CN115859118B - 数据的获取方法、装置、电子设备及存储介质 - Google Patents
数据的获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115859118B CN115859118B CN202211667443.7A CN202211667443A CN115859118B CN 115859118 B CN115859118 B CN 115859118B CN 202211667443 A CN202211667443 A CN 202211667443A CN 115859118 B CN115859118 B CN 115859118B
- Authority
- CN
- China
- Prior art keywords
- data
- sub
- processed
- classification
- performance
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种数据的获取方法、装置、电子设备及存储介质,所述获取方法包括:实时获取接口调用数据;根据所述接口调用数据对应的时序,依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签;保存分类标签为性能敏感标签的待处理子数据。本公开实施例通过引入机器学习模型的方式,提高了分类标签的生成速度、性能敏感的关键帧的筛选准确度,此外,本公开实施例也有利于降低人工成本。
Description
技术领域
本公开涉及信息处理技术领域,尤其涉及一种数据的获取方法、装置、电子设备及存储介质。
背景技术
随着电子行业的发展,人们对于适配器(例如:网络适配器或称网卡、显示适配器或称显卡)的需求也越来越高。而对于适配器的测试通常依赖于大量关键帧,该关键帧通常视为对适配器的性能影响较大的数据帧,经关键帧测试即可完善地体现适配器的实际性能。故如何选取数据中的关键帧,是本领域技术人员亟需解决的技术问题。
发明内容
本公开提出了一种数据的获取技术方案。
根据本公开的一方面,提供了一种数据的获取方法,所述获取方法包括:实时获取接口调用数据;其中,所述接口调用数据用以调用适配器的应用程序编程接口;根据所述接口调用数据对应的时序,依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签;其中,所述分类标签用以标识所述待处理子数据是否对适配器产生性能影响;保存分类标签为性能敏感标签的待处理子数据;其中,所述性能敏感标签用以标识对适配器产生性能影响的待处理子数据。
在一种可能的实施方式中,所述保存分类标签为性能敏感标签的待处理子数据,包括:获取预设的、或实时输入的当前配置参数,并确定所述当前配置参数中的预设数量;确定位于所述分类标签为性能敏感标签的待处理子数据对应的时序之前和/或、对应的时序之后的所述预设数量的待处理子数据,并作为分类标签为性能敏感标签的第一子数据;保存所述分类标签为性能敏感标签的待处理子数据、所述第一子数据。
在一种可能的实施方式中,所述保存分类标签为性能敏感标签的待处理子数据,包括:获取预设的、或实时输入的当前配置参数,并确定所述当前配置参数中的预设数量;确定位于所述分类标签为性能敏感标签的待处理子数据对应的时序之前和/或、对应的时序之后的所述预设数量的待处理子数据,并将所述预设数量的待处理子数据、所述分类标签为性能敏感标签的待处理子数据作为候选子数据;确定每个候选子数据对应的分类标签直至满足预设条件;保存分类标签为性能敏感标签的候选子数据。
在一种可能的实施方式中,所述确定每个候选子数据对应的分类标签,包括:获取预设的、或实时输入的模型配置参数;根据所述预设的、或实时输入的模型配置参数,调整所述机器学习模型;其中,调整后的机器学习模型相较于调整前的机器学习模型,针对性能敏感标签的待处理子数据的识别敏感度更高;依次将每个候选子数据输入至调整后的机器学习模型,得到每个候选子数据对应的分类标签。
在一种可能的实施方式中,所述预设条件包括以下至少一项:确定所述候选子数据对应的分类标签这一步骤的执行次数大于预设次数、所述分类标签为性能敏感标签的候选子数据的总数大于预设总数、分类标签为性能敏感标签的所述候选子数据的数量与所述候选子数据的总数的比值大于预设比值。
在一种可能的实施方式中,在所述依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型之前,所述获取方法还包括:获取预设的、或实时输入的当前配置参数,并确定所述当前配置参数中的分类模式;其中,不同的分类模式用以识别不同的分类子标签;其中,所述分类标签包括所述分类子标签,不同的所述分类子标签用以标识待处理子数据是否对适配器中不同的硬件产生性能影响;根据所述分类模式,调整所述机器学习模型可输出的分类子标签;所述依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签,包括:依次将所述接口调用数据中的每个待处理子数据输入至调整后的所述机器学习模型,得到所述每个待处理子数据在所述可输出的分类子标签中对应的分类子标签。
在一种可能的实施方式中,所述保存分类标签为性能敏感标签的待处理子数据,包括:保存分类子标签属于性能敏感标签的待处理子数据。
在一种可能的实施方式中,所述机器学习模型通过训练数据、所述训练数据对应的适配器的实时性能参数进行训练;其中,所述训练数据的数据形式与所述待处理子数据的数据形式相同。
根据本公开的一方面,提供了一种数据的获取装置,所述获取装置包括:接口调用数据获取模块,用以实时获取接口调用数据;其中,所述接口调用数据用以调用适配器的应用程序编程接口;分类标签生成模块,用以根据所述接口调用数据对应的时序,依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签;其中,所述分类标签用以标识所述待处理子数据是否对适配器产生性能影响;待处理子数据保存模块,用以保存分类标签为性能敏感标签的待处理子数据;其中,所述性能敏感标签用以标识对适配器产生性能影响的待处理子数据。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述获取方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述获取方法。
在本公开实施例中,可实时获取接口调用数据,而后根据所述接口调用数据对应的时序,依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签,最终保存分类标签为性能敏感标签的待处理子数据。本公开实施例通过引入机器学习模型的方式,提高了分类标签的生成速度、性能敏感的关键帧的筛选准确度,此外,本公开实施例也有利于降低人工成本。
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,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出了根据本公开实施例提供的数据的获取方法的流程图。
图2示出了根据本公开实施例提供的数据的获取装置的框图。
图3示出了根据本公开实施例提供的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“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,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
此处以显卡为例,相关技术中,通常会在整个图像处理过程中抓取大量的候选帧(此处以图像处理过程为例,对帧的概念进行定义,例如:图像数据经时序转入显卡的处理单元进行数据处理,可对该图像数据依照时序进行划分,即可将切割后的子数据视为一帧),而后通过离线的特定算法或人工进行筛选,以获取对显卡的性能存在影响(或称性能瓶颈)的关键帧(也即后文将述的性能敏感标签的待处理子数据)。此举易造成以下问题:1、该方案的实时性较差,即不利于关键帧的实时筛选。2、特定算法、人工的筛选准确率较低,得到的关键帧的代表性较差,不利于后续显卡的测试。3、人工成本较高。
有鉴于此,本公开实施例提供了一种数据的获取方法,可实时获取接口调用数据,而后根据所述接口调用数据对应的时序,依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签,最终保存分类标签为性能敏感标签的待处理子数据。本公开实施例通过引入机器学习模型的方式,提高了分类标签的生成速度、性能敏感的关键帧的筛选准确度,此外,本公开实施例也有利于降低人工成本。
在一种可能的实施方式中,所述获取方法可以由终端设备执行,终端设备可以为任意一种可与适配器相连的设备。在一个示例中,上述获取方法也可通过硬件集成或软件配置的方式设置于适配器的模块中,本公开实施例在此不做限制。
参阅图1,图1示出了根据本公开实施例提供的数据的获取方法的流程图。如图1所示,所述获取方法包括:
步骤S100,实时获取接口调用数据。其中,所述接口调用数据用以调用适配器的应用程序编程接口(Application Programming Interface,或简称API)。示例性地,上述接口调用数据可表现为调用适配器的应用程序编程接口的调用序列,可通过相关技术中的API抓取工具对其进行获取。上述调用序列可通过逐步调用上述应用程序编程接口,对与之对应的适配器中的硬件或软件进行交互,以发挥上述硬件或软件的性能。结合实际应用场景,主机可与适配器相连,上述主机可定义为搭载有中央处理器(Central Processing Unit,或简称CPU)的终端设备。此处以适配器为显示适配器用以处理图像数据为例,主机在需要进行图像处理的情况下,可通过总线传输上述接口调用数据至适配器,而后适配器基于上述接口调用数据依次调用适配器的硬件或软件,以实现图像的绘制(例如:物体的位置、纹理等),并由与适配器连接的显示屏幕将绘制后的图像显示给用户。
步骤S200,根据所述接口调用数据对应的时序,依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签。其中,所述分类标签用以标识所述待处理子数据是否对适配器产生性能影响。示例性地,上述接口调用数据本身可带有时序性,例如:主机可连接至上述适配器,以使其对待处理数据进行处理。主机在运行需要调用适配器的应用程序时,其会根据应用程序中业务流程对应的调用顺序(例如:某一个业务流程需要依次调用绘制物体位置的接口、绘制物体颜色的接口、绘制物体纹理的接口,以实现空间中一个物体的绘制,此处仅作出示例性的表述,真实的调用顺序可根据开发人员的设置变得更加复杂)依次调用适配器对应的API,以实现待处理数据的处理。而上述业务流程在不同调用顺序时所需要调用的API,即可作为上述接口调用数据。上述接口调用数据可在适配器中按照预设的规则(例如:按照预设的时间间隔进行分割或按照预设API的数量等,本公开实施例在此不作限制)进行分割处理以得到上述待处理子数据。换言之,上述待处理子数据可包括一个或多个API。示例性地,上述分类标签可包括:性能敏感标签、性能不敏感标签。其中,性能敏感标签可用以标识对适配器产生严重性能影响的待处理子数据,性能不敏感标签可用以标识对适配器未产生严重性能影响的待处理子数据。上述严重性能影响可量化为硬件或软件资源的占用率高于一定阈值或其他与性能相关的检测参数高于预计值等,可由开发人员进行设定,本公开实施例在此不作限制。
在一种可能的实施方式中,在步骤S200之前,上述获取方法还可包括:获取预设的、或实时输入的当前配置参数,并确定所述当前配置参数中的分类模式。其中,不同的分类模式用以识别不同的分类子标签。其中,所述分类标签包括所述分类子标签,不同的所述分类子标签用以标识待处理子数据是否对适配器中不同的硬件或软件产生性能影响。换言之,分类子标签是分类标签更为细致的分类。而后根据所述分类模式,调整所述机器学习模型可输出的分类子标签。在此情况下,上述步骤S200中依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签,包括:依次将所述接口调用数据中的每个待处理子数据输入至调整后的所述机器学习模型,得到所述每个待处理子数据在所述可输出的分类子标签中对应的分类子标签。示例性地,上述机器学习模型可包括多个子模型,例如上述机器学习模型可为神经网络模型,上述子模型可为神经网络模型中的子网络模型,其中不同子网络模型可用以输出不同的分类子标签。此处以适配器为显示适配器为例,上述分类子标签可包括:核心性能敏感标签、核心性能非敏感标签、显存性能敏感标签、显存性能非敏感标签(可根据适配器的具体硬件或软件构成、适配器的种类而定,敏感标签与非敏感标签可成组设定,换言之,在确定待处理子数据是否对显存性能产生影响时,待处理子数据若不为显存性能敏感标签,便可将其分类标签作为显存性能不敏感标签)等。上述核心性能敏感标签、核心性能非敏感标签用以表示待处理子数据是否对适配器核心(例如显示适配器中的图形处理核心)产生了较大影响。上述显存性能敏感标签、显存性能非敏感标签用以表示待处理子数据是否对显存产生了较大影响。其他标签本公开实施例在此不做赘述,开发人员可根据适配器的硬件或软件、适配器的种类而定。机器学习模型可根据当前配置参数,确定其参与识别的子模型。结合实际应用场景,若开发人员预确定上述待处理子数据是否对核心性能产生影响,则可在当前配置参数中设定,此次分类模式为核心性能判定,机器学习模型则根据预设的对应关系,关闭与核心性能判定无关的子模型(即可输出的分类子标签包括核心性能敏感标签、核心性能非敏感标签),再输入待处理子数据,而后机器学习模型输出核心性能敏感标签或核心性能非敏感标签,以确定待处理子数据的分类标签。本公开实施例可通过在当前配置参数中设定分类模型的方式,对机器学习模型输出的分类子标签进行调整,以提高待处理子数据的分类准确率。有利于后续对于适配器的硬件或软件进行有针对性的测试。
示例性地,本公开实施例在此提供了一种机器学习模型的训练方式以供参考:所述机器学习模型通过训练数据、所述训练数据对应的适配器的实时性能参数进行训练。其中,所述训练数据的数据形式与所述待处理子数据的数据形式相同。示例性地,结合上述分类模式,可对机器学习模型的部分子模型进行训练,以使训练后的子模型可适配于上述的分类模式,进而使得机器学习模型具备多分类的能力。此外,可通过上述训练数据对应的实时性能参数(例如可归一为分类标签或分类子标签)进行有监督式的训练,以使机器学习模型可学习到训练数据对应的分类标签或分类子标签。上述训练数据也可尽量选取对适配器的性能影响更大的训练数据,以提高机器学习模型的训练效果,本公开实施例在此不作限制。
继续参阅图1,步骤S300,保存分类标签为性能敏感标签的待处理子数据。示例性地,上述分类标签为性能敏感标签的待处理子数据可保存至预设的数据库中,存储于该数据库中的待处理子数据可作为测试数据以检测适配器的性能,例如:将其作为版本不同的适配器的测试数据以确定适配器在不同版本的性能。在一种可能的实施方式中,步骤S300可包括:保存分类子标签属于性能敏感标签的待处理子数据。示例性地,以上述分类子标签中核心性能敏感标签、核心性能非敏感标签、显存性能敏感标签、显存性能非敏感标签为例,上述核心性能敏感标签、显存性能敏感标签属于上述性能敏感标签。保存至数据库中的待处理子数据也可有多种存储方式,例如:数据库中可保存分类标签为性能敏感标签的待处理数据,即开发人员可不对待处理子数据具体对应的性能敏感硬件或软件进行限定。再例如:数据库中可保存上述分类子标签属于性能敏感标签的待处理子数据、及其对应的分类子标签。即可通过数据库的访问指令,将数据库中分类标签为核心性能敏感标签或显存性能敏感标签的待处理数据筛选出来,而后对适配器进行有针对性的测试,本公开实施例在此不作限制。
在一种可能的实施方式中,步骤S300可包括:获取预设的、或实时输入的当前配置参数,并确定所述当前配置参数中的预设数量。示例性地,上述当前配置参数可由用户根据实际情况进行手动修改,或直接读取本地存储的预设值,本公开实施例在此不作限定。上述当前配置参数可包括:预设数量、分类模式等,开发人员也可根据实际情况为当前配置参数增加其他参数以筛选关键帧,例如:为特定的待处理子数据开启特定的分类模式(如为特定的应用程序分配特定硬件或软件性能的监控)、为特定的待处理子数据设定特定的预设数量(如针对特定的应用程序,开发人员希望能够提高关键帧识别的覆盖率,则可将增加预设数量)等,本公开实施例在此不作限制。而后确定位于所述分类标签为性能敏感标签的待处理子数据对应的时序之前和/或、对应的时序之后的所述预设数量的待处理子数据,并作为分类标签为性能敏感标签的第一子数据。最终保存所述分类标签为性能敏感标签的待处理子数据、所述第一子数据。在本公开实施例中,可直接将关键帧附近预设数量的候选子数据也直接作为关键帧进行保存,而后再进行人工筛选或直接用于测试等,本公开实施例在此不作限制。
在一种可能的实施方式中,步骤S300可包括:获取预设的、或实时输入的当前配置参数,并确定所述当前配置参数中的预设数量。而后确定位于所述分类标签为性能敏感标签的待处理子数据对应的时序之前和/或、对应的时序之后的所述预设数量的待处理子数据,并将所述预设数量的待处理子数据、所述分类标签为性能敏感标签的待处理子数据作为候选子数据。再确定每个候选子数据对应的分类标签直至满足预设条件,最终保存分类标签为性能敏感标签的候选子数据。在一种可能的实施方式中,所述确定每个候选子数据对应的分类标签,包括:获取预设的、或实时输入的模型配置参数,上述模型配置参数可包括分类所需的门限值等,以调整分类标签的分类结果。而后根据所述预设的、或实时输入的模型配置参数,调整所述机器学习模型。其中,调整后的机器学习模型相较于调整前的机器学习模型,针对性能敏感标签的待处理子数据的识别敏感度更高。最终依次将每个候选子数据输入至调整后的机器学习模型,得到每个候选子数据对应的分类标签。在本公开实施例中,可将识别的关键帧时序附近的待处理子数据以及此次识别出的关键帧作为候选子数据再次进行识别。例如:可选用对于关键帧识别更加敏感的另一个机器学习模型或调整模型参数后对于关键帧识别更加敏感的同一个机器学习模型进行候选子数据的筛选,即可提高筛选后的候选子数据的代表性。
在一种可能的实施方式中,所述预设条件包括以下至少一项:确定所述候选子数据对应的分类标签这一步骤的执行次数大于预设次数、所述分类标签为性能敏感标签的候选子数据的总数大于预设总数、分类标签为性能敏感标签的所述候选子数据的数量与所述候选子数据的总数的比值大于预设比值。本公开实施例提供了多种预设条件以控制最终保存的候选子数据的数量,例如:在产生的候选子数据过多的情况下,可能是由于适配器本身的硬件或软件异常所导致的,此时分类为性能敏感标签的候选子数据相对于可正常工作的适配器的代表性较低,再例如:模型配置参数可能存在门限较低的情况,即此时分类为性能敏感标签的候选子数据的代表性也较低,故可适当减少性能敏感标签的候选子数据的数量(例如表现为在应用程序持续运行期间停止对关键帧的识别、或间隔一定时间进行识别)。而在一些情况下,若关键帧的总数或上述比值始终小于预设总数或预设比值,则可认为候选子数据中关键帧数据实际较少,则可重新确定候选子数据中的关键帧(例如:可选用对于关键帧识别更加敏感的另一个机器学习模型或调整模型参数后对于关键帧识别更加敏感的同一个机器学习模型进行候选子数据的筛选),在确定所述候选子数据对应的分类标签这一步骤的执行次数大于预设次数时,即可保存分类标签为性能敏感标签的候选子数据,而后对下一个时序的待处理子数据进行识别。应当理解的是,对下一个时序的待处理子数据进行识别、对当前时序的待处理子数据进行识别也可在同一时段或不同时段中执行,例如:在同一时段可交由相同模型配置参数的不同机器学习模型进行处理以提高关键帧的识别速度。
结合实际应用场景,此处以主机上运行游戏程序、适配器为显示适配器为例。主机在运行游戏程序时,中央处理器将会根据游戏程序中的业务流程生成接口调用数据,并发送至显示适配器,显示适配器根据该接口调用程序,根据适配器对应的硬件或软件对上述接口调用程序依序进行处理,而在此过程进行时,适配器本身(例如上述获取方法集成于适配器上的显卡性能数据模块)或与适配器相连的终端设备可确定应用程序接口在调用过程中对适配器产生性能影响的关键帧,并对标记为核心性能敏感标签、显存性能敏感标签等对适配器的硬件或软件存在影响的标签对应的待处理子数据保存至数据库中。而后在对适配器进行测试的场景中,例如对下一代适配器(可为制造完成的适配器,也可为理论存在的适配器模型)进行测试时,即可使用数据库中的数据进行测试,以此比较不同版本的适配器的性能,进而达到适配器测试的目的。此外,本公开实施例可在适配器驱动不变的情况下根据预设的目标(比如带宽瓶颈、几何单元瓶颈等)找到对硬件性能敏感的关键帧。也可在适配器的硬件不变的情况下,找到对软件性能敏感的关键帧,开发人员通过调整当前配置参数即可适应不同的分类环境,有利于节约人工成本。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了数据的获取装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种数据的获取方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
参阅图2所示,图2示出了根据本公开实施例提供的数据的获取装置的框图,如图2所示,所述获取装置100包括:接口调用数据获取模块110,用以实时获取接口调用数据;其中,所述接口调用数据用以调用适配器的应用程序编程接口;分类标签生成模块120,用以根据所述接口调用数据对应的时序,依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签;其中,所述分类标签用以标识所述待处理子数据是否对适配器产生性能影响;待处理子数据保存模块130,用以保存分类标签为性能敏感标签的待处理子数据;其中,所述性能敏感标签用以标识对适配器产生性能影响的待处理子数据。
在一种可能的实施方式中,所述保存分类标签为性能敏感标签的待处理子数据,包括:获取预设的、或实时输入的当前配置参数,并确定所述当前配置参数中的预设数量;确定位于所述分类标签为性能敏感标签的待处理子数据对应的时序之前和/或、对应的时序之后的所述预设数量的待处理子数据,并作为分类标签为性能敏感标签的第一子数据;保存所述分类标签为性能敏感标签的待处理子数据、所述第一子数据。
在一种可能的实施方式中,所述保存分类标签为性能敏感标签的待处理子数据,包括:获取预设的、或实时输入的当前配置参数,并确定所述当前配置参数中的预设数量;确定位于所述分类标签为性能敏感标签的待处理子数据对应的时序之前和/或、对应的时序之后的所述预设数量的待处理子数据,并将所述预设数量的待处理子数据、所述分类标签为性能敏感标签的待处理子数据作为候选子数据;确定每个候选子数据对应的分类标签直至满足预设条件;保存分类标签为性能敏感标签的候选子数据。
在一种可能的实施方式中,所述确定每个候选子数据对应的分类标签,包括:获取预设的、或实时输入的模型配置参数;根据所述预设的、或实时输入的模型配置参数,调整所述机器学习模型;其中,调整后的机器学习模型相较于调整前的机器学习模型,针对性能敏感标签的待处理子数据的识别敏感度更高;依次将每个候选子数据输入至调整后的机器学习模型,得到每个候选子数据对应的分类标签。
在一种可能的实施方式中,所述预设条件包括以下至少一项:确定所述候选子数据对应的分类标签这一步骤的执行次数大于预设次数、所述分类标签为性能敏感标签的候选子数据的总数大于预设总数、分类标签为性能敏感标签的所述候选子数据的数量与所述候选子数据的总数的比值大于预设比值。
在一种可能的实施方式中,在所述依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型之前,所述获取方法还包括:获取预设的、或实时输入的当前配置参数,并确定所述当前配置参数中的分类模式;其中,不同的分类模式用以识别不同的分类子标签;其中,所述分类标签包括所述分类子标签,不同的所述分类子标签用以标识待处理子数据是否对适配器中不同的硬件产生性能影响;根据所述分类模式,调整所述机器学习模型可输出的分类子标签;所述依次将所述接口调用数据中的每个待处理子数据输入至机器学习模型,得到所述每个待处理子数据对应的分类标签,包括:依次将所述接口调用数据中的每个待处理子数据输入至调整后的所述机器学习模型,得到所述每个待处理子数据在所述可输出的分类子标签中对应的分类子标签。
在一种可能的实施方式中,所述保存分类标签为性能敏感标签的待处理子数据,包括:保存分类子标签属于性能敏感标签的待处理子数据。
在一种可能的实施方式中,所述机器学习模型通过训练数据、所述训练数据对应的适配器的实时性能参数进行训练;其中,所述训练数据的数据形式与所述待处理子数据的数据形式相同。
该方法与计算机系统的内部结构存在特定技术关联,且能够解决如何提升硬件运算效率或执行效果的技术问题(包括减少数据存储量、减少数据传输量、提高硬件处理速度等),从而获得符合自然规律的计算机系统内部性能改进的技术效果。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端设备或其它形态的设备,可与适配器相连即可。
图3示出了根据本公开实施例提供的一种电子设备800的框图。例如,电子设备800可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等终端设备。
参照图3,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
输入/输出接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)、通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种数据的获取方法,其特征在于,所述获取方法包括:
实时获取接口调用数据;其中,所述接口调用数据用以调用适配器的应用程序编程接口,以实现待处理数据的处理,所述待处理数据通过预设规则进行分割处理得到一个或多个待处理子数据;
根据所述接口调用数据对应的时序,依次将所述接口调用数据中的每个待处理子数据输入至预训练好的机器学习模型,得到所述每个待处理子数据对应的分类标签;其中,所述分类标签用以标识所述待处理子数据是否对适配器产生性能影响,所述待处理子数据包括一个或多个应用程序编程接口以及图像数据;
保存分类标签为性能敏感标签的待处理子数据;其中,所述性能敏感标签用以标识对适配器产生性能影响的待处理子数据;
其中,所述机器学习模型的训练方式如下:
所述机器学习模型通过训练数据和所述训练数据对应的适配器的实时性能参数进行有监督式的训练;其中,所述训练数据的数据形式与所述待处理子数据的数据形式相同,所述训练数据对应的适配器的实时性能参数为硬件或软件资源的占用率。
2.如权利要求1所述的获取方法,其特征在于,所述保存分类标签为性能敏感标签的待处理子数据,包括:
获取预设的或实时输入的当前配置参数,并确定所述当前配置参数中的预设数量;
确定位于所述分类标签为性能敏感标签的待处理子数据对应的时序之前和/或对应的时序之后的所述预设数量的待处理子数据,并作为分类标签为性能敏感标签的第一子数据;
保存所述分类标签为性能敏感标签的待处理子数据和所述第一子数据。
3.如权利要求1所述的获取方法,其特征在于,所述保存分类标签为性能敏感标签的待处理子数据,包括:
获取预设的或实时输入的当前配置参数,并确定所述当前配置参数中的预设数量;
确定位于所述分类标签为性能敏感标签的待处理子数据对应的时序之前和/或对应的时序之后的所述预设数量的待处理子数据,并将所述预设数量的待处理子数据和所述分类标签为性能敏感标签的待处理子数据作为候选子数据;
确定每个候选子数据对应的分类标签直至满足预设条件;
保存分类标签为性能敏感标签的候选子数据。
4.如权利要求3所述的获取方法,其特征在于,所述确定每个候选子数据对应的分类标签,包括:
获取预设的或实时输入的模型配置参数;
根据所述预设的或实时输入的模型配置参数,调整所述机器学习模型;其中,调整后的机器学习模型相较于调整前的机器学习模型,针对性能敏感标签的待处理子数据的识别敏感度更高;
依次将每个候选子数据输入至调整后的机器学习模型,得到每个候选子数据对应的分类标签。
5.如权利要求3所述的获取方法,其特征在于,所述预设条件包括以下至少一项:确定所述候选子数据对应的分类标签这一步骤的执行次数大于预设次数、所述分类标签为性能敏感标签的候选子数据的总数大于预设总数、分类标签为性能敏感标签的所述候选子数据的数量与所述候选子数据的总数的比值大于预设比值。
6.如权利要求1所述的获取方法,其特征在于,在所述依次将所述接口调用数据中的每个待处理子数据输入至预训练好的机器学习模型之前,所述获取方法还包括:
获取预设的或实时输入的当前配置参数,并确定所述当前配置参数中的分类模式;其中,不同的分类模式用以识别不同的分类子标签;其中,所述分类标签包括所述分类子标签,不同的所述分类子标签用以标识待处理子数据是否对适配器中不同的硬件产生性能影响;
根据所述分类模式,调整所述机器学习模型可输出的分类子标签;
所述依次将所述接口调用数据中的每个待处理子数据输入至预训练好的机器学习模型,得到所述每个待处理子数据对应的分类标签,包括:依次将所述接口调用数据中的每个待处理子数据输入至调整后的所述机器学习模型,得到所述每个待处理子数据在所述可输出的分类子标签中对应的分类子标签。
7.如权利要求6所述的获取方法,其特征在于,所述保存分类标签为性能敏感标签的待处理子数据,包括:保存分类子标签属于性能敏感标签的待处理子数据。
8.一种数据的获取装置,其特征在于,所述获取装置包括:
接口调用数据获取模块,用以实时获取接口调用数据;其中,所述接口调用数据用以调用适配器的应用程序编程接口,以实现待处理数据的处理,所述待处理数据通过预设规则进行分割处理得到一个或多个待处理子数据;
分类标签生成模块,用以根据所述接口调用数据对应的时序,依次将所述接口调用数据中的每个待处理子数据输入至预训练好的机器学习模型,得到所述每个待处理子数据对应的分类标签;其中,所述分类标签用以标识所述待处理子数据是否对适配器产生性能影响,所述待处理子数据包括一个或多个应用程序编程接口以及图像数据;
待处理子数据保存模块,用以保存分类标签为性能敏感标签的待处理子数据;其中,所述性能敏感标签用以标识对适配器产生性能影响的待处理子数据;
其中,所述机器学习模型的训练方式如下:
所述机器学习模型通过训练数据和所述训练数据对应的适配器的实时性能参数进行有监督式的训练;其中,所述训练数据的数据形式与所述待处理子数据的数据形式相同,所述训练数据对应的适配器的实时性能参数为硬件或软件资源的占用率。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的获取方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211667443.7A CN115859118B (zh) | 2022-12-23 | 2022-12-23 | 数据的获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211667443.7A CN115859118B (zh) | 2022-12-23 | 2022-12-23 | 数据的获取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859118A CN115859118A (zh) | 2023-03-28 |
CN115859118B true CN115859118B (zh) | 2023-08-11 |
Family
ID=85654389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211667443.7A Active CN115859118B (zh) | 2022-12-23 | 2022-12-23 | 数据的获取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859118B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109690571A (zh) * | 2017-04-20 | 2019-04-26 | 北京嘀嘀无限科技发展有限公司 | 基于学习的组标记系统和方法 |
CN111126487A (zh) * | 2019-12-24 | 2020-05-08 | 北京安兔兔科技有限公司 | 设备性能测试方法、装置及电子设备 |
CN111124781A (zh) * | 2019-11-30 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种显卡测试方法、装置及电子设备和存储介质 |
CN111295669A (zh) * | 2017-06-16 | 2020-06-16 | 马克波尔公司 | 图像处理系统 |
CN111666587A (zh) * | 2020-05-10 | 2020-09-15 | 武汉理工大学 | 基于监督学习的食品数据多属性特征联合脱敏方法和装置 |
CN111737479A (zh) * | 2020-08-28 | 2020-10-02 | 深圳追一科技有限公司 | 数据获取方法、装置、电子设备及存储介质 |
CN112835774A (zh) * | 2021-01-12 | 2021-05-25 | 浙江中控技术股份有限公司 | 显卡性能的可视化方法及装置、设备、计算机可读存储介质 |
CN112988604A (zh) * | 2021-04-30 | 2021-06-18 | 中国工商银行股份有限公司 | 对象测试方法、测试系统、电子设备及可读存储介质 |
CN113159091A (zh) * | 2021-01-20 | 2021-07-23 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN113641568A (zh) * | 2020-04-27 | 2021-11-12 | 亚信科技(中国)有限公司 | 软件测试数据处理方法、装置、电子设备及可读存储介质 |
WO2022100165A1 (zh) * | 2020-11-13 | 2022-05-19 | 华为技术有限公司 | 神经网络模型的训练方法、图像处理方法及装置 |
CN114610953A (zh) * | 2022-03-01 | 2022-06-10 | 京东科技信息技术有限公司 | 一种数据分类方法、装置、设备及存储介质 |
-
2022
- 2022-12-23 CN CN202211667443.7A patent/CN115859118B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109690571A (zh) * | 2017-04-20 | 2019-04-26 | 北京嘀嘀无限科技发展有限公司 | 基于学习的组标记系统和方法 |
CN111295669A (zh) * | 2017-06-16 | 2020-06-16 | 马克波尔公司 | 图像处理系统 |
CN111124781A (zh) * | 2019-11-30 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种显卡测试方法、装置及电子设备和存储介质 |
CN111126487A (zh) * | 2019-12-24 | 2020-05-08 | 北京安兔兔科技有限公司 | 设备性能测试方法、装置及电子设备 |
CN113641568A (zh) * | 2020-04-27 | 2021-11-12 | 亚信科技(中国)有限公司 | 软件测试数据处理方法、装置、电子设备及可读存储介质 |
CN111666587A (zh) * | 2020-05-10 | 2020-09-15 | 武汉理工大学 | 基于监督学习的食品数据多属性特征联合脱敏方法和装置 |
CN111737479A (zh) * | 2020-08-28 | 2020-10-02 | 深圳追一科技有限公司 | 数据获取方法、装置、电子设备及存储介质 |
WO2022100165A1 (zh) * | 2020-11-13 | 2022-05-19 | 华为技术有限公司 | 神经网络模型的训练方法、图像处理方法及装置 |
CN112835774A (zh) * | 2021-01-12 | 2021-05-25 | 浙江中控技术股份有限公司 | 显卡性能的可视化方法及装置、设备、计算机可读存储介质 |
CN113159091A (zh) * | 2021-01-20 | 2021-07-23 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN112988604A (zh) * | 2021-04-30 | 2021-06-18 | 中国工商银行股份有限公司 | 对象测试方法、测试系统、电子设备及可读存储介质 |
CN114610953A (zh) * | 2022-03-01 | 2022-06-10 | 京东科技信息技术有限公司 | 一种数据分类方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于深层卷积神经网络的剪枝优化;马治楠;韩云杰;彭琳钰;周进凡;林付春;刘宇红;;电子技术应用(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115859118A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113344901B (zh) | 涂胶缺陷检测方法、装置、存储介质及电子设备 | |
CN110889469B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110781957B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN112149740B (zh) | 目标重识别方法、装置、存储介质及设备 | |
CN111931844B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN108960283B (zh) | 分类任务增量处理方法及装置、电子设备和存储介质 | |
CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN112668707B (zh) | 运算方法、装置及相关产品 | |
CN109934240B (zh) | 特征更新方法及装置、电子设备和存储介质 | |
CN113065591B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN112559673A (zh) | 语言处理模型的训练方法及装置、电子设备及存储介质 | |
CN111046927A (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
CN110070046B (zh) | 人脸图像识别方法及装置、电子设备和存储介质 | |
CN116069575B (zh) | 适配器的测试方法、装置、电子设备及存储介质 | |
CN115859118B (zh) | 数据的获取方法、装置、电子设备及存储介质 | |
CN112801116B (zh) | 图像的特征提取方法及装置、电子设备和存储介质 |
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 |