CN114707954B - 企业智慧平台的信息管理方法及系统 - Google Patents
企业智慧平台的信息管理方法及系统 Download PDFInfo
- Publication number
- CN114707954B CN114707954B CN202210319847.0A CN202210319847A CN114707954B CN 114707954 B CN114707954 B CN 114707954B CN 202210319847 A CN202210319847 A CN 202210319847A CN 114707954 B CN114707954 B CN 114707954B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- unit
- network model
- convolutional
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 204
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000011176 pooling Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种企业智慧平台的信息管理方法及系统，企业智慧平台配置有多种类型的卷积神经网络单元；每种类型的卷积神经网络单元包括至少一种类型的卷积单元、池化单元和全连接网络单元，卷积神经网络单元用于执行与之匹配的卷积神经网络模型；该方法包括如下步骤：获取用户终端发起的待处理任务；基于企业智慧平台在当前时刻下的剩余计算资源确定目标神经网络模型；通过与目标卷积神经网络模型匹配的卷积神经网络单元运行目标卷积神经网络模型，得到处理结果；将用户终端发起的待处理任务分配至与处理结果匹配的执行者。实施本申请，可以高效、准确地将待处理任务分配至相应的执行者。
Description
技术领域
本申请涉及信息管理技术领域，尤其涉及一种企业智慧平台的信息管理方法及系统。
背景技术
企业管理是对企业生产经营活动进行计划、组织、指挥、协调和控制等一系列活动的总称,是社会化大生产的客观要求。企业管理是尽可能利用企业的人力、物力、财力、信息等资源,实现省、快、多、好的目标，取得最大的投入产出效率。
现有技术中，企业大多采用业务流程管理(Business Process Management，BPM)系统来实现管理。对此，业务流程管理系统可被设计以适于定义组织成员之间的业务流程和构成系统之间整合(例如，人与人之间，人与应用系统之间、应用系统与应用系统之间)解决方案。然而，面对大量数据的应用场景，传统的业务流程管理系统无法有效地感知数据变化(例如，自身计算资源的变化)，而立即正确的反应及处理。因此，亟需一种管理方法解决在面对大量数据的应用场景时，可能发生的业务流程无法有效地进行的问题。
发明内容
本申请实施例提供一种企业智慧平台的信息管理方法及系统，在面对大量用户终端发起的待处理任务时，可以高效、准确地将待处理任务分配至相应的执行者。
第一方面，本申请实施例提供了一种企业智慧平台的信息管理方法，所述企业智慧平台配置有多种类型的卷积神经网络单元；每种类型的卷积神经网络单元包括至少一种类型的卷积单元、池化单元和全连接网络单元，所述卷积神经网络单元用于执行与之匹配的卷积神经网络模型；所述方法包括：
获取用户终端发起的待处理任务；
基于所述企业智慧平台在当前时刻下的剩余计算资源确定目标神经网络模型；其中，所述目标神经网络模型为基于所述企业智慧平台在当前时刻下的剩余计算资源能够满足在处理所述待处理任务时，处理结果达到最优的模型；
通过与所述目标卷积神经网络模型匹配的卷积神经网络单元运行目标卷积神经网络模型，得到处理结果；
将所述用户终端发起的待处理任务分配至与所述处理结果匹配的执行者。
实施本申请实施例，面对大量用户终端发起的待处理任务，在确定处理待处理任务的目标神经网络模型时，考虑了企业智慧平台的资源变化，可以保证处理结果的准确性；此外，由于可以通过与目标卷积神经网络模型匹配的卷积神经网络单元运行目标卷积神经网络模型，可以加快处理待处理任务时的速度。
在一种可能的实现方式中，在卷积神经网络模型的结构与卷积神经网络单元的结构一致的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
在一种可能的实现方式中，在卷积神经网络模型中所包含的卷积核的类型与卷积神经网络单元中所包含的卷积单元的类型一致的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
在一种可能的实现方式中，在卷积神经网络模型中所包含的卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第一值的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
在一种可能的实现方式中，在卷积神经网络模型中所包含的关键卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第二值的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
在一种可能的实现方式中，所述每种类型的卷积神经网络单元还包括信号连接单元；
所述信号连接单元分别与所述卷积单元、所述池化单元和所述激活函数单元连接，用于按照预设的信号输入输出关系，将所述至少一种类型的卷积单元、所述池化单元和所述全连接网络单元配置为卷积神经网络单元。
在一种可能的实现方式中，所述每种类型的卷积神经网络单元还包括权重缓存单元；
所述权重缓存单元，所述权重缓存单元与所述每种类型的卷积神经网络单元相连；用于存储与所述目标卷积神经网络模型匹配的卷积神经网络单元处理所述待处理任务时所需调用的运算参数。
第二方面，本申请实施例提供了一种企业智慧平台，其特征在于，所述企业智慧平台配置有多种类型的卷积神经网络单元；每种类型的卷积神经网络单元包括至少一种类型的卷积单元、池化单元和全连接网络单元，所述卷积神经网络单元用于执行与之匹配的卷积神经网络模型；所述企业智慧平台包括：
获取单元，用于获取用户终端发起的待处理任务；
第一处理单元，用于基于所述企业智慧平台在当前时刻下的剩余计算资源确定目标神经网络模型；其中，所述目标神经网络模型为基于所述企业智慧平台在当前时刻下的剩余计算资源能够满足在处理所述待处理任务时，处理结果达到最优的模型；
第二处理单元，用于通过与所述目标卷积神经网络模型匹配的卷积神经网络单元运行所述目标卷积神经网络模型，得到处理结果；
第三处理单元，用于将所述用户终端发起的待处理任务分配至与所述处理结果匹配的执行者。
在一种可能的实现方式中，在卷积神经网络模型的结构与卷积神经网络单元的结构一致的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
在一种可能的实现方式中，在卷积神经网络模型中所包含的卷积核的类型与卷积神经网络单元中所包含的卷积单元的类型一致的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
在一种可能的实现方式中，在卷积神经网络模型中所包含的卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第一值的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
在一种可能的实现方式中，在卷积神经网络模型中所包含的关键卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第二值的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
在一种可能的实现方式中，所述每种类型的卷积神经网络单元还包括信号连接单元；
所述信号连接单元分别与所述卷积单元、所述池化单元和所述激活函数单元连接，用于按照预设的信号输入输出关系，将所述至少一种类型的卷积单元、所述池化单元和所述全连接网络单元配置为卷积神经网络单元。
在一种可能的实现方式中，所述每种类型的卷积神经网络单元还包括权重缓存单元；
所述权重缓存单元，所述权重缓存单元与所述每种类型的卷积神经网络单元相连；用于存储与所述目标卷积神经网络模型匹配的卷积神经网络单元处理所述待处理任务时所需调用的运算参数。
第三方面，本申请实施例提供了另一种企业智慧平台，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储支持企业智慧平台执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
第五方面，本申请实施例还提供了一种计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
第六方面，本申请实施例提供了一种企业智慧平台的信息管理系统，其特征在在于，包括所述企业智慧平台和至少一个用户终端；其中，
所述至少一个用户终端，用于向所述企业智慧平台发起待处理任务；
所述企业智慧平台，用于执行如第一方面任一项所述的方法得到待处理任务的处理结果，以将所述待处理任务分配至与所述处理结果匹配的执行者；
所述至少一个用户终端，还用于获取所述执行者针对所述待处理任务的操作结果。
实施本申请实施例，面对大量用户终端发起的待处理任务，企业智慧平台在确定处理待处理任务的目标神经网络模型时，考虑了自身的资源变化，例如，基于在当前时刻下的剩余计算资源确定目标神经网络模型。由于目标神经网络模型为基于企业智慧平台在当前时刻下的剩余计算资源能够满足在处理所述待处理任务时，处理结果达到最优的模型，以这种方式可以保证处理结果的准确性。此外，由于可以通过与目标卷积神经网络模型匹配的卷积神经网络单元运行目标卷积神经网络模型，可以加快处理待处理任务时的速度。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种企业智慧平台的信息管理系统的架构示意图；
图2a是本申请实施例提供的一种卷积神经网络单元的结构示意图；
图2b是本申请实施例提供的另一种卷积神经网络单元的结构示意图；
图2c是本申请实施例提供的另一种卷积神经网络单元的结构示意图；
图3是本申请实施例一种企业智慧平台的信息管理方法的示意流程图；
图4是本申请实施例提供的一种企业智慧平台的结构示意图；
图5是本申请实施了了提供的一种用户终端的结构示意图；
图6是本申请实施例提供的另一种企业智慧平台的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
首先，介绍下本申请实施例提供的架构。请参见图1，图1是本申请实施例提供的一种企业智慧平台的信息管理系统的架构示意图。如图1所示，该信息管理包括多个用户终端以及企业智慧平台。在一些实施例中，企业智慧平台可以通过网络与多个用户终端进行通信连接。在实际应用中，用户终端，用于向企业智慧平台发起待处理任务；企业智慧平台，用于获取用户终端发起的待处理任务，基于企业智慧平台在当前时刻下的剩余计算资源确定目标神经网络模型；其中，目标神经网络模型为基于企业智慧平台在当前时刻下的剩余计算资源能够满足在处理待处理任务时，处理结果达到最优的模型；通过与目标卷积神经网络模型匹配的卷积神经网络单元运行目标卷积神经网络模型，得到处理结果；将用户终端发起的待处理任务分配至与处理结果匹配的执行者；用户终端，还用于获取执行者针对待处理任务的操作结果。
在图1所示的系统架构中，企业智慧平台可以包括但不限于电脑、台式电脑、便携式笔记本。用户终端可以包括但不限于移动手机、平板电脑、个人数字助理(PersonalDigital Assistant，PDA)、移动互联网设备(Mobile Internet Device， MID)等各种用户可以使用的设备。
其次，介绍下本申请实施例提供的卷积神经网络单元。如图2a所示，每种类型的卷积神经网络单元可以包括至少一种类型的卷积单元201、池化单元202、全连接网络单元203。在一个实施例中，卷积神经网络单元可以包括1*1卷积单元、池化单元、全连接网络单元。在一个实施例中，卷积神经网络单元可以包括1*1卷积单元、3*3卷积单元、池化单元、全连接网络单元。在一个实施例中，卷积神经网络单元可以包括1*1卷积单元、3*3卷积单元、5*5卷积单元、池化单元、全连接网络单元。需要说明的是，此处举例只是一种示例，不应构成限定。
在一些实施例中，如图2b所示，每种类型的卷积神经网络单元还可以包括信号连接单元，用于按照预设的信号输入输出关系，将至少一种类型的卷积单元、池化单元和全连接网络单元配置为卷积神经网络单元。这里，预设的信号输入输出关系可以为卷积神经网络模型中各个层之间的输入输出关系。需要说明的是，在图2a所示的卷积神经网络单元和图2b所示的卷积神经网络单元调用同一个神经网络模型时，由于图2b所示的卷积神经网络单元包含信号连接单元，这一实现方式可以使得卷积神经网络单元的结构中设置有卷积神经网络模型的输入输出关系，使得卷积神经网络单元与卷积神经网络模型高度匹配，可以提高运行神经网络模型的速度。
在一些实施例中，如图2c所示，每种类型的卷积神经网络单元还包括权重缓存单元，用于存储与卷积神经网络模型匹配的卷积神经网络单元处理待处理任务时所需调用的运算参数。可以理解的是，由于权重缓存单元可以存储运算参数，以这种方式，可以提高卷积神经网络单元运行卷积神经网络模型的速度。
接下来以图1所示的系统架构为例来说明本申请实施例公开的一种企业智慧平台的信息管理方法。请参见图3，图3是本申请实施例提供的一种企业智慧平台的信息管理方法的流程示意图，可以包括如下步骤：
步骤301、用户终端向企业智慧平台发起待处理任务。
在本申请实施例中，用户终端上可以运行有客户端。用户可以在该客户端上注册账号(例如，第一账号)，然后，通过账号登陆该客户端。当用户通过账号登陆该客户端之后，用户可以利用账号来向企业智慧平台发起待处理任务。需要说明的是，这里所涉及的客户端可以是用户终端中默认安装的，也可以是用户终端上下载安装的第三方应用，本申请实施例不作具体限定。
本申请中，客户端(包括商家客户端和用户客户端)是指与企业智慧平台相对应，为客户提供服务的程序。具体来说，服务，是指客户(请教方或咨询方)提出问题或疑难，服务主体(答疑方或服务人)给出建议或解决方案。
具体的，客户端可包括：本地运行的应用程序、运行于网络浏览器上的功能(又称为Web App)、嵌入于电子邮件中的小程序、嵌入于即时通讯的客户端软件(如微信(WeChat))中的小程序，以及嵌入在其他应用程序(如WeChat) 中的功能(如微信公众号)等。
在本申请实施例中，待处理任务可以包括但不限于入职任务、离职任务、财务报销任务、在线打印任务等等。
步骤S302、企业智慧平台获取用户终端发起的待处理任务。
步骤S303、基于企业智慧平台在当前时刻下的剩余计算资源确定目标神经网络模型；其中，目标神经网络模型为基于企业智慧平台在当前时刻下的剩余计算资源能够满足在处理待处理任务时，处理结果达到最优的模型。
步骤S304、通过与目标卷积神经网络模型匹配的卷积神经网络单元运行目标卷积神经网络模型，得到处理结果。
在本申请实施例中，处理任务可以包括但不限于分类结果。
在一个实施例中，在卷积神经网络模型的结构与卷积神经网络单元的结构一致的情况下，确定卷积神经网络模型与卷积神经网络单元匹配。在这种方式中，由于卷积神经网络模型的结构与卷积神经网络单元的结构一致，可以提高卷积神经网络单元运行卷积神经网络模型的速度。
在一个实施例中，在卷积神经网络模型中所包含的卷积核的类型与卷积神经网络单元中所包含的卷积单元的类型一致的情况下，确定卷积神经网络模型与卷积神经网络单元匹配。例如，卷积神经网络模型中包含1*1卷积核和3*3 卷积核，卷积神经网络单元中包含1*1卷积单元和3*3卷积单元，此时，卷积神经网络模型与卷积神经网络单元匹配。从而在实际运算中，1*1卷积单元实现 1*1卷积核的运算，3*3卷积单元实现3*3卷积核运算。以这种方式中，由于卷积神经网络模型中所包含的卷积核的类型与卷积神经网络单元中所包含的卷积单元的类型一致，可以提高卷积神经网络单元运行卷积神经网络模型的速度。
在一个实施例中，在卷积神经网络模型中所包含的卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第一值的情况下，确定卷积神经网络模型与卷积神经网络单元匹配。例如，卷积神经网络模型中包含3 个卷积层，卷积神经网络单元中包含3个卷积单元，此时，卷积神经网络模型与卷积神经网络单元匹配。从而可以使得一个卷积单元实现一个卷积层的运算，由于一个卷积层的运算可以以一个权重矩阵的方式进行，以这种方式，可以提高卷积神经网络单元运行卷积神经网络模型的速度。
在一个实施例中，在卷积神经网络模型所包含的关键卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第二值的情况下，确定卷积神经网络模型与卷积神经网络单元匹配。
在本申请中，将卷积神经网络模型对待处理任务进行处理的过程描述为卷积神经网络模型的决策过程。卷积层可以包括很多个卷积算子，卷积算子也称为核，卷积算子本质上可以是一个权重矩阵。权重矩阵中各个元素的数值大小可解释为各个元素对应的输入对决策过程的影响程度。即：元素的数值越大，该元素对应的输入对决策过程的影响越大，未得到的分类结果的贡献越大。这里，关键卷积层是指该卷积层的权重矩阵中各个元素的数值均大于预设阈值。
需要说明的是，上述第一值、第二值可以为0，也可以为其他数值，此处不多加限定。
步骤S305、将用户终端发起的待处理任务分配至与处理结果匹配的执行者。
例如，在待处理任务为入职任务的情况下，该执行者为企业的人力资源；在待处理任务为财务报销任务的情况下，该执行者为企业的财务工作者；在待处理任务为在线打印任务的情况下，该执行者可以为企业的前台。
步骤S306、向用户终端发送执行者针对待处理任务的操作结果。
在本申请中，执行者针对待处理任务的操作结果可以包括但不限于：通过该待处理任务；退回该待处理任务；驳回该待处理任务。
步骤S307、用户终端获取操作结果。
可以理解的是，通过本申请所公开的发明构思，面对大量用户终端发起的待处理任务，企业智慧平台在确定处理待处理任务的目标神经网络模型时，考虑了自身的资源变化，例如，基于在当前时刻下的剩余计算资源确定目标神经网络模型。由于目标神经网络模型为基于企业智慧平台在当前时刻下的剩余计算资源能够满足在处理待处理任务时，处理结果达到最优的模型，以这种方式可以保证处理结果的准确性。此外，由于可以通过与目标卷积神经网络模型匹配的卷积神经网络单元运行目标卷积神经网络模型，可以加快处理待处理任务时的速度。
为了便于更好的实施本申请实施例的上述方法，本申请实施例还描述了与上述图3所述的方法实施例属于同一发明构思下的一种企业智慧平台的结构示意图。其中，企业智慧平台配置有多种类型的卷积神经网络单元；每种类型的卷积神经网络单元包括至少一种类型的卷积单元、池化单元和全连接网络单元，卷积神经网络单元用于执行与之匹配的卷积神经网络模型。如图4所示，该企业智慧平台40可以包括：
获取单元400，用于获取用户终端发起的待处理任务；
第一处理单元402，用于基于所述企业智慧平台在当前时刻下的剩余计算资源确定目标神经网络模型；其中，所述目标神经网络模型为基于所述企业智慧平台在当前时刻下的剩余计算资源能够满足在处理所述待处理任务时，处理结果达到最优的模型；
第二处理单元404，用于通过与所述目标卷积神经网络模型匹配的卷积神经网络单元运行所述目标卷积神经网络模型，得到处理结果；
第三处理单元406，用于将所述用户终端发起的待处理任务分配至与所述处理结果匹配的执行者。
可以理解的是，本实施例的企业智慧平台40的功能单元的功能可根据上述图3所示方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
参见图5，本申请实施例还描述了与上述图 2a-2c 所述方法实施例属于同一发明构思下的一种用户终端50的结构示意图，包括：
发送单元500，用于向企业智慧平台发起待处理任务；
接收单元502，用于获取执行者针对所述待处理任务的操作结果。
可以理解的是，本实施例的用户终端50的各功能单元的功能可根据上述图 3所示方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
为了便于更好地实施本申请实施例的上述方案，本申请还对应提供了另一种企业智慧平台，下面结合附图来进行详细说明：
如图6示出的本申请实施例提供的企业智慧平台的结构示意图，其中，所述企业智慧平台配置有多种类型的卷积神经网络单元；每种类型的卷积神经网络单元包括至少一种类型的卷积单元、池化单元和全连接网络单元，所述卷积神经网络单元用于执行与之匹配的卷积神经网络模型。企业智慧平台60可以包括处理器601、存储器604和通信模块605，处理器601、存储器604和通信模块605可以通过总线606相互连接。存储器604可以是高速随机存储记忆体 (Random Access Memory，RAM)存储器，也可以是非易失性的存储器 (non-volatile memory)，例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储系统。存储器604用于存储应用程序代码，可以包括操作系统、网络通信模块、用户接口模块以及数据处理程序，通信模块605用于与外部设备进行信息交互；处理器601被配置用于调用该程序代码，执行以下步骤：
获取用户终端发起的待处理任务；
基于所述企业智慧平台在当前时刻下的剩余计算资源确定目标神经网络模型；其中，所述目标神经网络模型为基于所述企业智慧平台在当前时刻下的剩余计算资源能够满足在处理所述待处理任务时，处理结果达到最优的模型；
通过与所述目标卷积神经网络模型匹配的卷积神经网络单元运行所述目标卷积神经网络模型，得到处理结果；
将所述用户终端发起的待处理任务分配至与所述处理结果匹配的执行者。
其中，在卷积神经网络模型的结构与卷积神经网络单元的结构一致的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
其中，在卷积神经网络模型中所包含的卷积核的类型与卷积神经网络单元中所包含的卷积单元的类型一致的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
其中，在卷积神经网络模型中所包含的卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第一值的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
其中，在卷积神经网络模型中所包含的关键卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第二值的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
其中，所述每种类型的卷积神经网络单元还包括信号连接单元；
所述信号连接单元分别与所述卷积单元、所述池化单元和所述激活函数单元连接，用于按照预设的信号输入输出关系，将所述至少一种类型的卷积单元、所述池化单元和所述全连接网络单元配置为卷积神经网络单元。
需要说明的是，本申请实施例中的企业智慧平台60中处理器的执行步骤可参考上述各方法实施例中图3实施例中的企业智慧平台运行的具体实现方式，这里不再赘述。
应理解，本申请实施例提供的方法可以适用的应用场景只是作为一种示例，实际应用中并不限于此。
还应理解，本申请中涉及的第一、第二、第三以及各种数字编号仅仅为描述方便进行的区分，并不用来限制本申请的范围。
应理解，本申请中术语“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，本申请中字符“/”，一般表示前后关联对象是一种“或”的关系。
此外，在本申请的各个实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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申请的范围。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块和单元的划分，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。
所述作为分离部件说明的单元可以是物理上分开的，也可以不是物理上分开的，作为单元显示的部件可以是物理单元，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网络单元上。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申请实施例方案的目的。
此外，在本申请各个实施例中所涉及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，本申请对此不作限定。
本申请实施例还提供了另一种计算机存储介质，用于储存为上述图5所述的企业智慧平台所用的计算机软件指令，其包含用于执行上述方法实施例所设计的程序。通过执行存储的程序，可以完成对待处理任务的处理。
本申请实施例还提供了一种计算机存储介质，用于存储为上述图6所示的用户终端所用的计算机软件指令，其包含用于执行上述方法实施例所设计的程序。通过执行存储的程序，可以完成对待处理任务的处理。
再者上述装置的各组成模块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，可以存储在所述计算机可读取存储介质中，基于这样的理解，本申请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，该计算机产品存储在计算机可读存储介质中。
上述计算机可读存储介质可以是前述实施例所述的企业智慧平台的内部存储单元，例如硬盘或内存。上述计算机可读存储介质也可以是上述企业智慧平台的外部存储设备，例如配备的插接式硬盘，智能存储卡(Smart Media Card, SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，上述计算机可读存储介质还可以既包括上述企业智慧平台的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述企业智慧平台所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可通过计算机程序来指令相关的硬件来完成，该计算机的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (8)
1.一种企业智慧平台的信息管理方法，其特征在于，所述企业智慧平台配置有多种类型的卷积神经网络单元；每种类型的卷积神经网络单元包括至少一种类型的卷积单元、池化单元和全连接网络单元，所述卷积神经网络单元用于执行与之匹配的卷积神经网络模型；所述每种类型的卷积神经网络单元还包括信号连接单元；所述信号连接单元分别与所述卷积单元、所述池化单元和激活函数单元连接，用于按照预设的信号输入输出关系，将所述至少一种类型的卷积单元、所述池化单元和所述全连接网络单元配置为卷积神经网络单元；所述预设的信号输入输出关系为卷积神经网络模型中各个层之间的输入输出关系；所述方法包括：
获取用户终端发起的待处理任务；
基于所述企业智慧平台在当前时刻下的剩余计算资源确定目标神经网络模型；其中，所述目标神经网络模型为基于所述企业智慧平台在当前时刻下的剩余计算资源能够满足在处理所述待处理任务时，处理结果达到最优的模型；
通过与所述目标卷积神经网络模型匹配的卷积神经网络单元运行所述目标卷积神经网络模型，得到处理结果；
将所述用户终端发起的待处理任务分配至与所述处理结果匹配的执行者。
2.如权利要求1所述的方法，其特征在于，在卷积神经网络模型的结构与卷积神经网络单元的结构一致的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
3.如权利要求1所述的方法，其特征在于，在卷积神经网络模型中所包含的卷积核的类型与卷积神经网络单元中所包含的卷积单元的类型一致的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
4.如权利要求1所述的方法，其特征在于，在卷积神经网络模型中所包含的卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第一值的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
5.如权利要求1所述的方法，其特征在于，在卷积神经网络模型中所包含的关键卷积层的数量与卷积神经网络单元中所包含的卷积单元的数量之间的差值小于第二值的情况下，确定所述卷积神经网络模型与所述卷积神经网络单元匹配。
6.一种企业智慧平台，其特征在于，所述企业智慧平台配置有多种类型的卷积神经网络单元；每种类型的卷积神经网络单元包括至少一种类型的卷积单元、池化单元和全连接网络单元，所述卷积神经网络单元用于执行与之匹配的卷积神经网络模型；所述企业智慧平台包括：
获取单元，用于获取用户终端发起的待处理任务；
第一处理单元，用于基于所述企业智慧平台在当前时刻下的剩余计算资源确定目标神经网络模型；其中，所述目标神经网络模型为基于所述企业智慧平台在当前时刻下的剩余计算资源能够满足在处理所述待处理任务时，处理结果达到最优的模型；
第二处理单元，用于通过与所述目标卷积神经网络模型匹配的卷积神经网络单元运行所述目标卷积神经网络模型，得到处理结果；
第三处理单元，用于将所述用户终端发起的待处理任务分配至与所述处理结果匹配的执行者；
所述每种类型的卷积神经网络单元还包括信号连接单元；所述信号连接单元分别与所述卷积单元、所述池化单元和激活函数单元连接，用于按照预设的信号输入输出关系，将所述至少一种类型的卷积单元、所述池化单元和所述全连接网络单元配置为卷积神经网络单元；所述预设的信号输入输出关系为卷积神经网络模型中各个层之间的输入输出关系。
7.一种企业智慧平台，其特征在于，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210319847.0A CN114707954B (zh) | 2022-03-29 | 2022-03-29 | 企业智慧平台的信息管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210319847.0A CN114707954B (zh) | 2022-03-29 | 2022-03-29 | 企业智慧平台的信息管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114707954A CN114707954A (zh) | 2022-07-05 |
| CN114707954B true CN114707954B (zh) | 2023-03-28 |
Family
ID=82170233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210319847.0A Active CN114707954B (zh) | 2022-03-29 | 2022-03-29 | 企业智慧平台的信息管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114707954B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110750342B (zh) * | 2019-05-23 | 2020-10-09 | 北京嘀嘀无限科技发展有限公司 | 调度方法、装置、电子设备及可读存储介质 |
| CN110413396B (zh) * | 2019-07-30 | 2022-02-15 | 广东工业大学 | 一种资源调度方法、装置、设备及可读存储介质 |
| CN113608852B (zh) * | 2021-08-03 | 2024-07-16 | 中国科学技术大学 | 任务调度方法、调度模块、推理节点和协同作业系统 |
-
2022
- 2022-03-29 CN CN202210319847.0A patent/CN114707954B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114707954A (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3690763A1 (en) | Machine learning model training method and device, and electronic device | |
| WO2020207445A1 (zh) | 一种基于区块链的事件订阅方法及装置 | |
| CN107015853A (zh) | 多阶段任务的实现方法和装置 | |
| CN111031133B (zh) | 业务引擎的运行方法和装置、存储介质、电子装置 | |
| CN107766900A (zh) | 一种打印条码的方法、系统及自动化工具 | |
| CN110188135A (zh) | 文件生成方法及设备 | |
| CN104750522A (zh) | 任务或流程的动态执行方法和系统 | |
| CN107528912A (zh) | 一种自动实现分布式事务处理的方法、系统及相关装置 | |
| CN113052696A (zh) | 金融业务任务处理方法、装置、计算机设备和存储介质 | |
| US11727119B2 (en) | Migration risk assessment, recommendation, and implementation | |
| CN107195144A (zh) | 管理支付终端硬件模块的方法、装置及计算机可读存储介质 | |
| CN104408580A (zh) | 一种用于会签平台的轻量级工作流引擎及其实现方法 | |
| CN107479870A (zh) | 一种第三方类库调用方法、装置、移动终端及存储介质 | |
| Ray et al. | Move Beyond RPA to Deliver Hyperautomation | |
| US20090024424A1 (en) | System and method for dynamic linking of business processes | |
| CN114707954B (zh) | 企业智慧平台的信息管理方法及系统 | |
| CN112507323A (zh) | 基于单向网络的模型训练方法、装置和计算设备 | |
| CN113792033A (zh) | 一种基于Spark的数据质量核查方法、装置、存储介质及终端 | |
| CN111353766A (zh) | 分布式业务系统的业务流程处理系统及方法 | |
| CN113196232A (zh) | 神经网络调度方法、装置、计算机设备及可读存储介质 | |
| CN116596455A (zh) | 工单处理方法、装置、服务器及计算机可读存储介质 | |
| CN110489151A (zh) | 一种终端升级方法及系统 | |
| CN115641166A (zh) | 虚拟资源分配策略创建方法和系统 | |
| CN115185625A (zh) | 基于可配置卡片的自推荐式界面更新方法及其相关设备 | |
| CN113592441A (zh) | 一种基于rpa的网银智能管理方法、系统及存储介质 |
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 |