CN114595833A - 模型处理方法、装置、电子设备以及存储介质 - Google Patents
模型处理方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114595833A CN114595833A CN202210233983.8A CN202210233983A CN114595833A CN 114595833 A CN114595833 A CN 114595833A CN 202210233983 A CN202210233983 A CN 202210233983A CN 114595833 A CN114595833 A CN 114595833A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- task
- sub
- trained
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 523
- 238000000034 method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种模型处理方法、装置、电子设备以及存储介质,涉及机器学习技术领域,具体涉及联邦学习技术领域,以至少解决相关技术中模型的预测性能较低的技术问题。具体实现方案为:获取至少一个模型训练任务,其中,至少一个模型训练任务中每个模型训练任务至少包括训练数据和任务标识;基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型;基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型。
Description
技术领域
本公开涉及机器学习技术领域,进一步涉及联邦学习技术领域,具体涉及模型的处理方法,尤其涉及一种模型处理方法、装置、电子设备以及存储介质。
背景技术
目前,市面上存在较多开源的纵向联邦学习框架,一部分纵向联邦学习框架可以是采用多方安全计算和同态加密技术来保护数据隐私,一部分纵向联邦学习框架可以通过创建多个计算实体来对多个租户进行支持,但是难以联合不同租户统一训练模型,导致模型的预测性能较低。
发明内容
本公开提供了一种模型处理方法、装置、电子设备以及存储介质,以至少解决相关技术中模型的预测性能较低的技术问题。
根据本公开的一方面,提供了一种模型处理方法,包括:获取至少一个模型训练任务,其中,至少一个模型训练任务中每个模型训练任务至少包括训练数据和任务标识;基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型;基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型。
可选地,待训练模型包括:至少一个子模型,在获取至少一个模型训练任务之后,该方法还包括:接收至少一个模型训练任务中每个模型训练任务对应的模型训练方式,其中,模型训练方式用于确定待训练模型的至少一个子模型中待训练的子模型和/或确定待训练的子模型中需要更新模型参数的子模型。
可选地,基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型,包括:基于每个模型训练任务的任务标识确定与该模型训练任务对应的场景子模型,其中,场景子模型用于表示能够实现该模型训练任务对应的场景的子模型;基于场景子模型和预设子模型构建待训练模型。
可选地,不同模型训练任务对应的场景子模型不同,不同模型训练任务对应的预设子模型相同。
可选地,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,包括:响应于该模型训练任务对应的模型训练方式为第一训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型和预设子模型进行训练,基于训练结果更新场景子模型的模型参数。
可选地,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,包括:响应于该模型训练任务对应的模型训练方式为第二训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型和预设子模型进行训练,基于训练结果更新场景子模型的模型参数和预设子模型的模型参数。
可选地,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,包括:响应于该模型训练任务对应的模型训练方式为第三训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型进行训练,基于训练结果更新场景子模型的模型参数。
可选地,基于场景子模型和预设子模型构建待训练模型,包括:响应于场景子模型的输出端与预设子模型的输入端之间的插拔状态,基于场景子模型和预设子模型生成待训练模型,其中,插拔状态用于表示预设子模型的输入端是否连接于场景子模型的输出端。
可选地,响应于场景子模型的输出端与预设子模型的输入端之间的插拔状态,生成待训练模型,包括:响应于插拔状态为预设子模型的输入端连接于场景子模型的输出端,基于场景子模型和预设子模型生成待训练模型;响应于插拔状态为预设子模型的输入端未连接于场景子模型的输出端,基于场景子模型生成待训练模型。
根据本公开的第二方面,提供了一种模型处理装置,包括:获取模块,用于获取至少一个模型训练任务,其中,至少一个模型训练任务中每个模型训练任务至少包括训练数据和任务标识;确定模块,用于基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型;训练模块,用于基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型。
可选地,待训练模型包括:至少一个子模型,该装置还包括:接收模块,用于接收至少一个模型训练任务中每个模型训练任务对应的模型训练方式,其中,模型训练方式用于确定待训练模型的至少一个子模型中待训练的子模型和/或确定待训练的子模型中需要更新模型参数的子模型。
可选地,确定模块,包括:确定单元,用于基于每个模型训练任务的任务标识确定与该模型训练任务对应的场景子模型,其中,场景子模型用于表示能够实现该模型训练任务对应的场景的子模型;构建单元,用于基于场景子模型和预设子模型构建待训练模型。
可选地,不同模型训练任务对应的场景子模型不同,不同模型训练任务对应的预设子模型相同。
可选地,训练模块,包括:第一训练单元,用于响应于该模型训练任务对应的模型训练方式为第一训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型和预设子模型进行训练,基于训练结果更新场景子模型的模型参数。
可选地,训练模块,包括:第二训练单元,用于响应于该模型训练任务对应的模型训练方式为第二训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型和预设子模型进行训练,基于训练结果更新场景子模型的模型参数和预设子模型的模型参数。
可选地,训练模块,包括:第三训练单元,用于响应于该模型训练任务对应的模型训练方式为第三训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型进行训练,基于训练结果更新场景子模型的模型参数。
可选地,构建单元,包括:构建子单元,用于响应于场景子模型的输出端与预设子模型的输入端之间的插拔状态,基于场景子模型和预设子模型生成待训练模型,其中,插拔状态用于表示预设子模型的输入端是否连接于场景子模型的输出端。
可选地,构建子单元,包括:第一生成子单元,用于响应于插拔状态为预设子模型的输入端连接于场景子模型的输出端,基于场景子模型和预设子模型生成待训练模型;第二生成单元,用于响应于插拔状态为预设子模型的输入端未连接于场景子模型的输出端,基于场景子模型生成待训练模型。
根据本公开实施例的第三方面,还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上述实施例中任意一项模型处理方法。
根据本公开实施例的第四方面,还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,计算机指令用于使计算机执行上述实施例中任意一项模型处理方法。
根据本公开实施例的第五方面,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上述实施例中任意一项模型处理方法。
在本公开中,首先获取至少一个模型训练任务,其中,至少一个模型训练任务中每个模型训练任务至少包括训练数据、任务标识;基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型;基于每个模型训练任务的训练数据和模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,其中,模型训练方式为与模型训练任务对应的模型训练方式,实现了针对不同的模型训练任务对待训练模型进行训练,从而得到与该模型训练任务对应的目标模型,由于目标模型是基于模型训练任务对应的待训练模型训练得到的,因此,目标模型的准确度较高,从而提高模型的预测性能。
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是根据本公开实施例的一种用于实现模型处理方法的计算机终端(或移动设备)的硬件结构框图;
图2是根据本公开实施例的一种模型处理方法流程图;
图3是根据本公开实施例的一种待训练模型的示意图;
图4是根据本公开实施例的一种可行的多租户纵向联邦学习系统的设计图;
图5是根据本公开实施例的一种部署架构图;
图6是根据本公开实施例的一种模型处理装置的结构框图。
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。
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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着机器学习技术的越发成熟,越来越多的实际问题正在或即将被机器学习模型解决。数据是机器学习中最为重要的一部分,然而数据源通常以孤岛的形式存在,由于行业竞争、隐私安全等原因,不同数据源之间实现数据整合面临着重重阻力。在重视数据隐私和安全已经成为世界性趋势的今天,为了让机器学习系统能够高效、准确地共同使用各自的数据进行训练,需要使用联邦学习(Federated Learning)方案。
以孤岛数据的分布特点进行分类,联邦学习方案被分为三类:横向联邦学习(两个数据集的用户特征重叠部分较大,而用户重叠部分较小),纵向联邦学习(两个数据集的用户重叠部分较大,而用户特征重叠部分较小),联邦迁移学习(两个数据集的用户与用户特征重叠部分都比较小)。以隐私保护方案进行分类,联邦学习方案被分为三类:基于差分隐私的数据保护,基于秘密共享的加密计算方法,基于同态加密的加密计算方法。
相关技术中的开源框架有的采用多方安全计算和同态加密技术来保护数据隐私,但是这种方式计算效率太低,难以在工业化使用;另外有一些可以通过创建多个计算实体来对多个租户进行支持,但是难以联合不同租户进行统一训练。
为了解决上述问题,本申请可以通过多个模型训练任务共同训练模型,以得到精确度更好的模型。
根据本公开实施例,提供了一种模型处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本公开实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的电子设备中执行。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。图1示出了一种用于实现模型处理方法的计算机终端(或移动设备)的硬件结构框图。
如图1所示,计算机终端100包括计算单元101,其可以根据存储在只读存储器(ROM)102中的计算机程序或者从存储单元108加载到随机访问存储器(RAM)103中的计算机程序,来执行各种适当的动作和处理。在RAM 103中,还可存储计算机终端100操作所需的各种程序和数据。计算单元101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
计算机终端100中的多个部件连接至I/O接口105,包括:输入单元106,例如键盘、鼠标等;输出单元107,例如各种类型的显示器、扬声器等;存储单元108,例如磁盘、光盘等;以及通信单元109,例如网卡、调制解调器、无线通信收发机等。通信单元109允许计算机终端100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101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101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101执行本文所描述的模型处理方法。例如,在一些实施例中,模型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108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 102和/或通信单元109而被载入和/或安装到计算机终端100上。当计算机程序加载到RAM 103并由计算单元101执行时,可以执行本文描述的模型处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元101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处理方法。
本文中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。
此处需要说明的是,在一些可选实施例中,上述图1所示的电子设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述电子设备中的部件的类型。
在上述运行环境下,本公开提供了如图2所示的模型处理方法,该方法可以由图1所示的计算机终端或者类似的电子设备或服务器执行。图2是根据本公开实施例提供的一种模型处理方法流程图。如图2所示,该方法可以包括如下步骤:
步骤S202,获取至少一个模型训练任务。
其中,至少一个模型训练任务中每个模型训练任务至少包括任务标识和训练数据。
其中,训练数据中可以包括用户标识、训练过程中的反向梯度。
上述的模型训练任务可以是针对不同场景的模型的训练任务。不同的场景可以是广告、推荐等多种场景。
在一种可选地实施例中,可以获取到多个模型训练任务,多个模型训练任务包括但不限于用于A公司的广告业务的模型训练,B公司的推荐业务的模型训练等。
上述的任务标识可以是用于表示该模型训练任务对应的训练场景,例如,对于用于进行A公司的广告业务场景可以使用标识1进行标识,对于B公司的推荐业务场景可以使用标识2进行标识。
上述的用户标识可以是用于表示特定的用户,用于在被动方检索对应用户的用户画像数据。
上述的训练过程中的反向梯度用于完成模型训练流程,其目的是为了在不共享训练数据的条件下完成模型训练。
步骤S204,基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型。
其中,待训练模型可以包括至少一个子模型。
在一种可选地实施例中,可以根据每个模型训练任务的任务标识确定出模型训练任务需要训练的待训练模型。
上述的待训练模型可以包含两个子模型,其中一个子模型可以为公共的预训练模型,即模型训练任务都可以使用的预训练模型,另一个子模型可以为与任务标识对应的场景子模型,场景子模型可以是特定业务场景对应的模型,例如A公司的推荐业务场景,B公司的广告业务场景。
在另一种可选地实施例中,可根据每个模型训练任务的任务标识确定出与每个模型训练任务对应的待训练模型,可以同时对多个模型训练任务对应的待训练模型进行训练。
步骤S206,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型。
其中,模型训练方式为与模型训练任务对应的模型训练方式。
上述的模型训练方式可以是根据用户的需求进行设定。
在一种可选地实施例中,可以根据每个模型训练任务的模型训练方式对每个模型训练任务对应的待训练模型进行训练,得到目标模型,其中,目标模型可以包含有公共的预训练模型,其中,公共的预训练模型可以利用每个模型训练任务的进行联合训练进行参数更新,目标模型还可以包含有每个模型训练任务对应的场景子模型,其中,场景子模型可以是利用每个模型训练任务针对性训练进行参数更新。
通过上述步骤,首先获取至少一个模型训练任务,其中,至少一个模型训练任务中每个模型训练任务至少包括任务标识、训练数据,基于每个模型训练任务的任务标识确定与每个模型训练任务对应的待训练模型,其中,待训练模型包括至少一个子模型,基于每个模型训练任务的模型训练方式对每个模型训练任务对应的待训练模型进行训练,得到目标模型,实现了在完成不同模型训练任务的过程中可以对待训练模型所共同包含的模型进行训练,可以使训练得到的模型的适应范围更广,从而提高模型的预测性能。
可选地,待训练模型包括:至少一个子模型,在获取至少一个模型训练任务之后,该方法还包括:接收至少一个模型训练任务中每个模型训练任务对应的模型训练方式。
其中,模型训练方式用于确定待训练模型的至少一个子模型中待训练的子模型和/或确定待训练的子模型中需要更新模型参数的子模型。
上述的用于训练的子模型是需要利用模型结构得到训练结果,但不一定对原本有的模型结构的模型参数进行更新。例如,待训练模型中有A模型和B模型,用户只希望训练A模型。这样就可以在模型训练方式中确定。
上述的需要更新模型参数的子模型可以是用于训练的子模型中需要更新模型参数的子模型例如,若用户希望此次模型的训练过程中更新A模型的参数,不希望更新B模型的参数,就可以在模型训练方式中进行限定。
在一种可选地实施例中,在获取到至少一个模型训练任务之后,可以提醒用户选择至少一个模型训练任务中每个模型训练任务对应的模型训练方式,可选地,用户可以确定待训练模型中中需要训练的子模型和需要更新模型参数的子模型,以便训练得到用户需要的模型。
在另一种可选地实施例中,模型训练任务可以是对待训练模型中的预设子模型和场景子模型进行训练,并根据对这两个部分的模型参数进行更新,由于预设子模型是多个模型训练任务共同训练得到的,因此,可以使预设子模型的模型精确度更高,其预设子模型的适应范围更广;模型训练任务还可以是使用预设子模型和场景子模型进行前向计算,但是只对场景子模型的模型进行反向参数更新,可以在根据用户的需求选择是否对预设子模型的参数进行更新,增加了模型训练的灵活性;模型训练任务还可以是只对待训练模型中的场景子模型进行训练,并对场景子模型的模型参数进行更新,以便得到能够适用于模型训练任务对应场景的模型参数,从而使得模型的精确度更高。
可选地,基于每个模型训练任务的任务标识确定与每个模型训练任务对应的待训练模型,包括:基于每个模型训练任务的任务标识确定与该模型训练任务对应的场景子模型,其中,场景子模型用于表示能够实现该模型训练任务对应的场景的子模型;基于场景子模型和预设子模型构建待训练模型。
上述的场景子模型可以为特定的场景子模型,上述的预设子模型可以为预训练模型。
在一种可选地实施例中,如图3是根据本公开实施例的一种待训练模型的示意图,如图3左边所示为被动方事先构建的一个预训练模型,以该部分为底座模型,根据不同租户的场景要求搭建特定的具体模型,可以根据特定场景子模型和预训练模型构建具体模型,如图3所示右边的主动方可以是租户,租户持有整个完整模型的一部分,通过接口连接到被动方搭建的模型中,共同完成模型训练。主动方可以根据需求选择是否需要使用/更新预训练模型。
在另一种可选地实施例中,在根据场景子模型和预训练模型构建待训练模型时,可以将待训练模型构建为可插拔的层次模型机制,将被动方的预训练模型和场景子模型进行分级,基于此,主动方可以更加灵活的选择是否使用预训练模型,是否根据训练结果更新预训练模型的模型参数,也即,可以选择预训练模型是否参与多方联合优化。从而可以提高构建的待训练模型的灵活性,方便用户进行选择。
可选地,不同模型训练任务对应的场景子模型不同,不同模型训练任务对应的预设子模型相同。
在一种可选的实施例中,每个模型训练任务都有其对应的场景子模型,该场景子模型仅适用于模型训练任务对应的场景,每个模型训练任务对应的预设子模型,通过多个模型训练任务对预设子模型进行训练,并更新预设子模型的模型参数,可以使得预设子模型能够适用于多种场景,从而扩大了预设子模型的使用范围。
可选地,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,包括:响应于该模型训练任务对应的模型训练方式为第一训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型和预设子模型进行训练,基于训练结果更新场景子模型的模型参数。
上述的第一训练方式可以为对待训练模型中的场景子模型和预设子模型同时进行训练,并根据训练结果同时对场景子模型和预设子模型的模型参数进行更新。
在一种可选地实施例中,当模型训练方式为第一训练方式时,被动方在对场景子模型和预设子模型同时进行训练之后,可以在利用训练结果更新完场景子模型的模型参数之后,继续将梯度传播到预设子模型中,以便同时更新场景子模型和预设子模型的模型参数。
通过上述步骤,可以实现多个租户通过不同的模型训练任务中的训练数据对同一个预设子模型进行更新,不仅可以使租户获取到训练好的场景子模型,还可以通过多方的训练数据训练到一个能够适应于各种场景的预设子模型,使得主动方中的预设子模型可以获得多方的增益,从而可以获得更好的预测性能。
可选地,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,包括:响应于该模型训练任务对应的模型训练方式为第二训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型和预设子模型进行训练,基于训练结果更新场景子模型的模型参数和预设子模型的模型参数。
上述的第二训练方式可以为对待训练模型中的场景子模型和预设子模型同时进行训练,但是不更新预设子模型的模型参数。
在一种可选地实施例中,当模型训练方式为第二训练方式时,被动方在对场景子模型和预设子模型同时进行训练之后,被动方可以克隆一份预设子模型的训练结果,可以在利用训练结果更新完场景子模型的模型参数之后,梯度不再继续往预设子模型进行传播,以便只更新场景子模型的模型参数,不对预设子模型的模型参数进行更新。
通过上述步骤,在租户使用被动方的待训练模型进行训练时,可以灵活的选择不对预设子模型的模型参数进行更新,只获取到对应的场景子模型,可以对预设子模型进行训练,得到对应的训练结果,但是不对预设子模型的模型参数进行更新,以满足用户的模型训练需求,同时可以加快模型训练的速度,提高模型训练的效率。
可选地,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,包括:响应于该模型训练任务对应的模型训练方式为第三训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型进行训练,基于训练结果更新场景子模型的模型参数。
上述的第三训练方式可以为对待训练模型中的场景子模型进行训练,并根据训练结果更新场景子模型的模型参数,但是对待训练模型中的预设子模型不进行训练。
在一种可选地实施例中,当模型训练方式为第三训练方式时,可以在只选择场景子模型进行训练,若用户并不需要多方增益的预设子模型时,通过第三训练方式可以加快模型训练的速度,提高模型训练的效率。
可选地,基于场景子模型和预设子模型构建待训练模型,包括:获取预设子模型的输出端与场景子模型的输入端之间的插拔状态;基于插拔状态、场景子模型和预设子模型生成待训练模型,其中,插拔状态用于表示场景子模型的输入端是否连接于预设子模型的输出端。
在一种可选的实施例中,用户可以根据是否需要训练预设子模型来确定插拔状态,若用户不需要通过预设子模型的模型架构进行训练,则可以将场景子模型的输入端拔出预设子模型的输出端,这样就可以只通过对场景子模型进行训练,得到目标模型。若用户需要通过预设子模型的模型架构进行训练,则可以将场景子模型的输入端连接于预设子模型的输出端,这样就可以结合预设子模型的模型结构训练得到目标模型,以便目标模型能有更高的精度。
可选地,响应于场景子模型的输出端与预设子模型的输入端之间的插拔状态,生成待训练模型,包括:响应于插拔状态为预设子模型的输入端连接于场景子模型的输出端,基于场景子模型和预设子模型生成待训练模型;响应于插拔状态为预设子模型的输入端未连接于场景子模型的输出端,基于场景子模型生成待训练模型。
在一种可选的实施例中,在插拔状态为预设子模型的输入端连接于场景子模型的输出端时,可以直接根据场景子模型和预设子模型生成待训练模型,以便能够对待训练模型进行训练得到精确度更高的目标模型。在插拔状态为预设子模型的输入端未连接于场景子模型的输出端,可以直接根据场景子模型生成待训练模型,以便训练得到能够应用与该场景的目标模型。
如图4所示为根据本公开实施例的一种可行的多租户纵向联邦学习系统的设计图,整个系统由被动方和主动方两部分组成,其中被动方为服务端,被动方主要用于根据场景子模型和预设子模型构建待训练模型,并根据主动方的需求对待训练模型进行训练,得到目标模型,主动方为客户端,客户端可以获取到训练好的目标模型的模型参数。主动方向被动方请求创建任务,并指定好是否使用预训练模型(也即上述的预设子模型),若确定使用预训练模型再选择是否用标签数据对预训练模型参数进行更新,参与多方联合优化,被动方收到请求后,根据主动方的配置启动训练服务开始训练。当主动方监测到模型指标已达到要求,则向被动方请求创建预测服务。被动方启动预测服务后,主动方即可使用软件开发工具包(software development kit,简称SDK)对预测服务进行访问。
图5展示了图4对应的部署架构图,被动方基于分布式计算框架(Ray)计算集群提供多租户服务,不同租户可使用同一个预训练模型服务实现多方联合优化的目的,也即,不同的租户在完成对应的训练任务的同时可以对同一个预设子模型进行训练,达到联合优化同一个预设子模型的目的,也即,不同的租户也可以在训练时使用预设子模型,但是不对预设子模型的参数进行更新。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本公开各个实施例的方法。
在本公开中还提供了一种模型处理装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本公开其中一实施例的一种模型处理装置的结构框图,如图6所示,一种模型处理装置600包括:获取模块602、确定模块604、训练模块606。
获取模块,用于获取至少一个模型训练任务,其中,至少一个模型训练任务中每个模型训练任务至少包括训练数据、任务标识;
确定模块,用于基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型;
训练模块,用于基于每个模型训练任务的训练数据和模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,其中,模型训练方式为与模型训练任务对应的模型训练方式。
可选地,该装置还包括:接收模块,用于接收至少一个模型训练任务中每个模型训练任务对应的模型训练方式,其中,模型训练方式用于确定待训练模型的至少一个子模型中待训练的子模型和/或确定待训练的子模型中需要更新模型参数的子模型。
可选地,确定模块,包括:确定单元,用于基于每个模型训练任务的任务标识确定与该模型训练任务对应的场景子模型,其中,场景子模型用于表示能够实现该模型训练任务对应的场景的子模型;构建单元,用于基于场景子模型和预设子模型构建待训练模型。
可选地,不同模型训练任务对应的场景子模型不同,不同模型训练任务对应的预设子模型相同。
可选地,训练模块,包括:第一训练单元,用于响应于该模型训练任务对应的模型训练方式为第一训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型和预设子模型进行训练,基于训练结果更新场景子模型的模型参数。
可选地,训练模块,包括:第二训练单元,用于响应于该模型训练任务对应的模型训练方式为第二训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型和预设子模型进行训练,基于训练结果更新场景子模型的模型参数和预设子模型的模型参数。
可选地,训练模块,包括:第三训练单元,用于响应于该模型训练任务对应的模型训练方式为第三训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的场景子模型进行训练,基于训练结果更新场景子模型的模型参数。
可选地,构建单元,包括:构建子单元,用于响应于场景子模型的输出端与预设子模型的输入端之间的插拔状态,基于场景子模型和预设子模型生成待训练模型,其中,插拔状态用于表示预设子模型的输入端是否连接于场景子模型的输出端。
可选地,构建子单元,包括:第一生成子单元,用于响应于插拔状态为预设子模型的输入端连接于场景子模型的输出端,基于场景子模型和预设子模型生成待训练模型;第二生成单元,用于响应于插拔状态为预设子模型的输入端未连接于场景子模型的输出端,基于场景子模型生成待训练模型。
根据本公开实施例的另一方面,还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上述实施例中任意一项模型处理方法。
根据本公开实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述实施例中任意一项模型处理方法。
根据本公开实施例的又一方面,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上述实施例中任意一项模型处理方法。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
根据本公开的实施例,本公开还提供了一种电子设备,包括存储器和至少一个处理器,该存储器中存储有计算机指令,该处理器被设置为运行计算机指令以执行上述任一项方法实施例中的步骤。
可选地,上述电子设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本公开中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取至少一个模型训练任务,其中,至少一个模型训练任务中每个模型训练任务至少包括训练数据和任务标识;
S2,基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型;
S3,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
根据本公开的实施例,本公开还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,该非瞬时计算机可读存储介质中存储有计算机指令,其中,该计算机指令被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取至少一个模型训练任务,其中,至少一个模型训练任务中每个模型训练任务至少包括训练数据和任务标识;
S2,基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型;
S3,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型。
可选地,在本实施例中,上述非瞬时计算机可读存储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。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。
根据本公开的实施例,本公开还提供了一种计算机程序产品。用于实施本公开的音频处理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。
在本公开的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本公开所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM)、随机存取存储器(RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本公开的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本公开原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本公开的保护范围。
Claims (21)
1.一种模型处理方法,其中,包括:
获取至少一个模型训练任务,其中,所述至少一个模型训练任务中每个模型训练任务至少包括训练数据和任务标识;
基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型;
基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型。
2.根据权利要求1所述的方法,其中,所述待训练模型包括:至少一个子模型,在获取所述至少一个模型训练任务之后,所述方法还包括:
接收所述至少一个模型训练任务中每个模型训练任务对应的模型训练方式,其中,所述模型训练方式用于确定所述待训练模型的所述至少一个子模型中待训练的子模型和/或确定所述待训练的子模型中需要更新模型参数的子模型。
3.根据权利要求2所述的方法,其中,基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型,包括:
基于每个模型训练任务的任务标识确定与该模型训练任务对应的场景子模型,其中,所述场景子模型用于表示能够实现该模型训练任务对应的场景的子模型;
基于所述场景子模型和预设子模型构建所述待训练模型。
4.根据权利要求3所述的方法,其中,
不同模型训练任务对应的场景子模型不同,不同模型训练任务对应的预设子模型相同。
5.根据权利要求3或4所述的方法,其中,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,包括:
响应于该模型训练任务对应的模型训练方式为第一训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的所述场景子模型和所述预设子模型进行训练,基于训练结果更新所述场景子模型的模型参数。
6.根据权利要求3或4所述的方法,其中,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,包括:
响应于该模型训练任务对应的模型训练方式为第二训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的所述场景子模型和所述预设子模型进行训练,基于训练结果更新所述场景子模型的模型参数和所述预设子模型的模型参数。
7.根据权利要求3或4所述的方法,其中,基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型,包括:
响应于该模型训练任务对应的模型训练方式为第三训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的所述场景子模型进行训练,基于训练结果更新所述场景子模型的模型参数。
8.根据权利要求3或4所述的方法,其中,基于所述场景子模型和预设子模型构建所述待训练模型,包括:
获取所述预设子模型的输出端与所述场景子模型的输入端之间的插拔状态;
基于所述插拔状态、所述场景子模型和所述预设子模型生成所述待训练模型,其中,所述插拔状态用于表示所述场景子模型的输入端是否连接于所述预设子模型的输出端。
9.根据权利要求8所述的方法,其中,基于所述插拔状态、所述场景子模型和所述预设子模型生成所述待训练模型,包括:
响应于所述插拔状态为所述场景子模型的输入端连接于所述预设子模型的输出端,基于所述场景子模型和所述预设子模型生成所述待训练模型;
响应于所述插拔状态为所述场景子模型的输入端未连接于所述预设子模型的输出端,基于所述场景子模型生成所述待训练模型。
10.一种模型处理装置,其中,包括:
获取模块,用于获取至少一个模型训练任务,其中,所述至少一个模型训练任务中每个模型训练任务至少包括训练数据和任务标识;
确定模块,用于基于每个模型训练任务的任务标识确定与该模型训练任务对应的待训练模型;
训练模块,用于基于每个模型训练任务的训练数据和该模型训练任务对应的模型训练方式对该模型训练任务对应的待训练模型进行训练,得到目标模型。
11.根据权利要求10所述的装置,其中,所述待训练模型包括:至少一个子模型,所述装置还包括:
接收模块,用于接收所述至少一个模型训练任务中每个模型训练任务对应的模型训练方式,其中,所述模型训练方式用于确定所述待训练模型的所述至少一个子模型中待训练的子模型和/或确定所述待训练的子模型中需要更新模型参数的子模型。
12.根据权利要求11所述的装置,其中,确定模块,包括:
确定单元,用于基于每个模型训练任务的任务标识确定与该模型训练任务对应的场景子模型,其中,所述场景子模型用于表示能够实现该模型训练任务对应的场景的子模型;
构建单元,用于基于所述场景子模型和预设子模型构建所述待训练模型。
13.根据权利要求12所述的装置,其中,
不同模型训练任务对应的场景子模型不同,不同模型训练任务对应的预设子模型相同。
14.根据权利要求12或13所述的装置,其中,训练模块,包括:
第一训练单元,用于响应于该模型训练任务对应的模型训练方式为第一训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的所述场景子模型和所述预设子模型进行训练,基于训练结果更新所述场景子模型的模型参数。
15.根据权利要求12或13所述的装置,其中,训练模块,包括:
第二训练单元,用于响应于该模型训练任务对应的模型训练方式为第二训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的所述场景子模型和所述预设子模型进行训练,基于训练结果更新所述场景子模型的模型参数和所述预设子模型的模型参数。
16.根据权利要求12或13所述的装置,其中,训练模块,包括:
第三训练单元,用于响应于该模型训练任务对应的模型训练方式为第三训练方式,利用该模型训练任务的训练数据对该模型训练任务对应的待训练模型中的所述场景子模型进行训练,基于训练结果更新所述场景子模型的模型参数。
17.根据权利要求12或13所述的装置,其中,构建单元,包括:
构建子单元,用于响应于所述场景子模型的输出端与所述预设子模型的输入端之间的插拔状态,基于所述场景子模型和所述预设子模型生成所述待训练模型,其中,所述插拔状态用于表示所述预设子模型的输入端是否连接于所述场景子模型的输出端。
18.根据权利要求17所述的装置,其中,构建子单元,包括:
第一生成子单元,用于响应于所述插拔状态为所述预设子模型的输入端连接于所述场景子模型的输出端,基于所述场景子模型和所述预设子模型生成所述待训练模型;
第二生成单元,用于响应于所述插拔状态为所述预设子模型的输入端未连接于所述场景子模型的输出端,基于所述场景子模型生成所述待训练模型。
19.一种电子设备,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1-9中任一项所述的方法。
20.一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1-9中任一项所述的方法。
21.一种计算机程序产品,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1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210233983.8A CN114595833A (zh) | 2022-03-09 | 2022-03-09 | 模型处理方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210233983.8A CN114595833A (zh) | 2022-03-09 | 2022-03-09 | 模型处理方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114595833A true CN114595833A (zh) | 2022-06-07 |
Family
ID=81817585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210233983.8A Pending CN114595833A (zh) | 2022-03-09 | 2022-03-09 | 模型处理方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595833A (zh) |
-
2022
- 2022-03-09 CN CN202210233983.8A patent/CN114595833A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214674B (zh) | 客服系统管理方法、客服系统及电子设备 | |
CN109213758B (zh) | 数据存取方法、装置、设备及计算机可读存储介质 | |
US20220391642A1 (en) | Method and apparatus for evaluating joint training model | |
CN113505520A (zh) | 用于支持异构联邦学习的方法、装置和系统 | |
US11244153B2 (en) | Method and apparatus for processing information | |
CN114202027A (zh) | 执行配置信息的生成方法、模型训练方法和装置 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN113724398A (zh) | 增强现实方法、装置、设备以及存储介质 | |
CN110991088A (zh) | 一种线缆模型构建方法、系统、终端设备及存储介质 | |
CN115187821B (zh) | 验证模型转换前后正确性的方法、相关装置及程序产品 | |
CN110941658A (zh) | 一种数据导出方法、装置、服务器及存储介质 | |
CN114595833A (zh) | 模型处理方法、装置、电子设备以及存储介质 | |
CN113590447B (zh) | 埋点处理方法和装置 | |
CN114418142A (zh) | 设备巡检方法及装置 | |
CN114492844A (zh) | 机器学习工作流的构建方法、装置、电子设备及存储介质 | |
CN113691403A (zh) | 拓扑节点配置方法、相关装置及计算机程序产品 | |
CN113887435A (zh) | 人脸图像处理方法、装置、设备、存储介质及程序产品 | |
CN110276403B (zh) | 模型建立方法和装置 | |
CN109712011B (zh) | 社区发现方法和装置 | |
CN113392091A (zh) | 分布式集群数据迁移方法及装置 | |
CN111161067A (zh) | 一种交易路由的确定方法和装置 | |
CN117519996B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
CN110727654B (zh) | 分布式系统的数据提取方法、装置、服务器和存储介质 | |
CN113392011A (zh) | 一种链路分段性能测试方法及装置 | |
CN115273178A (zh) | 图像处理模型的训练、图像处理方法及相关装置 |
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 |