CN114997329A - 用于生成模型的方法、装置、设备、介质和产品 - Google Patents
用于生成模型的方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN114997329A CN114997329A CN202210706474.2A CN202210706474A CN114997329A CN 114997329 A CN114997329 A CN 114997329A CN 202210706474 A CN202210706474 A CN 202210706474A CN 114997329 A CN114997329 A CN 114997329A
- Authority
- CN
- China
- Prior art keywords
- module
- configuration information
- model
- algorithm
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 161
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000011156 evaluation Methods 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
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 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
- 238000012546 transfer 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Stored Programmes (AREA)
Abstract
本公开提供了用于生成模型的方法、装置、设备、介质和产品，涉及人工智能技术领域，尤其涉及深度学习技术领域。具体实现方案为：获取应用场景信息；确定与应用场景信息相匹配的模型配置信息；基于模型配置信息，确定各个算法模块之间的模块依赖关系；基于模块依赖关系和各个算法模块，生成与应用场景信息相匹配的目标模型。本实现方式可以基于模型配置信息自动生成不同应用场景下的模型，从而提高了模型生成效率。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习技术领域，具体涉及一种用于生成模型的方法、装置、设备、介质和产品。
背景技术
目前，深度学习已经广泛应用于各类应用场景，如物体检测、实例分割、图像分类、语义分割等。
现在对于不同应用场景下的模型生成，需要针对性开发各个算法模块，从而导致模型生成的效率较低。
发明内容
本公开提供了一种用于生成模型的方法、装置、设备、介质和产品。
根据本公开的一方面，提供了一种用于生成模型的方法，包括：获取应用场景信息；确定与应用场景信息相匹配的模型配置信息；基于模型配置信息，确定各个算法模块之间的模块依赖关系；基于模块依赖关系和各个算法模块，生成与应用场景信息相匹配的目标模型。
根据本公开的另一方面，提供了一种用于生成模型的装置，包括：场景获取单元，被配置成获取应用场景信息；配置确定单元，被配置成确定与应用场景信息相匹配的模型配置信息；依赖确定单元，被配置成基于模型配置信息，确定各个算法模块之间的模块依赖关系；模型生成单元，被配置成基于模块依赖关系和各个算法模块，生成与应用场景信息相匹配的目标模型。
根据本公开的另一方面，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项用于生成模型的方法。
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，计算机指令用于使计算机执行如上任意一项用于生成模型的方法。
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，计算机程序在被处理器执行时实现如上任意一项用于生成模型的方法。
根据本公开的技术，提供一种用于生成模型的方法，能够提高模型生成效率。
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是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于生成模型的方法的一个实施例的流程图；
图3是根据本公开的用于生成模型的方法的一个应用场景的示意图；
图4是根据本公开的用于生成模型的方法的另一个实施例的流程图；
图5是根据本公开的用于生成模型的装置的一个实施例的结构示意图；
图6是用来实现本公开实施例的用于生成模型的方法的电子设备的框图。
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，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
如图1所示，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、无线通信链路或者光纤电缆等等。
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可以通过网络104向服务器105发送需要生成模型的应用场景信息，以使服务器105基于应用场景信息自动调用通用的算法模块，生成适配于应用场景信息的目标模型，并通过网络104将目标模型返回给终端设备101、102、103。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于手机、电脑、平板等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如，服务器105可以接收终端设备101、102、103通过网络104发送的应用场景信息，并确定与应用场景信息相匹配的模型配置信息，以及，基于模型配置信息确定各个算法模块之间的模块依赖关系，并基于模块依赖关系和各个算法模块生成目标模型，将目标模型通过网络104返回给终端设备101、102、103。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的用于生成模型的方法可以由终端设备101、102、103执行，也可以由服务器105执行，用于生成模型的装置可以设置于终端设备101、102、103，也可以设置于服务器105中，本公开实施例对此不做限定。
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。
继续参考图2，示出了根据本公开的用于生成模型的方法的一个实施例的流程200。本实施例的用于生成模型的方法，包括以下步骤：
步骤201，获取应用场景信息。
在本实施例中，执行主体(如图1中的服务器105或者终端设备101、102、103)可以获取需要生成深度学习模型的应用场景信息，其中，应用场景信息可以为描述需要生成深度学习模型的应用场景的各类信息，其中，应用场景可以包括但不限于物体检测场景、实例分割场景、图像分类场景、语义分割场景等，本实施例中对此不做限定。
步骤202，确定与应用场景信息相匹配的模型配置信息。
在本实施例中，执行主体可以预先建立各类应用场景信息与模型配置信息之间的对应关系，在建模阶段，执行主体可以基于该对应关系，确定与应用场景信息相匹配的模型配置信息。其中，模型配置信息用于描述上述应用场景下对应的深度学习模型的配置的信息。并且，这里的模型配置信息可以包括算法模块、算法模块之间的依赖关系以及算法运行环境。其中，算法模块可以为预先开发的、用于实现特定功能的通用模块，算法模块之间的依赖关系用于描述各个算法模块之间的数据依赖，算法运行环境为与应用场景信息相匹配的、各个算法模块的运行环境。
在本实施例的一些可选的实现方式中，确定与应用场景信息相匹配的模型配置信息可以包括：对应用场景信息进行分析，得到应用场景标识；从预设的模型配置信息库中，查找与应用场景标识相匹配的模型配置信息。在这种可选的实现方式中，可以基于应用场景标识建立应用场景信息与模型配置信息之间的对应关系，从而能够提高模型配置信息的确定效率。
步骤203，基于模型配置信息，确定各个算法模块之间的模块依赖关系。
在本实施例中，执行主体可以基于模型配置信息，确定与应用场景信息相匹配的各个算法模块之间的模块依赖关系。具体的，执行主体可以基于模型配置信息，对各个算法模块之间的数据流动关系进行分析，基于各个算法模块的输入路径和输出路径，构建上述依赖关系。又或者，模型配置信息中也可以包含各个算法模块之间的模块依赖关系，执行主体可以直接对模型配置信息进行分析，得到上述模块依赖关系。
在本实施例的一些可选的实现方式中，基于模型配置信息，确定各个算法模块之间的模块依赖关系可以包括：从模型配置信息中确定各个算法模块的输入路径和输出路径；提取至少一组关联算法模块，其中，关联算法模块包含第一算法模块和第二算法模块，且第一算法模块的输入路径为第二算法模块的输出路径；建立各组关联算法模块之间的依赖关系，得到上述模块依赖关系。通过实施这种可选的实现方式，能够基于各个算法模块之间的数据流动关系建立模块依赖关系，提高了模块依赖关系的确定精准度。
步骤204，基于模块依赖关系和各个算法模块，生成与应用场景信息相匹配的目标模型。
在本实施例中，执行主体可以按照模块依赖关系，依序执行各个算法模块，生成与应用场景信息相匹配的目标模型。具体的，执行主体可以基于模块依赖关系，确定各个算法模块之间的执行顺序；之后，执行主体可以基于该执行顺序，依序执行各个算法模块，得到目标模型。例如，执行主体可以基于该执行顺序，依序执行数据格式转换算法模块、数据处理算法模块、模型训练算法模块、模型评估算法模块，得到目标模型。可选的，执行主体还可以在生成目标模型之后，运行该目标模型，实现不同应用场景下的不同使用需求。
继续参见图3，其示出了根据本公开的用于生成模型的方法的一个应用场景的示意图。在图3的应用场景中，执行主体可以先获取需要生成模型的物体检测场景301，之后，再确定与物体检测场景301相匹配的模型配置信息302。基于对模型配置信息302进行分析，得到模块依赖关系303。在本示例中，模块依赖关系301指示算法模块1的输出数据是算法模块2、3的输入数据，算法模块2、3的输出数据是算法模块4的输入数据。执行主体基于模块依赖关系，可以确定各个算法模块之间的执行顺序为先执行算法模块1，再并行执行算法模块2、3，再执行算法模块4。执行主体可以按照该执行顺序执行各个算法模块，得到与物体检测场景相匹配的物体检测模型304。其中，与物体检测相对应的算法模块可以至少包括物体检测模型训练模块。在得到物体检测模型304之后，执行主体可以获取需要进行物体检测的图像，再将该图像输入物体检测模型304，得到物体检测模型304输出的标注物体后的图像。
本公开上述实施例提供的用于生成模型的方法，能够基于模型配置信息自动生成不同应用场景下的模型，从而提高了模型生成效率。
继续参见图4，其示出了根据本公开的用于生成模型的方法的另一个实施例的流程400。如图4所示，本实施例的用于生成模型的方法可以包括以下步骤：
步骤401，获取应用场景信息。
在本实施例中，对于步骤401的详细描述请参照对于步骤201的详细描述，在此不再赘述。
步骤402，获取与应用场景信息相匹配的各个算法模块。
在本实施例中，执行主体(如图1中的服务器105或者终端设备101、102、103)可以先获取需要构建模型配置信息的应用场景信息，其中，关于应用场景信息的详细描述请参照对于步骤201的详细描述，在此不再赘述。
并且，在获取应用场景信息之后，执行主体可以获取与应用场景信息相匹配的各个算法模块。其中，执行主体可以预先存储有通用算法模块数据库，通用算法模块数据库中包含多个通用的算法模块。在获取与应用场景信息相匹配的各个算法模块的情况下，执行主体可以从通用算法模块数据库中确定适用于该应用场景信息的各个算法模块。
步骤403，对于每个算法模块，确定该算法模块对应的模块配置信息。
在本实施例中，在得到上述各个算法模块之后，执行主体可以对每个算法模块，确定相对应的模块配置信息。其中，模块配置信息用于描述算法模块的模块配置，可以包括但不限于模块功能描述、模块配置参数、模块的数据输入输出路径、模块启动命令等。其中，模块功能描述用于描述该算法模块能够实现的功能，如数据处理功能、数据拆分功能等。模块配置参数用于描述模块中的数据配置情况，如是否去除无效数据、数据集拆分比例等。模块的数据输入输出路径用于描述算法模块的数据输入路径和数据输出路径，能够用来确定模块之间的模块依赖关系。模块启动命令能够用于启动算法模块。
步骤404，基于各个模块配置信息，生成模型配置信息。
在本实施例中，执行主体可以基于各个模块配置信息，确定模块依赖关系，再按照模块依赖关系将各个模块配置信息进行排序，生成模型配置信息。其中，模型配置信息可以包含排序后的模块配置信息，可选的，模型配置信息还可以包含算法模块对应的算法运行环境、应用场景标识等，本实施例对此不做限定。
在本实施例的一些可选的实现方式中，模块配置信息至少包括数据输入路径和数据输出路径；以及，基于各个模块配置信息，生成模型配置信息，包括：基于每个算法模块的数据输入路径和数据输出路径，将各个模块配置信息进行排序，得到模型配置信息。
在本实现方式中，执行主体可以基于各个模块配置信息，确定各个算法模块的数据输入路径和数据输出路径。以及，基于数据输入路径和数据输出路径，确定各个算法模块之间的执行顺序。以及，基于该执行顺序将各个模块配置信息进行排序，得到模型配置信息。
在本实施例的另一些可选的实现方式中，基于每个算法模块的数据输入路径和数据输出路径，将各个模块配置信息进行排序，得到模型配置信息，包括：基于每个算法模块的数据输入路径和数据输出路径，将各个模块配置信息进行排序，得到排序后的模块配置信息；基于排序后的模块配置信息、预设的运行环境信息和/或应用场景信息对应的应用场景标识，生成模型配置信息。
在本实现方式中，执行主体可以基于每个算法模块的数据输入路径和数据输出路径，确定各个算法模块之间的数据流动关系，从而基于该数据流动关系对各个算法模块对应的各个模块配置信息进行排序，从而得到排序后的模块配置信息。并且，执行主体还可以预先存储与应用场景信息对应的应用场景标识，以及与各个算法模块对应的运行环境信息。之后，执行主体可以将排序后的模块配置信息、预设的运行环境信息以及预设的应用场景标识整合生成模型配置信息。
可选的，基于排序后的模块配置信息、预设的运行环境信息以及预设的应用场景标识，生成模型配置信息可以包括：将预设的运行环境信息以及预设的应用场景标识，插入排序后的模块配置信息中的指定位置，得到模型配置信息。其中，指定位置可以为排序后的模块配置信息的最前端、排序后的模块配置信息的最后端、排序后的模块配置信息的中间指定行数等，本实施例对此不做限定。
可选的，执行主体可以通过步骤401至步骤403实现模型配置信息的生成，之后，执行主体可以将生成的模型配置信息存储至预先设置好的数据库中，以便后续从数据库中调用模型配置信息。
步骤405，通过预设的数据库接口，从数据库中获取模型配置信息。
在本实施例中，预设的数据库接口可以为预先设置的、能够接入上述数据库的接口。执行主体在确定出模型配置信息之后，可以从上述数据库中获取模型配置信息，以实现基于模型配置信息快速生成与应用场景信息相匹配的目标模型。
步骤406，基于对模型配置信息进行解析，得到各个算法模块之间的模块依赖关系。
在本实施例中，对于步骤406的详细描述请参照对于步骤203的详细描述，在此不再赘述。
步骤407，基于模块依赖关系，确定各个算法模块的模块执行顺序。
在本实施例中，各个算法模块至少包括模型训练算法模块。可选的，各个算法模块还可以包括数据格式转换算法模块、数据处理算法模块、模型训练算法模块、模型评估算法模块、在线预测算法模块等，本实施例对此不做限定。
其中，执行主体可以对模块依赖关系进行分析，得到各个算法模块之间的数据流动关系，基于该数据流动关系确定得到各个算法模块的模块执行顺序，如模块执行顺序可以为串行执行上述的数据格式转换算法模块、数据处理算法模块、模型训练算法模块、模型评估算法模块、在线预测算法模块。
步骤408，按照模块执行顺序，依序执行各个算法模块对应的算法，得到与应用场景信息相匹配的目标模型。
在本实施例中，执行主体可以按照上述模块执行顺序，依序执行上述的各个算法模块对应的算法，生成与应用场景信息相匹配的目标模型。可选的，在模型配置信息还包括算法运行环境的情况下，执行主体可以在该算法运行环境中，依序执行上述的各个算法模块，生成与应用场景信息相匹配的目标模型。
在本实施例的一些可选的实现方式中，按照模块执行顺序，依序执行各个算法模块，得到与应用场景信息相匹配的目标模型可以包括：按照模块执行顺序，依序从预设的算法路径中调用并执行上述的各个算法模块，其中，预设的算法路径中存储有上述的各个算法模块对应的算法源码。以及，在从算法路径中调用每个算法模块时，执行主体可以通过超文本传输协议将各个算法模块对应的数据输入路径、数据输出路径、模块启动命令等参数传递给算法模块，以使算法模块有序执行，生成目标模型。
本公开上述实施例提供的用于生成模型的方法，还可以在模型配置信息生成阶段，基于各个通用算法模块的模块配置信息，生成模型配置信息，由于模型配置信息包含了各个模块配置信息之间的顺序关系，因而采用这种方式生成的模型配置信息能够较为精准地反映各个算法模块之间的模块依赖关系，提高了模型配置信息的生成精准度。并且，通过模块依赖关系依序执行各个算法模块，能够降低各个算法模块之间的耦合程度，算法模块可复用性更强。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于终端设备、服务器等电子设备中。
如图5所示，本实施例的用于生成模型的装置500包括：场景获取单元501、配置确定单元502、依赖确定单元503和模型生成单元504。
场景获取单元501，被配置成获取应用场景信息。
配置确定单元502，被配置成确定与应用场景信息相匹配的模型配置信息。
依赖确定单元503，被配置成基于模型配置信息，确定各个算法模块之间的模块依赖关系。
模型生成单元504，被配置成基于模块依赖关系和各个算法模块，生成与应用场景信息相匹配的目标模型。
在本实施例的一些可选的实现方式中，各个算法模块至少包括模型训练算法模块；以及，模型生成单元504进一步被配置成：基于模块依赖关系，确定各个算法模块的模块执行顺序；按照模块执行顺序，依序执行各个算法模块对应的算法，得到与应用场景信息相匹配的目标模型。
在本实施例的一些可选的实现方式中，还包括：配置确定单元502进一步被配置成获取与应用场景信息相匹配的各个算法模块；对于每个算法模块，确定该算法模块对应的模块配置信息；基于各个模块配置信息，生成模型配置信息。
在本实施例的一些可选的实现方式中，模块配置信息至少包括数据输入路径和数据输出路径；以及，配置确定单元502进一步被配置成：基于每个算法模块的数据输入路径和数据输出路径，将各个模块配置信息进行排序，得到模型配置信息。
在本实施例的一些可选的实现方式中，配置确定单元502进一步被配置成：基于每个算法模块的数据输入路径和数据输出路径，将各个模块配置信息进行排序，得到排序后的模块配置信息；基于排序后的模块配置信息、预设的运行环境信息和/或应用场景信息对应的应用场景标识，生成模型配置信息。
在本实施例的一些可选的实现方式中，还包括：存储单元，被配置成将模型配置信息存储至数据库。
在本实施例的一些可选的实现方式中，其中，依赖确定单元503进一步被配置成：通过预设的数据库接口，从数据库中获取模型配置信息；基于对模型配置信息进行解析，得到各个算法模块之间的模块依赖关系。
应当理解，用于生成模型的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于生成模型的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。
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。
图6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如用于生成模型的方法。例如，在一些实施例中，用于生成模型的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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的用于生成模型的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于生成模型的方法。
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，也可以为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 (15)
1.一种用于生成模型的方法，包括：
获取应用场景信息；
确定与所述应用场景信息相匹配的模型配置信息；
基于所述模型配置信息，确定各个算法模块之间的模块依赖关系；
基于所述模块依赖关系和所述各个算法模块，生成与所述应用场景信息相匹配的目标模型。
2.根据权利要求1所述的方法，其中，所述各个算法模块至少包括模型训练算法模块；以及
所述基于所述模块依赖关系和所述各个算法模块，生成与所述应用场景信息相匹配的目标模型，包括：
基于所述模块依赖关系，确定所述各个算法模块的模块执行顺序；
按照所述模块执行顺序，依序执行所述各个算法模块对应的算法，得到与所述应用场景信息相匹配的目标模型。
3.根据权利要求1所述的方法，其中，所述确定与所述应用场景信息相匹配的模型配置信息，包括：
获取与所述应用场景信息相匹配的所述各个算法模块；
对于每个算法模块，确定该算法模块对应的模块配置信息；
基于各个所述模块配置信息，生成所述模型配置信息。
4.根据权利要求3所述的方法，其中，所述模块配置信息至少包括数据输入路径和数据输出路径；以及
所述基于各个所述模块配置信息，生成所述模型配置信息，包括：
基于每个算法模块的数据输入路径和数据输出路径，将各个所述模块配置信息进行排序，得到所述模型配置信息。
5.根据权利要求4所述的方法，其中，所述基于每个算法模块的数据输入路径和数据输出路径，将各个所述模块配置信息进行排序，得到所述模型配置信息，包括：
基于每个算法模块的数据输入路径和数据输出路径，将各个所述模块配置信息进行排序，得到排序后的模块配置信息；
基于所述排序后的模块配置信息、预设的运行环境信息和所述应用场景信息对应的应用场景标识，生成所述模型配置信息。
6.根据权利要求1所述的方法，其中，所述基于所述模型配置信息，确定各个算法模块之间的模块依赖关系，包括：
通过预设的数据库接口，从数据库中获取所述模型配置信息；
基于对所述模型配置信息进行解析，得到所述各个算法模块之间的所述模块依赖关系。
7.一种用于生成模型的装置，包括：
场景获取单元，被配置成获取应用场景信息；
配置确定单元，被配置成确定与所述应用场景信息相匹配的模型配置信息；
依赖确定单元，被配置成基于所述模型配置信息，确定各个算法模块之间的模块依赖关系；
模型生成单元，被配置成基于所述模块依赖关系和所述各个算法模块，生成与所述应用场景信息相匹配的目标模型。
8.根据权利要求7所述的装置，其中，所述各个算法模块至少包括模型训练算法模块；以及
所述模型生成单元进一步被配置成：
基于所述模块依赖关系，确定所述各个算法模块的模块执行顺序；
按照所述模块执行顺序，依序执行所述各个算法模块对应的算法，得到与所述应用场景信息相匹配的目标模型。
9.根据权利要求7所述的装置，其中，所述配置确定单元进一步被配置成：
获取与所述应用场景信息相匹配的所述各个算法模块；对于每个算法模块，确定该算法模块对应的模块配置信息；基于各个所述模块配置信息，生成所述模型配置信息。
10.根据权利要求9所述的装置，其中，所述模块配置信息至少包括数据输入路径和数据输出路径；以及
所述配置确定单元进一步被配置成：
基于每个算法模块的数据输入路径和数据输出路径，将各个所述模块配置信息进行排序，得到所述模型配置信息。
11.根据权利要求10所述的装置，其中，所述配置确定单元进一步被配置成：
基于每个算法模块的数据输入路径和数据输出路径，将各个所述模块配置信息进行排序，得到排序后的模块配置信息；
基于所述排序后的模块配置信息、预设的运行环境信息和所述应用场景信息对应的应用场景标识，生成所述模型配置信息。
12.根据权利要求7所述的装置，其中，所述依赖确定单元进一步被配置成：
通过预设的数据库接口，从数据库中获取所述模型配置信息；
基于对所述模型配置信息进行解析，得到所述各个算法模块之间的所述模块依赖关系。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
15.一种计算机程序产品，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1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210706474.2A CN114997329A (zh) | 2022-06-21 | 2022-06-21 | 用于生成模型的方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210706474.2A CN114997329A (zh) | 2022-06-21 | 2022-06-21 | 用于生成模型的方法、装置、设备、介质和产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114997329A true CN114997329A (zh) | 2022-09-02 |
Family
ID=83036265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210706474.2A Pending CN114997329A (zh) | 2022-06-21 | 2022-06-21 | 用于生成模型的方法、装置、设备、介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997329A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024140353A1 (zh) * | 2022-12-27 | 2024-07-04 | 华为技术有限公司 | 模型使用方法及相关设备 |
| CN118674075A (zh) * | 2024-07-30 | 2024-09-20 | 中电科东方通信集团有限公司 | 一种机器学习模型的生成方法、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180121783A1 (en) * | 2016-10-31 | 2018-05-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Semantic analysis method and apparatus based on artificial intelligence |
| CN111639859A (zh) * | 2020-06-01 | 2020-09-08 | 腾讯科技（深圳）有限公司 | 人工智能ai解决方案的模板生成方法和装置及存储介质 |
| CN112052027A (zh) * | 2019-06-06 | 2020-12-08 | 阿里巴巴集团控股有限公司 | 一种处理ai任务的方法及装置 |
| CN112149838A (zh) * | 2020-09-03 | 2020-12-29 | 第四范式（北京）技术有限公司 | 实现自动构建模型的方法、装置、电子设备和存储介质 |
| US20210334700A1 (en) * | 2020-04-22 | 2021-10-28 | Qpiai India Private Limited | System and method of creating artificial intelligence model, machine learning model or quantum model generation framework |
| WO2022000802A1 (zh) * | 2020-06-29 | 2022-01-06 | 北京百度网讯科技有限公司 | 深度学习模型的适配方法、装置及电子设备 |
| CN114202027A (zh) * | 2021-12-10 | 2022-03-18 | 北京百度网讯科技有限公司 | 执行配置信息的生成方法、模型训练方法和装置 |
-
2022
- 2022-06-21 CN CN202210706474.2A patent/CN114997329A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180121783A1 (en) * | 2016-10-31 | 2018-05-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Semantic analysis method and apparatus based on artificial intelligence |
| CN112052027A (zh) * | 2019-06-06 | 2020-12-08 | 阿里巴巴集团控股有限公司 | 一种处理ai任务的方法及装置 |
| US20210334700A1 (en) * | 2020-04-22 | 2021-10-28 | Qpiai India Private Limited | System and method of creating artificial intelligence model, machine learning model or quantum model generation framework |
| CN111639859A (zh) * | 2020-06-01 | 2020-09-08 | 腾讯科技（深圳）有限公司 | 人工智能ai解决方案的模板生成方法和装置及存储介质 |
| WO2022000802A1 (zh) * | 2020-06-29 | 2022-01-06 | 北京百度网讯科技有限公司 | 深度学习模型的适配方法、装置及电子设备 |
| CN112149838A (zh) * | 2020-09-03 | 2020-12-29 | 第四范式（北京）技术有限公司 | 实现自动构建模型的方法、装置、电子设备和存储介质 |
| CN114202027A (zh) * | 2021-12-10 | 2022-03-18 | 北京百度网讯科技有限公司 | 执行配置信息的生成方法、模型训练方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 洪汉玉;罗枭;宋捷;时愈;: "基于图像自标定的3D打印模型高效生成方法", 应用光学, no. 01, 15 January 2016 (2016-01-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024140353A1 (zh) * | 2022-12-27 | 2024-07-04 | 华为技术有限公司 | 模型使用方法及相关设备 |
| CN118674075A (zh) * | 2024-07-30 | 2024-09-20 | 中电科东方通信集团有限公司 | 一种机器学习模型的生成方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
| CN114997329A (zh) | 用于生成模型的方法、装置、设备、介质和产品 | |
| CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
| CN114445047A (zh) | 工作流生成方法、装置、电子设备及存储介质 | |
| CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
| CN113627536A (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN113724398A (zh) | 增强现实方法、装置、设备以及存储介质 | |
| CN116303013A (zh) | 源码分析方法、装置、电子设备及存储介质 | |
| CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
| CN114970883A (zh) | 模型量化方法、装置、电子设备和存储介质 | |
| CN116302218B (zh) | 函数信息的添加方法、装置、设备以及存储介质 | |
| CN112948584A (zh) | 短文本分类方法、装置、设备以及存储介质 | |
| CN116257611B (zh) | 问答模型的训练方法、问答处理方法、装置及存储介质 | |
| CN113656689B (zh) | 模型生成方法和网络信息的推送方法 | |
| CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
| CN114429211A (zh) | 用于生成信息的方法、装置、设备、介质和产品 | |
| CN113010571B (zh) | 数据检测方法、装置、电子设备、存储介质和程序产品 | |
| CN114329164A (zh) | 用于处理数据的方法、装置、设备、介质和产品 | |
| CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
| CN114417822A (zh) | 用于生成模型解释信息的方法、装置、设备、介质和产品 | |
| CN113691403A (zh) | 拓扑节点配置方法、相关装置及计算机程序产品 | |
| CN114491040B (zh) | 信息挖掘方法及装置 | |
| CN113836291B (zh) | 数据处理方法、装置、设备和存储介质 | |
| CN113344405B (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
| CN114610511B (zh) | 一种输入校验方法、装置、电子设备及存储介质 |
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 |