CN115936091B - 深度学习模型的训练方法、装置、电子设备以及存储介质 - Google Patents
深度学习模型的训练方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN115936091B CN115936091B CN202211497826.4A CN202211497826A CN115936091B CN 115936091 B CN115936091 B CN 115936091B CN 202211497826 A CN202211497826 A CN 202211497826A CN 115936091 B CN115936091 B CN 115936091B
- Authority
- CN
- China
- Prior art keywords
- processing
- information
- sample data
- target
- processing path
- 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
- 238000013136 deep learning model Methods 0.000 title claims abstract description 126
- 238000012549 training Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 457
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000000875 corresponding effect Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process 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
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 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
- 230000000007 visual effect Effects 0.000 description 1
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
Abstract
本公开公开了深度学习模型的训练方法、装置、电子设备以及存储介质，涉及人工智能技术领域，尤其涉及深度学习、图像处理、文本处理、计算机视觉技术领域。具体实现方案为：根据样本数据的特征数据，生成目标处理策略，其中，目标处理策略表征在执行深度学习模型的训练过程中样本数据与处理路径之间的分配策略，处理路径包括第一目标处理路径和预定处理路径；基于目标处理策略，利用深度学习模型对样本数据进行处理，得到第一目标处理路径被调用的概率信息和预定处理路径的执行时长信息；根据概率信息和执行时长信息，调整目标处理策略，得到目标调整策略；以及基于目标调整策略，对深度学习模型进行训练，得到经训练的深度学习模型。
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、图像处理、文本处理、计算机视觉技术领域。具体涉及一种深度学习模型的训练方法、装置、电子设备以及存储介质。
背景技术
深度学习作为机器学习的分支，是一种以神经网络为架构，对数据进行表征学习的算法。目前已衍生多种深度学习模型，例如：深度神经网络、卷积神经网络、深度置信网络和递归神经网络等。
随着人工智能技术的发展，深度学习模型被广泛应用于各种领域，例如：计算机视觉、语音识别、自然语音处理、音频识别与生物信息学等。
发明内容
本公开提供了一种深度学习模型的训练方法、装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种深度学习模型的训练方法，包括：根据样本数据的特征数据，生成目标处理策略，其中，上述目标处理策略表征在执行深度学习模型的训练过程中样本数据与处理路径之间的分配策略，上述处理路径包括第一目标处理路径和预定处理路径；基于上述目标处理策略，利用深度学习模型对样本数据进行处理，得到上述第一目标处理路径被调用的概率信息和预定处理路径的执行时长信息；根据上述概率信息和上述执行时长信息，调整上述目标处理策略，得到目标调整策略；以及基于上述目标调整策略，对上述深度学习模型进行训练，得到经训练的深度学习模型。
根据本公开的另一方面，提供了一种深度学习模型的训练装置，包括：生成模块、获得模块、第一调整模块和第一训练模块。其中，生成模块，用于根据样本数据的特征数据，生成目标处理策略，其中，上述目标处理策略表征在执行深度学习模型的训练过程中上述样本数据与处理路径之间的分配策略，上述处理路径包括第一目标处理路径和预定处理路径；获得模块，用于基于上述目标处理策略，利用上述深度学习模型对上述样本数据进行处理，得到上述第一目标处理路径被调用的概率信息和上述预定处理路径的执行时长信息；第一调整模块，用于根据上述概率信息和上述执行时长信息，调整上述目标处理策略，得到目标调整策略；以及第一训练模块，用于基于上述目标调整策略，对上述深度学习模型进行训练，得到经训练的深度学习模型。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开上述的方法。
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，上述计算机指令用于使上述计算机执行本公开上述的方法。
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，上述计算机程序在被处理器执行时实现本公开上述的方法。
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示意性示出了根据本公开实施例的可以应用深度学习模型的训练方法及装置的示例性系统架构；
图2示意性示出了根据本公开实施例的深度学习模型训练方法的流程图；
图3示意性示出了根据本公开实施例的根据概率信息和执行时长信息，调整目标处理策略，得到目标调整策略的示例示意图；
图4示意性示出了根据本公开实施例的生成目标处理策略的示例示意图；
图5示意性示出了根据本公开实施例的根据执行时长信息，基于选择策略从预定处理路径中得到第二目标处理路径的信息的流程图；
图6示意性示出了根据本公开实施例的由目标处理策略得到中间调整策略的示例示意图；
图7示意性示出了根据本公开实施例的深度学习模型的训练方法的示例示意图；
图8示意性示出了根据本公开实施例的深度学习模型的训练装置的框图；以及
图9示意性示出了根据本公开实施例的适于实现深度学习模型的训练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。
在深度学习技术领域中，用于训练深度学习模型的样本数据特征存在较大的变化空间。以图像样本为例，图像样本集中不同图像样本的基础尺寸、像素空间排布方式等特征都可能存在较大的差异。
对于应用于计算机视觉技术的深度学习模型，其训练流程是基于专家经验预先将样本数据输入到深度学习模型中的不同处理分支路径中。然而，这种固定式的分配策略在面对特征差异较大的样本集时，会出现部分分支路径的数据处理效率较高，另一部分分支路径的数据处理效率较低的问题。
因此，需要设计合理的深度学习模型的训练方案，缩短模型训练周期，提升模型训练效率。
图1示意性示出了根据本公开实施例的可以应用深度学习模型的训练方法及装置的示例性系统架构。
需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用深度学习模型的训练方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的深度学习模型的训练方法及装置。
如图1所示，根据该实施例的系统架构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，例如有线和/或无线通信链路等等。
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上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备1 01、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的深度学习模型的训练方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的深度学习模型的训练装置也可以设置于终端设备101、102、或103中。
备选地，本公开实施例所提供的深度学习模型的训练方法一般也可以由服务器105执行。相应地，本公开实施例所提供的深度学习模型的训练装置一般可以设置于服务器105中。本公开实施例所提供的深度学习模型的训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的深度学习模型的训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
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。
应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的深度学习模型训练方法的流程图。
如图2所示，该方法200包括操作S210～操作S240。
在操作S210，根据样本数据的特征数据，生成目标处理策略
在操作S220，基于目标处理策略，利用深度学习模型对样本数据进行处理，得到第一目标处理路径被调用的概率信息和预定处理路径的执行时长信息。
在操作S230，根据概率信息和执行时长信息，调整目标处理策略，得到目标调整策略。
在操作S240，基于目标调整策略，对深度学习模型进行训练，得到经训练的深度学习模型。
根据本公开的实施例，样本数据可以包括以下至少之一：图像数据、文本数据。以图像数据为例，样本数据的特征数据可以包括图像尺寸特征数据、像素空间排布特征数据、像素尺寸特征数据等。
根据本公开的实施例，目标处理策略表征在执行深度学习模型的训练过程中样本数据与处理路径之间的分配策略，处理路径包括第一目标处理路径和预定处理路径。处理路径表征算子的处理逻辑，该算子内置于深度学习模型中。
根据本公开的实施例，预定处理路径表征在深度学习模型中用于处理样本数据的默认处理路径。默认处理路径可以由第三方数据库引入深度学习模型中。第一目标处理路径表征在深度学习模型中用于处理样本数据的默认处理路径中，处理速度最快的路径。
根据本公开的实施例，第一目标处理路径被调用的概率信息表征在利用深度学习模型对样本数据进行处理的过程中，第一目标处理路径被调用次数占全部处理路径被调用次数的比例。
根据本公开的实施例，预定处理路径至少可以包括两条，预定处理路径的执行时长信息表征在利用深度学习模型对样本数据进行处理的过程中，被每一条预定处理路径处理的样本数据在处理过程中所消耗的时长信息。
例如：样本数据b由预定处理路径Rb1进行处理，所消耗的时长信息可以为tb1。样本数据b由预定处理路径Rb2进行处理，所消耗的时长信息可以为tb2。在tb1小于tb2的情况下，可以将预定处理路径Rb1作为样本数据b的目标处理路径，即在当前的深度学习模型中，用于处理样本数据b的最快处理路径。
根据本公开的实施例，对于相同的样本数据集，在利用深度学习模型处理样本数据时，随着样本数据的特征信息相匹配的最快处理路径数量的增多，可以提高深度学习模型的训练效率。因此，可以基于概率信息和执行时长信息，调整目标处理策略。
例如：在目标处理策略中，样本数据a由深度学习模型中的目标处理路径Ra进行处理，样本数据b由两条预定处理路径Rb1、Rb2依次处理。根据预定处理路径的执行时长信息，可以确定预定处理路径Rb1为用于处理样本数据b的最快处理路径。因此，调整后得到的调整策略可以为：样本数据a由深度学习模型中的目标处理路径Ra进行处理，样本数据b由深度学习模型中的预定处理路径Rb1进行处理。
根据本公开的实施例，可以基于调整后的策略，利用深度学习模型对样本数据进行处理，得到第一目标处理路径被调用的概率信息。此时，第一目标处理路径可以包括目标处理路径Ra和预定处理路径Rb1。
根据本公开的实施例，在第一目标处理路径被调用的概率信息满足预设阈值的情况下，得到目标调整策略。也可以通过设定调整次数的方式，限定调整次数的上限值，以缩短调整周期。再基于目标调整策略，对深度学习模型进行训练，得到经训练的深度学习模型。
根据本公开的实施例，经训练的深度学习模型可以用于实现图像处理、文本识别。可以基于损失函数，利用样本数据的处理结果和标签值训练深度学习模型，得到经训练的深度学习模型。损失函数可以根据实际业务需求进行配置，在此不作限定。例如，损失函数可以包括以下至少一项：交叉熵损失函数、指数损失函数和平方损失函数。预定条件可以包括输出值收敛和训练轮次达到最大训练轮次中的至少一项。
根据本公开的实施例，操作S210～S240可以由电子设备执行。电子设备可以是服务器或终端设备。服务器可以是图1中的服务器105。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。
根据本公开的实施例，样本数据具有与该样本特征相对应的处理策略，不同样本数据由于样本特征差异，可以具有不同的处理策略，实现了根据样本数据的特征差异，在模型训练过程中，动态调整深度学习模型对样本数据的处理策略的技术效果。由此，提高了样本特征与处理路径的匹配度。在此基础上，利用目标调整策略对深度学习模型进行训练，缩短样本特征差异较大的数据集的训练周期。
根据本公开的实施例，操作S220可以包括如下操作：
基于目标处理策略，对样本数据进行处理，得到第一目标处理路径被调用的次数信息、预定处理路径被调用的次数信息和预定处理路径的执行时长信息。根据第一目标处理路径被调用的次数信息和预定处理路径被调用的次数信息，生成概率信息。
例如：样本数据集中可以包括样本数据a和样本数据b。基于目标处理策略，样本数据a由第一目标处理路径Ra进行处理，样本数据b由预定处理路径进行处理。在利用深度学习模型处理该样本数据集的过程中，样本数据a调用目标处理路径Ra的次数为m次，样本数据b调用预定处理路径的次数为n次，第一目标处理路径被调用的概率信息可以表示为m/(m+n)。
下面参考图3～图7，结合具体实施例对图2所示的方法做进一步说明。
图3示意性示出了根据本公开实施例的根据概率信息和执行时长信息，调整目标处理策略，得到目标调整策略的示例示意图。
如图3所示，在300中，根据第i组样本数据特征信息331和样本数据特征与处理路径的映射关系332，得到目标处理策略333_1。基于目标处理策略333_1，在深度学习模型334中内置用于处理一部分样本数据的目标处理路径334_1和用于处理另一部分样本数据的预定处理路径334_2。利用深度学习模型334对第i组样本数据进行处理，得到目标处理路径被调用的概率信息335和预定处理路径执行的时长信息336。并根据预定处理路径执行的时长信息，得到第二目标处理路径的信息337。利用第二目标处理路径的信息337更新样本数据特征与处理路径信息的映射关系332。
在确定目标处理路径被调用的概率信息335满足预设阈值的情况下，将目标处理策略333_1确定为目标调整策略338。
在确定目标处理路径被调用的概率信息335不满足预设阈值的情况下，递增i，利用第i+1组样本数据特征信息与更新后的样本数据特征与处理路径的映射关系，生成中间调整策略333_2。基于中间调整策略，调整深度学习模型334中样本数据与处理路径之间的分配关系，并利用调整后的深度学习模型对第i+1组样本数据进行处理，得到本次训练过程中，目标处理路径被调用的概率信息。
在确定目标处理路径被调用的概率信息满足预设阈值的情况下，将本次生成的中间调整策略333_2确定为目标调整策略338。
在确定目标处理路径被调用的概率信息不满足预设阈值的情况下，递增i，继续返回执行目标处理策略的生成操作以及对样本数据的处理操作，直至目标处理路径被调用的概率信息满足预设阈值。
根据本公开的实施例，用于处理一部分样本数据的目标处理路径334_1表征用于处理样本数据的最快处理路径。例如：样本数据a的目标处理路径为Ra。在执行利用深度学习模型对样本数据a的处理过程中，该样本数据a仅需按照该目标处理路径Ra进行数据处理。
根据本公开的实施例，用于处理另一部分样本数据的预定处理路径334_2可以包括多条。例如：样本数据b的预定处理路径可以包括预定处理路径Rb1、...、预定处理路径Rbn。在执行利用深度学习模型对该样本数据b的处理过程中，该样本数据b需依次按照预定处理路径Rb1、...、预定处理路径Rbn进行n次数据处理。
根据本公开的实施例，在深度学习模型的训练过程中，利用每一次迭代训练中预定处理路径执行的时长信息，选择出与新的样本特征对应的目标处理路径，不断更新样本数据特征与处理路径的映射关系。实现了在迭代训练过程中，不断缩小样本特征差异与处理路径的匹配度，动态调整深度学习模型中的目标处理路径与预定处理路径的分配策略，逐渐减小迭代训练过程中对预定处理路径资源的占用率，降低模型训练过程对计算机资源空间的占用率。
图4示意性示出了根据本公开实施例的生成目标处理策略的示例示意图。
如图4所示，在400中，样本数据411中可以包括M个样本数据：样本数据1、...、样本数据m、...、样本数据M。样本数据1的特征信息为特征a1(411_1)，样本数据m的特征信息为特征am(411_m)，样本数据M的特征信息为特征aM(411_M)。其他样本数据以及其特征信息在411中以省略号表示，在此不做赘述。
在样本数据的特征信息与处理路径映射关系412中，可以包括特征a1与目标处理路径r1的映射关系412_1、特征am与目标处理路径rk的映射关系412_k、特征b与目标处理路径rK。其他样本数据的特征信息与目标处理路径的映射关系在412中以省略号表示，在此不做赘述。
根据本公开的实施例，根据样本数据1的特征a1(411_1)，从样本数据的特征信息与处理路径映射关系412中，查询得到样本数据1的特征a1与目标处理路径r1存在映射关系412_1。因此，在目标处理策略413中，利用深度学习模型，样本数据1按照目标处理路径r1进行处理413_1。
根据本公开的实施例，根据样本数据m+1，从样本数据的特征信息与处理路径映射关系412中，查询不到相对应的目标处理路径。因此，在目标处理策略413中，利用深度学习模型，样本数据m+1按照预定处理路径进行处理413_M。
根据本公开的实施例，对于样本数据m生成目标处理策略的过程与样本数据1相同。对于样本数据M生成目标处理策略的过程与样本数据m+1相同。在此不做赘述。
根据本公开的实施例，利用样本数据的特征信息与处理路径的映射关系，可以减少训练过程中为具有相同或近似特征的样本数据重新寻找处理路径的操作，从而提高深度学习模型的训练效率。
图5示意性示出了根据本公开实施例的根据执行时长信息，基于选择策略从预定处理路径中得到第二目标处理路径的信息的流程图。
如图5所示，该方法是对图3中由预定处理路径的执行时长信息336得到第二目标处理路径的信息337的操作的进一步限定，该方法500包括操作S5210～S5240。
在操作S5210，针对第n个样本数据，依次按照S个预定处理子路径执行处理操作，得到S个执行时长信息。
在操作S5220，基于选择策略，根据S个执行时长信息，从S个预定处理子路径中得到第n个目标处理子路径的信息。
在操作S5230，确定n是否小于N。若是，则递增n，返回执行操作S5210。若不是，则得到第二目标处理路径的信息。
根据本公开的实施例，预定处理路径可以由第三方数据库引入深度学习模型中。由于第三方数据库中的处理路径有限，为满足不同应用领域的实际需求，可以接收人工配置的预定处理路径，以扩大对目标处理路径的选择范围。
根据本公开的实施例，无论是从第三方数据库中获取的预定处理路径信息，还是接收人工配置的预定处理路径信息，均可以基于回调机制，将预定处理路径信息以回调函数的形式在深度学习模型中的回调函数容器中进行存储。以便在模型训练过程中，从回调函数容器中调用预定处理路径对样本数据进行处理。
根据本公开的实施例，操作S5210～S5240可以由电子设备执行。电子设备可以是服务器或终端设备。服务器可以是图1中的服务器105。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。
根据本公开的实施例，操作S5220可以包括如下操作：
根据S个执行时长信息，将S个预定处理子路径进行排序，得到排序结果。基于选择策略，根据排序结果，从S个预定处理子路径中得到第n个目标处理子路径的信息。
例如：深度学习模型中内置用于处理样本数据b的预定处理路径可以包括：预定处理子路径Rb1、预定处理子路径Rb2、...、预定处理子路径Rbs。利用深度学习模型按照预定处理子路径Rb1、预定处理子路径Rb2、...、预定处理子路径RbS对样本数据b依次进行处理，得到的执行的时长信息可以包括：预定处理子路径Rb1的执行时长为tb1、预定处理子路径Rb2的执行时长为tb2、...、预定处理子路径RbS的执行时长为tbS。
根据本公开的实施例，基于选择策略从S个预定处理路径中选择出执行时长最短的预定处理路径作为与该样本数据的特征信息对应的目标处理路径。
例如：可以按照每一条路径的执行时长从小到大进行排序，得到排序结果。在tb1＜tb2＜...＜tbS的情况下，排序结果可以为预定处理子路径Rb1、预定处理子路径Rb2、...、预定处理子路径RbS。并将排在第一位的预定处理子路径Rb1作为与样本数据b的数据特征对应的目标处理路径。
根据本公开的实施例，操作S5230可以包括如下操作：
在确定n等于N的情况下，将N个样本数据的特征信息与N个目标处理子路径进行关联存储，得到第二目标处理路径的信息。例如：样本数据b的特征信息可以包括特征ab，将特征ab与目标处理路径Rb1进行关联存储，得到特征ab与目标处理路径Rb1的映射关系。
例如：对于深度学习模型中的卷积算子，在样本特征数据的特征信息与处理路径的映射关系中，与样本数据相关的特征信息可以包括：样本数据的维度特征信息、样本数据的尺寸特征信息、样本数据的格式特征信息、样本数据的排布特征信息等。与处理路径相关的信息可以包括：面向空洞卷积的参数特征信息、卷积组数特征信息、卷积算子的卷积核维度特征信息、卷积算子的移动跨度特征信息等。
例如：对于深度学习模型中的转置算子，在样本特征数据的特征信息与处理路径的映射关系中，与样本数据相关的特征信息与卷积算子中的相同，在此不做赘述。与处理路径相关的信息可以包括转置参数特征信息。
根据本公开的实施例，样本特征数据的特征信息与处理路径的映射关系可以利用哈希存储。
根据本公开的实施例，从预定处理路径的S个预定处理子路径中选择执行时长最短的作为与样本数据特征相对应的目标处理路径，可以减少在后续迭代训练过程中，对于具有相同或类似特征的样本数据重复进行处理路径的筛选操作。
图6示意性示出了根据本公开实施例的由目标处理策略得到中间调整策略的示例示意图。
如图6所示，在600中，对于一组样本数据，利用深度学习模型按照目标处理策略631进行处理。处理路径如下：样本数据1按照目标处理路径r1进行处理(631_1)、样本数据m按照目标处理路径rk进行处理(631_m)、样本数据m+1按照预定处理路径进行处理(631_m+1)、样本数据M按照预定处理路径进行处理(631_M)。
根据本公开的实施例，以样本数据m+1为例，经过深度学习模型处理之后，可以得到在本次处理过程中，每一条预定处理路径的执行时长信息。可以基于图5所示的操作选择出与样本数据m+1的特征相对应的目标处理路径rt。基于此，在得到的中间调整策略632中，样本数据m+1按照目标处理路径rt进行处理。
根据本公开的实施例，基于中间调整策略，可以利用深度学习模型处理另一组样本数据，该组样本数据中的样本数据与前一组样本数据可以部分相同，也可以全部相同，也可以全部不相同。
图7示意性示出了根据本公开实施例的深度学习模型的训练方法的示例示意图。
如图7所示，在700中，深度学习模型的训练阶段可以包括观察阶段701、调整阶段702和训练阶段703。
根据本公开的实施例，可以通过配置训练步骤标识的限制阈值，实现观察阶段701、调整阶段702和训练阶段703的切换操作。例如：下限阈值可以为l，上限阈值可以为L。在0≤训练步骤标识(步骤ID)＜l的情况下，确定该阶段为观察阶段，用于观察深度学习模型对样本数据的处理进程是否通畅。在l≤步骤ID＜L的情况下，确定该阶段为调整阶段，用于调整目标处理策略得到目标调整策略。在步骤ID≥L的情况下，确定该阶段为训练阶段，用于基于目标调整策略，对深度学习模型进行训练。
根据本公开的实施例，在得到目标调整策略的情况下，即使步骤ID仍小于L，也可以切换至训练阶段。在步骤ID≥L且未得到目标调整策略的情况下，也可以切换至训练阶段。
根据本公开的实施例，在调整阶段702可以执行以下操作S7210～操作S7240。
在操作S7210，开启调整阶段的切换组件。
在操作S7220，确定目标处理路径被调用的概率信息是否满足预设阈值。若是，则执行操作S7240。若不是，则执行操作S7230。
在操作S7230，调整目标处理策略。
在操作S7240，得到目标调整策略。
根据本公开的实施例，对于操作S7220中的预设阈值可以通过执行如下操作，调整预设阈值：
将概率信息向客户端发送，并接收反馈信息；根据反馈信息调整预设阈值；以及基于调整后的预设阈值，重新执行深度学习模型算子的优化操作。
根据本公开的实施例，操作S7210～S7240可以由电子设备执行。电子设备可以是服务器或终端设备。服务器可以是图1中的服务器105。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。
根据本公开的实施例，在模型训练过程中，可以根据反馈信息灵活配置观察阶段、调整阶段以及训练阶段之间的切换节点，适用于不同技术领域对深度学习模型训练性能的不同需求。
图8示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。
如图8所示，深度学习模型的训练装置800包括生成模块801、获得模块802、第一调整模块803和第一训练模块804。
生成模块801，用于根据样本数据的特征数据，生成目标处理策略，其中，目标处理策略表征在执行深度学习模型的训练过程中样本数据与处理路径之间的分配策略，处理路径包括第一目标处理路径和预定处理路径。
获得模块802，用于基于目标处理策略，利用深度学习模型对样本数据进行处理，得到第一目标处理路径被调用的概率信息和预定处理路径的执行时长信息。
第一调整模块803，用于根据概率信息和执行时长信息，调整目标处理策略，得到目标调整策略。
第一训练模块804，用于基于目标调整策略，对深度学习模型进行训练，得到经训练的深度学习模型。
根据本公开的实施例，第一调整模块803包括选择子模块、调整子模块、处理子模块和获得子模块。
选择子模块，用于针对I组样本数据中的第i组样本数据，在确定概率信息小于预设阈值的情况下，根据执行时长信息，基于选择策略从预定处理路径中得到第二目标处理路径的信息，其中，i为大于1且小于等于I的整数。
调整子模块，用于根据第二目标处理路径的信息更新样本数据的特征信息与处理路径的映射关系，返回执行目标处理策略的生成操作，得到中间调整策略。
处理子模块，用于基于中间调整策略，返回执行样本数据的处理操作，并递增i。
获得子模块，用于在确定概率信息满足预设阈值的情况下，得到目标调整策略。
根据本公开的实施例，调整子模块包括查询单元和第一获得单元。
查询单元，用于针对第i组样本数据中的m个样本数据的特征信息，从样本数据的特征信息与处理路径的映射关系中查询得到第一目标处理路径的信息。
第一获得单元，用于将m个样本数据与第一目标处理路径进行关联处理，将M-m个样本数据与预定处理路径进行关联处理，得到目标处理策略，其中，m为大于等于1且小于等于M的整数。
根据本公开的实施例，选择子模块包括第二获得单元、第三获得单元、第四获得单元。
第二获得单元，用于针对第n个样本数据，依次按照S个预定处理子路径执行处理操作，得到S个执行时长信息，其中，n为大于等于1且小于等于N的整数，S为大于1的整数，N为大于1且小于等于M的整数。
第三获得单元，用于基于选择策略，根据S个执行时长信息，从S个预定处理子路径中得到第n个目标处理子路径的信息。
第四获得单元，用于在确定n小于N的情况下，返回执行处理操作，并递增n；在确定n等于N的情况下，得到第二目标处理路径的信息。
根据本公开的实施例，第三获得单元包括排序子单元和第一获得子单元。
排序子单元，用于根据S个执行时长信息，将S个预定处理子路径进行排序，得到排序结果。
第一获得子单元，用于基于选择策略，根据排序结果，从S个预定处理子路径中得到第n个目标处理子路径的信息。
根据本公开的实施例，第四获得单元包括第二获得子单元。第二获得子单元，用于在确定n等于N的情况下，将N个样本数据的特征信息与N个目标处理子路径进行关联存储，得到第二目标处理路径的信息。
根据本公开的实施例，获得模块802包括第一获得子模块和第二获得子模块。
第一获得子模块，用于基于目标处理策略，对样本数据进行处理，得到第一目标处理路径被调用的次数信息、预定处理路径被调用的次数信息和预定处理路径的执行时长信息。
第二获得子模块，用于根据第一目标处理路径被调用的次数信息和预定处理路径被调用的次数信息，得到概率信息。
根据本公开的实施例，上述深度学习模型的训练装置800还包括获取模块和存储模块。
获取模块，用于获取深度学习模型预定处理路径信息。
存储模块，用于基于回调机制，将预定处理路径信息以回调函数的形式进行存储。
根据本公开的实施例，上述深度学习模型的训练装置800还包括交互模块、第二调整模块和第二训练模块。
交互模块，用于将概率信息向客户端发送，并接收反馈信息。
第二调整模块，用于根据反馈信息调整预设阈值。
第二训练模块，用于基于调整后的预设阈值，重新执行深度学习模型的训练操作。
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。
根据本公开的实施例，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如上所述的方法。
根据本公开的实施例，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所述的方法。
根据本公开的实施例，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所述的方法。
图9示意性示出了根据本公开实施例的适于实现深度学习模型的训练方法的电子设备的框图。
图9示出了可以用来实施本公开的实施例的适于实现深度学习模型的训练方法的示例电子设备900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处理装置。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9所示，设备900包括处理单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设900操作所需的各种程序和数据。处理单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口805也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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。
处理单元901可以是各种具有处理和处理能力的通用和/或专用处理组件。处理单元901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)处理芯片、各种运行机器学习模型算法的处理单元、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。处理单元901执行上文所描述的各个方法和处理，例如深度学习模型的训练方法。例如，在一些实施例中，深度学习模型的训练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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由处理单元901执行时，可以执行上文描述的深度学习模型的训练方法的一个或多个步骤。备选地，在其他实施例中，处理单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行深度学习模型的训练方法。
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)、复杂可编程逻辑设备(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处理系统(例如，作为数据服务器)、或者包括中间件部件的处理系统(例如，应用服务器)、或者包括前端部件的处理系统(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处理系统中。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，也可以是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 (21)
1.一种深度学习模型的训练方法，包括：
根据样本数据的特征数据，生成目标处理策略，其中，所述目标处理策略表征在执行深度学习模型的训练过程中所述样本数据与处理路径之间的分配策略，所述处理路径包括第一目标处理路径和预定处理路径；所述预定处理路径表征在深度学习模型中用于处理样本数据的默认处理路径；所述第一目标处理路径表征在所述深度学习模型中用于处理所述样本数据的默认处理路径中，处理速度最快的路径；
基于所述目标处理策略，利用所述深度学习模型对所述样本数据进行处理，得到所述第一目标处理路径被调用的概率信息和所述预定处理路径的执行时长信息；以及
根据所述概率信息和所述执行时长信息，调整所述目标处理策略，得到目标调整策略；
基于所述目标调整策略，对所述深度学习模型进行训练，得到经训练的深度学习模型；
其中，所述根据所述概率信息和所述执行时长信息，调整所述目标处理策略，得到目标调整策略，包括：
根据所述执行时长信息，从所述预定处理路径中选择与所述样本数据对应的目标处理路径，以调整样本数据与处理路径之间的分配策略，直至第一目标处理路径被调用的概率信息满足预定阈值，得到目标调整策略。
2.根据权利要求1所述的方法，其中，所述样本数据包括I组样本数据，I为大于1的整数，所述根据所述概率信息和所述执行时长信息，调整所述目标处理策略，得到目标调整策略，包括：
针对I组样本数据中的第i组样本数据，在确定所述概率信息小于预设阈值的情况下，根据所述执行时长信息，基于选择策略从所述预定处理路径中得到第二目标处理路径的信息，其中，i为大于1且小于等于I的整数；
根据所述第二目标处理路径的信息更新样本数据的特征信息与处理路径的映射关系，返回执行目标处理策略的生成操作，得到中间调整策略；
基于所述中间调整策略，返回执行样本数据的处理操作，并递增i；以及
在确定所述概率信息满足预设阈值的情况下，得到所述目标调整策略。
3.根据权利要求2所述的方法，其中，所述第i组样本数据包括M个样本数据，M为大于1的整数，所述目标处理策略的生成操作，包括：
针对所述第i组样本数据中的m个样本数据的特征信息，从样本数据的特征信息与处理路径的映射关系中查询得到第一目标处理路径的信息；以及
将所述m个样本数据与所述第一目标处理路径进行关联处理，将所述M－m个样本数据与所述预定处理路径进行关联处理，得到所述目标处理策略，其中，m为大于等于1且小于等于M的整数。
4.根据权利要求2所述的方法，其中，所述预定处理路径中包括S个预定处理子路径，在所述目标处理策略中与所述预定处理路径对应的样本数据为N个，所述根据所述执行时长信息，基于选择策略从所述预定处理路径中得到第二目标处理路径的信息，包括：
针对第n个样本数据，依次按照所述S个预定处理子路径执行处理操作，得到S个执行时长信息，其中，n为大于等于1且小于等于N的整数，S为大于1的整数，N为大于1且小于等于M的整数；
基于所述选择策略，根据所述S个执行时长信息，从所述S个预定处理子路径中得到第n个目标处理子路径的信息；以及
在确定n小于N的情况下，返回执行所述处理操作，并递增n；在确定n等于N的情况下，得到所述第二目标处理路径的信息。
5.根据权利要求4所述的方法，其中，所述基于所述选择策略，根据所述S个执行时长信息，从所述S个预定处理子路径中得到第n个目标处理子路径的信息，包括：
根据所述S个执行时长信息，将所述S个预定处理子路径进行排序，得到排序结果；以及
基于所述选择策略，根据所述排序结果，从所述S个预定处理子路径中得到第n个目标处理子路径的信息。
6.根据权利要求4所述的方法，其中，在确定n等于N的情况下，得到所述第二目标处理路径的信息，包括：
在确定n等于N的情况下，将N个样本数据的特征信息与N个目标处理子路径进行关联存储，得到所述第二目标处理路径的信息。
7.根据权利要求1所述的方法，其中，所述基于目标处理策略，对所述样本数据进行处理，得到所述第一目标处理路径被调用的概率信息和所述预定处理路径的执行时长信息，包括：
基于目标处理策略，对所述样本数据进行处理，得到所述第一目标处理路径被调用的次数信息、所述预定处理路径被调用的次数信息和所述预定处理路径的执行时长信息；以及
根据所述第一目标处理路径被调用的次数信息和所述预定处理路径被调用的次数信息，得到所述概率信息。
8.根据权利要求1所述的方法，还包括：
获取所述深度学习模型预定处理路径信息；以及
基于回调机制，将所述预定处理路径信息以回调函数的形式进行存储。
9.根据权利要求1所述的方法，还包括：
将所述概率信息向客户端发送，并接收反馈信息；
根据所述反馈信息调整预设阈值；以及
基于调整后的预设阈值，重新执行所述深度学习模型的训练操作。
10.根据权利要求1所述的方法，其中，所述样本数据包括以下至少之一：图像数据、文本数据；
所述样本数据的特征数据包括以下至少之一：图像尺寸特征数据、像素空间排布特征数据、像素尺寸特征数据。
11.一种深度学习模型的训练装置，包括：
生成模块，用于根据样本数据的特征数据，生成目标处理策略，其中，所述目标处理策略表征在执行深度学习模型的训练过程中所述样本数据与处理路径之间的分配策略，所述处理路径包括第一目标处理路径和预定处理路径；所述预定处理路径表征在深度学习模型中用于处理样本数据的默认处理路径；所述第一目标处理路径表征在所述深度学习模型中用于处理所述样本数据的默认处理路径中，处理速度最快的路径；
获得模块，用于基于所述目标处理策略，利用所述深度学习模型对所述样本数据进行处理，得到所述第一目标处理路径被调用的概率信息和所述预定处理路径的执行时长信息；
第一调整模块，用于根据所述概率信息和所述执行时长信息，调整所述目标处理策略，得到目标调整策略；以及
第一训练模块，用于基于所述目标调整策略，对所述深度学习模型进行训练，得到经训练的深度学习模型；
其中，所述根据所述概率信息和所述执行时长信息，调整所述目标处理策略，得到目标调整策略，包括：
根据所述执行时长信息，从所述预定处理路径中选择与所述样本数据对应的目标处理路径，以调整样本数据与处理路径之间的分配策略，直至第一目标处理路径被调用的概率信息满足预定阈值，得到目标调整策略。
12.根据权利要求11所述的装置，其中，所述样本数据包括I组样本数据，I为大于1的整数，所述第一调整模块包括：
选择子模块，用于针对I组样本数据中的第i组样本数据，在确定所述概率信息小于预设阈值的情况下，根据所述执行时长信息，基于选择策略从所述预定处理路径中得到第二目标处理路径的信息，其中，i为大于1且小于等于I的整数；
调整子模块，用于根据所述第二目标处理路径的信息更新样本数据的特征信息与处理路径的映射关系，返回执行目标处理策略的生成操作，得到中间调整策略；
处理子模块，用于基于所述中间调整策略，返回执行样本数据的处理操作，并递增i；以及
获得子模块，用于在确定所述概率信息满足预设阈值的情况下，得到所述目标调整策略。
13.根据权利要求12所述的装置，其中，所述第i组样本数据包括M个样本数据，M为大于1的整数，所述调整子模块包括：
查询单元，用于针对所述第i组样本数据中的m个样本数据的特征信息，从样本数据的特征信息与处理路径的映射关系中查询得到第一目标处理路径的信息；以及
第一获得单元，用于将所述m个样本数据与所述第一目标处理路径进行关联处理，将所述M－m个样本数据与所述预定处理路径进行关联处理，得到所述目标处理策略，其中，m为大于等于1且小于等于M的整数。
14.根据权利要求12所述的装置，其中，所述预定处理路径中包括S个预定处理子路径，在所述目标处理策略中与所述预定处理路径对应的样本数据为N个，所述选择子模块包括：
第二获得单元，用于针对第n个样本数据，依次按照所述S个预定处理子路径执行处理操作，得到S个执行时长信息，其中，n为大于等于1且小于等于N的整数，S为大于1的整数，N为大于1且小于等于M的整数；
第三获得单元，用于基于所述选择策略，根据所述S个执行时长信息，从所述S个预定处理子路径中得到第n个目标处理子路径的信息；以及
第四获得单元，用于在确定n小于N的情况下，返回执行所述处理操作，并递增n；在确定n等于N的情况下，得到所述第二目标处理路径的信息。
15.根据权利要求14所述的装置，其中，所述第三获得单元包括：
排序子单元，用于根据所述S个执行时长信息，将所述S个预定处理子路径进行排序，得到排序结果；以及
第一获得子单元，用于基于所述选择策略，根据所述排序结果，从所述S个预定处理子路径中得到第n个目标处理子路径的信息。
16.根据权利要求14所述的装置，其中，所述第四获得单元包括：
第二获得子单元，用于在确定n等于N的情况下，将N个样本数据的特征信息与N个目标处理子路径进行关联存储，得到所述第二目标处理路径的信息。
17.根据权利要求11所述的装置，其中，所述获得模块包括：
第一获得子模块，用于基于目标处理策略，对所述样本数据进行处理，得到所述第一目标处理路径被调用的次数信息、所述预定处理路径被调用的次数信息和所述预定处理路径的执行时长信息；以及
第二获得子模块，用于根据所述第一目标处理路径被调用的次数信息和所述预定处理路径被调用的次数信息，得到所述概率信息。
18.根据权利要求11所述的装置，还包括：
获取模块，用于获取所述深度学习模型预定处理路径信息；以及
存储模块，用于基于回调机制，将所述预定处理路径信息以回调函数的形式进行存储。
19.根据权利要求11所述的装置，还包括：
交互模块，用于将所述概率信息向客户端发送，并接收反馈信息；
第二调整模块，用于根据所述反馈信息调整预设阈值；以及
第二训练模块，用于基于调整后的预设阈值，重新执行所述深度学习模型的训练操作。
20.一种电子设备，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1-10中任一项所述的方法。
21.一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1-10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211497826.4A CN115936091B (zh) | 2022-11-24 | 2022-11-24 | 深度学习模型的训练方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211497826.4A CN115936091B (zh) | 2022-11-24 | 2022-11-24 | 深度学习模型的训练方法、装置、电子设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115936091A CN115936091A (zh) | 2023-04-07 |
| CN115936091B true CN115936091B (zh) | 2024-03-08 |
Family
ID=86651913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211497826.4A Active CN115936091B (zh) | 2022-11-24 | 2022-11-24 | 深度学习模型的训练方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936091B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241291A (zh) * | 2018-07-18 | 2019-01-18 | 华南师范大学 | 基于深度强化学习的知识图谱最优路径查询系统及其方法 |
| WO2019169986A1 (zh) * | 2018-03-05 | 2019-09-12 | 华为技术有限公司 | 数据处理方法、装置及系统 |
| CN111931801A (zh) * | 2020-05-28 | 2020-11-13 | 浙江大学 | 一种基于路径多样性与一致性的动态路由网络学习方法 |
| CN113222139A (zh) * | 2021-04-27 | 2021-08-06 | 商汤集团有限公司 | 神经网络训练方法和装置、设备，及计算机存储介质 |
| CN113705653A (zh) * | 2021-08-23 | 2021-11-26 | 上海商汤临港智能科技有限公司 | 模型生成方法及装置、电子设备和存储介质 |
| CN113851113A (zh) * | 2021-09-27 | 2021-12-28 | 维沃移动通信有限公司 | 模型训练方法及装置、语音唤醒方法及装置 |
| CN113961351A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 深度学习模型的分布式训练方法、装置、设备及存储介质 |
| CN114065864A (zh) * | 2021-11-19 | 2022-02-18 | 北京百度网讯科技有限公司 | 联邦学习方法、联邦学习装置、电子设备以及存储介质 |
| CN114543831A (zh) * | 2022-04-18 | 2022-05-27 | 季华实验室 | 基于驾驶风格的路径规划方法、装置、设备及存储介质 |
| CN114882321A (zh) * | 2022-05-30 | 2022-08-09 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、目标对象检测方法和装置 |
| JP2022173453A (ja) * | 2021-12-10 | 2022-11-18 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330522B (zh) * | 2017-07-04 | 2021-06-08 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
| US11914606B2 (en) * | 2019-03-04 | 2024-02-27 | Walmart Apollo, Llc | Systems and methods for a machine learning framework |
-
2022
- 2022-11-24 CN CN202211497826.4A patent/CN115936091B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019169986A1 (zh) * | 2018-03-05 | 2019-09-12 | 华为技术有限公司 | 数据处理方法、装置及系统 |
| CN109241291A (zh) * | 2018-07-18 | 2019-01-18 | 华南师范大学 | 基于深度强化学习的知识图谱最优路径查询系统及其方法 |
| CN111931801A (zh) * | 2020-05-28 | 2020-11-13 | 浙江大学 | 一种基于路径多样性与一致性的动态路由网络学习方法 |
| CN113222139A (zh) * | 2021-04-27 | 2021-08-06 | 商汤集团有限公司 | 神经网络训练方法和装置、设备，及计算机存储介质 |
| CN113705653A (zh) * | 2021-08-23 | 2021-11-26 | 上海商汤临港智能科技有限公司 | 模型生成方法及装置、电子设备和存储介质 |
| CN113851113A (zh) * | 2021-09-27 | 2021-12-28 | 维沃移动通信有限公司 | 模型训练方法及装置、语音唤醒方法及装置 |
| CN113961351A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 深度学习模型的分布式训练方法、装置、设备及存储介质 |
| CN114065864A (zh) * | 2021-11-19 | 2022-02-18 | 北京百度网讯科技有限公司 | 联邦学习方法、联邦学习装置、电子设备以及存储介质 |
| JP2022173453A (ja) * | 2021-12-10 | 2022-11-18 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム |
| CN114543831A (zh) * | 2022-04-18 | 2022-05-27 | 季华实验室 | 基于驾驶风格的路径规划方法、装置、设备及存储介质 |
| CN114882321A (zh) * | 2022-05-30 | 2022-08-09 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、目标对象检测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 深度强化学习研究综述;赵星宇等;《计算机科学》(第07期);7-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115936091A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561078B (zh) | 分布式的模型训练方法及相关装置 | |
| CN108733508B (zh) | 用于控制数据备份的方法和系统 | |
| CN112597754B (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
| CN114065864B (zh) | 联邦学习方法、联邦学习装置、电子设备以及存储介质 | |
| CN112527649A (zh) | 一种测试用例的生成方法和装置 | |
| CN113627536B (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN109753424B (zh) | Ab测试的方法和装置 | |
| CN114816393B (zh) | 信息生成方法、装置、设备以及存储介质 | |
| CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
| CN114428907A (zh) | 信息搜索方法、装置、电子设备及存储介质 | |
| CN113642710B (zh) | 一种网络模型的量化方法、装置、设备和存储介质 | |
| CN112506359B (zh) | 输入法中候选长句的提供方法、装置及电子设备 | |
| CN115936091B (zh) | 深度学习模型的训练方法、装置、电子设备以及存储介质 | |
| CN112667368A (zh) | 一种任务数据处理方法和装置 | |
| CN113516185B (zh) | 模型训练的方法、装置、电子设备及存储介质 | |
| CN116933189A (zh) | 一种数据检测方法和装置 | |
| CN110019671B (zh) | 一种处理实时消息的方法和系统 | |
| CN113312521B (zh) | 内容检索方法、装置、电子设备和介质 | |
| CN114449031B (zh) | 信息获取方法、装置、设备和存储介质 | |
| CN112507197B (zh) | 模型搜索方法、装置、电子设备、存储介质和程序产品 | |
| CN114861651B (zh) | 一种模型训练优化方法、计算设备、电子设备及存储介质 | |
| CN116088692B (zh) | 用于呈现候选字符串和训练判别式模型的方法和装置 | |
| CN113408664B (zh) | 训练方法、分类方法、装置、电子设备以及存储介质 | |
| CN116187473B (zh) | 联邦学习方法、装置、电子设备和计算机可读存储介质 | |
| CN113762510B (zh) | 针对目标模型的数据处理方法、装置、电子设备和介质 |
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 |