CN114327671A - 参数配置方法、装置、设备及存储介质 - Google Patents
参数配置方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114327671A CN114327671A CN202111470898.5A CN202111470898A CN114327671A CN 114327671 A CN114327671 A CN 114327671A CN 202111470898 A CN202111470898 A CN 202111470898A CN 114327671 A CN114327671 A CN 114327671A
- Authority
- CN
- China
- Prior art keywords
- algorithm model
- configuration parameters
- server
- updated
- mobile device
- 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
Abstract
本公开关于一种参数配置方法、装置、设备及存储介质,涉及移动设备技术领域,本公开中,移动设备响应于目标应用程序的启动,向服务器发送用于获取更新的算法模型配置参数,并当未从服务器获取更新的算法模型配置参数时,向服务器发送用于获取更新的算法模型数据;当未从服务武器获取跟更新的算法模型配置参数以及更新的算法模型数据时,使用预先配置的算法模型参数对目标应用程序进行配置。如此,在保证移动设备的算法模型配置参数更新的情况下,可以及时更新自身的算法模型配置参数。
Description
技术领域
本公开涉及移动终端技术领域,尤其涉及一种参数配置方法、装置、设备及存储介质。
背景技术
目前,各类人工智能(artificial intelligence)算法正被广泛应用于各领域,比如新闻的推荐领域、短视频的内容理解领域、机器翻译领域等。为了保证AI算法的有效运行,在这些应用领域中,AI算法大部分为服务端算法,也即AI算法运行在服务器上,使用服务器的硬件和软件资源处理用户上传到服务器的数据。
随着移动设备的普及和性能的提升,越来越多的AI算法开始被部署在移动设备上。通常情况下,开发人员在AI算法的开发阶段,会将调试好的AI算法模型及对应的算法模型配置参数以代码的形式写入应用程序的安装包。后续,移动设备在安装好应用程序后,可以直接运行该AI算法模型。但是,在一些情况下,例如开发人员对AI算法的参数进行了更新,或者开发人员对AI算法的算法模型进行了更新。在这种情况下,如何保证移动设备能够及时更新自身配置的AI算法的参数或算法模型成为亟待解决的问题。
发明内容
本公开提供一种参数配置方法、装置、设备及存储介质,可以保证移动设备能够及时更新算法模型配置参数。
本公开实施例的技术方案如下:
根据本公开实施例的第一方面,提供一种参数配置方法,应用于移动设备,该方法可以包括:移动设备响应于目标应用程序的启动,向服务器发送用于获取更新的算法模型配置参数的第一请求信息,该算法模型配置参数为移动设备运行目标应用程序时的配置参数;当移动设备未从服务器获取到更新的算法模型配置参数时,向服务器发送用于获取更新的算法模型数据包的第二请求信息,该更新的算法模型数据包包括更新后的算法模型数据以及对应的算法模型配置参数;当移动设备未从服务器获取到更新的算法模型配置参数以及更新的算法模型数据包时,使用移动设备预先配置的算法模型配置参数对目标应用程序进行配置。
可选地,该方法还包括:移动设备检测自身当前的硬件状态;移动设备根据移动设备当前的硬件状态,调整算法模型配置参数,调整后的算法模型配置参数与移动设备当前的硬件状态相匹配。
可选地,上述“根据移动设备当前的硬件状态,调整算法模型配置参数”包括:当移动设备当前的硬件状态满足第一预设条件时,移动设备根据预设参数调整系统增加算法模型配置参数;当移动设备当前的硬件状态满足第二预设条件时,移动设备根据预设参数调整系数减小算法模型配置参数。
可选地,该方法还包括:当移动设备从服务器获取到更新后的算法模型配置参数时,移动设备使用更新后的算法模型配置参数对目标应用程序进行配置,其中,更新后的算法模型配置参数为响应于参数配置操作生成的配置参数。
可选地,该方法还包括:当移动设备从服务器获取到更新后的算法模型数据包时,移动设备更新目标应用程序中的算法模型数据,并使用算法模型数据包中的算法模型数据以及对应的算法模型配置参数对目标应用程序进行配置,其中,算法模型数据以及对应的算法模型配置参数与移动设备的设备型号相匹配。
可选地,上述“未从服务器获取到更新后的算法模型配置参数及更新的算法模型数据包”的情况包括:服务器未存储更新后的算法模型配置参数以及算法模型数据包、移动设备与服务器之间的网络通信异常中的至少一种。
可选的,上述预先配置的算法模型配置参数与移动设备的设备型号相匹配,不同设备型号设备对应不同的算法模型数据包。
根据本公开实施例的第二方面,提供一种参数配置装置,应用移动设备,该装置可以包括:发送单元和处理单元;发送单元,用于响应于目标应用程序的启动,向服务器发送用于获取更新的算法模型配置参数的第一请求信息,该算法模型配置参数为移动设备运行目标应用程序时的配置参数;发送单元,还用于当移动设备未从服务器获取到更新的算法模型配置参数时,向服务器发送用于获取更新的算法模型数据包的第二请求信息,该更新的算法模型数据包包括更新后的算法模型数据以及对应的算法模型配置参数;处理单元,用于当移动设备未从服务器获取到更新的算法模型配置参数以及更新的算法模型数据包时,使用移动设备预先配置的算法模型配置参数对目标应用程序进行配置。
可选地,该装置还包括检测单元,检测单元,用于检测移动设备当前的硬件状态;处理单元,还用于根据移动设备当前的硬件状态,调整算法模型配置参数,调整后的算法模型配置参数与移动设备当前的硬件状态相匹配。
可选地,处理单元,具体用于当移动设备当前的硬件状态满足第一预设条件时,根据预设参数调整系统增加算法模型配置参数;当移动设备当前的硬件状态满足第二预设条件时,根据预设参数调整系数减小算法模型配置参数。
可选地,处理单元,还用于当移动设备从服务器获取到更新后的算法模型配置参数时,使用更新后的算法模型配置参数对目标应用程序进行配置,其中,更新后的算法模型配置参数为响应于参数配置操作生成的配置参数。
可选地,处理单元,还用于当移动设备从服务器获取到更新后的算法模型数据包时,更新目标应用程序中的算法模型数据,并使用算法模型数据包中的算法模型数据以及对应的算法模型配置参数对目标应用程序进行配置,其中,算法模型数据以及对应的算法模型配置参数与移动设备的设备型号相匹配。
可选地,未从服务器获取到更新后的算法模型配置参数及更新的算法模型数据包”的情况包括:服务器未存储更新后的算法模型配置参数以及算法模型数据包、移动设备与服务器之间的网络通信异常中的至少一种。
可选的,上述预先配置的算法模型配置参数与移动设备的设备型号相匹配,不同设备型号设备对应不同的算法模型数据包。
根据本公开实施例的第三方面,提供一种计算设备,可以包括:处理器和用于存储处理器可执行指令的存储器;其中,处理器被配置为执行所述指令,以实现上述第一方面中任一种可选地参数配置方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,计算机可读存储介质上存储有指令,当所述计算机可读存储介质中的指令由计算设备的处理器执行时,使得所述计算设备能够执行上述第一方面中任一种可选地参数配置方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在计算设备上运行时,使得计算设备执行如第一方面中任一种可选地实现方式所述的参数配置方法。
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,并不能限制本公开。
本公开的实施例提供的技术方案至少带来以下有益效果:
基于上述任一方面,本公开中,移动设备可以通过多种方式检测算法模型参数或者算法模型数据是否更新。在算法模型配置参数或算法模型更新后,移动设备能够及时从服务器获取到更新的算法模型配置参数或者更新的算法模型数据。当算法模型配置参数或算法模型没有更新时,移动设备还可以使用预先配置好的算法模型配置参数对目标应用程序进行配置,保证了目标应用程序的正常运行。如此,本公开提供的技术方案中,在保证移动设备能够及时获取更新的算法模型配置参数或更新的算法模型的同时,也不影响应用程序的正常运行。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1示出了本公开实施例提供的一种通信系统的结构示意图;
图2示出了本公开实施例提供的一种参数配置方法的流程示意图;
图3示出了本公开实施例提供的又一种参数配置方法的流程示意图;
图4示出了本公开实施例提供的又一种参数配置方法的流程示意图;
图5示出了本公开实施例提供的又一种参数配置方法的流程示意图;
图6示出了本公开实施例提供的又一种参数配置方法的流程示意图;
图7示出了本公开实施例提供的一种参数配置装置的结构示意图;
图8示出了本公开实施例提供的又一种参数配置装置的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
还应当理解的是,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素和/或组件的存在或添加。
本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。
如背景技术中所描述,随着移动设备的普及和性能的提升,也有越来越多AI算法开始被部署在移动端。然而,移动端相比服务端有以下局限性:1、移动设备的硬件性能差于服务器的硬件性能。通常情况下,移动设备的芯片为低能耗的芯片,如以ARM架构的芯片。服务器可以运行高性能的多核中央处理器(Central Processing Unit/Processor,CPU)配合高性能图形处理器(Graphics Processing Unit,GPU)显卡;(2)移动设备的硬件和软件过于碎片化。不同设备型号的移动设备对应的硬件和软件也不同,其中,硬件可以包括芯片(ARMv7、ARM64)、内存等,软件可以包括系统类型(如安卓、iOS等)、系统版本等。也即,同一种算法模型难以适配不同设备型号的移动设备。(3)移动设备的算法模型部署周期和更新周期较长,可长达一周至一个月。移动设备的算法模型数据及对应的算法模型配置参数的更新一般是响应于平台对应用程序版本的更新或者响应于用户的更新操作。
但是,将AI算法部署到移动设备仍具有以下优势:(1)用户可以实时体验AI算法带来的效果。比如,用户在使用部署有AI算法的移动设备拍摄视频或图像时,可以实时体验AI算法带来的美颜效果;(2)移动设备无需向服务器上传用户数据,避免用户数据的泄露;(3)将AI算法去中心化地运行在移动设备上,因此,服务器无需集中处理移动设备上传的数据,减轻服务器的数据处理压力的同时,也降低了运营商的成本。由上述可知,将AI算法部署在移动设备在提升用户体验的同时,也能降低运营的成本。
通常情况下,针对主流机型的移动设备,开发人员在AI算法开发阶段会将调试好的AI算法模型以及对应的算法模型配置参数写入应用程序的安装包或软件开发工具包(software development kit,SDK)包。在移动设备成功安装应用程序后,当用户使用应用程序时,移动设备可以调用并允许AI算法模型对用户数据进行处理。
但是,同一组算法模型配置参数运行于不同设备型号的移动设备时,由于移动设备的硬件和软件的不同,AI算法模型的运行效果差距可能较大。例如,当AI算法运行在硬件配置较高的移动设备时,若算法模型配置参数较小,可能难以发挥出AI算法的最佳效果。又例如,当AI算法运行在硬件配置较低的移动设备时,若算法模型配置参数较高,可能会导致移动设备无法正常运行AI算法。因此,针对不同的设备型号的移动设备,开发人员需要调试不同的算法模型配置参数,开发周期较长。
另外,AI算法模型计算量大,为了保证不同的设备型号的移动设备能够正常运行AI算法模型,开发人员可以为不同设备型号的移动设备配置对应的算法模型配置参数,如此,相同的应用程序运行在不同的设备型号的移动设备上时,可以调用不同的算法模型配置参数。但是,AI算法模型对应的算法模型配置参数仍是预先写入应用程序的代码中,难以及时更改。
基于此,本申请实施例提供了一种参数配置方法,应用于移动设备,该方法可以包括:响应于目标应用程序的操作,移动设备向服务器发送用于获取更新后的算法模型配置参数的第一请求信息,其中,该算法模型配置参数为移动设备在运行目标应用程序时使用的配置参数;当移动设备未从服务器获取到更新的算法模型配置参数时,移动设备向服务器发送用于请求更新的算法模型数据包的第二请求信息,该更新的算法模型数据包包括更新后的算法模型数据以及对应的算法模型配置参数;当移动设备未从服务器获取到更新的算法模型配置参数以及更新的算法模型数据包时,使用移动设备预先配置的算法模型配置对目标应用程序进行配置。
需要说明是,本申请实施例中,AI算法可以包括神经网络算法、图像处理算法等。算法模型配置参数可以包括计算迭代次数、图像处理平滑参数、图像处理尺寸参数等。移动设备运行AI算法的过程可以包括算法前数据处理、算法模型推理以及算法后数据处理。该算法模型配置参数可以包括算法前数据处理所需的配置参数以及算法后数据处理所需的配置参数。
以下结合附图对本公开实施例提供的参数配置方法进行示例性说明:
图1为本公开实施例提供的一种通信系统示意图,如图1所示,该通信系统中可以包括:服务器110和移动设备120。服务器110可以通过有线网络或无线网络与移动设备120之间建立连接。
其中,服务器110,可以用于开发人员调试、更新算法模型配置参数以及算法模型数据。服务器110还可以响应于移动设备120的请求,向移动设备120发送更新的算法模型配置参数和/或更新的算法模型数据。
一些实施例中,服务器110可以是单独的一个服务器,或者,也可以是由多个服务器构成的服务器集群。部分实施方式中,服务器集群还可以是分布式集群。本公开对服务器110的具体实现方式也不作限制。
其中,当服务器110为单独的一个服务器时,该服务器可以为移动设备提供更新的算法模型配置参数,也可以为移动设备提供更新的算法模型数据。当服务器110是由多个服务器构成的服务器集群时,该多个服务器中的部分服务器可以用于为移动设备提供更新的算法模型数据,另一部分可以为用于为移动设备提供更新的算法模型数据。
一种可能的实现方式中,服务器110还可以具有参数控制界面。开发人员可以通过该参数控制界面对算法模型配置参数、算法模型数据进行调试、更新。响应于算法模型配置参数或算法模型数据的更新操作,服务器可以存储更新的算法模型参数以及更新的算法模型数据。
一种示例中,服务器还可以设置有第一标志位和第二标志位。第一标志位用于指示算法模型配置参数是否更新。第二标志位用于指示算法模型数据是否更新。例如,当服务器检测到算法模型配置参数更新时,服务器将第一标志位设置为第一指示符;当服务器检测到算法模型配置参数没有更新时,服务器将第一标志位设置为第二指示符。又例如,当服务器检测到算法模型数据更新时,服务器将第二标志位设置为第三指示符;当服务器检测到算法模型数据没有更新时,服务器将第二标志位设置为第四指示符。
其中,第一指示符、第二指示符、第三指示符以及第四指示符可以为数字、字符或数字和字符的组合,不予限制。例如,第一指示符可以为A1,第二指示符可以为A0,第三指示符可以为B1,第四指示符可以为B2。
基于第一标志位和第二标志位,当服务器接收到来自移动设备的请求信息时,服务器可以根据第一标志位确定算法模型参数是否更新,并根据第二标志位确定算法模型数据是否更新。
移动设备120,可以用于运行算法模型,并在运行算法模型时使用算法模型配置参数。例如,移动设备120可以具有多个应用程序。当移动设备120启动应用程序时,移动设备120可以运行该应用程序对应的算法模型,并调用算法模型配置的算法模型配置参数。
一些实施例中,移动设备可以是手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本,以及蜂窝电话、个人数字助理(personal digital assistant,PDA)、增强现实(augmentedreality,AR)\虚拟现实(virtual reality,VR)设备等可以安装并使用内容社区应用(如快手)的设备,本公开对该移动设备的具体形态不作特殊限制。其可以与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互。
可选地,上述图1所示的通信系统中服务器110可以与至少一个移动设备120连接。本公开对移动设备120的数量及类型均不作限制。
本公开实施例提供的参数配置方法可以应用于前述图1所示的移动设备。
需要说明的是,本公开提供的参数配置方法的执行主体为移动设备,也可以是移动设备中芯片或片上系统等,不予限制。
如图2所示,本公开实施例提供的参数配置方法可以包括:
S201、移动设备响应于目标应用程序的启动,向服务器发送第一请求信息。
其中,移动设备可以为图1中的移动设备120,也可以为移动设备120中器件,例如,可以为移动设备120的芯片。服务器可以为图1中服务器110。
其中,目标应用程序可以是指移动设备安装的应用程序。比如,目标应用程序可以为具有美颜功能的摄像应用程序(Application,APP)、能够对图像进行特效处理的APP。响应于目标应用程序的启动可以是指响应于用户启动目标应用程序的操作,移动设备启动目标应用程序,并运行目标应用程序配置的算法模型。
其中,第一请求信息可以用于请求更新的算法模型配置参数。例如,第一请求信息可以包括目标应用程序配置的算法模型配置参数的标识(如算法模型配置参数的名称等),还可以包括其他信息,如移动设备的机型、系统等信息。算法模型配置参数为移动设备在运行目标应用程序时使用的配置参数。
S202、当未从服务器获取到更新的算法模型配置参数时,移动设备向服务器发送第二请求信息。
其中,第二请求信息可以用于请求获取更新的算法模型数据包。例如,第二请求信息可以包括目标应用程序配置的算法模型的标识(如算法模型的名称、版本号等)。更新的算法模型数据包可以包括更新后的算法模型数据以及对应的算法模型配置参数。当然,更新的算法模型数据包还可以包括其他数据,例如,还可以包括算法模型文件等。
需要指出的是,更新的算法模型数据包为与移动设备的设备型号相匹配的算法模型数据包。不同设备型号的移动设备对应不同的算法模型数据包。例如,不同设备型号的移动设备的算法模型数据包中的算法模型数据和对应的算法模型配置参数均不同。
例如,第二请求信息还可以包括移动设备的标识,该标识可以用于唯一标识该移动设备的设备型号。服务器在接收到该第二请求信息之后,可以根据移动设备的标识,检测该设备型号的移动设备对应的算法模型数据包、算法模型配置参数是否更新。若该设备型号的移动设备对应的算法模型数据包的第一标志位为第一指示符,则服务器可以确定该设备型号的移动设备的算法模型数据包已经更新;若该设备型号的移动设备对应的算法模型数据包的第二标志位为第三指示符,则服务器可以确定该设备型号的移动设备的算法模型配置参数已经更新。
又例如,第二请求信息还可以包括移动设备的算法模型数据包以及算法模型配置参数的版本信息(如版本号,时间)。不同的设备型号的移动设备的算法模型数据包以及算法模型配置参数的版本信息不同。服务器在接收到该第二请求信息之后,可以比较存储的算法模型数据包的版本信息与第二请求信息中的版本信息。若存储的算法模型数据包的版本信息与第二请求信息中算法模型数据包的版本信息不同,则服务器可以确该设备型号的移动设备的算法模型数据包已经更新;若存储的算法模型配置参数的版本信息与第二请求信息中的版本信息不同,则服务器可以确定该设备信号的移动设备的算法模型配置参数已经更新。
其中,未从服务器获取到更新的算法模型配置参数可以是指服务器没有存储更新的算法模型配置参数或者移动设备与服务器之间的网络通信异常。移动设备与服务器之间的网络通信异常可以包括以下情况:服务器未响应、移动设备与服务器之间没有建立网络通信连接、移动设备的通信功能受限等。
一种可能的实现方式中,在移动设备与服务器之间的网络通信正常的情况下,当服务器接收到来自移动设备的第一请求信息之后,服务器检测第二标志位。若第一标志位为第一指示符,服务器确定移动设备请求获取的算法模型配置参数没有更新。
在服务器没有存储更新的算法模型配置参数的情况下,服务器可以向移动设备反馈第一响应信息,第一响应信息可以用于指示算法模型配置参数没有更新。当移动设备接收到来自服务器的第一响应信息之后,可以向服务器发送第二请求信息。相应的,服务器接收来自移动设备的第二请求信息。
又一种可能的实现方式中,在移动设备与服务器之间的网络通信异常的情况下,当移动设备检测到通信功能受限,或者与服务器之间的网络通信连接失败,或者在预设时长内,没有接收到服务器的反馈信息时,移动设备确定未从服务器获取到算法模型配置参数。其中,预设时长可以根据需要设置,不予限制。
在存储算法模型配置参数的服务器与存储算法模型数据的服务器不是相同服务器的情况下,移动设备可以向用于存储算法模型数据的服务器发送第二请求信息。相应的,服务器接收来自移动设备的第二请求信息。
需要说明的是,在存储算法模型配置参数的服务器与存储算法模型数据的服务器为相同服务器的情况下,移动设备可以直接执行下述S203。
S203、当未从服务器获取到更新的算法模型配置参数及更新的算法模型数据包时,移动设备使用预先配置的算法模型配置参数对目标应用程序进行配置。
其中,移动设备未从服务器获取到更新的算法模型数据包可以参照上述S202中移动设备未从服务器获取到更新的算法模型配置参数的描述,不予赘述。
其中,预先配置的算法模型配置参数可以是指移动设备在安装目标应用程序时,从服务器下载的算法模型配置参数。例如,预先配置的算法模型配置参数可以为开发人员在算法模型的开发阶段训练好的配置参数。移动设备使用预先配置的算法模型配置参数对目标应用程序进行配置可以是指移动设备在使用算法模型处理数据时,使用预先配置的算法模型配置参数。预先配置的算法模型配置参数与移动设备的设备型号相匹配。
本申请实施例中,移动设备可以通过多种方式检测算法模型参数或者算法模型数据是否更新。在算法模型配置参数或算法模型更新后,移动设备能够及时从服务器获取到更新的算法模型配置参数或者更新的算法模型数据。当算法模型配置参数或算法模型没有更新时,移动设备还可以使用预先配置好的算法模型配置参数对目标应用程序进行配置,保证了目标应用程序的正常运行。如此,本申请实施例提供的技术方案中,在保证移动设备能够及时获取更新的算法模型配置参数或更新的算法模型的同时,也不影响应用程序的正常运行。
在一种实施例中,结合图2,如图3所示,该方法还可以包括S301和S302。
S301、移动设备检测移动设备当前的硬件状态。
其中,移动设备当前的硬件状态是指移动设备在运行目标应用程序时的硬件状态。移动设备的硬件状态可以用于反映移动设备的硬件的负载情况。例如,移动设备的硬件可以包括CPU、GPU、内存等。移动设备的硬件状态可以包括CPU使用率、GPU使用率、当前算法模型的平均耗时、移动设备的设备温度等。
S302、移动设备根据移动设备当前的硬件状态,调整算法模型配置参数。
其中,调整后的算法模型配置参数与移动设备当前的硬件状态相匹配。也即,移动设备在运行目标应用程序时,使用调整后的算法模型配置参数处理数据时,移动设备能够正常保证其他进程的正常运行。
调整的算法模型配置参数可以是指移动设备运行目标应用程序时使用的算法模型配置参数。
需要指出的是,当移动设备的硬件性能比较高,且算法模型运行时占用的硬件资源比较少的情况下,例如,移动设备的内存为4G,算法模型运行时占用的硬件资源为4兆。在这种情况下,移动设备在运行算法模型时,无需检测硬件状态。
上述实施例提供的技术方案至少带来以下有益效果:由S301和S302可知,移动设备可以根据当前的硬件状态,灵活的调整算法模型配置参数,以使得移动设备在运行目标应用程序时,移动设备的正常使用。
在一种实施例中,移动设备可以使用预设参数调整系统对算法模型配置参数进行调整。具体的,上述S302中,移动设备根据移动设备当前的硬件状态,调整算法模型配置参数具体可以包括S3021和S3022。
S3021、当移动设备当前的硬件状态满足第一预设条件时,移动设备根据预设参数调整系统减小算法模型配置参数。
其中,第一预设条件可以用于触发移动设备减小算法模型配置参数。第一预设条件可以是指移动设备的硬件负载高于第一预设阈值。第一预设阈值的大小可以根据需要设置,例如,第一预设阈值可以为40%,也可以为其他数值,不予限制。
其中,预设参数调整系数可以为移动设备预先配置的。该预设参数调整系数的大小以及例如,预设参数调整系数可以为0.3,也可以为其他数值,不予限制。例如,以移动设备的硬件为CPU为例,当移动设备的CPU使用率高于第一预设阈值时,移动设备可以根据预设参数调整系数减小算法模型配置参数。
例如,当移动设备检测到当前的CPU使用率高于50%时,算法模型配置参数的大小为A,则调整后的算模型配置参数可以为A*(1-0.3)=0.7A。
S3022、当移动设备当前的硬件状态满足第二预设条件时,移动设备根据预设参数调整系统增大算法模型配置参数。
其中,第二预设条件可以用于触发移动设备增大算法模型配置参数。第二预设条件可以是指移动设备的硬件负载低于第二预设阈值。第二预设阈值小于第一预设阈值。例如,第二预设阈值可以为30%,不予限制。
例如,当移动设备检测到当前的CPU使用率低于24%时,调整后的算法模型配置参数可以为A(1+0.3)=1.3A。
上述实施例提供的技术方案至少带来以下有益效果:由上述技术方案可知,在移动设备的硬件负载较高时,移动设备可以减小算法模型配置参数。由于算法模型配置参数减小后,可以降低移动设备运行算法模型时使用的硬件资源。因此,能够使移动设备使用算法模型时,不影响移动设备的正常运行。在移动设备的硬件负载较低时,移动设备可以增大算法模型配置参数。由于算法模型配置参数增大后,可以增加算法模型的数据处理效果。因此,可以增加用户的体验。。
在一种实施例中,结合图3,如图5所示,该方法还可以包括S501。
S501、当移动设备从服务器获取到更新后的算法模型配置参数时,移动设备使用更新后的算法模型配置参数对目标应用程序进行配置。
其中,更新后的算法模型配置参数为响应于参数设置操作生成的配置参数。例如,开发人员可以通过服务器的参数控制界面对算法模型配置参数进行修改。
需要说明的是,当移动设备从服务器获取到更新后的算法模型配置参数后,移动设备不再执行S302和S303。
上述实施例提供的技术方案至少带来以下有益效果:由S501可知,当移动设备从服务器获取到更新的算法模型配置参数后,使用更新后的算法模型配置参数对目标应用程序进行配置,得到效果更好的处理数据。
在一种实施例中,结合图3,如图6所示,该方法还可以包括S601。
S601、当移动设备从服务器获取到更新后的算法模型数据包时,移动设备更新目标程序中的算法模型数据,并使用算法模型数据包中的算法模型数据以及对应的算法模型配置参数对目标应用程序进行配置。
其中,算法模型数据以及对应的算法模型配置参数与移动设备的设备型号相匹配。例如,当移动设备为IOS系统时,算法模型数据包可以包括支持IOS系统的算法模型数据以及对应的算法模型配置参数;当移动设备为安卓系统时,算法模型数据包可以包括支持安卓系统的算法模型数据包括以及对应的算法模型配置参数。
其中,移动设备更新目标程序中的算法模型数据可以是指移动设备将当前配置的算法模型数据替换成更新后的算法模型数据。
需要说明的是,当移动设备从服务器获取到更新后的算法模型数据后,移动设备不再执行S303
上述实施例提供的技术方案至少带来以下有益效果:由S601可知,当移动设备从服务器获取到更新的算法模型数据包后,可以使用更新后的算法模型以及对应的算法模型配置参数对目标应用程序进行配置,得到效果更好的处理数据。
可以理解的,在实际实施时,本公开实施例所述的移动设备可以包含有用于实现前述对应参数配置方法的一个或多个硬件结构和/或软件模块,这些执行硬件结构和/或软件模块可以构成一个电子设备。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
基于这样的理解,本公开实施例还对应提供一种参数配置装置。图7示出了本公开实施例提供的参数配置装置的结构示意图。如图7所示,该参数配置装置可以包括:发送单元701、处理单元702。
发送单元701,用于响应于目标应用程序的启动,向服务器发送用于获取更新的算法模型配置参数的第一请求信息,该算法模型配置参数为移动设备运行目标应用程序时的配置参数;发送单元701,还用于当移动设备未从服务器获取到更新的算法模型配置参数时,向服务器发送用于获取更新的算法模型数据包的第二请求信息,该更新的算法模型数据包包括更新后的算法模型数据以及对应的算法模型配置参数;处理单元702,用于当移动设备未从服务器获取到更新的算法模型配置参数以及更新的算法模型数据包时,使用移动设备预先配置的算法模型配置参数对目标应用程序进行配置。
可选地,如图7所示,该装置还包括检测单元703,检测单元703,用于检测移动设备当前的硬件状态;处理单元,还用于根据移动设备当前的硬件状态,调整算法模型配置参数,调整后的算法模型配置参数与移动设备当前的硬件状态相匹配。
可选的,处理单元702,具体用于当移动设备当前的硬件状态满足第一预设条件时,根据预设参数调整系统增加算法模型配置参数;当移动设备当前的硬件状态满足第二预设条件时,根据预设参数调整系数减小算法模型配置参数。
可选的,处理单元702,还用于当移动设备从服务器获取到更新后的算法模型配置参数时,使用更新后的算法模型配置参数对目标应用程序进行配置,其中,更新后的算法模型配置参数为响应于参数配置操作生成的配置参数。
可选地,处理单元702,还用于当移动设备从服务器获取到更新后的算法模型数据包时,更新目标应用程序中的算法模型数据,并使用算法模型数据包中的算法模型数据以及对应的算法模型配置参数对目标应用程序进行配置,其中,算法模型数据以及对应的算法模型配置参数与移动设备的设备型号相匹配。
可选的,当移动设备当前的硬件状态满足第一预设条件时,根据预设参数调整系统增加算法模型配置参数;当移动设备当前的硬件状态满足第二预设条件时,根据预设参数调整系数减小算法模型配置参数。
可选的,预先配置的算法模型配置参数与移动设备的设备型号相匹配,不同设备型号设备对应不同的算法模型数据包。
如上所述,本公开实施例可以根据上述方法示例对参数配置装置进行功能模块的划分。其中,上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。另外,还需要说明的是,本公开实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。
关于上述实施例中的参数配置装置,其中各个模块执行操作的具体方式、以及具备的有益效果,均已经在前述方法实施例中进行了详细描述,此处不再赘述。
本公开实施例还提供一种参数配置装置。图8示出了本公开实施例提供的参数配置装置的结构示意图。该参数配置装置可以包括至少一个处理器81,通信总线82,存储器83以及至少一个通信接口84。
处理器81可以是一个处理器(central processing units,CPU),微处理单元,ASIC,或一个或多个用于控制本公开方案程序执行的集成电路。作为一个示例,结合图8,参数配置装置中的处理单元702实现的功能与图8中的处理器81实现的功能相同。
通信总线82可包括一通路,在上述组件之间传送信息。
通信接口84,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如服务器、以太网,无线接入网(radio access network,RAN),无线局域网(wireless localarea networks,WLAN)等。作为一个示例,结合图7,参数配置装置中的发送单元701实现的功能与图8中的通信接口84实现的功能相同。
存储器83可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理单元相连接。存储器也可以和处理单元集成在一起。
其中,存储器83用于存储执行本公开方案的应用程序代码,并由处理器81来控制执行。处理器81用于执行存储器83中存储的应用程序代码,从而实现本公开方法中的功能。
在具体实现中,作为一种实施例,处理器81可以包括一个或多个CPU,例如图8中的CPU0和CPU1。
在具体实现中,作为一种实施例,移动设备可以包括多个处理器,例如图8中的处理器81和处理器85。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,参数配置装置还可以包括输入设备86和输出设备87。输入设备86和输出设备87通信,可以以多种方式接受用户的输入。例如,输入设备86可以是鼠标、键盘、触摸屏设备或传感设备等。输出设备87和处理器81通信,可以以多种方式来显示信息。例如,输出设备81可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emitting diode,LED)显示设备等。
本领域技术人员可以理解,图8中示出的结构并不构成对参数配置装置的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本公开还提供了一种包括指令的计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述计算机可读存储介质中的指令由计算机设备的处理器执行时,使得计算机能够执行上述所示实施例提供的参数配置方法。例如,计算机可读存储介质可以为包括指令的存储器83,上述指令可由参数配置装置的处理器81执行以完成上述方法。又例如,计算机可读存储介质可以为包括指令的存储器82,上述指令可由服务器的处理器81执行以完成上述方法。可选地,计算机可读存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
本公开还提供了一种计算机程序产品,该计算机程序产品包括计算机指令,当所述计算机指令在参数配置装置上运行时,使得所述参数配置装置执行上述图3-图7任一附图所示的参数配置方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种参数配置方法,其特征在于,应用移动设备,所述方法包括:
响应于目标应用程序的启动,向服务器发送第一请求信息,所述第一请求信息用于获取更新的算法模型配置参数,所述算法模型配置参数为所述移动设备运行所述目标应用程序时的配置参数;
当未从所述服务器获取到更新的所述算法模型配置参数时,向所述服务器发送第二请求信息,所述第二请求信息用于获取更新的算法模型数据包,所述更新的算法模型数据包包括更新后的算法模型数据以及对应的算法模型配置参数;
当未从所述服务器获取到更新后的算法模型配置参数及更新的算法模型数据包时,使用预先配置的算法模型配置参数对所述目标应用程序进行配置。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
检测所述移动设备当前的硬件状态;
根据所述移动设备当前的硬件状态,调整所述算法模型配置参数,调整后的算法模型配置参数与所述移动设备当前的硬件状态相匹配。
3.根据权利要求2所述的方法,其特征在于,所述根据所述移动设备当前的硬件状态,调整所述模型配置参数,包括:
当所述移动设备当前的硬件状态满足第一预设条件时,根据预设参数调整系数减少所述算法模型配置参数;
当所述移动设备当前的硬件状态满足第二预设条件时,根据所述预设参数调整系数增加所述算法模型配置参数。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
当从所述服务器获取到所述更新后的算法模型配置参数时,使用所述更新后的算法模型配置参数对所述目标应用程序进行配置,其中,所述更新后的算法模型配置参数为响应于参数设置操作生成的配置参数。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
当从所述服务器获取到所述更新后的算法模型数据包时,更新所述目标应用程序中的算法模型数据,并使用所述算法模型数据包中的算法模型数据以及对应的算法模型配置参数对所述目标应用程序进行配置,其中,所述算法模型数据以及对应的算法模型配置参数与所述移动设备的设备型号相匹配。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述未从所述服务器获取到更新后的算法模型配置参数及更新的算法模型数据包的情况包括:所述服务器未存储更新后的算法模型配置参数以及算法模型数据包、所述移动设备与所述服务器之间的网络通信异常中至少一种。
7.一种参数配置装置,其特征在于,应用于移动设备,所述装置包括发送单元和处理单元;
所述发送单元,用于响应于目标应用程序的启动,向服务器发送第一请求信息,所述第一请求信息用于获取更新的算法模型配置参数,所述算法模型配置参数为所述移动设备运行所述目标应用程序时的配置参数;
所述发送单元,还用于所述发送单元,用于响应于目标应用程序的启动,向服务器发送第一请求信息,所述第一请求信息用于获取更新的算法模型配置参数,所述算法模型配置参数为所述移动设备运行所述目标应用程序时的配置参数;
所述处理单元,用于当未从所述服务器获取到更新后的算法模型配置参数及更新的算法模型数据包时,使用预先配置的算法模型配置参数对所述目标应用程序进行配置。
8.一种计算设备,其特征在于,所述计算设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-6中任一项所述的参数配置方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,当所述计算机可读存储介质中的指令由计算设备的处理器执行时,使得所述计算设备能够执行如权利要求1-6中任一项所述的参数配置方法。
10.一种计算机程序产品,包括指令,其特征在于,当所述指令在计算设备上运行时,使得所述计算设备执行如权利要求1-6中任一项所述的参数配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470898.5A CN114327671A (zh) | 2021-12-03 | 2021-12-03 | 参数配置方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470898.5A CN114327671A (zh) | 2021-12-03 | 2021-12-03 | 参数配置方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114327671A true CN114327671A (zh) | 2022-04-12 |
Family
ID=81049067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111470898.5A Pending CN114327671A (zh) | 2021-12-03 | 2021-12-03 | 参数配置方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114327671A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114911507A (zh) * | 2022-07-15 | 2022-08-16 | 浙江大华技术股份有限公司 | 一种算法包的更新方法及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190385043A1 (en) * | 2018-06-19 | 2019-12-19 | Adobe Inc. | Asynchronously training machine learning models across client devices for adaptive intelligence |
CN111241559A (zh) * | 2020-01-07 | 2020-06-05 | 深圳壹账通智能科技有限公司 | 训练模型保护方法、装置、系统、设备和计算机存储介质 |
CN111273953A (zh) * | 2018-11-19 | 2020-06-12 | Oppo广东移动通信有限公司 | 模型处理方法、装置、终端及存储介质 |
CN112114892A (zh) * | 2020-08-11 | 2020-12-22 | 北京奇艺世纪科技有限公司 | 深度学习模型的获取方法、加载方法及选取方法 |
CN112262556A (zh) * | 2018-11-01 | 2021-01-22 | 华为技术有限公司 | 模型文件的管理方法和终端设备 |
CN112447299A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技(深圳)有限公司 | 医护资源预测模型训练方法、装置、设备及存储介质 |
US20210075887A1 (en) * | 2019-09-09 | 2021-03-11 | Red Hat, Inc. | Artificial intelligence-powered diagram-to-deployment converter |
CN112783506A (zh) * | 2021-01-29 | 2021-05-11 | 展讯通信(上海)有限公司 | 一种模型运行方法及相关装置 |
CN113177543A (zh) * | 2021-05-28 | 2021-07-27 | 平安国际智慧城市科技股份有限公司 | 证件识别方法、装置、设备及存储介质 |
US20210334698A1 (en) * | 2020-04-28 | 2021-10-28 | At&T Intellectual Property I, L.P. | Constructing machine learning models |
-
2021
- 2021-12-03 CN CN202111470898.5A patent/CN114327671A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190385043A1 (en) * | 2018-06-19 | 2019-12-19 | Adobe Inc. | Asynchronously training machine learning models across client devices for adaptive intelligence |
CN112262556A (zh) * | 2018-11-01 | 2021-01-22 | 华为技术有限公司 | 模型文件的管理方法和终端设备 |
CN111273953A (zh) * | 2018-11-19 | 2020-06-12 | Oppo广东移动通信有限公司 | 模型处理方法、装置、终端及存储介质 |
US20210075887A1 (en) * | 2019-09-09 | 2021-03-11 | Red Hat, Inc. | Artificial intelligence-powered diagram-to-deployment converter |
CN111241559A (zh) * | 2020-01-07 | 2020-06-05 | 深圳壹账通智能科技有限公司 | 训练模型保护方法、装置、系统、设备和计算机存储介质 |
US20210334698A1 (en) * | 2020-04-28 | 2021-10-28 | At&T Intellectual Property I, L.P. | Constructing machine learning models |
CN112114892A (zh) * | 2020-08-11 | 2020-12-22 | 北京奇艺世纪科技有限公司 | 深度学习模型的获取方法、加载方法及选取方法 |
CN112447299A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技(深圳)有限公司 | 医护资源预测模型训练方法、装置、设备及存储介质 |
CN112783506A (zh) * | 2021-01-29 | 2021-05-11 | 展讯通信(上海)有限公司 | 一种模型运行方法及相关装置 |
CN113177543A (zh) * | 2021-05-28 | 2021-07-27 | 平安国际智慧城市科技股份有限公司 | 证件识别方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114911507A (zh) * | 2022-07-15 | 2022-08-16 | 浙江大华技术股份有限公司 | 一种算法包的更新方法及设备 |
CN114911507B (zh) * | 2022-07-15 | 2022-09-23 | 浙江大华技术股份有限公司 | 一种算法包的更新方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108376079B (zh) | 自动应用更新 | |
KR101832953B1 (ko) | 모바일 디바이스의 어플리케이션 프로세서의 원격 시동 | |
US11314309B2 (en) | Electronic device control method and apparatus, and electronic device | |
US10698736B2 (en) | Method for resource allocation and terminal device | |
CN109725952B (zh) | 一种应用程序插件化的方法、系统以及相关装置 | |
CN112506584B (zh) | 资源文件加载方法、装置、设备、存储介质以及产品 | |
CN112732616B (zh) | 一种基于spi控制器的bmc启动方法、装置及设备 | |
US20170033980A1 (en) | Agent manager for distributed transaction monitoring system | |
CN110704084A (zh) | 固件升级中内存动态分配的方法、装置、计算机设备及存储介质 | |
US11675621B2 (en) | Method for controlling execution of application, electronic device and storage medium for the same | |
CN114730267A (zh) | 预加载应用的方法和支持该方法的电子装置 | |
CN114327671A (zh) | 参数配置方法、装置、设备及存储介质 | |
US10520929B2 (en) | Techniques for implementing universal commands in a welding or cutting system | |
JP7257554B2 (ja) | モデルファイルのディストリビューション方法、プラットホーム、システム、端末及び可読記憶媒体 | |
CN111787105B (zh) | 文件传输方法、装置、计算机设备和存储介质 | |
CN110392417A (zh) | 功耗管理方法、终端、计算机设备和存储介质 | |
KR20190140664A (ko) | 전자 장치 및 전자 장치의 무선랜 중계기능 제어 방법 | |
CN113422791B (zh) | 云服务配置方法和装置、电子设备以及计算机可读存储介质 | |
CN114442765A (zh) | 计算机设备的风扇控制方法、基板管理控制器及存储介质 | |
CN110365839B (zh) | 关机方法、装置、介质及电子设备 | |
CN113556200A (zh) | 时钟校准方法、基于时钟同步的网络安全防护方法和装置 | |
CN113222174B (zh) | 模型管理方法及装置 | |
CN113711195A (zh) | 传输装置、信息处理装置以及数据传输方法 | |
CN114615204B (zh) | 一种空中下载升级方法、系统及起重机 | |
US20230046243A1 (en) | Method and apparatus for controlling transmission of packet |
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 |