CN113392974A - 模型训练方法、装置、电子设备以及存储介质 - Google Patents
模型训练方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113392974A CN113392974A CN202110771289.7A CN202110771289A CN113392974A CN 113392974 A CN113392974 A CN 113392974A CN 202110771289 A CN202110771289 A CN 202110771289A CN 113392974 A CN113392974 A CN 113392974A
- Authority
- CN
- China
- Prior art keywords
- training
- data
- model
- computing node
- characteristic 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims description 68
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本公开提供了模型训练方法、装置、电子设备以及存储介质,涉及计算机技术领域,尤其涉及深度学习领域。具体实现方案为:获取用于机器学习的第一目标特征数据,其中,第一目标特征数据为利用第一计算节点对训练数据进行处理得到的;以及基于第二计算节点,完成利用第一目标特征数据对待训练模型的训练。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能中的深度学习领域。
背景技术
深度学习(也称为深度结构化学习或分层学习)是基于人工神经网络的更广泛的机器学习方法族的一部分。深度学习架构,例如深度神经网络、深度信念网络、循环神经网络和卷积神经网络,已经被应用于包括计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序在内的领域。为保证各领域内输出结果的准确性,相应的模型训练必不可少。
发明内容
本公开提供了一种模型训练方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的一方面,提供了一种模型训练方法,包括:获取用于机器学习的第一目标特征数据,其中,所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的;以及基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练。
根据本公开的另一方面,提供了另一种模型训练方法,包括:利用第一计算节点对训练数据进行处理,得到用于机器学习的第一目标特征数据;以及将所述第一目标特征数据输入至第二计算节点中,以便基于所述第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练。
根据本公开的另一方面,提供了又一种模型训练方法,包括:获取用于机器学习的第一目标特征数据,其中,所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的;将所述第一目标特征数据输入第二计算节点;以及第二计算节点利用所述第一目标特征数据对所述待训练模型进行训练。
根据本公开的另一方面,提供了一种模型训练装置,包括:第一获取模块,用于获取用于机器学习的第一目标特征数据,其中,所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的;以及第一训练模块,用于基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练。
根据本公开的另一方面,提供了另一种模型训练装置,包括:处理模块,用于利用第一计算节点对训练数据进行处理,得到用于机器学习的第一目标特征数据;以及第一输入模块,用于将所述第一目标特征数据输入至第二计算节点中,以便基于所述第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练。
根据本公开的另一方面,提供了又一种模型训练装置,包括:第三获取模块,用于获取用于机器学习的第一目标特征数据,其中,所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的;第三输入模块,用于将所述第一目标特征数据输入第二计算节点;以及第二训练模块,用于第二计算节点利用所述第一目标特征数据对所述待训练模型进行训练。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的模型训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的模型训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的模型训练方法。
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示意性示出了根据本公开实施例的可以应用模型训练方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的应用于第二计算节点的模型训练方法的流程图;
图3示意性示出了根据本公开实施例的多线程异步读取数据的示意图;
图4示意性示出了根据本公开实施例的应用于第一计算节点的模型训练方法的流程图;
图5示意性示出了根据本公开实施例的应用于总控设备的模型训练方法的流程图;
图6示意性示出了根据本公开实施例的模型训练过程的整体流程图;
图7示意性示出了根据本公开实施例的应用于第二计算节点的模型训练装置的框图;
图8示意性示出了根据本公开实施例的应用于第一计算节点的模型训练装置的框图;
图9示意性示出了根据本公开实施例的应用于总控设备的模型训练装置的框图;以及
图10示出了可以用来实施本公开的实施例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。
模型的整体训练流程通常包括数据准备阶段、数据处理与特征抽取阶段、模型训练和模型验证阶段、特征保存阶段和模型预估阶段。模型训练通常基于GPU(GraphicsProcessing Unit,图形处理单元)实现。
文件冷热预估模型用于对网盘文件的冷热程度进行预估,可以通过对网盘文件的消费情况进行分析,来确定每个网盘文件属于热文件还是冷文件。由于网盘文件的月消费率不高,通过结合文件冷热预估模型对文件的预估结果,将冷热文件进行精细化调度,如,将热文件存储到出口带宽比较好的机房,对冷文件进行廉价设备的存储,或是将冷文件直接压缩后存储等,能够有效保证存储资源的收益。
发明人在实现本公开构思的过程中发现,模型训练过程通常会耗费较长的时间,较低的训练效率往往不能满足模型的及时更新。例如,在文件冷热预估模型的训练过程中,存在17411条用户特征数据和5856007条文件特征数据,每个训练周期需要训练200次,每批次使用256条特征数据,则一个训练周期的耗时约大于26小时。更何况是对于用户特征亿级别/每周和文件特征百亿级别/每周的数据,需要耗费更长的训练周期。在该周期下,文件冷热预估模型要达到天级别更新,显得尤为困难。
图1示意性示出了根据本公开实施例的可以应用模型训练方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103所浏览的内容提供相应的模型支持的后台管理服务器(仅为示例)。后台管理服务器这可以预置有与知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等相关的模型,该模型可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。服务器也可以是云服务器,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。
需要说明的是,本公开实施例所提供的模型训练方法一般可以由服务器105执行。相应地,本公开实施例所提供的模型训练装置也可以设置于服务器105中。本公开实施例所提供的模型训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的模型训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
或者,本公开实施例所提供的模型训练方法一般也可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的模型训练装置一般可以设置于终端设备101、102、或103中。
例如,在需要进行模型训练时,终端设备101、102、103可以作为第一计算节点,对训练数据进行处理,得到用于机器学习的第一目标特征数据。然后将第一目标特征数据发送给预置有待训练模型的服务器105,由服务器105完成对待训练模型的训练。
再如,终端设备101、102、103中也可以预置有待训练模型,作为第二计算节点,获取用于机器学习的第一目标特征数据,并完成对待训练模型的训练。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的应用于第二计算节点的模型训练方法的流程图。
如图2所示,该方法包括操作S210~S220。
在操作S210,获取用于机器学习的第一目标特征数据。其中,第一目标特征数据为利用第一计算节点对训练数据进行处理得到的。
在操作S220,基于第二计算节点,完成利用第一目标特征数据对待训练模型的训练。
根据本公开的实施例,以待训练模型为文件冷热预估模型为例,训练数据例如包括用户画像、文件及文件消费类数据。
根据本公开的实施例,上述训练数据的获取方式例如可以包括:通过用于采集用户画像、文件及文件消费类数据的各个模块打点生成PB(数据单位,1PB=1024TB)量级的日志。数据采集模块采集PB量级的日志,并将其传输到AFS(The Andrew File System,一种分布式文件系统)集群,AFS集群用于管理分布在网络不同节点上的文件。ETL(Extraction-Transformation-Loading,数据抽取、转换和加载)根据不同规则对AFS集群中的PB量级的日志进行清洗、过滤、抽取、映射等处理操作,并将处理结果存储到UDW(一种文件类型)表。ETL负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成,最后加载到数据仓库或数据集市中,成为联机分析处理、数据挖掘的基础。对UDW表中数据进进行清洗、抽取、聚合可得到需要的文件数仓+用户画像。对UDW表中数据进一步抽取、聚合可得到需要的天级、月级、年级的用户画像+文件纬度+消费特征的集市数据。通过将该用户画像+文件纬度+消费特征的集市数据存储到AFS或UDW表中,即可为上述训练数据提供获取基础。
根据本公开的实施例,待训练模型可以通过Paddle(飞浆,一种端到端开源深度学习平台)平台提供的API(应用程序接口)或基于推荐系统提供的方法实现。例如,可以通过Paddle云平台实现模型训练。Paddle平台可以提供比较丰富的服务平台、工具组件等,使用方无需关注模型全流程的调度工具、模型缩减等模型之外工具的开发和维护,可以减少额外工具的开发和维护成本。推荐系统可以提供内容理解、匹配、召回、排序、多任务、重排序等多个任务的完整推荐搜索算法库,同时适合初学者、开发者、研究者的推荐系统全流程解决方案。
根据本公开的实施例,第一目标特征数据例如为机器能够直接识别的特征数据。第一计算节点用于对训练数据进行处理得到该特征数据。第二计算节点用于利用该特征数据实现对模型的训练。
根据本公开的实施例,第二计算节点可以为计算能力相对较小的节点。第一计算节点可以为计算能力相对较大的节点。第一计算节点和第二计算节点可以部署于不同设备上,也可以部署于同一设备上,该设备可以包括终端设备和服务器等。例如,第一计算节点和第二计算节点可以在同一服务器以并行资源的形式实现。
需要说明的是,上述文件冷热预估模型仅是示例性实施例,但不限于此,还可以包括本领域已知的其他图像识别模型、信息处理模型等,只要需要进行模型训练的过程,均可采用上述模型训练方法。
通过本公开的上述实施例,由于直接利用处理得到的特征数据对模型进行训练,减少了传统模型训练过程中在进行特征提取时的工作量,从而即使针对诸如月级、年级的数据量进行模型训练,也能缓解传统模型训练过程存在的耗时大的问题,进而达到提升模型训练效率的技术效果。
下面结合具体实施例,并参考图3,对图2所示的方法做进一步说明。
根据本公开的实施例,上述基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练可以包括:获取多个读进程。利用多个读进程读取第一目标特征数据,以完成利用第一目标特征数据对待训练模型的训练。
根据本公开的实施例,可以为模型训练过程设置多个读进程,每个读进程可以通过同步或异步的方式读取数据,以利用读取到的数据实现模型训练。
通过本公开的上述实施例,采用多进程读取的方式,可以有效提高模型训练的效率。
根据本公开的实施例,上述基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练还可以包括:通过异步读取的方式读取第一目标特征数据,以完成利用第一目标特征数据对待训练模型的训练。
根据本公开的实施例,在异步读取数据时,可以不用等待上一次读取的数据返回响应,即可直接进入下一次数据的读取。
通过本公开的上述实施例,采用异步读取的方式,可有效提高模型训练的效率。
图3示意性示出了根据本公开实施例的多线程异步读取数据的示意图。
如图3所示,在进行第一目标特征数据的读取时,例如设置有5个读进程S310、S320、S330、S340和S350。每个读进程可以异步读取数据,如图中黑色方块表示正在读取的数据。例如,读进程S310中异步读取的数据包括311、312和313等。
通过本公开的上述实施例,采用多进程和异步的数据读取方式,可进一步缩短模型训练的时间,提高模型训练的效率。
根据本公开的实施例,上述基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练还可以包括:将第一目标特征数据转换为待训练模型支持的向量数据。利用向量数据完成对待训练模型的训练。
根据本公开的实施例,模型训练的主要过程基于第二计算节点实现。第二计算节点在接收到用于模型训练的第一目标特征数据之后,首先将该第一目标特征数据转换为模型能够识别的向量数据,然后根据该向量数据进行模型训练。
通过本公开的上述实施例,由于直接采用处理得到的第一目标特征数据对模型进行训练,减少了传统模型训练过程中在进行特征提取时的工作量,从而缓解了传统模型训练过程存在的耗时大的问题,提升了模型训练效率。
图4示意性示出了根据本公开实施例的应用于第一计算节点的模型训练方法的流程图。
如图4所示,该方法包括操作S410~S420。
在操作S410,利用第一计算节点对训练数据进行处理,得到用于机器学习的第一目标特征数据。
在操作S420,将第一目标特征数据输入至第二计算节点中,以便基于第二计算节点,完成利用第一目标特征数据对待训练模型的训练。
通过本公开的上述实施例,由于直接利用处理得到的特征数据对模型进行训练,减少了传统模型训练过程中在进行特征提取时的工作量,从而即使针对诸如月级、年级的数据量进行模型训练,也能缓解传统模型训练过程存在的耗时大的问题,进而达到提升模型训练效率的技术效果。
根据本公开的实施例,训练数据包括不同类型的样本数据。上述利用第一计算节点对训练数据进行处理,得到用于机器学习的第一目标特征数据包括:获取不同类型的样本数据。其中,每种类型的样本数据包括多个。对每个样本数据进行特征提取,得到用于表征每个样本数据的初始特征数据。获取不同类型的样本数据之间的预设关系。根据预设关系对不同类型的样本数据的初始特征数据进行关联,得到第一目标特征数据。
根据本公开的实施例,预设关系也可以为针对各类样本数据预先设置的映射关系。预设关系也可以为某类样本数据本身所表征的关系。例如,存在一种类型的样本数据,其包含有至少两种其他类型的样本数据,则该类型的样本数据可以表征其所包含的其他类型的样本数据之间的关系。
根据本公开的实施例,以待训练模型为上述文件冷热预估模型为例,训练数据可以表现为用户特征数据、文件特征数据和用于表征用户消费文件的用户-文件特征数据,用户-文件特征数据可以表征上述预设关系。用户特征数据可以包括用户ID、用户地域及其他用户属性等其中至少之一。文件特征数据可以包括文件ID、文件大小、文件扩展名、文件类别及其他文件属性等其中至少之一,文件类别可以包括视频、音频、文档等。用户-文件特征数据可以包括与用户消费文件相关的日志信息等。用户特征数据、文件特征数据和用于表征用户消费文件的用户-文件特征数据均可通过PB量级的数据采集模块采集得到。
根据本公开的实施例,对用户特征数据进行特征提取后得到的初始特征数据例如包括用户ID、用户地域和其他用户属性等其中至少之一。对文件特征数据进行特征提取后得到的初始特征数据例如包括文件ID、文件大小、文件扩展名、文件类别和其他文件属性等其中至少之一。对用户-文件特征数据进行特征提取后可以得到不同的用户属性和不同的文件属性之间存在的关联关系。
根据本公开的实施例,通过根据用户-文件特征数据提取到的用户-文件特征对用户特征和文件特征进行关联,可以得到如用户ID-文件ID、用户ID-文件大小、用户ID-文件类型及其他用户属性-其他文件属性等由用户属性-文件属性构成的上述第一目标特征数据。其中,每一个用户属性-文件属性中的用户属性和文件属性均可包括一项或多项。
根据本公开的实施例,特征提取的过程中例如还包括数据降噪操作。例如,可以滤除训练数据中的脏数据及一些非必须特征,保留有效特征。如文件特征可保留视频、音频、图片、文档、app、bt文件等特定特征,滤除其他特征。
通过本公开的上述实施例,由于特征提取及特征关联的过程均在第一计算节点,即模型之外进行,有效减少了模型内的计算量,进而可有效提升模型训练效率。
根据本公开的实施例,第一目标特征数据可以存储于配置文件中。上述模型训练方法还可以包括:确定基于第二计算节点,完成利用第一目标特征数据对待训练模型的训练的过程为第一训练过程;获取针对第一训练过程的第一分析结果。其中,第一分析结果中包括影响模型训练的准确率的第二目标特征数据。将配置文件中的第二目标特征数据删除,得到包含第三目标特征数据的目标配置文件。将目标配置文件输入至第二计算节点中,以便基于第二计算节点,完成利用第三目标特征数据对待训练模型的训练。
根据本公开的实施例,同样以上述文件冷热预估模为例。为了保证待训练模型经训练后的准确率,利用第一目标特征数据进行模型训练的过程可以进行多次。并且,在每次训练结束之后,可以对模型的冷热预测准确率和预测误差进行评估。例如,可以每隔一段时间拿一批数据评估模型的准确率。再如,还可以提供在线反馈服务,将负样本数据加入模型中迭代训练,提升模型的准确率。
根据本公开的实施例,存储于配置文件中的第一目标特征数据可以包括上述每隔一定时间拿的一批数据和负样本数据。每隔一段时间拿的一批数据可以根据每次训练过后模型的预估准确率进行适应性调整。例如,在某一次进行模型训练时,采用的第一目标特征数据为用户ID-文件ID、用户ID-文件大小、用户ID-文件类型、用户ID-文件ID+文件大小+文件类型等。对该次训练过后的模型进行准确率预估及分析可以得到用户ID-文件ID+文件大小+文件类型这一特征数据对模型训练的准确率影响较大,则在下次进行模型训练时,可以删除该特征数据,采用用户ID-文件ID、用户ID-文件大小、用户ID-文件类型进行模型训练。由于用于对模型进行训练的相关特征数据是存储于配置文件中的,因此在每次需要变更该相关特征数据的情况下,均可直接对配置文件中的数据进行修改。
通过本公开的上述实施例,由于设置了用于存储第一目标特征数据的配置文件,可以通过读取配置文件的内容来对训练模型进行训练,减少了根据特征数据进行训练时可能存在的代码变动,简化了训练过程,进一步提高了训练效率。
图5示意性示出了根据本公开实施例的应用于总控设备的模型训练方法的流程图。总控设备中可以包括第一计算节点和第二计算节点,并可用于控制第一计算节点和第二计算节点的计算过程。
如图5所示,该方法包括操作S510~S530。
在操作S510,获取用于机器学习的第一目标特征数据。其中,第一目标特征数据为利用第一计算节点对训练数据进行处理得到的。
在操作S520,将第一目标特征数据输入第二计算节点。
在操作S530,第二计算节点利用第一目标特征数据对待训练模型进行训练。
图6示意性示出了根据本公开实施例的模型训练过程的整体流程图。
如图6所示,该流程包括操作S601~S613。
在操作S601,获取训练数据。
在操作S602,特征抽取。
在操作S603,是否需要特征关联。若是,则执行操作S604~S605和S607~S610;若否,则执行操作SS606~S610。
在操作S604,特征关联。
在操作S605,根据特征关联结果得到第一目标特征数据。
在操作S606,根据特征抽取结果得到第一目标特征数据。
在操作S607,将第一目标特征数据存入配置文件。
在操作S608,读取配置文件中的特征数据。
在操作S609,将特征数据转换为待处理模型支持的向量数据。
在操作S610,利用向量数据进行模型训练。
在操作S611,获取针对上一次训练后模型的第一分析结果。
在操作S612,是否需要更新配置文件。若是,则执行操作S613和S608~S610;若否,则执行操作S608~S610。
在操作S613,更新配置文件中的特征数据。
根据本公开的实施例,上述操作S601~S607一般由第一计算节点执行,完成对训练数据进行处理,得到特征数据的数据处理过程。上述操作S608~S610一般由第二计算节点执行,完成利用特征数据训练模型的模型训练过程。上述操作S611~S613可以由第一计算节点执行,也可以由第二计算节点执行,还可以由与第一计算节点和第二计算节点具有通信关系的其他节点执行。
根据本公开的实施例,是否需要特征关联可以根据训练数据中是否存在具有预设关系的不同样本数据来确定。若存在,则需要进行特征关联。若不存在,则无需进行特征关联。是否需要更新配置文件可以根据第一分析结果确定。若第一分析结果中存在影响模型训练效率的特征数据,则可以更新配置文件。若第一分析结果中不存在影响模型训练效率的特征数据,则无需更新配置文件。是否更新配置文件也可以根据训练数据的变化来确定。如训练数据发生变化,则需要更新配置文件。若训练数据无变化,则可以不更新配置文件。
根据本公开的实施例,对于训练得到的预测准确率最高的模型,可以将其对应的训练数据或第一目标特征数据进行存储。例如,可以建立以用户特征、文件特征为索引的字典,并将得到的用户特征向量和文件特征向量,保存为字典形式的特征向量,以供后续训练过程的使用。
通过本公开的上述实施例,由于直接利用处理得到的特征数据对模型进行训练,减少了传统模型训练过程中在进行特征提取时的工作量,从而即使针对诸如月级、年级的数据量进行模型训练,也能缓解传统模型训练过程存在的耗时大的问题,进而达到提升模型训练效率的技术效果。
根据本公开的实施例,上述模型训练方法还包括:确定基于第二计算节点,完成利用训练数据对待训练模型进行训练的过程为第二训练过程。获取在第二训练过程中调用的每个函数的被调用时长和被调用频率。确定目标函数。其中,目标函数的被调用时长大于或等于预设时长,和/或目标函数的被调用频率大于或等于预设频率。获取针对目标函数的第二分析结果。其中,第二分析结果中包括目标函数调用的参数信息。根据参数信息确定对训练数据进行处理得到第一目标特征数据的过程由第一计算节点执行。
根据本公开的实施例,针对利用未被处理的训练数据进行模型训练的第二训练过程,可以引入模型性能瓶颈分析工具,通过分析来确定分别由第一计算节点和第二计算节点执行的数据处理过程。模型性能瓶颈分析工具可以包括性能分析图形化工具和代码调用链路图形可视化工具。
根据本公开的实施例,可以首先引入性能分析图形化工具,该工具可以获取到模型训练过程中调用到的所有函数的被调用频率及时长等信息,从而可根据该些信息确定耗时较长或资源利用率较高的目标函数。然后,可以引入代码调用链路图形可视化工具对目标函数进行更细节的分析。该分析例如包括对目标函数调用的参数信息进行分析,通过该分析可以进一步确定第二训练过程中可以优化的点,从而确定该第二训练过程中的哪部分数据梳理过程可以移至第一计算节点完成。
通过本公开的上述实施例,提供了一种确定可转移的数据处理过程的方式,在保证模型训练能够正常完成的前提下,还提高了模型训练的效率。
根据本公开的实施例,第一计算节点的计算性能高于所述第二计算节点。
根据本公开的实施例,第一计算节点可以包括能够进行高并发并行处理的大数据框架集群等,第二计算节点可以包括预置有机器学习框架等待训练模型的微型处理器等。
通过本公开的上述实施例,利用高性能计算节点完成模型训练过程中大部分的数据处理,能够进一步提高模型训练的效率。
需要说明的是,本公开的上述实施例中应用于第一计算节点、第二计算节点和总控设备的模型训练方法均是相互对应的,任一部分的实施例均可适用于其他部分,在此不再赘述。
图7示意性示出了根据本公开实施例的应用于第二计算节点的模型训练装置的框图。
如图7所示,模型训练装置700包括第一获取模块710和第一训练模块720。
第一获取模块710,用于获取用于机器学习的第一目标特征数据。其中,第一目标特征数据为利用第一计算节点对训练数据进行处理得到的。
第一训练模块720,用于基于第二计算节点,完成利用第一目标特征数据对待训练模型的训练。
根据本公开的实施例,上述第一训练模块包括第一获取单元和第一读取单元。
第一获取单元,用于获取多个读进程。
第一读取单元,用于利用多个读进程读取第一目标特征数据,以完成利用第一目标特征数据对待训练模型的训练。
根据本公开的实施例,上述第一训练模块包括第二读取单元。
第二读取单元,用于通过异步读取的方式读取第一目标特征数据,以完成利用第一目标特征数据对待训练模型的训练。
根据本公开的实施例,上述第一训练模块包括转换单元和训练单元。
转换单元,用于将第一目标特征数据转换为待训练模型支持的向量数据。
训练单元,用于利用向量数据完成对待训练模型的训练。
图8示意性示出了根据本公开实施例的应用于第一计算节点的模型训练装置的框图。
如图8所示,模型训练装置800包括处理模块810和第一输入模块820。
处理模块810,用于利用第一计算节点对训练数据进行处理,得到用于机器学习的第一目标特征数据。
第一输入模块820,用于将第一目标特征数据输入至第二计算节点中,以便基于第二计算节点,完成利用第一目标特征数据对待训练模型的训练。
根据本公开的实施例,上述训练数据包括不同类型的样本数据,上述处理模块包括第二获取单元、特征提取单元、第三获取单元和关联单元。
第二获取单元,用于获取不同类型的样本数据。其中,每种类型的样本数据包括多个。
特征提取单元,用于对每个样本数据进行特征提取,得到用于表征每个样本数据的初始特征数据。
第三获取单元,用于获取不同类型的样本数据之间的预设关系。
关联单元,用于根据预设关系对不同类型的样本数据的初始特征数据进行关联,得到第一目标特征数据。
根据本公开的实施例,上述第一目标特征数据存储于配置文件中,上述模型训练装置800还包括第一确定模块、第二获取模块、删除模块和第二输入模块。
第一确定模块,用于确定基于第二计算节点,完成利用第一目标特征数据对待训练模型的训练的过程为第一训练过程。
第二获取模块,用于获取针对第一训练过程的第一分析结果。其中,第一分析结果中包括影响模型训练的准确率的第二目标特征数据。
删除模块,用于将配置文件中的第二目标特征数据删除,得到包含第三目标特征数据的目标配置文件。
第二输入模块,用于将目标配置文件输入至第二计算节点中,以便基于第二计算节点,完成利用第三目标特征数据对待训练模型的训练。
图9示意性示出了根据本公开实施例的应用于总控设备的模型训练装置的框图。
如图9所示,模型训练装置900包括第三获取模块910、第三输入模块920和第二训练模块930。
第三获取模块910,用于获取用于机器学习的第一目标特征数据。其中,第一目标特征数据为利用第一计算节点对训练数据进行处理得到的。
第三输入模块920,用于将第一目标特征数据输入第二计算节点。
第二训练模块930,用于实现第二计算节点利用第一目标特征数据对待训练模型进行训练。
根据本公开的实施例,上述模型训练装置900还包括第二确定模块、第四获取模块、第三确定模块、第五获取模块和第四确定模块。
第二确定模块,用于确定基于第二计算节点,完成利用训练数据对待训练模型进行训练的过程为第二训练过程。
第四获取模块,用于获取在第二训练过程中调用的每个函数的被调用时长和被调用频率。
第三确定模块,用于确定目标函数。其中,目标函数的被调用时长大于或等于预设时长,和/或目标函数的被调用频率大于或等于预设频率。
第五获取模块,用于获取针对目标函数的第二分析结果。其中,第二分析结果中包括目标函数调用的参数信息。
第四确定模块,用于根据参数信息确定对训练数据进行处理得到第一目标特征数据的过程由第一计算节点执行。
根据本公开的实施例,上述第一计算节点的计算性能高于第二计算节点。
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。
根据本公开的实施例,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上的模型训练方法。
根据本公开的实施例,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,计算机指令用于使计算机执行如上的模型训练方法。
根据本公开的实施例,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上的模型训练方法。
图10示出了可以用来实施本公开的实施例的示例电子设备1000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他设备交换信息/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,例如模型训练方法。例如,在一些实施例中,模型训练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ROM 1002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模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型训练方法。
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、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
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,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种模型训练方法,包括:
获取用于机器学习的第一目标特征数据,其中,所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的;以及
基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练。
2.根据权利要求1所述的方法,其中,所述基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练包括:
获取多个读进程;以及
利用所述多个读进程读取所述第一目标特征数据,以完成利用所述第一目标特征数据对所述待训练模型的训练。
3.根据权利要求1所述的方法,其中,所述基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练包括:
通过异步读取的方式读取所述第一目标特征数据,以完成利用所述第一目标特征数据对所述待训练模型的训练。
4.根据权利要求1所述的方法,其中,所述基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练包括:
将所述第一目标特征数据转换为所述待训练模型支持的向量数据;以及
利用所述向量数据完成对所述待训练模型的训练。
5.一种模型训练方法,包括:
利用第一计算节点对训练数据进行处理,得到用于机器学习的第一目标特征数据;以及
将所述第一目标特征数据输入至第二计算节点中,以便基于所述第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练。
6.根据权利要求5所述的方法,其中,所述训练数据包括不同类型的样本数据,所述利用第一计算节点对训练数据进行处理,得到用于机器学习的第一目标特征数据包括:
获取所述不同类型的样本数据,其中,每种类型的所述样本数据包括多个;
对每个所述样本数据进行特征提取,得到用于表征每个所述样本数据的初始特征数据;
获取所述不同类型的样本数据之间的预设关系;以及
根据所述预设关系对不同类型的样本数据的初始特征数据进行关联,得到所述第一目标特征数据。
7.根据权利要求5所述的方法,其中,所述第一目标特征数据存储于配置文件中,所述方法还包括:
确定所述基于所述第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练的过程为第一训练过程;
获取针对所述第一训练过程的第一分析结果,其中,所述第一分析结果中包括影响模型训练的准确率的第二目标特征数据;
将所述配置文件中的所述第二目标特征数据删除,得到包含第三目标特征数据的目标配置文件;以及
将所述目标配置文件输入至所述第二计算节点中,以便基于所述第二计算节点,完成利用所述第三目标特征数据对所述待训练模型的训练。
8.一种模型训练方法,包括:
获取用于机器学习的第一目标特征数据,其中,所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的;
将所述第一目标特征数据输入第二计算节点;以及
第二计算节点利用所述第一目标特征数据对所述待训练模型进行训练。
9.根据权利要求8所述的方法,还包括:
确定基于所述第二计算节点,完成利用所述训练数据对所述待训练模型进行训练的过程为第二训练过程;
获取在所述第二训练过程中调用的每个函数的被调用时长和被调用频率;
确定目标函数,其中,所述目标函数的被调用时长大于或等于预设时长,和/或所述目标函数的被调用频率大于或等于预设频率;
获取针对所述目标函数的第二分析结果,其中,所述第二分析结果中包括所述目标函数调用的参数信息;以及
根据所述参数信息确定对所述训练数据进行处理得到所述第一目标特征数据的过程由所述第一计算节点执行。
10.根据权利要求8所述的方法,其中,所述第一计算节点的计算性能高于所述第二计算节点。
11.一种模型训练装置,包括:
第一获取模块,用于获取用于机器学习的第一目标特征数据,其中,所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的;以及
第一训练模块,用于基于第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练。
12.一种模型训练装置,包括:
处理模块,用于利用第一计算节点对训练数据进行处理,得到用于机器学习的第一目标特征数据;以及
第一输入模块,用于将所述第一目标特征数据输入至第二计算节点中,以便基于所述第二计算节点,完成利用所述第一目标特征数据对待训练模型的训练。
13.一种模型训练装置,包括:
第三获取模块,用于获取用于机器学习的第一目标特征数据,其中,所述第一目标特征数据为利用第一计算节点对训练数据进行处理得到的;
第三输入模块,用于将所述第一目标特征数据输入第二计算节点;以及
第二训练模块,用于第二计算节点利用所述第一目标特征数据对所述待训练模型进行训练。
14.一种电子设备,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或5-7或8-10中任一项所述的方法。
15.一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或5-7或8-10中任一项所述的方法。
16.一种计算机程序产品,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1-4或5-7或8-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110771289.7A CN113392974B (zh) | 2021-07-07 | 2021-07-07 | 模型训练方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110771289.7A CN113392974B (zh) | 2021-07-07 | 2021-07-07 | 模型训练方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392974A true CN113392974A (zh) | 2021-09-14 |
CN113392974B CN113392974B (zh) | 2024-04-09 |
Family
ID=77625472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110771289.7A Active CN113392974B (zh) | 2021-07-07 | 2021-07-07 | 模型训练方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392974B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836316A (zh) * | 2021-09-23 | 2021-12-24 | 北京百度网讯科技有限公司 | 三元组数据的处理方法、训练方法、装置、设备及介质 |
CN113987324A (zh) * | 2021-10-21 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 一种数据处理方法、装置、设备及存储介质 |
WO2023138232A1 (zh) * | 2022-01-20 | 2023-07-27 | 北京邮电大学 | 模型训练方法、装置、电子设备及存储介质 |
CN116596091A (zh) * | 2022-11-08 | 2023-08-15 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929886A (zh) * | 2019-12-06 | 2020-03-27 | 支付宝(杭州)信息技术有限公司 | 模型训练、预测方法及其系统 |
WO2020253138A1 (zh) * | 2019-06-18 | 2020-12-24 | 深圳先进技术研究院 | 一种分类方法、装置、设备和存储介质 |
CN112966438A (zh) * | 2021-03-05 | 2021-06-15 | 北京金山云网络技术有限公司 | 机器学习算法选择方法、分布式计算系统 |
WO2021114616A1 (zh) * | 2020-05-14 | 2021-06-17 | 平安科技(深圳)有限公司 | 联邦学习模型训练方法及相关设备 |
-
2021
- 2021-07-07 CN CN202110771289.7A patent/CN113392974B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253138A1 (zh) * | 2019-06-18 | 2020-12-24 | 深圳先进技术研究院 | 一种分类方法、装置、设备和存储介质 |
CN110929886A (zh) * | 2019-12-06 | 2020-03-27 | 支付宝(杭州)信息技术有限公司 | 模型训练、预测方法及其系统 |
WO2021114616A1 (zh) * | 2020-05-14 | 2021-06-17 | 平安科技(深圳)有限公司 | 联邦学习模型训练方法及相关设备 |
CN112966438A (zh) * | 2021-03-05 | 2021-06-15 | 北京金山云网络技术有限公司 | 机器学习算法选择方法、分布式计算系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836316A (zh) * | 2021-09-23 | 2021-12-24 | 北京百度网讯科技有限公司 | 三元组数据的处理方法、训练方法、装置、设备及介质 |
CN113987324A (zh) * | 2021-10-21 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 一种数据处理方法、装置、设备及存储介质 |
WO2023138232A1 (zh) * | 2022-01-20 | 2023-07-27 | 北京邮电大学 | 模型训练方法、装置、电子设备及存储介质 |
CN116596091A (zh) * | 2022-11-08 | 2023-08-15 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备以及存储介质 |
CN116596091B (zh) * | 2022-11-08 | 2024-02-02 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113392974B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113392974B (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
WO2021068113A1 (zh) | 时长统计方法、装置、电子设备和计算机可读介质 | |
CN114118287A (zh) | 样本生成方法、装置、电子设备以及存储介质 | |
CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
CN114925143A (zh) | 逻辑模型血缘关系的描述方法、装置、设备、介质及产品 | |
US20210241179A1 (en) | Real-time predictions based on machine learning models | |
CN115203126A (zh) | 一种算子融合处理方法、装置、设备及存储介质 | |
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 | |
CN115840738A (zh) | 一种数据迁移方法、装置、电子设备及存储介质 | |
CN115982273A (zh) | 一种数据同步方法、系统、电子设备和存储介质 | |
CN115438007A (zh) | 一种文件合并方法、装置、电子设备及介质 | |
CN115454971A (zh) | 数据迁移方法、装置、电子设备及存储介质 | |
CN115577705A (zh) | 一种文本处理模型的生成方法、装置、设备及存储介质 | |
CN114722048A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN114627343A (zh) | 深度学习模型的训练方法、图像处理方法、装置及设备 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN112860626A (zh) | 一种文档排序方法、装置及电子设备 | |
CN114860405B (zh) | 多任务模型的参数更新方法、装置和存储介质 | |
CN116431698B (zh) | 一种数据提取方法、装置、设备及存储介质 | |
CN117271840B (zh) | 图数据库的数据查询方法、装置及电子设备 | |
CN115202791A (zh) | 首屏加载资源确定方法、装置、服务器及存储介质 | |
CN115761747A (zh) | 一种文档图像识别方法、装置、设备及存储介质 | |
CN115983222A (zh) | 基于EasyExcel的文件数据读取方法、装置、设备及介质 | |
CN115455060A (zh) | 一种数据处理方法、装置、设备及介质 |
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 |