CN116452920A - 一种图像处理方法、装置、存储介质及电子设备 - Google Patents

一种图像处理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN116452920A
CN116452920A CN202310513641.6A CN202310513641A CN116452920A CN 116452920 A CN116452920 A CN 116452920A CN 202310513641 A CN202310513641 A CN 202310513641A CN 116452920 A CN116452920 A CN 116452920A
Authority
CN
China
Prior art keywords
model
training
trained
data
user
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
Application number
CN202310513641.6A
Other languages
English (en)
Inventor
张逸群
刘彬
郑焕波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310513641.6A priority Critical patent/CN116452920A/zh
Publication of CN116452920A publication Critical patent/CN116452920A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种图像处理方法、装置、存储介质及电子设备，本说明书实施例通过人工智能平台在获取到用户上传的数据之后，对数据进行自动标注，得到标注数据。根据接收到的用户针对模型的训练偏好，确定出待训练模型。基于标注数据和训练参数，对待训练模型进行训练，得到训练后模型，并将训练后模型进行部署，以使用户调用训练后模型执行图像处理任务。在此方法中，通过人工智能平台实现数据的标注、模型的训练以及模型的部署，无需开发人员自己开发模型，另外，基于用户的训练偏好，选择出适合的待训练模型，可以提高人工智能平台的服务质量。

Description

一种图像处理方法、装置、存储介质及电子设备
技术领域
本说明书涉及人工智能技术领域，尤其涉及一种图像处理方法、装置、存储介质及电子设备。
背景技术
随着人工智能技术的进步，人工智能应用于不同的场景，比如：图像处理场景、语音识别场景等。
目前，针对人工智能中的机器学习模型，其入门难度和门槛都是比较高的，开发机器学习模型需要高昂的成本以及专业人才积累。在开发机器学习模型过程中，需要大规模的数据采集和标注，以及长时间的模型训练和调试。而高昂的前期投入和难以预期的最终效果，是很多想要进军人工智能领域的人望而却步。因此，一个无需算法基础也能定制高精度机器学习模型的方法，是非常迫切需要的。
发明内容
本说明书实施例提供一种图像处理方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种图像处理方法，包括：
获取用户上传的数据以及所述用户针对所述数据所设置的分类标签；
基于所述分类标签，对所述数据进行打标，得到标注数据；
响应于所述用户选择的训练偏好，确定出待训练模型，所述训练偏好用于表征所述待训练模型在训练过程中所需达到的训练目标；
基于所述待训练模型对应的运行环境参数，从预先构建的镜像仓库中选择所述待训练模型对应的镜像文件，并通过所述待训练模型对应的镜像文件构建所述待训练模型运行所需的容器，所述运行环境参数用于表征所述待训练模型运行时所需的运行环境；
将所述标注数据挂载到所述容器中，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，得到训练后模型；
将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务。
可选地，基于所述分类标签，对所述数据进行打标，具体包括：
基于所述分类标签，确定所述分类标签下的分类类别；
将所述数据输入到分类模型中，以通过所述分类模型，根据所述数据包含的各子数据之间的数据关系，确定所述数据对应的深度特征，对所述深度特征进行处理，得到所述数据对应的处理后特征，从所述处理后特征中筛选出用于区分不同分类类别的部分特征，基于所述部分特征，确定出所述数据所属的分类类别；
基于所述数据所属的分类类别，对所述数据进行打标。
可选地，在得到标注数据之后，所述方法还包括：
通过对象存储方式，将所述标注数据存储于网络文件系统中。
可选地，所述训练偏好包括：偏好模型训练速度快、偏好模型精度高、平衡；
响应于所述用户选择的训练偏好，确定出待训练模型，具体包括：
确定各预训练模型，以及确定每个预训练模型对应的训练速度和模型精度；
基于每个预训练模型对应的训练速度和模型精度，从各预训练模型中选择出满足所述训练偏好的预训练模型，作为待训练模型。
可选地，将所述标注数据挂载到所述容器中，具体包括：
通过文件存储的网络共享方式，将存储于网络文件系统中的标注数据挂载到所述容器中。
可选地，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，具体包括：
根据所述训练偏好，确定启动所述待训练模型进行训练所需的训练参数，所述训练参数包括：训练迭代次数、模型训练所需的算力资源中至少一个；
将所述训练参数以及所述容器中的标注数据输入到所述待训练模型中，以对所述待训练模型进行训练。
可选地，所述方法还包括：
在训练所述待训练模型的过程中，实时监测所述待训练模型的状态，所述状态包括：正在训练、训练成功、训练失败中的一个；
若所述状态为训练失败，则对所述待训练模型进行重新训练。
可选地，将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务，具体包括：
在得到所述训练后模型之后，对所述训练后模型进行服务化，确定出调用所述训练后模型的服务页面，所述服务页面对应有调用所述训练后模型的服务链接；
将所述服务页面发布于所述目标设备对应的目标设备，以使所述用户通过所述目标设备展示的服务页面，调用部署的训练后模型执行图像处理任务。
可选地，将所述训练后模型部署于所述用户对应的目标设备，具体包括：
根据分布式系统中每个设备所能使用的最大算力资源以及执行所述图像处理任务所需的算力资源，从所述分布式系统中确定出执行所述图像处理任务所需的各设备，作为所述用户对应的各目标设备；其中，所述分布式系统是由多个设备所构成的分布式网络；
将所述训练后模型分别部署于各目标设备中。
本说明书提供的一种图像处理装置，包括：
获取模块，用于获取用户上传的数据以及所述用户针对所述数据所设置的分类标签；
打标模块，用于基于所述分类标签，对所述数据进行打标，得到标注数据；
确定模块，用于响应于所述用户选择的训练偏好，确定出待训练模型，所述训练偏好用于表征所述待训练模型在训练过程中所需达到的训练目标；
构建运行环境模块，用于基于所述待训练模型对应的运行环境参数，从预先构建的镜像仓库中选择所述待训练模型对应的镜像文件，并通过所述待训练模型对应的镜像文件构建所述待训练模型运行所需的容器，所述运行环境参数用于表征所述待训练模型运行时所需的运行环境；
训练模块，用于将所述标注数据挂载到所述容器中，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，得到训练后模型；
部署模块，用于将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务。
可选地，所述打标模块，具体用于基于所述分类标签，确定所述分类标签下的分类类别；将所述数据输入到分类模型中，以通过所述分类模型，根据所述数据包含的各子数据之间的数据关系，确定所述数据对应的深度特征，对所述深度特征进行处理，得到所述数据对应的处理后特征，从所述处理后特征中筛选出用于区分不同分类类别的部分特征，基于所述部分特征，确定出所述数据所属的分类类别；并基于所述数据所属的分类类别，对所述数据进行打标。
可选地，所述确定模块，具体用于确定各预训练模型，以及确定每个预训练模型对应的训练速度和模型精度；基于每个预训练模型对应的训练速度和模型精度，从各预训练模型中选择出满足所述训练偏好的预训练模型，作为待训练模型。
可选地，所述训练模块，具体用于根据所述训练偏好，确定启动所述待训练模型进行训练所需的训练参数，所述训练参数包括：训练迭代次数、模型训练所需的算力资源中至少一个；将所述训练参数以及所述容器中的标注数据输入到所述待训练模型中，以对所述待训练模型进行训练。
可选地，所述部署模块，具体用于在得到所述训练后模型之后，对所述训练后模型进行服务化，确定出调用所述训练后模型的服务页面，所述服务页面对应有调用所述训练后模型的服务链接；将所述服务页面发布于所述目标设备对应的目标设备，以使所述用户通过所述目标设备展示的服务页面，调用部署的训练后模型执行图像处理任务。
本说明书提供的一种计算机可读存储介质，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的图像处理方法。
本说明书提供的一种电子设备，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，所述处理器执行所述程序时实现上述的图像处理方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例中通过人工智能平台在获取到用户上传的数据之后，对数据进行自动标注，得到标注数据。根据接收到的用户针对模型的训练偏好，确定出待训练模型。基于标注数据和训练参数，对待训练模型进行训练，得到训练后模型，并将训练后模型进行部署，以使用户调用训练后模型执行图像处理任务。在此方法中，通过人工智能平台实现数据的标注、模型的训练以及模型的部署，无需开发人员自己开发模型，另外，基于用户的训练偏好，选择出适合的待训练模型，可以提高人工智能平台的服务质量。
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为本说明书实施例提供的人工智能平台的框架示意图；
图2为本说明书实施例提供的图像处理方法的流程示意图；
图3为本说明书实施例提供的图像处理装置结构示意图；
图4为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
本说明书实施例提供一种人工智能平台，该人工智能平台用于对训练样本进行打标、训练模型以及部署模型。其中，该人工智能平台采用HTML、Java和JavaScript进行构建，该人工智能平台运行所需的依赖环境可以包括：JDK8、Node.js、VUE、nginx、tomcat、maven、PyTorch和Python。
该人工智能平台的框架主要分为VUE搭建的前端框架和SpringBoot构建的后端框架。
前端框架可以通过nginx提供页面服务。前端框架中包含有：界面文件、界面样式文件和用于响应用户输入的脚本文件。前端框架可以包括：用于界面展示的前端UI、用于与后端框架交互的交互层。前端框架采用ajax请求方式，通过nginx的反向代理实现前端框架与后端框架的分离。
后端框架通过tomcat提供后端服务。后端框架可以包含有：用于与前端框架进行交互和提供接口服务的Java文件、为用户提供配置的应用配置文件、用于提供项目依赖的项目依赖管理文件。后端框架采用分层设计，后端框架可以包括：数据实体层、数据持久层、业务逻辑层、控制层。
数据实体层，用于传输和保存人工智能平台中的项目名称、数据集名称、数据集版本、在线服务名称数据。数据实体层可以包含：数据集数据实体单元、训练数据实体单元、推理服务数据实体单元三个单元。推理服务可以是指将训练后的模型部署于线上的服务。
数据持久层，用于对人工智能平台中的数据进行增删改查操作。数据持久层可以包含：数据集数据持久单元、训练数据持久单元、推理服务数据持久单元三个单元。
业务逻辑层，用于对人工智能平台中的各种事件进行处理。业务逻辑层可以包含：数据集业务逻辑单元、训练业务逻辑单元、推理服务业务逻辑单元三个单元。
控制层，用于对人工智能平台中的请求与响应进行控制。控制层可以包含：数据集控制单元、训练控制单元、推理服务控制单元三个单元。
基于上述针对人工智能平台的框架描述，本说明书实施例中提供一种人工智能平台的框架示意图，如图1所示。
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2为本说明书实施例提供的图像处理方法的流程示意图，该图像处理方法可以适用于自动学习的人工智能平台，包括：
S200：获取用户上传的数据以及所述用户针对所述数据所设置的分类标签。
S202：基于所述分类标签，对所述数据进行打标，得到标注数据。
在本说明书实施例中，用户可以在人工智能平台中触发创建项目控件，在展示的创建项目页面中选择用户所需的图像处理任务、设置项目名称、数据集名称等内容。其中，图像处理任务可以包括：图像分类或图像目标物检测等任务。在创建项目之后，用户可以在人工智能平台展示的数据处理页面中上传需要标注的数据，以及设置需要标注数据的分类标签，这样，可以通过人工智能平台对需要标注的数据进行打标。其中，分类标签可以用于表征数据分类的类别。比如：若分类标签为猫和狗，则需要标注的数据只能识别成猫或狗。若分类标签为车和树，则需要标注的数据只能识别成车或树。
具体的，人工智能平台获取用户上传的数据集以及获取用户针对数据集的分类标签，其中，数据集中包含有需要标注的数据。数据集中除了包含有需要标注的数据之外，还可以包含有已标注的数据。
针对数据集中需要标注的数据，可以基于用户对数据的分类标签，对数据进行打标，得到标注数据。其中，需要标注的数据可以是多个。
具体的，确定分类标签下的分类类别，然后，可以将需要标注的数据输入到分类模型中，以通过分类模型，根据该数据包含的各子数据之间的数据关系，确定出数据对应的深度特征。然后，对深度特征进行处理，得到该数据对应的处理后特征。之后，从处理后特征中筛选出用于区分不同分类类别的部分特征，基于部分特征，确定出该数据所属的分类类别，作为分类模型的输出。最终，人工智能平台基于该数据所属的分类类别，对该数据进行打标或标注。
其中，针对任意需要标注的数据可以是指用于描述一个图像的完整图像数据，数据包含有用于描述一个图像的各子图像数据。
在对深度特征进行处理时，可以对深度特征进行转换和聚合处理，得到该数据对应的处理后特征。
在筛选出部分特征时，可以基于信息增益，从处理后特征中筛选出用于区分不同分类类别的部分特征。其中，信息增益越大，筛选出的部分特征用于区分不同分类类别的效果越好。
在得到标注数据之后，人工智能平台可以将标注数据存储于网络文件系统中。
另外，除了人工智能平台自动为数据打标之外，人工智能平台提供了数据标注界面，数据标注界面内包含有：标签管理框、图片显示框、图片管理框。标签管理框，用于实现标签的增删改查，并对图片添加或更改标签；图片显示框，用于实现当前图片数据集的可视化；图片管理框，用于实现对当前图片数据集中图片数据的增删改查。
因此，用户可以基于数据标注界面，手动对图像数据进行打标和/或对图像数据的标签进行处理，其中，对图像数据的标签进行处理可以包括：修改标签、增加标签、删除标签等操作。而针对同一数据集，若对该数据集中部分数据进行处理，可以将处理后的数据集与原始数据集分别保存为不同的数据集版本。同样，可以将不同数据集版本的数据集存储于网络文件系统。
S204：响应于所述用户选择的训练偏好，确定出待训练模型；所述训练偏好用于表征所述待训练模型在训练过程中所需达到的训练目标。
在本说明书实施例中，在人工智能平台得到标注数据之后，用户可以在人工智能平台上触发模型训练控件，并在人工智能平台弹出的训练偏好选择页面中选择符合用户需求的训练偏好。人工智能可以响应于用户选择的训练偏好，确定出符合用户训练偏好的模型，作为待训练模型。其中，训练偏好可以用于表征待训练模型在训练过程中所需达到的训练目标，训练目标可以包括：模型训练速度快、模型精度高等。也就是，训练偏好可以包括：偏好模型训练速度快、偏好模型精度高、平衡。
当用户选择偏好模型训练速度快的训练偏好时，可以对轻量化的模型进行训练，以达到更快的训练速度。当用户选择偏好模型精度高的训练偏好时，可以对精度高的模型进行训练，以追求更高的准确率，但训练速度会比较慢。当用户选择平衡的训练偏好时，可以选择准确率处于偏好模型训练速度快与偏好模型精度高的之间，且训练速度快于偏好模型精度高的模型，并对该模型进行训练。
人工智能平台在获取到用户选择的训练偏好之后，可以先确定出模型库中各预训练模型，以及确定出每个预训练模型对应的训练速度和模型精度。然后，基于每个预训练模型对应的训练速度和模型精度，从各预训练模型中选择出满足用户选择的训练偏好的预训练模型，作为待训练模型。其中，模型库中的预训练模型可以包括：resnet50模型、yolov3模型等。
其中，模型库中每个预训练模型对应的训练速度和模型精度是在预训练过程中所确定的。
由于模型库中的模型是预训练模型，在基于应用场景对预训练模型进行调整时，可以采用少量的训练数据，对预训练模型进行训练，得到训练效果较好的模型。
S206：基于所述待训练模型对应的运行环境参数，从预先构建的镜像仓库中选择所述待训练模型对应的镜像文件，并通过所述待训练模型对应的镜像文件构建所述待训练模型运行所需的容器，所述运行环境参数用于表征所述待训练模型运行时所需的运行环境。
S208：将所述标注数据挂载到所述容器中，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，得到训练后模型。
在本说明书实施例中，在确定出待训练模型之后，可以根据标注数据，对待训练模型进行训练，得到训练后模型。
在训练待训练模型的过程中，需要人工智能平台自动构建模型训练的运行环境、自动获取用于训练模型的数据、自动将训练参数输入到待训练模型中、自动更新模型训练的状态。
在构建待训练模型训练所需的运行环境时，可以基于待训练模型对应的运行环境参数，从预先构建的镜像仓库中选择待训练模型对应的镜像文件，并通过待训练模型对应的镜像文件构建待训练模型运行所需的容器。其中，可以通过harbor创建镜像仓库。运行环境参数用于表征待训练模型运行时所需的运行环境。
然后，将标注数据挂载到容器中，根据容器中的标注数据，对待训练模型进行训练。
在将标注数据挂载到容器中时，通过文件存储的网络共享方式，将存储于网络文件系统中的标注数据挂载到容器中。
在根据容器中的标注数据和训练参数，对待训练模型进行训练时，可以根据用户选择的训练偏好，确定启动待训练模型进行训练所需的训练参数。其中，训练参数包括：训练迭代次数、模型训练所需的算力资源中至少一个。然后，基于训练参数以及标注数据，对待训练模型进行训练。即，将训练参数以及标注数据输入到待训练模型中，以对待训练模型进行训练。
在对待训练模型训练的过程中，实时监测待训练模型的状态。其中，状态包括：正在训练、训练成功、训练失败中的一个。若状态为训练失败，则对待训练模型进行重新训练。若状态为训练成功，则确定出针对待训练模型的训练后模型。另外，人工智能平台可以将实时监测到的状态通过仪表盘进行展示。
S210：将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务。
在本说明书实施例中，在得到训练后模型之后，可以将训练后模型部署于用户对应的目标设备中，以使用户通过目标设备调用部署的训练后模型，以执行图像处理任务。其中，图像处理任务可以包括：图像分类、图像目标物检测等任务。用户对应的目标设备可以是指用户自身的终端设备，也可以是指用户在人工智能平台租赁的设备。另外，图像分类所需的模型与图像目标物检测所需的模型不一样。若用户在人工智能平台创建项目时选择图像分类任务，则训练后模型用于图像分类。若用户在人工智能平台创建项目时选择图像目标物检测任务，则训练后模型用于目标物检测。
具体的，在得到训练后模型之后，对训练后模型进行服务化，确定出调用训练后模型的服务页面，其中，服务页面对应有调用训练后模型的服务链接。然后，将服务页面发布于目标设备，以使用户通过目标设备展示的服务页面，调用部署的训练后模型执行图像处理任务。其中，目标设备可以是一个或多个。
当用户需要在人工智能平台租赁设备时，可以根据分布式系统中每个设备所能使用的最大算力资源以及执行图像处理任务所需的算力资源，从分布式系统中确定出执行图像处理任务所需的各设备，作为用户对应的各目标设备。然后，将训练后模型分别部署于各目标设备中。其中，分布式系统是由多个设备所构成的分布式网络。
用户在服务页面中上传执行图像处理任务所需的图像数据，人工智能平台将上传的图像数据输入到训练后模型中，以通过训练后模型输出图像处理结果，并将图像处理结果返回给用户。
基于上述步骤S200～步骤S208的描述，本说明书提供具体的实施方式。
人工智能平台先获取用户上传图像数据，将图像数据存储在minio之中。然后，通过分类模型，对图像数据进行标注或由用户对图像数据进行手动标注，将标注后的图像数据以nfs数据格式存储在网络文件系统中。当用户需要训练模型时，人工智能平台获取用户训练偏好设置Train_Prefer，根据训练偏好设置Train_Prefer值，1为偏好模型训练速度快，2为偏好模型精度高，3为平衡，以用户选择的训练偏好，确定预训练模型以及人工智能平台训练该预训练模型所需的CPU，内存，GPU。其中，CPU，内存，GPU为训练参数。CPU，内存和GPU能够表达算力资源。
通过harbor私有镜像仓库，获取预训练模型对应运行镜像文件并运行以获得运行容器。通过网络文件系统挂载的方式，将标注后的图像数据挂载到运行容器中。然后，基于标注后的图像数据、预训练模型、人工智能平台运行所需的CPU、内存和GPU，对预训练模型进行训练，将训练成功后的训练后模型保存在网络文件系统中。
人工智能平台获取用户服务部署设置中的服务资源配置，将训练后模型以restful的方式部署服务，并将服务所需调用的API地址进行存储，并返回给用户。
用户直接调用部署后的restful服务，上传测试图像数据，可获得训练后模型的计算结果。
通过上述图2所示的方法可见，本说明书通过人工智能平台在获取到用户上传的数据之后，对数据进行自动标注，得到标注数据。根据接收到的用户针对模型的训练偏好，确定出待训练模型。基于标注数据和训练参数，对待训练模型进行训练，得到训练后模型，并将训练后模型进行部署，以使用户调用训练后模型执行图像处理任务。在此方法中，通过人工智能平台实现数据的标注、模型的训练以及模型的部署，无需开发人员自己开发模型，另外，基于用户的训练偏好，选择出适合的待训练模型，可以提高人工智能平台的服务质量。
以上为本说明书实施例提供的图像处理方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。
图3为本说明书实施例提供的一种图像处理装置的结构示意图，所述装置包括：
获取模块301，用于获取用户上传的数据以及所述用户针对所述数据所设置的分类标签；
打标模块302，用于基于所述分类标签，对所述数据进行打标，得到标注数据；
确定模块303，用于响应于所述用户选择的训练偏好，确定出待训练模型，所述训练偏好用于表征所述待训练模型在训练过程中所需达到的训练目标；
构建运行环境模块304，用于基于所述待训练模型对应的运行环境参数，从预先构建的镜像仓库中选择所述待训练模型对应的镜像文件，并通过所述待训练模型对应的镜像文件构建所述待训练模型运行所需的容器，所述运行环境参数用于表征所述待训练模型运行时所需的运行环境；
训练模块305，用于将所述标注数据挂载到所述容器中，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，得到训练后模型；
部署模块306，用于将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务。
可选地，所述打标模块302具体用于，基于所述分类标签，确定所述分类标签下的分类类别；将所述数据输入到分类模型中，以通过所述分类模型，根据所述数据包含的各子数据之间的数据关系，确定所述数据对应的深度特征，对所述深度特征进行处理，得到所述数据对应的处理后特征，从所述处理后特征中筛选出用于区分不同分类类别的部分特征，基于所述部分特征，确定出所述数据所属的分类类别；基于所述数据所属的分类类别，对所述数据进行打标。
可选地，所述打标模块302，在得到标注数据之后，用于通过对象存储方式，将所述标注数据存储于网络文件系统中。
可选地，所述确定模块303具体用于，确定各预训练模型，以及确定每个预训练模型对应的训练速度和模型精度；基于每个预训练模型对应的训练速度和模型精度，从各预训练模型中选择出满足所述训练偏好的预训练模型，作为待训练模型。
可选地，所述训练模块305具体用于，通过文件存储的网络共享方式，将存储于网络文件系统中的标注数据挂载到所述容器中。
可选地，所述训练模块305具体用于，根据所述训练偏好，确定启动所述待训练模型进行训练所需的训练参数，所述训练参数包括：训练迭代次数、模型训练所需的算力资源中至少一个；将所述训练参数以及所述容器中的标注数据输入到所述待训练模型中，以对所述待训练模型进行训练。
可选地，所述训练模块305还用于，在训练所述待训练模型的过程中，实时监测所述待训练模型的状态，所述状态包括：正在训练、训练成功、训练失败中的一个；若所述状态为训练失败，则对所述待训练模型进行重新训练。
可选地，所述部署模块306具体用于，在得到所述训练后模型之后，对所述训练后模型进行服务化，确定出调用所述训练后模型的服务页面，所述服务页面对应有调用所述训练后模型的服务链接；将所述服务页面发布于所述目标设备对应的目标设备，以使所述用户通过所述目标设备展示的服务页面，调用部署的训练后模型执行图像处理任务。
可选地，所述部署模块306具体用于，根据分布式系统中每个设备所能使用的最大算力资源以及执行所述图像处理任务所需的算力资源，从所述分布式系统中确定出执行所述图像处理任务所需的各设备，作为所述用户对应的各目标设备；其中，所述分布式系统是由多个设备所构成的分布式网络；将所述训练后模型分别部署于各目标设备中。
本说明书还提供了一种计算机可读存储介质，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可用于执行上述图2提供的图像处理方法。
基于图2所示的图像处理方法，本说明书实施例还提供了图4所示的电子设备的结构示意图。如图4，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，以实现上述图2所述的图像处理方法。
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 (16)

1.一种图像处理方法，其特征在于，包括：
获取用户上传的数据以及所述用户针对所述数据所设置的分类标签；
基于所述分类标签，对所述数据进行打标，得到标注数据；
响应于所述用户选择的训练偏好，确定出待训练模型，所述训练偏好用于表征所述待训练模型在训练过程中所需达到的训练目标；
基于所述待训练模型对应的运行环境参数，从预先构建的镜像仓库中选择所述待训练模型对应的镜像文件，并通过所述待训练模型对应的镜像文件构建所述待训练模型运行所需的容器，所述运行环境参数用于表征所述待训练模型运行时所需的运行环境；
将所述标注数据挂载到所述容器中，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，得到训练后模型；
将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务。
2.如权利要求1所述的方法，其特征在于，基于所述分类标签，对所述数据进行打标，具体包括：
基于所述分类标签，确定所述分类标签下的分类类别；
将所述数据输入到分类模型中，以通过所述分类模型，根据所述数据包含的各子数据之间的数据关系，确定所述数据对应的深度特征，对所述深度特征进行处理，得到所述数据对应的处理后特征，从所述处理后特征中筛选出用于区分不同分类类别的部分特征，基于所述部分特征，确定出所述数据所属的分类类别；
基于所述数据所属的分类类别，对所述数据进行打标。
3.如权利要求1所述的方法，其特征在于，在得到标注数据之后，所述方法还包括：
通过对象存储方式，将所述标注数据存储于网络文件系统中。
4.如权利要求1所述的方法，其特征在于，所述训练偏好包括：偏好模型训练速度快、偏好模型精度高、平衡；
响应于所述用户选择的训练偏好，确定出待训练模型，具体包括：
确定各预训练模型，以及确定每个预训练模型对应的训练速度和模型精度；
基于每个预训练模型对应的训练速度和模型精度，从各预训练模型中选择出满足所述训练偏好的预训练模型，作为待训练模型。
5.如权利要求1所述的方法，其特征在于，将所述标注数据挂载到所述容器中，具体包括：
通过文件存储的网络共享方式，将存储于网络文件系统中的标注数据挂载到所述容器中。
6.如权利要求1所述的方法，其特征在于，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，具体包括：
根据所述训练偏好，确定启动所述待训练模型进行训练所需的训练参数，所述训练参数包括：训练迭代次数、模型训练所需的算力资源中至少一个；
将所述训练参数以及所述容器中的标注数据输入到所述待训练模型中，以对所述待训练模型进行训练。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
在训练所述待训练模型的过程中，实时监测所述待训练模型的状态，所述状态包括：正在训练、训练成功、训练失败中的一个；
若所述状态为训练失败，则对所述待训练模型进行重新训练。
8.如权利要求1所述的方法，其特征在于，将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务，具体包括：
在得到所述训练后模型之后，对所述训练后模型进行服务化，确定出调用所述训练后模型的服务页面，所述服务页面对应有调用所述训练后模型的服务链接；
将所述服务页面发布于所述目标设备对应的目标设备，以使所述用户通过所述目标设备展示的服务页面，调用部署的训练后模型执行图像处理任务。
9.如权利要求1所述的方法，其特征在于，将所述训练后模型部署于所述用户对应的目标设备，具体包括：
根据分布式系统中每个设备所能使用的最大算力资源以及执行所述图像处理任务所需的算力资源，从所述分布式系统中确定出执行所述图像处理任务所需的各设备，作为所述用户对应的各目标设备；其中，所述分布式系统是由多个设备所构成的分布式网络；
将所述训练后模型分别部署于各目标设备中。
10.一种图像处理装置，其特征在于，包括：
获取模块，用于获取用户上传的数据以及所述用户针对所述数据所设置的分类标签；
打标模块，用于基于所述分类标签，对所述数据进行打标，得到标注数据；
确定模块，用于响应于所述用户选择的训练偏好，确定出待训练模型，所述训练偏好用于表征所述待训练模型在训练过程中所需达到的训练目标；
构建运行环境模块，用于基于所述待训练模型对应的运行环境参数，从预先构建的镜像仓库中选择所述待训练模型对应的镜像文件，并通过所述待训练模型对应的镜像文件构建所述待训练模型运行所需的容器，所述运行环境参数用于表征所述待训练模型运行时所需的运行环境；
训练模块，用于将所述标注数据挂载到所述容器中，根据所述容器中的标注数据以及启动所述待训练模型进行训练所需的训练参数，对所述待训练模型进行训练，得到训练后模型；
部署模块，用于将所述训练后模型部署于所述用户对应的目标设备，以使所述用户通过所述目标设备调用部署的训练后模型，以执行图像处理任务。
11.如权利要求10所述的装置，其特征在于，所述打标模块，具体用于基于所述分类标签，确定所述分类标签下的分类类别；将所述数据输入到分类模型中，以通过所述分类模型，根据所述数据包含的各子数据之间的数据关系，确定所述数据对应的深度特征，对所述深度特征进行处理，得到所述数据对应的处理后特征，从所述处理后特征中筛选出用于区分不同分类类别的部分特征，基于所述部分特征，确定出所述数据所属的分类类别；并基于所述数据所属的分类类别，对所述数据进行打标。
12.如权利要求10所述的装置，其特征在于，所述确定模块，具体用于确定各预训练模型，以及确定每个预训练模型对应的训练速度和模型精度；基于每个预训练模型对应的训练速度和模型精度，从各预训练模型中选择出满足所述训练偏好的预训练模型，作为待训练模型。
13.如权利要求10所述的装置，其特征在于，所述训练模块，具体用于根据所述训练偏好，确定启动所述待训练模型进行训练所需的训练参数，所述训练参数包括：训练迭代次数、模型训练所需的算力资源中至少一个；将所述训练参数以及所述容器中的标注数据输入到所述待训练模型中，以对所述待训练模型进行训练。
14.如权利要求10所述的装置，其特征在于，所述部署模块，具体用于在得到所述训练后模型之后，对所述训练后模型进行服务化，确定出调用所述训练后模型的服务页面，所述服务页面对应有调用所述训练后模型的服务链接；将所述服务页面发布于所述目标设备对应的目标设备，以使所述用户通过所述目标设备展示的服务页面，调用部署的训练后模型执行图像处理任务。
15.一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1-9任一项所述的方法。
16.一种电子设备，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1-9任一项所述的方法。
CN202310513641.6A 2023-05-06 2023-05-06 一种图像处理方法、装置、存储介质及电子设备 Pending CN116452920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310513641.6A CN116452920A (zh) 2023-05-06 2023-05-06 一种图像处理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310513641.6A CN116452920A (zh) 2023-05-06 2023-05-06 一种图像处理方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN116452920A true CN116452920A (zh) 2023-07-18

Family

ID=87122044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310513641.6A Pending CN116452920A (zh) 2023-05-06 2023-05-06 一种图像处理方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116452920A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117369996A (zh) * 2023-09-25 2024-01-09 深圳国匠云职业教育科技有限公司 数据处理方法、电子设备及计算机可读存储介质
CN117592517A (zh) * 2023-11-02 2024-02-23 新疆新华水电投资股份有限公司 一种模型的训练方法及装置
CN117909840A (zh) * 2024-03-19 2024-04-19 之江实验室 一种模型训练方法、装置、存储介质及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117369996A (zh) * 2023-09-25 2024-01-09 深圳国匠云职业教育科技有限公司 数据处理方法、电子设备及计算机可读存储介质
CN117592517A (zh) * 2023-11-02 2024-02-23 新疆新华水电投资股份有限公司 一种模型的训练方法及装置
CN117909840A (zh) * 2024-03-19 2024-04-19 之江实验室 一种模型训练方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN116452920A (zh) 一种图像处理方法、装置、存储介质及电子设备
CN107451663B (zh) 算法组件化、基于算法组件建模方法、装置以及电子设备
CN109189374B (zh) 基于对象引用链的对象构造代码生成方法及系统
CN117008923B (zh) 基于ai大模型的代码生成和编译部署方法、平台和设备
CN111523289B (zh) 一种文本格式生成方法、装置、设备和可读介质
CN116126365B (zh) 一种模型部署的方法、系统、存储介质及电子设备
CN111966334B (zh) 一种业务处理方法、装置及设备
CN115146601A (zh) 语言处理任务的执行方法、装置、可读存储介质以及设备
CN116974676A (zh) 一种页面内容发送方法、装置和设备
WO2016053298A1 (en) Evaluating documentation coverage
CN110874322A (zh) 一种用于应用程序的测试方法及测试服务器
CN115292196A (zh) 用户界面测试方法、装置、电子设备及可读存储介质
CN112307371B (zh) 小程序子服务识别方法、装置、设备及存储介质
CN114331602A (zh) 一种基于迁移学习的模型训练方法、信息推荐方法及装置
CN110704742A (zh) 一种特征提取方法及装置
CN117909840A (zh) 一种模型训练方法、装置、存储介质及电子设备
CN113703728B (zh) 一种辅助研发的微组件业务处理方法、装置以及设备
CN117406982B (zh) 一种存算一体应用生成系统和生成方法、存储介质及设备
CN117455015B (zh) 一种模型优化的方法、装置、存储介质及电子设备
CN113835705B (zh) 大数据服务产品开发方法、装置及系统
CN116434787B (zh) 一种语音情感识别的方法、装置、存储介质及电子设备
CN110019034A (zh) 表单文件加载方法和装置
CN110597521B (zh) 数据处理方法、电子设备和介质
US20240086188A1 (en) Automatic navigation between reference architecture and code repository
CN117591217A (zh) 一种信息展示方法、装置、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