CN116402113B - 一种任务执行的方法、装置、存储介质及电子设备 - Google Patents
一种任务执行的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116402113B CN116402113B CN202310676070.8A CN202310676070A CN116402113B CN 116402113 B CN116402113 B CN 116402113B CN 202310676070 A CN202310676070 A CN 202310676070A CN 116402113 B CN116402113 B CN 116402113B
- Authority
- CN
- China
- Prior art keywords
- sample data
- feature vector
- determining
- dimension combination
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 192
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000002372 labelling Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006798 recombination Effects 0.000 claims description 9
- 238000005215 recombination Methods 0.000 claims description 9
- 238000010187 selection method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008521 reorganization Effects 0.000 description 4
- 230000000153 supplemental effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000002493 microarray Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开一种任务执行的方法、装置、存储介质及电子设备,其中,重点在于在训练用于任务执行的预测模型时,获取各样本数据以及各样本数据对应的标注信息,并根据各样本数据对应的各候选维度,确定若干维度组合,而后,针对每个维度组合,按照该维度组合,确定各样本数据对应的特征向量,并对各样本数据对应的特征向量进行聚类,根据聚类结果以及样本数据对应的标注信息,确定该维度组合的合理度,继而根据各维度组合的合理度,确定目标维度组合,并根据目标维度组合,通过各样本数据以及各样本数据对应的标注信息,构建训练样本。最后,根据训练样本,训练预测模型,从而提高了模型训练的效率和效果。
Description
技术领域
本说明书涉及神经网络领域,尤其涉及一种任务执行的方法、装置、存储介质及电子设备。
背景技术
当前,神经网络模型在各行各业中应用的十分广泛,提高了各行各业的智能化。
通常,在训练神经网络模型时,需要将样本数据转换为特征向量的形式,以使神经网络模型在模型训练过程中对样本数据中各种维度下的数据进行学习,但是,在现有技术中,构建出的样本数据的特征向量通常维度过高,不但模型训练效率较差,也存在训练出的神经网络模型的效果较差的问题。
所以,如何提高神经网络模型的训练效率以及效果,则是一个亟待解决的问题。
发明内容
本说明书提供一种任务执行的方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种任务执行的方法,包括:
接收任务执行指令;
根据所述任务执行指令,通过预先训练的预测模型,得到预测结果,并根据所述预测结果,进行任务执行,其中,通过以下步骤训练所述预测模型:
获取各样本数据以及所述各样本数据对应的标注信息;
根据所述各样本数据对应的各候选维度,确定若干维度组合;
针对每个维度组合,按照该维度组合,确定所述各样本数据对应的特征向量;
对所述各样本数据对应的特征向量进行聚类,根据聚类结果以及所述样本数据对应的标注信息,确定该维度组合的合理度;
根据各维度组合的合理度,确定目标维度组合,并根据所述目标维度组合,通过所述各样本数据以及所述各样本数据对应的标注信息,构建训练样本;
根据所述训练样本,训练所述预测模型。
可选地,对所述样本数据对应的特征向量进行聚类,根据聚类结果以及所述样本数据对应的标注信息,确定该维度组合的合理度,具体包括:
针对每个样本数据,以该样本数据对应的特征向量为聚类中心,将所述各样本数据对应的特征向量进行聚类,得到聚类结果;
根据除该样本数据外的其他样本数据对应的标注信息与所述聚类结果之间的匹配程度,确定该样本数据对应的评分;
根据各样本数据对应的评分,确定该维度组合的合理度。
可选地,根据各样本数据对应的评分,确定该维度组合的合理度之前,所述方法还包括:
将所述各样本数据中部分样本数据的特征向量与另一部分样本数据的特征向量之间进行重组,得到重组后的特征向量;
按照重组后的特征向量,对所述各样本数据对应的特征向量进行聚类,得到聚类结果;
根据所述聚类结果以及所述各样本数据对应的标注信息,确定重组后的特征向量对应的评分;
根据各样本数据对应的评分,确定该维度组合的合理度,具体包括:
根据所述各样本数据对应的评分以及所述重组后的特征向量对应的评分,确定该维度组合的合理度。
可选地,将所述各样本数据中部分样本数据的特征向量与另一部分样本数据的特征向量,进行重组,得到重组后的特征向量,具体包括:
确定评分位于预设排位前的样本数据,作为第一样本数据,以及确定评分位于预设排位后的样本数据,作为第二样本数据;
根据所述第一样本数据对应的特征向量,以及所述第二样本数据对应的特征向量,进行特征向量重组,得到重组后的特征向量。
可选地,将所述各样本数据中部分样本数据的特征向量与另一部分样本数据的特征向量,进行重组,得到重组后的特征向量,具体包括:
通过轮盘选择法,从所述各样本数据中选取出部分样本数据,作为第一样本数据,以及确定除选取出的部分样本数据之间的剩余样本数据,作为第二样本数据;
根据所述第一样本数据对应的特征向量,以及所述第二样本数据对应的特征向量,进行特征向量重组,得到重组后的特征向量。
可选地,根据所述各样本数据对应的评分以及所述重组后的特征向量对应的评分,确定该维度组合的合理度,具体包括:
根据所述各样本数据对应的评分以及所述重组后的特征向量对应的评分中的最高评分,确定该维度组合的合理度。
可选地,所述方法还包括:
根据评分高于预设评分的重组后的特征向量,构建补充训练样本。
本说明书提供了一种任务执行的装置,包括:
接收模块,用于接收任务执行指令;
执行模块,用于根据所述任务执行指令,通过预先训练的预测模型,得到预测结果,并根据所述预测结果,进行任务执行:
训练模块,用于获取各样本数据以及所述各样本数据对应的标注信息;根据所述各样本数据对应的各候选维度,确定若干维度组合;针对每个维度组合,按照该维度组合,确定所述各样本数据对应的特征向量;对所述各样本数据对应的特征向量进行聚类,根据聚类结果以及所述样本数据对应的标注信息,确定该维度组合的合理度;根据各维度组合的合理度,确定目标维度组合,并根据所述目标维度组合,通过所述各样本数据以及所述各样本数据对应的标注信息,构建训练样本;根据所述训练样本,训练所述预测模型。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
从上述任务执行的方法中可以看出,接收任务执行指令,并根据任务执行指令,通过预先训练的预测模型,得到预测结果,并根据该预测结果,进行任务执行,其中,可以通过以下步骤训练该预测模型:获取各样本数据以及各样本数据对应的标注信息,并根据各样本数据对应的各候选维度,确定若干维度组合,而后,针对每个维度组合,按照该维度组合,确定各样本数据对应的特征向量,并对各样本数据对应的特征向量进行聚类,根据聚类结果以及样本数据对应的标注信息,确定该维度组合的合理度,继而根据各维度组合的合理度,确定目标维度组合,并根据目标维度组合,通过各样本数据以及各样本数据对应的标注信息,构建训练样本。最后,根据训练样本,训练预测模型。
从上述内容中可以看出,本说明书提供的任务执行的方法中,在构建用于训练预测模型的训练样本时,通过聚类的方式,确定出了维度组合的合理度,从而相比于使用样本数据的全部维度(特征维度),可以选取出更为合理的维度组合,并基于更为合理的维度组合,构建训练样本进行训练,从而提高了模型训练的效率和效果。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种任务执行的方法的流程示意图;
图2为本说明书中提供的一种特征向量随机单点分割交叉的方式;
图3为本说明书中提供的一种特征向量随机双点分割交叉的方式;
图4为本说明书中提供的一种特征向量均等分割交叉的方式;
图5为本说明书中提供的一种特征向量随机置换的方式;
图6为本说明书中一种任务执行的装置示意图;
图7为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种任务执行的方法的流程示意图,具体包括以下步骤:
S100:接收任务执行指令。
S102:根据所述任务执行指令,通过预先训练的预测模型,得到预测结果,并根据所述预测结果,进行任务执行。
在本说明书中,提供构建用于训练模型的训练样本的方式,可以通过构建出的训练样本进行模型训练,该模型可以应用在多种场景的业务中。
具体的,服务器可以接收任务执行指令,并根据该任务执行指令,通过预先训练的预测模型,得到预测结果,并根据该预测结果,进行任务执行。
其中,将在S104中说明构建用于训练该预测模型的训练样本的方式,在此不限定该预测模型的具体类型和应用场景,该预测模型可以用于信息推荐、机器人的行为控制、以及基于微阵列芯片的基因识别、医疗等领域中。
例如,在医疗场景中,预测模型可以用于病情诊断,输入模型的样本数据的维度可以包括年龄、图像、与病例相关的数据、曾用药物等等。在机器人场景中,预测模型可以用于进行机器人的动作决策,输入的样本数据的维度可以包括:传感器相关的数据,图像、定位相关的数据、环境相关的数据等等。
因此,上述提到的任务执行指令是对应于实际的业务场景,若预测模型用于病情诊断,则服务器接收的任务执行指令用于指示服务器通过预测模型确定病情诊断结果,若预测模型用于机器人动作决策,则服务器接收的任务执行指令用于指示服务器通过预测模型确定机器人的动作决策结果。
服务器可以根据预测模型给出的结果,进行任务执行,如,展示给用户病情诊断结果;基于动作决策结果控制机器人的动作等。
为了便于上述,将本方法的执行主体作为服务器进行描述,当然,本说明书中不对本方法的执行主体进行限定,可以是服务器、笔记本电脑、台式电脑、大型的云服务平台等。
S104:训练所述预测模型:获取各样本数据以及所述各样本数据对应的标注信息;根据所述各样本数据对应的各候选维度,确定若干维度组合;针对每个维度组合,按照该维度组合,确定所述各样本数据对应的特征向量;对所述各样本数据对应的特征向量进行聚类,根据聚类结果以及所述样本数据对应的标注信息,确定该维度组合的合理度;根据各维度组合的合理度,确定目标维度组合,并根据所述目标维度组合,通过所述各样本数据以及所述各样本数据对应的标注信息,构建训练样本;根据所述训练样本,训练所述预测模型。
在训练上述预测模型时,需要先对训练样本进行构建,其中,可以先获取到样本数据以及各样本数据对应的标注信息。这里提到的样本数据对应的标注信息可以是指针对样本数据的类别进行预先标注的分类信息。
而后,可以根据各样本数据对应的各候选维度,确定出若干维度组合,并针对每个维度组合,按照该维度组合,确定各样本数据对应的特征向量;对各样本数据对应的特征向量进行聚类,根据聚类结果以及样本数据对应的标注信息,确定该维度组合的合理度。
也就是说,对于一个样本数据来说,该样本数据是由多个维度组成的,这里提到的维度可以是指样本数据的特征维度。通常,不需要通过样本数据对应的全部维度来确定出样本数据的特征向量,在模型训练中选取出更为合理的维度,能够提高模型分类的效果,并且相比于使用全部维度,也能够降低模型的计算时间,因此,本说明书主要涉及如何选取出用于模型训练的维度(特征维度)的方式。
那么从上述内容也可以看出,在本说明书中可以,从各候选维度中选取出若干维度进行组合,得到维度组合。在此,得到维度组合的方式可以是,从候选维度中选取出预设数量的维度,从而得到某一个维度组合,不同维度组合之间至少存在一个不同的维度。例如,假设候选维度共有100个,则可以看从候选维度中选取出5个维度,组合一个维度组合。
而后,可以确定哪些维度组合是在模型训练阶段有利于模型进行分类的维度组合,因此,对于一个维度组合来说,可以基于该维度组合,确定出各样本数据的特征向量,也就是说,可以确定出样本数据在该维度组合下的特征向量。
而后,对于通过同一维度组合确定出的样本数据的特征向量,可以将这些特征向量进行聚类,由于每个样本数据对应有标注信息,那么通过聚类的结果和标注信息可以表示出基于这种维度组合确定出的样本数据的特征向量,是否能够有效地将样本数据分类。因此,可以通过聚类结果和样本数据的标注信息,确定出该维度组合的合理度。
那么具体如何确定该维度组合的合理度,可以针对每个样本数据,以该样本数据对应的特征向量为聚类中心,将各样本数据对应的特征向量进行聚类,得到聚类结果;并根据除该样本数据外的其他样本数据对应的标注信息与聚类结果之间的匹配程度,确定该样本数据对应的评分;并根据各样本数据对应的评分,确定该维度组合的合理度。需要说明的是,对聚类的方式不进行限定,具体可以通过K近邻(K-NearestNeighbor,KNN)的方式进行聚类。进行一次聚类的聚类簇的数量不对此进行限定。
上述提到的确定出的样本数据对应的评分,实质上是确定出的对样本数据在该维度组合下的特征向量的评分,即,评价该维度组合下的该特征向量是否具有较好的分类能力。
具体的,可以随机选取出某个,或某几个样本数据对应的特征向量为聚类中心,对各样本数据进行聚类,当一个样本数据作为聚类中心时,可以确定出以该样本数据为中心的聚类簇中,与该样本数据的标注信息相一致的样本数据的数量,而该数量越多,则该样本数据所对应的评分可以越高。
当然,还可以确定出与该样本数据的标注信息一致,但未被聚类到该样本数据为中心的聚类簇中的样本数据的数量,而该数量越多,则该样本数据所对应的评分可以越低。
需要说明的是,为了避免遇到局部最优解的问题,可以将这些样本数据的特征向量进行进化,以求得到更高评分的特征向量。即,可以将各样本数据中部分样本数据的特征向量与另一部分样本数据的特征向量之间进行重组,得到重组后的特征向量,按照重组后的特征向量,对各样本数据对应的特征向量进行聚类,得到聚类结果;以及根据聚类结果以及各样本数据对应的标注信息,确定重组后的特征向量对应的评分。
也就是说,仅对样本数据对应的特征向量进行评分,可能会存在陷入到局部最优解的问题,那么为了能够得到全局最优解,可以将不同样本数据的特征向量进行组合,从而得到新的特征向量,再通过同样的聚类的方式,对新的特征向量进行评分。并且,可以不断进行迭代,即,样本数据对应的特征向量与新的特征向量之间可以继续进行组合,新的特征向量之间也可以继续进行组合,也可以通过同样的聚类的方式,对组合后的特征向量进行评分,可以在存在评分高于预设阈值的特征向量时,停止迭代。
需要说明的是,可以将相同标注信息的样本数据的特征向量进行组合。并且,在进行组合时,可以将评分较高的样本数据的特征向量和评分较低的样本数据的特征向量之间进行组合,也可以随机将一些样本数据的特征向量之间进行组合。
例如,可以确定评分位于预设排位前的样本数据,作为第一样本数据,以及确定评分位于预设排位后的样本数据,作为第二样本数据;根据第一样本数据对应的特征向量,以及第二样本数据对应的特征向量,进行特征向量重组,得到重组后的特征向量。即,可以将评分排在前n的样本数据的特征向量与评分排在后k的样本数据的特征向量之间进行组合,得到重组后的特征向量,其中,n和k的具体数目不进行限定。
再例如,可以通过轮盘选择法,从各样本数据中选取出部分样本数据,作为第一样本数据,以及确定除选取出的部分样本数据之间的剩余样本数据,作为第二样本数据,进而根据第一样本数据对应的特征向量,以及第二样本数据对应的特征向量,进行特征向量重组,得到重组后的特征向量。也就是说,可以通过轮盘选择法,随机选取出一部分样本数据,再将这一部分样本数据的特征向量与另一部分的样本数据的特征向量之间进行重组,从而得到重组后的特征向量。
具体的,进行特征向量重组的方式可以存在多种,如图2~图5所示。
图2为本说明书中提供的一种特征向量随机单点分割交叉的方式。
图3为本说明书中提供的一种特征向量随机双点分割交叉的方式。
图4为本说明书中提供的一种特征向量均等分割交叉的方式。
图5为本说明书中提供的一种特征向量随机置换的方式。
对于需要进行重组的两个特征向量,可以通过多种方式进行重组,其中,图2~图4中特征向量1 (Parent 1)和特征向量2(Parent 2)为需要进行重组的特征向量,特征向量3(Offspring 1)和特征向量4(Offspring 2)为重组后的特征向量。
在图2中,进行重组的方式为随机单点分割交叉,即,可以随将特征向量中的前几个或后几个特征值进行互换,在图3中进行重组的方式为随机双点分割交叉,可以随机将特征向量中的特征值进行两两的互换。
在图4中进行重组的方式为随机数量的均等分割交叉,从而得到重组后的特征向量,其中,在图4中可以是遵照Mask:0 0 1 1 0 0 1 0,将两个特征向量进行重组的。
在图5中为随机置换向量操作,即,随机选取出特征向量中的某个特征值并随机置换为另一值,可以看出,重组后的特征向量不仅仅可以通过两个特征向量之间组合得到,也可以直接将一个特征向量中的某个特征值进行更改得到。
需要说明的是,通过轮盘选择法,可以先选出部分特征向量,留用;余下选出部分特征向量,互相组合替代,得到重组后的特征向量;剩余部分特征向量,随机置换向量,从而得到重组后的特征向量。
而后,对于该维度组合来说,可以根据各样本数据对应的评分以及重组后的特征向量对应的评分,来确定出该维度组合的合理度。
具体可以将该维度组合中特征向量的最高评分,作为该维度组合的合理度,也可以根据高于预设阈值的评分,确定出该维度组合的合理度。
而如何根据各维度组合的合理度,来确定出目标维度组合时,可以通过各维度组合的合理度,确定出符合条件的维度组合,作为目标维度组合,例如,若一个维度组合中任意特征向量所对应的评分高于预设评分,则可以将该维度组合作为目标维度组合。再例如,对于一个维度组合来说,若根据该维度组合中各特征向量所对应的评分,确定出大部分样本数据可以被准确分类,则可以确定该维度组合为目标维度组合。再例如,若该维度组合对应的合理度大于预设合理度,则可以确定该维度组合为目标维度组合。
上述提到的预设评分、预设阈值、预设合理度等均可以预先人为进行设定。
其中,可以确定出各样本数据对应的评分以及重组后的特征向量对应的评分高于预设阈值的评分,然后通过高于预设阈值的评分,确定出该维度组合的合理度。
之所以可以确定出高于预设阈值的评分,是因为,若一个维度组合中不存在任何特征向量的评分高于预设阈值,则该维度组合中不存在任何一个特征向量能够将样本数据分类的较好。因此,若一个维度组合中不存在任何特征向量的评分高于预设阈值,则维度组合不为目标维度组合,而若该维度组合中的特征向量的评分存在高于预设阈值的评分,则可以将高于预设阈值的评分所对应的特征向量(该特征向量可能是样本数据的特征向量,也可能是重组后的特征向量)进行留用,并通过该特征向量,确定该维度组合的合理度。
确定出目标维度组合后,可以根据该目标维度组合,通过各样本数据以及各样本数据对应的标注信息,构建训练样本,进而根据构建出的训练样本,训练上述预测模型。也就是说,训练样本的样本特征可以通过该目标维度组合来确定。
需要说明的是,可以直接按照目标维度组合中的维度,构建训练样本。另外,确定出的目标维度组合可能会不唯一,而具体按照目标维度组合中的哪些维度确定样本数据的样本特征,则可以确定出在每个目标维度组合出现频率较高(如高于预设频率)的维度,作为目标维度,并按照目标维度确定样本数据的样本特征。
还需说明的是,评分高于预设评分的重组后的特征向量,还可以用于构建补充训练样本,即,该重组后的特征向量可以作为样本特征,而该重组后的特征向量可以由两个相同标注信息的样本数据的特征向量重组得到,因此重组后的特征向量对应的标注信息,可以为这两个样本数据对应的标注信息,通过重组后的特征向量及其对应的标注信息,可以构成补充训练样本,并可以通过补充训练样本对预测模型进行训练。
从上述方法中可以看出,本方法可以通过聚类的方式,确定出较为合理的维度组合,从而,构建出的训练样本的样本特征,是基于合理的维度组合来构建的,从而能够提高模型训练的效率和效果。
并且,在确定维度组合时,可以将特征向量进行不断进化,以求得到评分更高的特征向量(即,分类效果更好的特征向量),从而避免了局部最优解的问题,能够更加准确的确定出合理的维度组合。
以上为本说明书的一个或多个实施例提供的任务执行的方法,基于同样的思路,本说明书还提供了相应的任务执行的装置,如图6所示。
图6为本说明书提供的一种任务执行的装置示意图,具体包括:
接收模块601,用于接收任务执行指令;
执行模块602,用于根据所述任务执行指令,通过预先训练的预测模型,得到预测结果,并根据所述预测结果,进行任务执行:
训练模块603,用于获取各样本数据以及所述各样本数据对应的标注信息;根据所述各样本数据对应的各候选维度,确定若干维度组合;针对每个维度组合,按照该维度组合,确定所述各样本数据对应的特征向量;对所述各样本数据对应的特征向量进行聚类,根据聚类结果以及所述样本数据对应的标注信息,确定该维度组合的合理度;根据各维度组合的合理度,确定目标维度组合,并根据所述目标维度组合,通过所述各样本数据以及所述各样本数据对应的标注信息,构建训练样本;根据所述训练样本,训练所述预测模型。
可选地,所述训练模块603具体用于,针对每个样本数据,以该样本数据对应的特征向量为聚类中心,将所述各样本数据对应的特征向量进行聚类,得到聚类结果;根据除该样本数据外的其他样本数据对应的标注信息与所述聚类结果之间的匹配程度,确定该样本数据对应的评分;根据各样本数据对应的评分,确定该维度组合的合理度。
可选地,所述训练模块603具体用于,将所述各样本数据中部分样本数据的特征向量与另一部分样本数据的特征向量之间进行重组,得到重组后的特征向量;按照重组后的特征向量,对所述各样本数据对应的特征向量进行聚类,得到聚类结果;根据所述聚类结果以及所述各样本数据对应的标注信息,确定重组后的特征向量对应的评分;根据所述各样本数据对应的评分以及所述重组后的特征向量对应的评分,确定该维度组合的合理度。
可选地,所述训练模块603具体用于,确定评分位于预设排位前的样本数据,作为第一样本数据,以及确定评分位于预设排位后的样本数据,作为第二样本数据;根据所述第一样本数据对应的特征向量,以及所述第二样本数据对应的特征向量,进行特征向量重组,得到重组后的特征向量。
可选地,所述训练模块603具体用于,通过轮盘选择法,从所述各样本数据中选取出部分样本数据,作为第一样本数据,以及确定除选取出的部分样本数据之间的剩余样本数据,作为第二样本数据;根据所述第一样本数据对应的特征向量,以及所述第二样本数据对应的特征向量,进行特征向量重组,得到重组后的特征向量。
可选地,所述训练模块603具体用于,根据所述各样本数据对应的评分以及所述重组后的特征向量对应的评分中中的最高评分,确定该维度组合的合理度。
可选地,所述训练模块603具体用于,根据评分高于预设评分的重组后的特征向量,构建补充训练样本。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述任务执行的方法。
本说明书还提供了图7所示的电子设备的示意结构图。如图7所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述任务执行的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种任务执行的方法,其特征在于,包括:
接收任务执行指令;
根据所述任务执行指令,通过预先训练的预测模型,得到预测结果,并根据所述预测结果,进行任务执行,其中,通过以下步骤训练所述预测模型:
获取各样本数据以及所述各样本数据对应的标注信息,其中,若在医疗场景中,所述预测模型用于病情诊断,输入到所述预测模型中的样本数据的维度包括:年龄、图像、与病例相关的数据、曾用药物信息中的至少一种,若在机器人场景中,所述预测模型用于进行机器人的动作决策,输入到所述预测模型中的样本数据的维度包括:传感器相关的数据,图像、定位相关的数据、环境相关的数据中的至少一种;
根据所述各样本数据对应的各候选维度,确定若干维度组合;
针对每个维度组合,按照该维度组合,确定所述各样本数据对应的特征向量;
针对每个样本数据,以该样本数据对应的特征向量为聚类中心,将所述各样本数据对应的特征向量进行聚类,得到聚类结果,根据除该样本数据外的其他样本数据对应的标注信息与所述聚类结果之间的匹配程度,确定该样本数据对应的评分,根据各样本数据对应的评分,确定该维度组合的合理度;
根据各维度组合的合理度,确定目标维度组合,并根据所述目标维度组合,通过所述各样本数据以及所述各样本数据对应的标注信息,构建训练样本;
根据所述训练样本,训练所述预测模型。
2.如权利要求1所述的方法,其特征在于,根据各样本数据对应的评分,确定该维度组合的合理度之前,所述方法还包括:
将所述各样本数据中部分样本数据的特征向量与另一部分样本数据的特征向量之间进行重组,得到重组后的特征向量;
按照重组后的特征向量,对所述各样本数据对应的特征向量进行聚类,得到聚类结果;
根据所述聚类结果以及所述各样本数据对应的标注信息,确定重组后的特征向量对应的评分;
根据各样本数据对应的评分,确定该维度组合的合理度,具体包括:
根据所述各样本数据对应的评分以及所述重组后的特征向量对应的评分,确定该维度组合的合理度。
3.如权利要求2所述的方法,其特征在于,将所述各样本数据中部分样本数据的特征向量与另一部分样本数据的特征向量,进行重组,得到重组后的特征向量,具体包括:
确定评分位于预设排位前的样本数据,作为第一样本数据,以及确定评分位于预设排位后的样本数据,作为第二样本数据;
根据所述第一样本数据对应的特征向量,以及所述第二样本数据对应的特征向量,进行特征向量重组,得到重组后的特征向量。
4.如权利要求2所述的方法,其特征在于,将所述各样本数据中部分样本数据的特征向量与另一部分样本数据的特征向量,进行重组,得到重组后的特征向量,具体包括:
通过轮盘选择法,从所述各样本数据中选取出部分样本数据,作为第一样本数据,以及确定除选取出的部分样本数据之间的剩余样本数据,作为第二样本数据;
根据所述第一样本数据对应的特征向量,以及所述第二样本数据对应的特征向量,进行特征向量重组,得到重组后的特征向量。
5.如权利要求2所述的方法,其特征在于,根据所述各样本数据对应的评分以及所述重组后的特征向量对应的评分,确定该维度组合的合理度,具体包括:
根据所述各样本数据对应的评分以及所述重组后的特征向量对应的评分中的最高评分,确定该维度组合的合理度。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据评分高于预设评分的重组后的特征向量,构建补充训练样本。
7.一种任务执行的装置,其特征在于,包括:
接收模块,用于接收任务执行指令;
执行模块,用于根据所述任务执行指令,通过预先训练的预测模型,得到预测结果,并根据所述预测结果,进行任务执行:
训练模块,用于获取各样本数据以及所述各样本数据对应的标注信息,其中,若在医疗场景中,所述预测模型用于病情诊断,输入到所述预测模型中的样本数据的维度包括:年龄、图像、与病例相关的数据、曾用药物信息中的至少一种,若在机器人场景中,所述预测模型用于进行机器人的动作决策,输入到所述预测模型中的样本数据的维度包括:传感器相关的数据,图像、定位相关的数据、环境相关的数据中的至少一种;根据所述各样本数据对应的各候选维度,确定若干维度组合;针对每个维度组合,按照该维度组合,确定所述各样本数据对应的特征向量;针对每个样本数据,以该样本数据对应的特征向量为聚类中心,将所述各样本数据对应的特征向量进行聚类,得到聚类结果,根据除该样本数据外的其他样本数据对应的标注信息与所述聚类结果之间的匹配程度,确定该样本数据对应的评分,根据各样本数据对应的评分,确定该维度组合的合理度;根据各维度组合的合理度,确定目标维度组合,并根据所述目标维度组合,通过所述各样本数据以及所述各样本数据对应的标注信息,构建训练样本;根据所述训练样本,训练所述预测模型。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310676070.8A CN116402113B (zh) | 2023-06-08 | 2023-06-08 | 一种任务执行的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310676070.8A CN116402113B (zh) | 2023-06-08 | 2023-06-08 | 一种任务执行的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116402113A CN116402113A (zh) | 2023-07-07 |
CN116402113B true CN116402113B (zh) | 2023-10-03 |
Family
ID=87007993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310676070.8A Active CN116402113B (zh) | 2023-06-08 | 2023-06-08 | 一种任务执行的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402113B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666971B (zh) * | 2024-01-31 | 2024-04-30 | 之江实验室 | 一种工业领域的数据存储方法、装置及设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472742A (zh) * | 2019-07-11 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 一种模型变量确定方法、装置及设备 |
CN112598128A (zh) * | 2020-12-16 | 2021-04-02 | 北京三快在线科技有限公司 | 一种模型训练以及联机分析处理方法及装置 |
CN113963205A (zh) * | 2021-10-20 | 2022-01-21 | 深圳壹账通智能科技有限公司 | 基于特征融合的分类模型训练方法、装置、设备及介质 |
CN114154570A (zh) * | 2021-11-30 | 2022-03-08 | 深圳壹账通智能科技有限公司 | 一种样本筛选方法、系统及神经网络模型训练方法 |
CN114780438A (zh) * | 2022-05-29 | 2022-07-22 | 苏州浪潮智能科技有限公司 | 一种基于k-means算法测试产品的方法、系统、设备和存储介质 |
CN114925982A (zh) * | 2022-04-21 | 2022-08-19 | 北京三快在线科技有限公司 | 一种模型训练方法、装置、存储介质及电子设备 |
CN115130621A (zh) * | 2022-08-31 | 2022-09-30 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法、装置、存储介质及电子设备 |
CN115146865A (zh) * | 2022-07-22 | 2022-10-04 | 中国平安财产保险股份有限公司 | 基于人工智能的任务优化方法及相关设备 |
CN115168726A (zh) * | 2022-07-19 | 2022-10-11 | 北京三快在线科技有限公司 | 一种模型训练的方法以及信息推荐的方法 |
WO2022213846A1 (zh) * | 2021-04-07 | 2022-10-13 | 北京三快在线科技有限公司 | 识别模型的训练 |
CN115240037A (zh) * | 2022-09-23 | 2022-10-25 | 卡奥斯工业智能研究院(青岛)有限公司 | 模型训练方法、图像处理方法、设备及存储介质 |
CN116049761A (zh) * | 2022-12-30 | 2023-05-02 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
CN116127328A (zh) * | 2023-04-13 | 2023-05-16 | 北京轮子科技有限公司 | 一种对话状态识别模型的训练方法、装置、介质及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11816593B2 (en) * | 2020-08-23 | 2023-11-14 | International Business Machines Corporation | TAFSSL: task adaptive feature sub-space learning for few-shot learning |
US20230055263A1 (en) * | 2021-08-21 | 2023-02-23 | Dynam.Ai, Inc. | Stratification in non-classified heterogeneous object labels |
-
2023
- 2023-06-08 CN CN202310676070.8A patent/CN116402113B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472742A (zh) * | 2019-07-11 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 一种模型变量确定方法、装置及设备 |
CN112598128A (zh) * | 2020-12-16 | 2021-04-02 | 北京三快在线科技有限公司 | 一种模型训练以及联机分析处理方法及装置 |
WO2022213846A1 (zh) * | 2021-04-07 | 2022-10-13 | 北京三快在线科技有限公司 | 识别模型的训练 |
CN113963205A (zh) * | 2021-10-20 | 2022-01-21 | 深圳壹账通智能科技有限公司 | 基于特征融合的分类模型训练方法、装置、设备及介质 |
CN114154570A (zh) * | 2021-11-30 | 2022-03-08 | 深圳壹账通智能科技有限公司 | 一种样本筛选方法、系统及神经网络模型训练方法 |
CN114925982A (zh) * | 2022-04-21 | 2022-08-19 | 北京三快在线科技有限公司 | 一种模型训练方法、装置、存储介质及电子设备 |
CN114780438A (zh) * | 2022-05-29 | 2022-07-22 | 苏州浪潮智能科技有限公司 | 一种基于k-means算法测试产品的方法、系统、设备和存储介质 |
CN115168726A (zh) * | 2022-07-19 | 2022-10-11 | 北京三快在线科技有限公司 | 一种模型训练的方法以及信息推荐的方法 |
CN115146865A (zh) * | 2022-07-22 | 2022-10-04 | 中国平安财产保险股份有限公司 | 基于人工智能的任务优化方法及相关设备 |
CN115130621A (zh) * | 2022-08-31 | 2022-09-30 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法、装置、存储介质及电子设备 |
CN115240037A (zh) * | 2022-09-23 | 2022-10-25 | 卡奥斯工业智能研究院(青岛)有限公司 | 模型训练方法、图像处理方法、设备及存储介质 |
CN116049761A (zh) * | 2022-12-30 | 2023-05-02 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
CN116127328A (zh) * | 2023-04-13 | 2023-05-16 | 北京轮子科技有限公司 | 一种对话状态识别模型的训练方法、装置、介质及设备 |
Non-Patent Citations (4)
Title |
---|
Hu Lu等.Improved deep convolutional embedded clustering with re-selectable sample training.《Pattern Recognition》.2022,第127卷1-10. * |
Moming Duan等.FedGroup: Efficient Federated Learning via Decomposed Similarity-Based Clustering.《2021 IEEE Intl Conf on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking》.2021,228-237. * |
侯峰.基于深度学习的高分辨率遥感图像检索技术研究.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2023,第2023年卷(第1期),C028-405. * |
呼静.基于自表示子空间的半监督学习.《中国优秀硕士学位论文全文数据库 信息科技辑》.2020,第2020年卷(第6期),I140-146. * |
Also Published As
Publication number | Publication date |
---|---|
CN116402113A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116402113B (zh) | 一种任务执行的方法、装置、存储介质及电子设备 | |
CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN116757278B (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
CN117409466A (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN116091895B (zh) | 一种面向多任务知识融合的模型训练方法及装置 | |
CN116957041A (zh) | 压缩神经网络模型的方法、装置和计算设备 | |
CN115221523A (zh) | 数据处理方法、装置及设备 | |
CN111598092A (zh) | 图像中目标区域的确定方法、目标识别方法及装置 | |
CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
CN117076650B (zh) | 一种基于大语言模型的智能对话方法、装置、介质及设备 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN116306855B (zh) | 一种基于存算一体系统的数据处理方法及装置 | |
CN115880527A (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 | |
CN113204664B (zh) | 一种图像聚类方法及装置 | |
CN117034926A (zh) | 一种针对多领域文本分类模型的模型训练的方法及装置 | |
CN116151620A (zh) | 一种子图匹配的方法、装置、存储介质及电子设备 | |
CN113344186A (zh) | 神经网络架构搜索的方法及图像分类的方法和装置 | |
CN115994252A (zh) | 数据处理方法、装置及设备 | |
CN117909746A (zh) | 一种用于空间探索的代理模型的在线数据选择方法 | |
CN117668543A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN117033642A (zh) | 一种文档解析方法及装置 | |
CN117520850A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN117036033A (zh) | 事件预测模型的训练方法及装置 | |
CN116563581A (zh) | 图像检测模型的训练方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |