具包，软件开发工具用于部署在电子设备上，以在电子设备上执行数据管理方法。
应理解的是，数据管理方法的代码，可以采用已知的编程语言(如C语言、Python语言等)进行编程得到，对此本公开实施例不作限制。其中，本领域技术人员可以采用本领域已知的封装技术，实现对所述数据管理方法的代码进行封装得到软件开发工具包，对此本公开实施例不作限制。
其中，软件开发工具包(Software Development Kit，SDK)，可以作为插件集成至其它应用程序中，也可以作为单独的应用程序部署在电子设备中，对此本公开实施例不作限制。
图4示出根据本公开实施例的一种数据管理方法的SDK架构的示意图。如图4所示，该SDK架构可包括应用层及存储层。
其中，存储层可以通过调用数据访问接口，读取数据集中的数据以及目标任务的执行脚本；在目标任务执行的过程中，存储层还可以记录目标任务、输入数据集与输出数据集之间的关联关系，也即记录对应关系及衍生关系等。
其中，应用层可以实现执行目标任务的执行脚本(也即执行目标任务)、可以实现在数据库中记录配置参数，以及可以实现对存储空间中的数据集进行读写操作(也即读写数据集)；应用层还对外提供应用程序接口，以便于开发人员通过调用该应用程序接口，配置目标任务的配置参数，以及还可以将SDK应用到不同的人工智能项目中。
应理解的是，可以将多种目标任务的执行脚本集成至SDK中，得到一个包含多种目标任务的SDK，并可以通过应用程序接口调用目标任务的执行脚本。
在电子设备中执行数据管理方法的过程可以包括：以执行脚本、配置参数与输入数据集为输入，执行目标任务后获得输出数据集，并持久化地记录输入数据集、输出数据集、关联关系以及配置参数等信息。通过该方式，实现了人工智能项目的管理开发过程中信息记录的自动化，有利于提高人工智能项目的开发效率。
在一种可能的实现方式中，可以在人工智能项目的客户端中展示数据集列表、数据集与目标任务之间的对应关系、衍生关系的有向无环图等信息，客户端可以通过调用SDK的应用程序接口获取到数据集列表、数据集与目标任务之间的对应关系、衍生关系的有向无环图等信息以进行展示。
其中，客户端可以包括但不限于：基于浏览器的交互展示网页、命令行窗口程序、包含图形用户界面(Graphical User Interface，GUI)的软件等，对此本公开实施例不作限制。
在本公开实施例中，通过将数据管理方法封装成SDK以部署在电子设备中，能够实现数据管理方法的标准化和自动化，能够被广泛、通用地应用于不同的人工智能项目。
根据本公开的实施例，能够不受限于人工智能项目的类型、人工智能项目的部署系统、人工智能项目中的模型框架等限制，可被广泛、通用地应用于不同场景的人工智能项目的研发管理系统中。当然，还可以应用于算法能力展示平台、模型训练系统等需要对数据集进行管理的平台或系统中。
根据本公开的实施例，能够让人工智能项目中针对数据集以及目标任务的维护更有条理、且能够复现目标任务；能够以直观、易交互的方式进行人工智能项目的数据管理，提高人工智能项目的开发效率。
根据本公开的实施例，能够持久化地记录目标任务的配置参数，保障目标任务的可复现性；能够实现不同目标任务与不同数据集之间的对应关系，以及不同数据集之间的衍生关系等信息记录的自动化和标准化。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了数据管理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种数据管理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的数据管理装置的框图，如图5所示，所述装置包括：
配置模块101，用于响应于针对目标任务的配置操作，确定所述目标任务的输入数据集；
执行模块102，用于根据所述输入数据集，执行所述目标任务，得到输出数据集；
记录模块103，用于记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，以基于所述关联关系实现数据管理，所述关联关系包括以下至少一种：所述输入数据集及所述输出数据集分别与所述目标任务之间的对应关系，以及所述输入数据集与所述输出数据集之间的衍生关系。
在一种可能的实现方式中，所述目标任务包括多个，执行模块102，包括：第一执行子模块，用于根据所述输入数据集，执行第1个目标任务，得到第1组输出数据集；第二执行子模块，用于根据第n-1组输出数据集，执行第n个目标任务，得到第n组输出数据集，n≥2；其中，记录模块103，包括：第一记录子模块，用于记录所述输入数据集及所述第1组输出数据集分别与所述第1个目标任务之间的对应关系，以及记录所述第n-1组输出数据集及所述第n组输出数据集分别与所述第n个目标任务之间的对应关系；和/或，第二记录子模块，用于记录所述输入数据集与所述1组输出数据集之间的衍生关系，以及记录所述第n-1组输出数据集与所述第n组输出数据集之间的衍生关系。
在一种可能的实现方式中，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，包括：通过有向无环图和/或树状图，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系。
在一种可能的实现方式中，所述装置还包括：展示模块，用于展示数据集列表、所述对应关系以及所述衍生关系中的至少一种，所述数据集列表包括所述输入数据集与所述输出数据集。
在一种可能的实现方式中，在所述目标任务包括多个的情况下，展示所述衍生关系，包括：基于有向无环图和/或树状图的形式，展示所述输入数据集与第1组输出数据集之间的衍生关系，以及第n-1组输出数据集与第n组输出数据集之间的衍生关系，其中，所述第1组输出数据集是根据所述输入数据集执行第1个目标任务得到的，所述第n组输出数据集是根据所述第n-1组输出数据集执行第n个目标任务得到的。
在一种可能的实现方式中，所述响应于针对目标任务的配置操作，确定所述目标任务的输入数据集，包括：响应于针对目标任务的配置操作，确定所述目标任务的配置参数以及所述目标任务的执行脚本，所述配置参数包括所述目标任务的任务参数以及所述目标任务的输入数据集，所述任务参数用于指示所述目标任务针对所述输入数据集的处理结果，所述执行脚本用于执行所述目标任务；其中，所述方法还包括：记录所述目标任务的配置参数。
在一种可能的实现方式中，所述装置还包括：封装模块，用于将实现所述数据管理方法的代码进行封装，得到所述数据管理方法的软件开发工具包，所述软件开发工具用于部署在电子设备上，以在所述电子设备上执行所述数据管理方法。
在一种可能的实现方式中，所述目标任务为人工智能项目中的处理任务，所述目标任务包括：数据集导入、数据集标注、数据集划分、模型训练及模型测试中的至少一种，所述输入数据集包括图像、语音、视频、文本中的任意一种。
在本公开实施例中，能够标准化地完整记录人工智能管理项目的开发过程中，不同目标任务与不同数据集之间的对应关系以及不同数据集之间的衍生关系，从而有利于减少针对数据集的记录混乱、记录重复、记录缺失等情况发生，这样在人工智能项目的开发过程中，能够有效地根据该关联关系实现数据管理，例如，实现不同数据集的查找、编辑等，从而有利于整体提高人工智能开发项目的开发效率。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令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，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种数据管理方法，其特征在于，包括：
响应于针对目标任务的配置操作，确定所述目标任务的输入数据集；
根据所述输入数据集，执行所述目标任务，得到输出数据集；
记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，以基于所述关联关系实现数据管理，
所述关联关系包括以下至少一种：所述输入数据集及所述输出数据集分别与所述目标任务之间的对应关系，以及所述输入数据集与所述输出数据集之间的衍生关系；
其中，所述目标任务包括多个，根据所述输入数据集，执行所述目标任务，得到输出数据集，包括：
根据所述输入数据集，执行第1个目标任务，得到第1组输出数据集；
根据第n-1组输出数据集，执行第n个目标任务，得到第n组输出数据集，n≥2；
其中，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，包括：
记录所述输入数据集及所述第1组输出数据集分别与所述第1个目标任务之间的对应关系，以及记录所述第n-1组输出数据集及所述第n组输出数据集分别与所述第n个目标任务之间的对应关系；和/或，
记录所述输入数据集与所述1组输出数据集之间的衍生关系，以及记录所述第n-1组输出数据集与所述第n组输出数据集之间的衍生关系。
2.根据权利要求1所述的方法，其特征在于，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，包括：
通过有向无环图和/或树状图，记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
展示数据集列表、所述对应关系以及所述衍生关系中的至少一种，所述数据集列表包括所述输入数据集与所述输出数据集。
4.根据权利要求3所述的方法，其特征在于，在所述目标任务包括多个的情况下，展示所述衍生关系，包括：
基于有向无环图和/或树状图的形式，展示所述输入数据集与第1组输出数据集之间的衍生关系，以及第n-1组输出数据集与第n组输出数据集之间的衍生关系，
其中，所述第1组输出数据集是根据所述输入数据集执行第1个目标任务得到的，所述第n组输出数据集是根据所述第n-1组输出数据集执行第n个目标任务得到的。
5.根据权利要求1所述的方法，其特征在于，所述响应于针对目标任务的配置操作，确定所述目标任务的输入数据集，包括：
响应于针对目标任务的配置操作，确定所述目标任务的配置参数以及所述目标任务的执行脚本，所述配置参数包括所述目标任务的任务参数以及所述目标任务的输入数据集，所述任务参数用于指示所述目标任务针对所述输入数据集的处理结果，所述执行脚本用于执行所述目标任务；
其中，所述方法还包括：记录所述目标任务的配置参数。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
将实现所述数据管理方法的代码进行封装，得到所述数据管理方法的软件开发工具包，所述软件开发工具用于部署在电子设备上，以在所述电子设备上执行所述数据管理方法。
7.根据权利要求1-5任一项所述的方法，其特征在于，所述目标任务为人工智能项目中的处理任务，所述目标任务包括：数据集导入、数据集标注、数据集划分、模型训练及模型测试中的至少一种，所述输入数据集包括图像、语音、视频、文本中的任意一种。
8.一种数据管理装置，其特征在于，包括：
配置模块，用于响应于针对目标任务的配置操作，确定所述目标任务的输入数据集；
执行模块，用于根据所述输入数据集，执行所述目标任务，得到输出数据集；
记录模块，用于记录所述目标任务、所述输入数据集以及所述输出数据集之间的关联关系，以基于所述关联关系实现数据管理，所述关联关系包括以下至少一种：所述输入数据集及所述输出数据集分别与所述目标任务之间的对应关系，以及所述输入数据集与所述输出数据集之间的衍生关系；
其中，所述目标任务包括多个，所述执行模块，包括：第一执行子模块，用于根据所述输入数据集，执行第1个目标任务，得到第1组输出数据集；第二执行子模块，用于根据第n-1组输出数据集，执行第n个目标任务，得到第n组输出数据集，n≥2；
其中，所述记录模块，包括：第一记录子模块，用于记录所述输入数据集及所述第1组输出数据集分别与所述第1个目标任务之间的对应关系，以及记录所述第n-1组输出数据集及所述第n组输出数据集分别与所述第n个目标任务之间的对应关系；和/或，第二记录子模块，用于记录所述输入数据集与所述1组输出数据集之间的衍生关系，以及记录所述第n-1组输出数据集与所述第n组输出数据集之间的衍生关系。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556633.0A CN113378893B (zh) | 2021-05-21 | 2021-05-21 | 数据管理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556633.0A CN113378893B (zh) | 2021-05-21 | 2021-05-21 | 数据管理方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378893A CN113378893A (zh) | 2021-09-10 |
| CN113378893B true CN113378893B (zh) | 2024-04-09 |
Family
ID=77571583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110556633.0A Active CN113378893B (zh) | 2021-05-21 | 2021-05-21 | 数据管理方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378893B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330755B (zh) * | 2022-03-11 | 2022-06-21 | 深圳鹏行智能研究有限公司 | 数据集的生成方法、装置、机器人和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9563687B1 (en) * | 2014-11-13 | 2017-02-07 | Amazon Technologies, Inc. | Storage configuration in data warehouses |
| CN106648677A (zh) * | 2016-12-28 | 2017-05-10 | 中国科学院南京地理与湖泊研究所 | 一种水环境领域模型集成模板的可视化定制方法 |
| KR20200015642A (ko) * | 2020-01-25 | 2020-02-12 | 이승철 | Super Tree 기반의 Project/Task 지능 목표관리 방법 및 플랫폼 |
| CN111078319A (zh) * | 2019-12-23 | 2020-04-28 | 浪潮通用软件有限公司 | 配置数据管理方法、装置、存储介质和计算机可读介质 |
| CN111342997A (zh) * | 2020-02-06 | 2020-06-26 | 烽火通信科技股份有限公司 | 一种深度神经网络模型的构建方法、故障诊断方法及系统 |
| CN111880989A (zh) * | 2020-07-14 | 2020-11-03 | 中国银联股份有限公司 | 一种配置项管理方法及装置 |
-
2021
- 2021-05-21 CN CN202110556633.0A patent/CN113378893B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9563687B1 (en) * | 2014-11-13 | 2017-02-07 | Amazon Technologies, Inc. | Storage configuration in data warehouses |
| CN106648677A (zh) * | 2016-12-28 | 2017-05-10 | 中国科学院南京地理与湖泊研究所 | 一种水环境领域模型集成模板的可视化定制方法 |
| CN111078319A (zh) * | 2019-12-23 | 2020-04-28 | 浪潮通用软件有限公司 | 配置数据管理方法、装置、存储介质和计算机可读介质 |
| KR20200015642A (ko) * | 2020-01-25 | 2020-02-12 | 이승철 | Super Tree 기반의 Project/Task 지능 목표관리 방법 및 플랫폼 |
| CN111342997A (zh) * | 2020-02-06 | 2020-06-26 | 烽火通信科技股份有限公司 | 一种深度神经网络模型的构建方法、故障诊断方法及系统 |
| CN111880989A (zh) * | 2020-07-14 | 2020-11-03 | 中国银联股份有限公司 | 一种配置项管理方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 数据集的语义关联发现方法研究;龚振;范冰冰;;计算机应用与软件(08);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378893A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445493B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111581488B (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
| CN109919300B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
| CN110941942B (zh) | 电路原理图检查方法、装置及系统 | |
| US20190379942A1 (en) | Method and apparatus for processing multimedia resources | |
| CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
| CN110858924B (zh) | 视频背景音乐的生成方法、装置及存储介质 | |
| CN111539410B (zh) | 字符识别方法及装置、电子设备和存储介质 | |
| CN112668707B (zh) | 运算方法、装置及相关产品 | |
| CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
| CN113065591B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN112001364A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
| CN113378893B (zh) | 数据管理方法及装置、电子设备和存储介质 | |
| CN112559673A (zh) | 语言处理模型的训练方法及装置、电子设备及存储介质 | |
| CN113705653A (zh) | 模型生成方法及装置、电子设备和存储介质 | |
| CN111984765B (zh) | 知识库问答过程关系检测方法及装置 | |
| WO2023097952A1 (zh) | 预训练模型发布方法及装置、电子设备、存储介质和计算机程序产品 | |
| CN111488964A (zh) | 图像处理方法及装置、神经网络训练方法及装置 | |
| CN111666936A (zh) | 标注方法及装置和系统、电子设备和存储介质 | |
| CN115098390A (zh) | 自动化测试方法、装置、存储介质和电子设备 | |
| CN108549570B (zh) | 用户界面的更新方法及装置 | |
| CN114120199A (zh) | 事件统计方法及装置、电子设备和存储介质 | |
| CN113504903A (zh) | 实验生成方法及装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |