CN116501732A - 用于管理训练数据的方法、电子设备和计算机程序产品 - Google Patents

Abstract

本公开的实施例涉及用于管理训练数据的方法、电子设备和计算机程序产品。在本公开的实施例所提供的用于管理训练数据的方法中，响应于由传感器采集到新的训练数据，向存储池的采集数据流存储新的训练数据；响应于新的训练数据和存储池的完整数据流中所存储的历史数据被提炼为经提炼的训练数据，向存储池的提炼数据流存储经提炼的训练数据；以及向完整数据流存储新的训练数据。以此方式，数据流变得明确，存储成本降低。从而在很大程度上降低例如自动驾驶等复杂场景的开发难度。

Description

用于管理训练数据的方法、电子设备和计算机程序产品

技术领域

本公开的实施例涉及流存储领域，并且更具体地，涉及用于管理训练数据的方法、电子设备和计算机程序产品。

背景技术

边缘智能是指一组连接的系统和设备，用于数据收集、缓存、处理和分析，靠近基于人工智能捕获数据的位置。边缘智能旨在增强数据处理并保护数据和用户的隐私和安全。

发明内容

在本公开的第一方面中，提供了一种用于管理训练数据的方法。该方法包括响应于由传感器采集到新的训练数据，向存储池的采集数据流存储新的训练数据。该方法还包括响应于新的训练数据和存储池的完整数据流中所存储的历史数据被提炼为经提炼的训练数据，向存储池的提炼数据流存储经提炼的训练数据。该方法还包括向完整数据流存储新的训练数据。

在本公开的第二方面中，提供了一种电子设备。该电子设备包括处理器以及与处理器耦合的存储器，存储器具有存储于其中的指令，指令在被处理器执行时使设备执行动作。动作包括响应于由传感器采集到新的训练数据，向存储池的采集数据流存储新的训练数据。动作还包括响应于新的训练数据和存储池的完整数据流中所存储的历史数据被提炼为经提炼的训练数据，向存储池的提炼数据流存储经提炼的训练数据。动作还包括向完整数据流存储新的训练数据。

在本公开的第三方面中，提供了一种计算机程序产品，计算机程序产品被有形地存储在计算机可读介质上并且包括机器可执行指令，机器可执行指令在被执行时使机器执行根据第一方面的方法。

提供发明内容部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。

附图说明

通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。在附图中：

图1示出了本公开的实施例可以在其中被实现的示例环境的示意图；

图2示出了根据本公开的实施例的用于管理训练数据的示例方法的流程图；以及

图3示出了可以用来实施本公开的实施例的示例设备的框图。

具体实施方式

下面将参考附图中示出的若干示例实施例来描述本公开的原理。虽然附图中显示了本公开的优选实施例，但应当理解，描述这些实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如上文所描述，边缘智能是指一组连接的系统和设备，用于数据收集、缓存、处理和分析，靠近基于人工智能捕获数据的位置。边缘智能旨在增强数据处理并保护数据和用户的隐私和安全。然而，当前的解决方案无法处理复杂的数据源，而且效率和鲁棒性也不高。

本公开的实施例提出了一种用于管理训练数据的方案，通过明确定义数据流，开发人员可以轻松地从复杂的数据源中获取数据。

根据本公开的各个实施例，响应于由传感器采集到新的训练数据，向存储池的采集数据流存储该训练数据。在存储池的完整数据流中存储有历史数据。新的训练数据和历史数据可以被提炼为经提炼的训练数据。所提炼的训练数据可以被存储在存储池的提炼数据流中。然后，将新的训练数据存储到完整数据流中。

根据在此描述的实施例，数据流变得明确，存储成本降低。AI开发人员可以专注于算法部分，而不考虑数据管理、噪声等现实问题。从而在很大程度上降低例如自动驾驶等复杂场景的开发难度。

以下将参考附图来说明本公开的基本原理和若干示例实现方式。应当理解，给出这些示例性实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开的实施例，而并非以任何方式限制本公开的范围。

图1示出了本公开的实施例可以在其中被实现的示例环境的示意图。如图1所示，环境100可以包括存储池110、客户端120、边缘设备130以及云端140。存储池110是基于流存储架构(例如，Pravega架构)的存储结构。存储池110可以在客户端120、边缘设备130以及云端140的全部或者任一个中被建立。

客户端120、边缘设备130以及云端140可以从存储池110读取数据，也可以向存储池110存储数据。客户端120可以包括传感器(未图示)。客户端120可以利用传感器采集数据并且进行模型推理。边缘设备130可以进行数据评估和确保数据安全性。云端140可以处理需要高计算资源和高性能的服务。

应当理解，虽然在图1中示出了存储池110位于客户端120、边缘设备130以及云端140的外部，但这仅仅是为了便于说明，并不是为了限制存储池110与客户端120、边缘设备130以及云端140的从属关系。

在存储池110中，可以定义基于流存储架构(例如，Pravega架构)的数据流：采集数据流111、提炼数据流112以及完整数据流113。采集数据流111用于存储由传感器采集到的新的训练数据。提炼数据流112用于存储经提炼的训练数据。完整数据流113可以用于存储所有的训练数据，包括历史数据以及采集到的新训练数据。所定义的数据流可以包括历史数据和关于开发商的信息。

应当理解，仅出于示例性的目的描述环境100的结构和功能，而不暗示对于本公开的范围的任何限制。例如，本公开的实施例还可以被应用到与环境100不同的环境中。虽然图1中仅示出了一个客户端120、边缘设备130以及云端140，但并不限于此，也可以包括更多的客户端120、边缘设备130以及云端140。

图2示出了根据本公开的实施例的用于管理训练数据的示例方法200的流程图。方法200例如可以在如图1所示的环境100中执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。以下结合图1来详细描述方法200。

在框210处，响应于由传感器采集到新的训练数据，向存储池110的采集数据流111存储新的训练数据。

例如，当客户端120利用经训练的交通标志识别模型对交通标志进行识别时，客户端120的传感器采集到该模型无法识别的若干图像。这些图像可以作为新的训练数据被存储到存储池110的采集数据流111。

在框220处，响应于新的训练数据和存储池110的完整数据流113中所存储的历史数据被提炼为经提炼的训练数据，向存储池110的提炼数据流112存储经提炼的训练数据。

除了已经存在问题的财务成本和时间要求之外，机器学习模型的训练具有极高的能耗。为了缓解这些问题并且提高训练效率，一种解决方案是减小训练网络规模，可以被称为知识蒸馏。另外一种解决方案是减少训练数据集大小，而不是减小训练网络大小。数据集蒸馏(Dataset Distillation，DD)最近被提出作为知识蒸馏的替代方法。

数据集蒸馏是创建少量合成样本的过程。这些样本可以快速将网络训练到与在原始数据集上训练时相同的精度。对于具有已知初始化的模型，这是可行的。

利用这样的数据集蒸馏方法，所采集的新的训练数据可以与完整数据流113中所存储的历史数据一起被提炼为经提炼的训练数据。经提炼的训练数据可以被存储在提炼数据流112中。

以此方式，可以帮助减轻数据流管理工具的负担。数据流中包含的数据大大减少。

在一些实施例中，客户端120向边缘设备130请求对模型(例如，交通标志识别模型)进行快速更新，以识别例如之前没有见过的标志。边缘设备130响应于客户端120的请求，开始对模型进行快速更新。因此，边缘设备130需要使用存储池110中的训练数据。

根据前文所述，使用经提炼的训练数据重新训练模型可以达到与使用完整数据集进行训练时的相同精度。因此，响应于从边缘设备130接收到对训练数据的使用请求，来自采集数据流111的新训练数据以及来自提炼数据流112的训练数据可以被提供给边缘设备130。备选地或附加地，如果边缘设备130具有访问历史数据集的权限，可以向边缘设备130提供来自采集数据流111的新训练数据以及完整数据流113的历史数据。

由云端140实现数据集蒸馏算法来提炼训练数据。然后，将经提炼的训练数据传输到边缘设备130，以执行快速模型更新。

在一些实施例中，对模型的快速更新可能由客户端120执行。在这样的情况下，来自采集数据流111的新训练数据以及来自提炼数据流112的训练数据可以被提供给客户端120。备选地或附加地，如果客户端120具有访问历史数据集的权限，可以向客户端120提供来自采集数据流111的新训练数据以及完整数据流113的历史数据。

以此方式，可以减少计算成本，提高数据流的质量和安全性。可以实现隐私保护的数据流。

在一些实施例中，客户端120向云端140请求对模型(例如，交通标志识别模型)进行重新训练，或者云端140需要综合来自多个边缘设备130的数据来进行协作模型更新。因此，响应于从云端140接收到对训练数据的使用请求，从采集数据流111和完整数据流113提供训练数据。

以此方式，确保仍然可以使用完整的训练数据集来对模型进行训练。

在一些实施例中，在新的训练数据和历史数据被提炼之前，噪音标签从新的训练数据和历史数据中被移除。

随着大规模数据集的出现，神经网络在计算机视觉、信息检索和语言处理等众多机器学习任务中表现出令人印象深刻的性能。这样的成功取决于大量但经过仔细标记的数据的可用性，这些数据既昂贵又耗时。一些非专家来源被广泛用于降低高标签成本；然而，使用这些来源通常会导致标签不可靠。此外，即使对于没有经验的人来说，数据标签也可能非常复杂。这种不可靠的标签被称为噪声标签。在存在噪声标签的情况下，训练模型容易受到噪声标签的影响，因为大量模型参数会使神经网络过拟合。

因此，为了使监督学习过程对标签噪声更加稳健。可以从训练数据中移除噪声标签。以此方式，能够降低存储成本，并且能够提高训练效率。使得开发者无需关心输出数据的质量，只需专注于算法部分。

在框230处，向完整数据流113存储新的训练数据。从而完成对历史数据的更新。以此方式，可以保证训练数据的完整性。

图3示出了可以用来实施本公开内容的实施例的示例设备300的示意性框图。例如，如图1所示的存储池110可以由设备300实施。如图3所示，设备300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的计算机程序指令或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序指令，来执行各种适当的动作和处理。在RAM 303中，还可存储设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300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。

上文所描述的各个过程和处理，例如方法200，可由处理单元301执行。例如，在一些实施例中，方法200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308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序被加载到RAM 303并由CPU 301执行时，可以执行上文描述的方法200的一个或多个动作。

本公开可以是方法、装置、系统和/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，其上载有用于执行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单元，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单元执行时，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。

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 (9)

1.一种用于管理训练数据的方法，包括：

响应于由传感器采集到新的训练数据，向存储池的采集数据流存储所述新的训练数据；

响应于所述新的训练数据和所述存储池的完整数据流中所存储的历史数据被提炼为经提炼的训练数据，向所述存储池的提炼数据流存储所述经提炼的训练数据；以及

向所述完整数据流存储所述新的训练数据。

2.根据权利要求1所述的方法，所述方法还包括：

响应于从边缘设备接收到对训练数据的使用请求，从所述采集数据流和所述提炼数据流提供训练数据。

3.根据权利要求1所述的方法，所述方法还包括：

响应于从云端接收到对训练数据的使用请求，从所述采集数据流和所述完整数据流提供训练数据。

4.根据权利要求1所述的方法，其中在所述新的训练数据和所述历史数据被提炼之前，噪音标签从所述新的训练数据和所述历史数据中被移除。

5.一种电子设备，包括：

处理器；以及

与所述处理器耦合的存储器，所述存储器具有存储于其中的指令，所述指令在被所述处理器执行时使所述设备执行动作，所述动作包括：

响应于由传感器采集到新的训练数据，向存储池的采集数据流存储所述新的训练数据；

响应于所述新的训练数据和所述存储池的完整数据流中所存储的历史数据被提炼为经提炼的训练数据，向所述存储池的提炼数据流存储所述经提炼的训练数据；以及

向所述完整数据流存储所述新的训练数据。

6.根据权利要求5所述的设备，所述动作还包括：

响应于从边缘设备接收到对训练数据的使用请求，从所述采集数据流和所述提炼数据流提供训练数据。

7.根据权利要求5所述的设备，所述动作还包括：

响应于从云端接收到对训练数据的使用请求，从所述采集数据流和所述完整数据流提供训练数据。

8.根据权利要求5所述的设备，其中在所述新的训练数据和所述历史数据被提炼之前，噪音标签从所述新的训练数据和所述历史数据中被移除。

9.一种计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括机器可执行指令，所述机器可执行指令在被执行时使机器执行根据权利要求1至4中任一项所述的方法。