CN116737895A - 一种数据处理方法及相关设备 - Google Patents
一种数据处理方法及相关设备 Download PDFInfo
- Publication number
- CN116737895A CN116737895A CN202310646933.7A CN202310646933A CN116737895A CN 116737895 A CN116737895 A CN 116737895A CN 202310646933 A CN202310646933 A CN 202310646933A CN 116737895 A CN116737895 A CN 116737895A
- Authority
- CN
- China
- Prior art keywords
- text
- compression
- characteristic representation
- representation
- compressed
- 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
Links
- 238000003672 processing method Methods 0.000 title abstract description 33
- 238000007906 compression Methods 0.000 claims abstract description 268
- 230000006835 compression Effects 0.000 claims abstract description 266
- 238000000034 method Methods 0.000 claims description 109
- 238000012545 processing Methods 0.000 claims description 103
- 230000015654 memory Effects 0.000 claims description 75
- 238000003860 storage Methods 0.000 claims description 25
- 238000012935 Averaging Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 238000012549 training Methods 0.000 description 93
- 230000006870 function Effects 0.000 description 67
- 230000008569 process Effects 0.000 description 50
- 239000013598 vector Substances 0.000 description 45
- 230000015572 biosynthetic process Effects 0.000 description 36
- 238000003786 synthesis reaction Methods 0.000 description 35
- 238000012512 characterization method Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 30
- 238000013528 artificial neural network Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 15
- 238000007781 pre-processing Methods 0.000 description 14
- 238000003058 natural language processing Methods 0.000 description 13
- 238000013519 translation Methods 0.000 description 13
- 239000000523 sample Substances 0.000 description 11
- 230000001537 neural effect Effects 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000008451 emotion Effects 0.000 description 6
- MHABMANUFPZXEB-UHFFFAOYSA-N O-demethyl-aloesaponarin I Natural products O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=C(O)C(C(O)=O)=C2C MHABMANUFPZXEB-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000000872 buffer Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 208000013409 limited attention Diseases 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
一种数据处理方法,涉及人工智能领域,包括:获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;根据所述压缩后的特征表示,通过大语言模型,得到第二文本;所述第二文本用于作为所述第一文本的回复文本。本申请在prompt中携带压缩率能够给大模型提供一个压缩信息的先验,从而可以让大模型在输入存在损失的情况下可以生成更准确的回复文本。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种数据处理方法及相关设备。
背景技术
人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
自ChatGPT发布以来,大型基础模型(例如大预言模型(large language model,LLM))的能力和未来的潜力受到了各界的广泛的重视。大模型往往存在处理输入长度的限制,例如ChatGPT能够处理的最大长度为4096个tokens,GPT-4能够处理的最大长度为30000个tokens。然而,现实中存在大量的长序列信息,例如论文、书籍、多文档、长会议信息、长代码信息等。于此同时,在大模型和用户对话时也会涉及到长对话历史信息的处理。
因此,继续一种能够提高大模型的长序列处理能力的方法。
发明内容
本申请提供了一种数据处理方法,可以提高大模型的长序列处理能力。
第一方面,本申请提供了一种数据处理方法,所述方法包括:获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;根据所述压缩后的特征表示,通过大语言模型,得到第二文本;所述第二文本用于作为所述第一文本的回复文本。
第一,在prompt中携带压缩率能够给大模型提供一个压缩信息的先验,从而可以让大模型在输入存在损失的情况下可以生成更准确的回复文本;
第二,该方案使得已经设定最大长度并完成预训练的大语言模型无需经过重新训练便可适配更长输入序列的继续预训练、微调和推理;
第三,理论上可拓展无限长度的文本输入,同时支持动态长度的文本压缩,以适应不同长度的用户输入;
第四,可将任意长度输入映射到固定长度,理论推理时延可以控制在复杂度O(1)。因而可以很好地控制基于长序列的训练和推理时间以及内存消耗。
在一种可能的实现中,所述大语言模型用于执行目标任务,所述目标任务为如下的一种:阅读理解、文本翻译、复述识别、命名实体识别、文本情感分析、自然语言推理、文本自动问答、文本意图识别、文本分类、文本简化以及文本故事生成。
在一种可能的实现中,所述压缩的压缩方式,包括:均值池化操作、或者基于文本编码器进行的压缩。
之所以在prompt中定义压缩的压缩率,一方面是因为,由于压缩后的特征表示在大小和内容上相比压缩前存在一定的信息损失,因此,在prompt中携带压缩率能够给大模型提供一个压缩信息的先验,从而可以让大模型在输入存在损失的情况下可以生成更准确的回复文本。另一方面,在压缩方式为通过神经网络(可以简称为压缩模型)进行的压缩时,在prompt中携带压缩率同样能够给压缩模型提供一个压缩信息的先验,从而使得压缩模型让压缩后的特征表示保留较多的有效信息。
在一种可能的实现中,所述prompt还用于指示所述压缩的压缩方式。
其中,压缩方式可以为池化均值、或者是基于神经网络进行的压缩。
类似的,在prompt中携带压缩的压缩方式,能够给大模型提供更丰富的压缩信息的先验,从而可以让大模型在输入存在损失的情况下可以生成更准确的回复文本。
在一种可能的实现中,所述将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,包括:将所述第一特征表示和所述第二特征表示进行切分,得到多个子特征表示;对所述多个子特征表示中的每个子特征表示进行所述目标压缩率的压缩。
在一种可能的实现中,所述方法还包括:根据所述第一文本的长度和所述大语言模型支持输入的最大文本长度之间的关系,确定所述目标压缩率。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;所述将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,包括:通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
在一种可能的实现中,所述根据所述压缩后的特征表示,通过大语言模型,得到第二文本,包括:根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。
在一种可能的实现中,所述根据所述压缩后的特征表示,通过大语言模型,得到第二文本,包括:根据所述压缩后的特征表示,通过大语言模型,得到所述大语言模型的隐藏层输出的特征表示;根据所述隐藏层输出的特征表示,通过文本解码器,得到所述第二文本。
第二方面,本申请提供了一种数据处理方法,所述方法包括:
获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;
将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
根据所述压缩后的特征表示,通过大语言模型,得到第二文本;
根据所述第二文本和对应的真值,更新所述大语言模型。
在一种可能的实现中,所述大语言模型用于执行目标任务,所述目标任务为如下的一种:
阅读理解、文本翻译、复述识别、命名实体识别、文本情感分析、自然语言推理、文本自动问答、文本意图识别、文本分类、文本简化以及文本故事生成。
在一种可能的实现中,所述压缩的压缩方式,包括:
均值池化操作、或者基于文本编码器进行的压缩。
在一种可能的实现中,所述prompt还用于指示所述压缩的压缩方式。
在一种可能的实现中,所述将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,包括:
将所述第一特征表示和所述第二特征表示进行切分,得到多个子特征表示;
对所述多个子特征表示中的每个子特征表示进行所述目标压缩率的压缩。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;所述处理模块,还用于:
根据所述压缩后的特征表示,通过文本解码器,得到所述第一文本和所述prompt的预测值;
根据所述第一文本、所述prompt和所述预测值,更新所述文本编码器。
在一种可能的实现中,所述方法还包括:
根据所述第一文本的长度和所述大语言模型支持输入的最大文本长度之间的关系,确定所述目标压缩率。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;
所述将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,包括:
通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;
将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
在一种可能的实现中,所述根据所述压缩后的特征表示,通过大语言模型,得到第二文本,包括:
根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。
在一种可能的实现中,所述根据所述压缩后的特征表示,通过大语言模型,得到第二文本,包括:
根据所述压缩后的特征表示,通过大语言模型,得到所述大语言模型的隐藏层输出的特征表示;
根据所述隐藏层输出的特征表示,通过文本解码器,得到所述第二文本。
第三方面,本申请提供了一种数据处理装置,所述装置包括:
获取模块,用于获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;
处理模块,用于将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
根据所述压缩后的特征表示,通过大语言模型,得到第二文本;所述第二文本用于作为所述第一文本的回复文本。
在一种可能的实现中,所述压缩的压缩方式,包括:
均值池化操作、或者基于文本编码器进行的压缩。
在一种可能的实现中,所述prompt还用于指示所述压缩的压缩方式。
在一种可能的实现中,所述处理模块,具体用于:
将所述第一特征表示和所述第二特征表示进行切分,得到多个子特征表示;
对所述多个子特征表示中的每个子特征表示进行所述目标压缩率的压缩。
在一种可能的实现中,所述处理模块,还用于:
根据所述第一文本的长度和所述大语言模型支持输入的最大文本长度之间的关系,确定所述目标压缩率。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;
所述处理模块,具体用于:
通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;
将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
在一种可能的实现中,所述处理模块,具体用于:
根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。
第四方面,本申请一种数据处理装置,所述装置包括:
获取模块,用于获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;
处理模块,用于将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
根据所述压缩后的特征表示,通过大语言模型,得到第二文本;
根据所述第二文本和对应的真值,更新所述大语言模型。
在一种可能的实现中,所述大语言模型用于执行目标任务,所述目标任务为如下的一种:
阅读理解、文本翻译、复述识别、命名实体识别、文本情感分析、自然语言推理、文本自动问答、文本意图识别、文本分类、文本简化以及文本故事生成。
在一种可能的实现中,所述压缩的压缩方式,包括:
均值池化操作、或者基于文本编码器进行的压缩。
在一种可能的实现中,所述prompt还用于指示所述压缩的压缩方式。
在一种可能的实现中,所述处理模块,具体用于:
将所述第一特征表示和所述第二特征表示进行切分,得到多个子特征表示;
对所述多个子特征表示中的每个子特征表示进行所述目标压缩率的压缩。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;所述处理模块,还用于:
根据所述压缩后的特征表示,通过文本解码器,得到所述第一文本和所述prompt的预测值;
根据所述第一文本、所述prompt和所述预测值,更新所述文本编码器。
在一种可能的实现中,所述处理模块,还用于:
根据所述第一文本的长度和所述大语言模型支持输入的最大文本长度之间的关系,确定所述目标压缩率。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;
所述处理模块,具体用于:
通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;
将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
在一种可能的实现中,所述处理模块,具体用于:
根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。
在一种可能的实现中,所述处理模块,具体用于:
根据所述压缩后的特征表示,通过大语言模型,得到所述大语言模型的隐藏层输出的特征表示;
根据所述隐藏层输出的特征表示,通过文本解码器,得到所述第二文本。
第五方面,本申请实施例提供了一种执行设备,可以包括存储器、处理器以及总线系统,其中,存储器用于存储程序,处理器用于执行存储器中的程序,以执行如上述第一方面及其任一可选的方法。
第六方面,本申请实施例提供了一种训练设备,可以包括存储器、处理器以及总线系统,其中,存储器用于存储程序,处理器用于执行存储器中的程序,以执行如上述第二方面及其任一可选的方法。
第七方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法、或者上述第二方面及其任一可选的方法。
第八方面,本申请实施例提供了一种计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法、或者上述第二方面及其任一可选的方法。
第九方面,本申请提供了一种芯片系统,该芯片系统包括处理器,用于支持执行设备或训练设备实现上述方面中所涉及的功能,例如,发送或处理上述方法中所涉及的数据;或,信息。在一种可能的设计中,所述芯片系统还包括存储器,所述存储器,用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
附图说明
图1A为人工智能主体框架的一种结构示意图;
图1B为本申请实施例中自然语言合成类应用程序的功能架构示意;
图1C为本申请实施例中运行自然语言合成类应用程序的实体架构示意;
图1D为示出了终端100的一种可选的硬件结构示意图;
图2为一种自然语言处理系统;
图3为另一种自然语言处理系统;
图4为本申请实施例提供的自然语言处理的相关设备的示意图;
图5为本申请实施例提供的一种数据处理方法的实施例示意;
图6为本申请实施例提供的一种数据处理方法的实施例示意;
图7为本申请实施例提供的一种数据处理方法的实施例示意;
图8为本申请实施例提供的一种数据处理方法的实施例示意;
图9A为本申请实施例提供的一种数据处理方法的实施例示意;
图9B为本申请实施例提供的一种数据处理方法的实施例示意;
图9C为本申请实施例提供的一种数据处理方法的实施例示意;
图9D为本申请实施例提供的一种数据处理方法的实施例示意;
图9E为本申请实施例提供的一种数据处理方法的实施例示意;
图9F为本申请实施例提供的一种数据处理方法的实施例示意;
图10为本申请实施例提供的数据处理设备的一种结构示意图;
图11为本申请实施例提供的执行设备的一种结构示意图;
图12是本申请实施例提供的训练设备一种结构示意图;
图13为本申请实施例提供的芯片的一种结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释,而非旨在限定本发明。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
首先对人工智能系统总体工作流程进行描述,请参见图1,图1示出的为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用系统,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
本申请可以应用于人工智能领域的自然语言处理领域中,下面以自然语言处理为例将对多个落地到产品的多个应用场景进行介绍。
首先介绍本申请的应用场景,本申请可以但不限于应用在具有自然语言合成功能的应用程序(以下可以称为自然语言合成类应用程序)或者云侧服务器提供的云服务等,接下来分别进行介绍:
一、自然语言合成类应用程序
本申请实施例的产品形态可以为自然语言合成类应用程序。自然语言合成类应用程序可以运行在终端设备或者云侧的服务器上。
自然语言生成(natural language generation)也可以称之为文本预测任务或者自然语言合成任务,是指在给定一段文字的前提下,生成其中的缺失文本或者后续文本的任务。
本申请可以应用在长序列场景的自然语言合成,所谓长序列场景,可以理解为输入到模型(或者是模型输出)的文本的长度很长的场景。例如,具体的长序列场景包括长文本摘要、长文本问答、多文档摘要和问答、会议摘要和问答、多轮对话、多轮教学问答、多轮代码生成、视频摘要、数学证明验证和纠错等,其中模型的输入可以涉及书籍、长论文、长视频、会议自动语音识别(automatic speech recognition)、多代码文件、多文档、高清图片、长数学证明等超长序列。
在一种可能的实现中,用户可以打开终端设备上安装的自然语言合成类应用程序,并输入文本数据(文本可能是通过指令触发的,不一定是用户主动输入的),自然语言合成类应用程序可以通过本申请实施例提供的方法训练得到的模型、或者是通过本申请实施例提供的方法对文本进行处理,并将处理结果呈现给用户(呈现方式可以但不限于是显示、播放、保存、上传到云侧等)。
在一种可能的实现中,用户可以打开终端设备上安装的自然语言合成类应用程序,并输入文本数据,自然语言合成类应用程序可以将文本数据发送至云侧的服务器,云侧的服务器通过本申请实施例提供的方法训练得到的模型对文本进行处理,并将处理结果回传至终端设备,终端设备可以将处理结果呈现给用户(呈现方式可以但不限于是显示、播放、保存、上传到云侧等)。
接下来分别从功能架构以及实现功能的产品架构介绍本申请实施例中的自然语言合成类应用程序。
参照图1B,图1B为本申请实施例中自然语言合成类应用程序的功能架构示意:
在一种可能的实现中,如图1B所示,自然语言合成类应用程序102可接收输入的参数101(例如包含文本)且产生处理结果103。自然语言合成类应用程序102可在(举例来说)至少一个计算机系统上执行,且包括计算机代码,所述计算机代码在由一或多个计算机执行时致使所述计算机执行用于执行通过本申请实施例提供的方法训练得到的模型。
参照图1C,图1C为本申请实施例中运行自然语言合成类应用程序的实体架构示意:
参见图1C,图1C示出了一种系统架构示意图。该系统可以包括终端100、以及服务器200。其中,服务器200可以包括一个或者多个服务器(图1C中以包括一个服务器作为示例进行说明),服务器200可以为一个或者多个终端提供自然语言合成功能。
其中,终端100上可以安装有自然语言合成类应用程序,或者打开与自然语言合成功能相关的网页,上述应用程序和网页可以提供一个界面,终端100可以接收用户在自然语言合成功能界面上输入的相关参数,并将上述参数发送至服务器200,服务器200可以基于接收到的参数,得到处理结果,并将处理结果返回至至终端100。
应理解,在一些可选的实现中,终端100也可以由自身完成基于接收到的参数,得到处理结果的动作,而不需要服务器配合实现,本申请实施例并不限定。
接下来描述图1C中终端100的产品形态;
本申请实施例中的终端100可以为手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personaldigital assistant,PDA)等,本申请实施例对此不作任何限制。
图1D示出了终端100的一种可选的硬件结构示意图。
参考图1D所示,终端100可以包括射频单元110、存储器120、输入单元130、显示单元140、摄像头150(可选的)、音频电路160(可选的)、扬声器161(可选的)、麦克风162(可选的)、处理器170、外部接口180、电源190等部件。本领域技术人员可以理解,图1D仅仅是终端或多功能设备的举例,并不构成对终端或多功能设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
输入单元130可用于接收输入的数字或字符信息,以及产生与该便携式多功能装置的用户设置以及功能控制有关的键信号输入。具体地,输入单元130可包括触摸屏131(可选的)和/或其他输入设备132。该触摸屏131可收集用户在其上或附近的触摸操作(比如用户使用手指、关节、触笔等任何适合的物体在触摸屏上或在触摸屏附近的操作),并根据预先设定的程序驱动相应的连接装置。触摸屏可以检测用户对触摸屏的触摸动作,将该触摸动作转换为触摸信号发送给该处理器170,并能接收该处理器170发来的命令并加以执行;该触摸信号至少包括触点坐标信息。该触摸屏131可以提供该终端100和用户之间的输入界面和输出界面。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触摸屏。除了触摸屏131,输入单元130还可以包括其他输入设备。具体地,其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
其中,其他输入设备132可以接收到输入的图像数据或者文本数据。
该显示单元140可用于显示由用户输入的信息或提供给用户的信息、终端100的各种菜单、交互界面、文件显示和/或任意一种多媒体文件的播放。在本申请实施例中,显示单元140可用于显示自然语言合成类应用程序的界面、处理结果等。
该存储器120可用于存储指令和数据,存储器120可主要包括存储指令区和存储数据区,存储数据区可存储各种数据,如多媒体文件、文本等;存储指令区可存储操作系统、应用、至少一个功能所需的指令等软件单元,或者他们的子集、扩展集。还可以包括非易失性随机存储器;向处理器170提供包括管理计算处理设备中的硬件、软件以及数据资源,支持控制软件和应用。还用于多媒体文件的存储,以及运行程序和应用的存储。
处理器170是终端100的控制中心,利用各种接口和线路连接整个终端100的各个部分,通过运行或执行存储在存储器120内的指令以及调用存储在存储器120内的数据,执行终端100的各种功能和处理数据,从而对终端设备进行整体控制。可选的,处理器170可包括一个或多个处理单元;优选的,处理器170可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器170中。在一些实施例中,处理器、存储器、可以在单一芯片上实现,在一些实施例中,他们也可以在独立的芯片上分别实现。处理器170还可以用于产生相应的操作控制信号,发给计算处理设备相应的部件,读取以及处理软件中的数据,尤其是读取和处理存储器120中的数据和程序,以使其中的各个功能模块执行相应的功能,从而控制相应的部件按指令的要求进行动作。
其中,存储器120可以用于存储数据处理方法相关的软件代码,处理器170可以执行芯片的数据处理方法的步骤,也可以调度其他单元(例如上述输入单元130以及显示单元140)以实现相应的功能。
该射频单元110(可选的)可用于收发信息或通话过程中信号的接收和发送,例如,将基站的下行信息接收后,给处理器170处理;另外,将设计上行的数据发送给基站。通常,RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,射频单元110还可以通过无线通信与网络设备和其他设备通信。该无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(Global System of Mobile communication,GSM)、通用分组无线服务(General PacketRadio Service,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
其中,在本申请实施例中,该射频单元110可以将图像数据或者文本数据发送至服务器200,并接收到服务器200发送的处理结果。
应理解,该射频单元110为可选的,其可以被替换为其他通信接口,例如可以是网口。
终端100还包括给各个部件供电的电源190(比如电池),优选的,电源可以通过电源管理系统与处理器170逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
终端100还包括外部接口180,该外部接口可以是标准的Micro USB接口,也可以使多针连接器,可以用于连接终端100与其他装置进行通信,也可以用于连接充电器为终端100充电。
尽管未示出,终端100还可以包括闪光灯、无线保真(wireless fidelity,WiFi)模块、蓝牙模块、不同功能的传感器等,在此不再赘述。下文中描述的部分或全部方法均可以应用在如图1D所示的终端100中。
接下来描述图1C中服务器200的产品形态;
图2提供了一种服务器200的结构示意图,如图2所示,服务器200包括总线201、处理器202、通信接口203和存储器204。处理器202、存储器204和通信接口203之间通过总线201通信。
总线201可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器202可以为中央处理器(central processing unit,CPU)、图形处理器(graphics processing unit,GPU)、微处理器(micro processor,MP)或者数字信号处理器(digital signal processor,DSP)等处理器中的任意一种或多种。
存储器204可以包括易失性存储器(volatile memory),例如随机存取存储器(random access memory,RAM)。存储器204还可以包括非易失性存储器(non-volatilememory),例如只读存储器(read-only memory,ROM),快闪存储器,机械硬盘(hard drivedrive,HDD)或固态硬盘(solid state drive,SSD)。
其中,存储器204可以用于存储数据处理方法相关的软件代码,处理器202可以执行芯片的数据处理方法的步骤,也可以调度其他单元以实现相应的功能。
应理解,上述终端100和服务器200可以为集中式或者是分布式的设备,上述终端100和服务器200中的处理器(例如处理器170以及处理器202)可以为硬件电路(如专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)、通用处理器、数字信号处理器(digital signalprocessing,DSP)、微处理器或微控制器等等)、或这些硬件电路的组合,例如,处理器可以为具有执行指令功能的硬件系统,如CPU、DSP等,或者为不具有执行指令功能的硬件系统,如ASIC、FPGA等,或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解,本申请实施例中的和模型推理过程相关的步骤涉及AI相关的运算,在执行AI运算时,终端设备和服务器的指令执行架构不仅仅局限在上述介绍的处理器结合存储器的架构。下面结合图3对本申请实施例提供的系统架构进行详细的介绍。
图3为本申请实施例提供的系统架构示意图。如图3所示,系统架构500包括执行设备510、训练设备520、数据库530、客户设备540、数据存储系统550以及数据采集系统560。
执行设备510包括计算模块511、I/O接口512、预处理模块513和预处理模块514。计算模块511中可以包括目标模型/规则501,预处理模块513和预处理模块514是可选的。
其中,执行设备510可以为上述运行自然语言合成类应用程序的终端设备或者服务器。
数据采集设备560用于采集训练样本。训练样本可以为图像数据或者文本数据等。在采集到训练样本之后,数据采集设备560将这些训练样本存入数据库530。
训练设备520可以基于数据库530中维护训练样本,对待训练的神经网络(例如本申请实施例中的神经网络模型(例如包括文本编码器、扩散模型等)),以得到目标模型/规则501。
应理解,训练设备520可以基于数据库530中维护训练样本,对待训练的神经网络进行预训练过程,或者是在预训练的基础上进行模型的微调。
需要说明的是,在实际应用中,数据库530中维护的训练样本不一定都来自于数据采集设备560的采集,也有可能是从其他设备接收得到的。另外需要说明的是,训练设备520也不一定完全基于数据库530维护的训练样本进行目标模型/规则501的训练,也有可能从云端或其他地方获取训练样本进行模型训练,上述描述不应该作为对本申请实施例的限定。
根据训练设备520训练得到的目标模型/规则501可以应用于不同的系统或设备中,如应用于图3所示的执行设备510,该执行设备510可以是终端,如手机终端,平板电脑,笔记本电脑,增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备,车载终端等,还可以是服务器等。
具体的,训练设备520可以将训练后的模型传递至执行设备510。
在图3中,执行设备510配置输入/输出(input/output,I/O)接口512,用于与外部设备进行数据交互,用户可以通过客户设备540向I/O接口512输入数据(例如本申请实施例中的图像数据或者文本数据等)。
预处理模块513和预处理模块514用于根据I/O接口512接收到的输入数据进行预处理。应理解,可以没有预处理模块513和预处理模块514或者只有的一个预处理模块。当不存在预处理模块513和预处理模块514时,可以直接采用计算模块511对输入数据进行处理。
在执行设备510对输入数据进行预处理,或者在执行设备510的计算模块511执行计算等相关的处理过程中,执行设备510可以调用数据存储系统550中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储系统550中。
最后,I/O接口512将处理结果提供给客户设备540,从而提供给用户。
在图3所示情况下,用户可以手动给定输入数据,该“手动给定输入数据”可以通过I/O接口512提供的界面进行操作。另一种情况下,客户设备540可以自动地向I/O接口512发送输入数据,如果要求客户设备540自动发送输入数据需要获得用户的授权,则用户可以在客户设备540中设置相应权限。用户可以在客户设备540查看执行设备510输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备540也可以作为数据采集端,采集如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果作为新的样本数据,并存入数据库530。当然,也可以不经过客户设备540进行采集,而是由I/O接口512直接将如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果,作为新的样本数据存入数据库530。
值得注意的是,图3仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图3中,数据存储系统550相对执行设备510是外部存储器,在其它情况下,也可以将数据存储系统550置于执行设备510中。应理解,上述执行设备510可以部署于客户设备540中。
从模型的推理侧来说:
本申请实施例中,上述执行设备520的计算模块511可以获取到数据存储系统550中存储的代码来实现本申请实施例中的和模型推理过程相关的步骤。
本申请实施例中,执行设备520的计算模块511可以包括硬件电路(如专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)、通用处理器、数字信号处理器(digital signalprocessing,DSP)、微处理器或微控制器等等)、或这些硬件电路的组合,例如,训练设备520可以为具有执行指令功能的硬件系统,如CPU、DSP等,或者为不具有执行指令功能的硬件系统,如ASIC、FPGA等,或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
具体的,执行设备520的计算模块511可以为具有执行指令功能的硬件系统,本申请实施例提供的和模型推理过程相关的步骤可以为存储在存储器中的软件代码,执行设备520的计算模块511可以从存储器中获取到软件代码,并执行获取到的软件代码来实现本申请实施例提供的和模型推理过程相关的步骤。
应理解,执行设备520的计算模块511可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合,本申请实施例提供的和模型推理过程相关的步骤的部分步骤还可以通过执行设备520的计算模块511中不具有执行指令功能的硬件系统来实现,这里并不限定。
从模型的训练侧来说:
本申请实施例中,上述训练设备520可以获取到存储器(图3中未示出,可以集成于训练设备520或者与训练设备520分离部署)中存储的代码来实现本申请实施例中和模型训练相关的步骤。
本申请实施例中,训练设备520可以包括硬件电路(如专用集成电路(applicationspecific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gatearray,FPGA)、通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器等等)、或这些硬件电路的组合,例如,训练设备520可以为具有执行指令功能的硬件系统,如CPU、DSP等,或者为不具有执行指令功能的硬件系统,如ASIC、FPGA等,或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解,训练设备520可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合,本申请实施例提供的中和模型训练相关的部分步骤还可以通过训练设备520中不具有执行指令功能的硬件系统来实现,这里并不限定。
二、服务器提供的自然语言合成功能类云服务:
在一种可能的实现中,服务器可以通过应用程序编程接口(applicationprogramming interface,API)为端侧提供自然语言合成功能的服务。
其中,终端设备可以通过云端提供的API,将相关参数(例如文本等数据)发送至服务器,服务器可以基于接收到的参数,得到处理结果等),并将处理结果返回至至终端。
关于终端以及服务器的描述可以上述实施例的描述,这里不再赘述。
如图4示出了使用一项云平台提供的自然语言合成功能类云服务的流程。
1.开通并购买内容审核服务。
2.用户可以下载内容审核服务对应的软件开发工具包(software developmentkit,SDK),通常云平台提供多个开发版本的SDK,供用户根据开发环境的需求选择,例如JAVA版本的SDK、python版本的SDK、PHP版本的SDK、Android版本的SDK等。
3.用户根据需求下载对应版本的SDK到本地后,将SDK工程导入至本地开发环境,在本地开发环境中进行配置和调试,本地开发环境还可以进行其他功能的开发,使得形成一个集合了自然语言合成功能类能力的应用。
4.自然语言合成功能类应用在被使用的过程中,当需要进行自然语言合成功能时,可以触发自然语言合成功能的API调用。当应用触发自然语言合成功能时,发起API请求至云环境中的自然语言合成功能类服务的运行实例,其中,API请求中携带文本,由云环境中的运行实例对文本进行处理,获得处理结果。
5.云环境将处理结果返回至应用,由此完成一次的自然语言合成功能调用。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入,激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
(2)transformer层
神经网络包括嵌入层和至少一个transformer层,至少一个transformer层可以为N个transformer层(N大于0的整数),其中,每个transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feed forward)层和加和与归一化层。在嵌入层,对当前输入进行嵌入处理,得到多个嵌入向量;在所述注意力层,从所述第一transformer层的上一层获取P个输入向量,以P个输入向量中的任意的第一输入向量为中心,基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度,得到该第一输入向量对应的中间向量,如此确定出P个输入向量对应的P个中间向量;在所述池化层,将所述P个中间向量合并为Q个输出向量,其中transformer层中最后一个transformer层得到的多个输出向量用作所述当前输入的特征表示。
(3)注意力机制(attention mechanism)
注意力机制模仿了生物观察行为的内部过程,即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制,能够利用有限的注意力资源从大量信息中快速筛选出高价值信息。注意力机制可以快速提取稀疏数据的重要特征,因而被广泛用于自然语言处理任务,特别是机器翻译。而自注意力机制(self-attention mechanism)是注意力机制的改进,其减少了对外部信息的依赖,更擅长捕捉数据或特征的内部相关性。注意力机制的本质思想可以改写为如下公式:
其中,Lx=||Source||代表Source的长度,公式含义即将Source中的构成元素想象成是由一系列的数据对构成,此时给定目标Target中的某个元素Query,通过计算Query和各个Key的相似性或者相关性,得到每个Key对应Value的权重系数,然后对Value进行加权求和,即得到了最终的Attention数值。所以本质上Attention机制是对Source中元素的Value值进行加权求和,而Query和Key用来计算对应Value的权重系数。从概念上理解,把Attention可以理解为从大量信息中有选择地筛选出少量重要信息并聚焦到这些重要信息上,忽略大多不重要的信息。聚焦的过程体现在权重系数的计算上,权重越大越聚焦于其对应的Value值上,即权重代表了信息的重要性,而Value是其对应的信息。自注意力机制可以理解为内部Attention(intra attention),Attention机制发生在Target的元素Query和Source中的所有元素之间,自注意力机制指的是在Source内部元素之间或者Target内部元素之间发生的Attention机制,也可以理解为Target=Source这种特殊情况下的注意力计算机制,其具体计算过程是一样的,只是计算对象发生了变化而已。
(4)自然语言处理(natural language processing,NLP)
自然语言(natural language)即人类语言,自然语言处理(NLP)就是对人类语言的处理。
自然语言处理是以一种智能与高效的方式,对文本数据进行系统化分析、理解与信息提取的过程。通过使用NLP及其组件,我们可以管理非常大块的文本数据,或者执行大量的自动化任务,并且解决各式各样的问题,如自动摘要(automatic summarization),机器翻译(machine translation,MT),命名实体识别(named entity recognition,NER),关系提取(relation extraction,RE),信息抽取(information extraction,IE),情感分析,语音识别(speech recognition),问答系统(question answering)以及主题分割等等。
(5)反向传播算法
卷积神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的超分辨率模型中参数的大小,使得超分辨率模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的超分辨率模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的超分辨率模型的参数,例如权重矩阵。
(6)损失函数
在训练深度神经网络的过程中,因为希望深度神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为深度神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断地调整,直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
(7)预训练语言模型(pre-trained language model)
预训练语言模型是一个自然语言序列编码器,为自然语言序列中的每个词进行编码成为一个向量表示,从而进行预测任务。它的训练包含两个阶段。在预训练(pre-training)阶段,该模型在大规模无监督文本上进行语言模型任务的训练,从而学习到一个词表示。在微调(finetuning)阶段,该模型利用预训练阶段学到的参数做初始化,在文本分类(text classification),序列标注(sequence labeling)等下游任务(downstreamtask)上进行较少步骤的训练,就可以成功把预训练得到的语义信息成功迁移到下游任务上来。
应理解,上述架构还可以适用于其他自然语言处理任务,例如自然语言合成、语义理解、摘要生成等等。
(8)Average Pooling
平均池化,即在模型前向传播中用一个表征集合中所有表征的平均值作为该表征集合的表征。
自ChatGPT发布以来,大型基础模型(例如大预言模型(large language model,LLM))的能力和未来的潜力受到了各界的广泛的重视。大模型往往存在处理输入长度的限制,例如ChatGPT能够处理的最大长度为4096个tokens,GPT-4能够处理的最大长度为30000个tokens。然而,现实中存在大量的长序列信息,例如论文、书籍、多文档、长会议信息、长代码信息等。于此同时,在大模型和用户对话时也会涉及到长对话历史信息的处理。
因此,继续一种能够提高大模型的长序列处理能力的方法。
首先以模型训练阶段为例对本申请实施例提供的数据处理方法进行说明。
参照图5,图5为本申请实施例提供的一种数据处理方法的实施例示意,本申请实施例提供的一种数据处理方法可以应用在手机、平板、笔记本电脑、智能穿戴设备等终端设备上,也可以应用在服务器上,如图5示出的那样,本申请实施例提供的一种数据处理方法包括:
501、获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩。
在一种可能的实现中,第一文本可以为针对于大语言模型的训练样本,其中,训练样本可以包括第一文本和第一文本对应的真值,第一文本可以基于源语料得到,第一文本对应的真值可以基于目标语料得到,大语言模型需要基于源语料来预测并生成目标语料。
例如。第一文本你可以为:“请生成如下文本的摘要:“XXXX””。
其中,第一文本可以为长序列文本,例如,第一文本可以包括书籍内容、长论文、长视频、多代码文件、多文档、高清图片、长数学证明、多轮对话内容等。
在一种可能的实现中,大语言模型可以用于实现不同语言类型之间的序列转换任务,例如可以为文本翻译任务、不同语言之间的摘要生成任务等,则第一文本和第一文本对应的真值可以为包括不同语言类型的文本(不限定第一文本中的每个数据单元都和第一文本对应的真值中的数据单元是不同的语言类型,例如第一文本中的部分数据单元和第一文本对应的真值中数据单元(部分或全部数据单元)是相同的语言类型)。其中,语言类型也可以称之为语种。
例如,在中英翻译任务中,原文文本是“这次旅行需要认真计划”,与其平行对应的英文文本为“The trip needscareful planning”,则“这次旅行需要认真计划”和“Thetrip needs careful planning”可以看做一组平行语料,该组平行语料是中英平行语言对,可以将原文文本“这次旅行需要认真计划”看做该组平行语料的源语料,将译文文本“The trip needs careful planning”看做该组平行语料的目标语料。
例如,在英德翻译任务中,原文文本是“We danse on the grass”,与其平行对应的德文文本为“Wir tanzen auf dem gras”,则“We danse on the grass”和“Wir tanzenauf dem gras”可以看做一组平行语料,该组平行语料是英德平行语言对,可以将原文文本“We danse on the grass”看做该组平行语料的源语料,将译文文本“Wir tanzen auf demgras”看做该组平行语料的目标语料。
在一种可能的实现中,大语言模型可以用于实现文本的摘要生成任务,则源语料可以为需要提取摘要的源语料,目标语料可以为需要生成的摘要文本。
在一种可能的实现中,大语言模型可以用于实现文本答复任务,则源语料可以为需要答复的源语料,目标语料可以为针对于源语料的答复内容。
可选的,原始的源语料和原始的目标语料可以从外部的数据库中得到。
在一种可能的实现中,可以对第一文本进行特征提取得到第一特征表示。其中,可以通过大语言模型的嵌入层对第一文本进行特征提取得到第一特征表示,也可以通过文本编码器(关于文本编码器的介绍将在后续实施例中介绍)中的嵌入层对第一文本进行特征提取得到第一特征表示。
可选的,嵌入层可以得到第一文本的每一个数据单元的词嵌入(tokenembedding)、位置嵌入(position embedding)、文本嵌入(segment embedding)(文本嵌入为可选的)。
在一种可能的实现中,所述嵌入层可以包括输入嵌入层和位置编码(positionalencoding)层。在输入嵌入层,可以对当前输入中的未被掩码的数据单元中的每个数据单元进行词嵌入处理,从而得到未被掩码的数据单元中的每个数据单元的词向量(例如可以表示语义信息)。在位置编码层,可以获取未被掩码的数据单元中的每个数据单元在该当前输入中的位置,进而对未被掩码的数据单元中的每个数据单元的位置生成位置向量。
在一些示例中,未被掩码的数据单元中的每个数据单元在数据序列中的位置信息可以为未被掩码的数据单元中的每个数据单元在数据序列中的绝对位置。以当前输入为“几号应还花呗”为例,其中的“几”的位置可以表示为第一位,“号”的位置可以表示为第二位,……。在一些示例中,未被掩码的数据单元中的每个数据单元在数据序列中的位置可以为未被掩码的数据单元中的每个数据单元在数据序列中的相对位置。仍以当前输入为“几号应还花呗”为例,其中的“几”的位置可以表示为“号”之前,“号”的位置可以表示为“几”之后、“应”之前,……。当得到当前输入中未被掩码的数据单元中的每个数据单元的词向量和位置向量时,可以将未被掩码的数据单元中的每个数据单元的位置向量和对应的词向量进行融合,得到未被掩码的数据单元中的每个数据单元的嵌入向量。应理解,融合的方式可以是对位置向量和对应的词向量进行加法运算,或者是通过其他运算,这里并不限定具体的融合方式。嵌入向量可以表示为具有预设维度的嵌入矩阵。可以设定该嵌入向量的个数为M,预设维度为H维,则嵌入向量可以表示为M×H的嵌入矩阵。
在第一文本为长序列,尤其是超过大语言模型能够支持的最大输入长度时,需要对第一文本的特征表示进行压缩,使得压缩后的特征表示能够在大语言模型的处理范围内。
在一种可能的实现中,除了第一文本之外,还可以获取到提示prompt,该prompt可以指示按照目标压缩率进行压缩。其中,压缩率可以为数据压缩后的大小与压缩前的大小之比。
之所以在prompt中定义压缩的压缩率,一方面是因为,由于压缩后的特征表示在大小和内容上相比压缩前存在一定的信息损失,因此,在prompt中携带压缩率能够给大模型提供一个压缩信息的先验,从而可以让大模型在输入存在损失的情况下可以生成更准确的回复文本。另一方面,在压缩方式为通过神经网络(可以简称为压缩模型)进行的压缩时,在prompt中携带压缩率同样能够给压缩模型提供一个压缩信息的先验,从而使得压缩模型让压缩后的特征表示保留较多的有效信息。
在一种可能的实现中,所述prompt还用于指示所述压缩的压缩方式。
其中,压缩方式可以为池化均值、或者是基于神经网络进行的压缩。
类似的,在prompt中携带压缩的压缩方式,能够给大模型提供更丰富的压缩信息的先验,从而可以让大模型在输入存在损失的情况下可以生成更准确的回复文本。
示例性的,prompt可以为:“这是一个被average pooling方法压缩到20%长度的表征序列,请基于其原始文本回答:”,又例如,prompt可以为:“这是一个被averagepooling方法压缩到20%长度的表征序列,请重构原始文本:”。
接下来介绍如何确定目标压缩率。
在一种可能的实现中,目标压缩率可以为用户指定的,或者是系统基于第一文本和大语言模型支持的最大输入长度之间的关系确定的。例如,可以基于大语言模型支持的最大输入长度X和第一文本的长度Y之间的比值(X/Y),确定目标压缩率,目标压缩率可以小于或者等于比值(X/Y)。
应理解,携带压缩信息的prompt可以为用户输入的信息,也可以为系统自动生成的,本申请并不限定。
应理解,长序列内部也可能带有具体任务相关的prompt,这使得两层prompt之间可能存在嵌套关系。由于表征任务的prompt信息较为重要,当该prompt较短时,也可采用并列的方式,即把该任务相关的prompt和表征压缩压缩比例的prompt放在一起。
示例1:(嵌套模式):“这是一个被average pooling方法压缩到20%长度的表征序列,请基于其原始文本回答:【请根据以下内容生成一段100字以内的摘要:】”;
示例2:(并列模式):“请根据以下被average pooling方法压缩到20%长度的表征序列生成一段100字以内的摘要:”。
502、将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
在一种可能的实现中,可以通过均值池化操作将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示。
参照图6,图6为基于Average Pooling的特征表示的压缩和大模型生成示意图及推理流程。在一种可能的实现中,可以将输入文本或其他类型的序列转化为token ids,通过embedding层生成原始序列的表征。将该表征序列按照一定的窗口大小进行分块。将每一小块的表征序列取平均作为该小块的表征向量,将这些平均表征向量按照顺序拼接起来,作为原序列压缩后的表征向量。
在一种可能的实现中,可以通过基于文本编码器将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器(或者可以称之为压缩模型)进行的压缩;可以通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
例如,目标压缩率为0.3,则可以将编码结果中百分之30的特征表示作为压缩后的特征表示。例如可以取前百分之30的特征表示作为压缩后的特征表示。
参照图7,图7为压缩模型的特征表示的压缩和大模型生成示意图及推理流程,在一种可能的实现中,压缩模型可以采用经过自编码结构预训练的压缩模型,压缩模型可以把原始长文本压缩为较短的表征序列。可选的,当输入序列过长或为多文档情形,可将序列分割(或者可以描述为切分)并分别进行压缩。也就是说,在一种可能的实现中,可以将所述第一特征表示和所述第二特征表示进行切分,得到多个子特征表示;对所述多个子特征表示中的每个子特征表示进行所述目标压缩率的压缩。
在对每个子特征表示进行所述目标压缩率的压缩后,可以得到多个压缩后的子特征表示,可以将多个压缩后的子特征表示进行融合(例如拼接concat),得到压缩后的特征表示。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;在训练文本编码器时,可以根据所述压缩后的特征表示(例如是取文本编码器得到的特征表示中的部分,另一部分可以进行掩码处理),通过文本解码器,得到所述第一文本和所述prompt的预测值;并根据所述第一文本、所述prompt和所述预测值,更新所述文本编码器。
其中,所述第一文本和所述prompt相当于是真值,因此可以基于预测值和真值之间的差异,确定损失,并根据损失更新文本编码器,当然,也可以更新文本解码器,在文本解码器为预训练好的解码器时,也可以不更新文本解码器。
通过上述对压缩模型的训练,可以使得文本解码器根据基于文本编码器得到的压缩后的特征表示得到准确的原始文本,且,只有在基于文本编码器得到的压缩后的特征表示携带较丰富的信息(也就是压缩过程不会损失很多的有效信息),才可以使得文本解码器可以基于压缩后的特征表示依然可以还原出原始序列。因此,上述训练过程可以使得文本编码器具备压缩过程不会损失很多的有效信息的能力,进而可以使得后续大语言模型得到更准确的回复文本。
应理解,上述对压缩模型的训练过程可以在大语言模型的训练过程之前进行(也就是说,步骤502使用的压缩性是预训练好的模型,在大语言模型训练过程中不需要进行更新),也可以是和大语言模型一起进行端到端训练(也就是在大语言模型训练过程中压缩模型也同样需要进行更新),本申请并不限定。
示例性的,压缩模型的训练方式可以为如下示意的流程:
参照图8,图8为Encoder和Decoder端均为BERT结构的处理流程示意。如图8所示,可以构建基于压缩率信息(例如本申请实施例中的目标压缩率)的提示,可用文本表示;将该信息和输入文本(例如本申请实施例中的第一文本)进行拼接,通过tokenizer层生成输入整体序列的token ids;将输入整体序列的token ids作为input ids输入encoder模型;取encoder模型的top vectors作为对应输入信息的top表征序列(例如本申请实施例中的压缩后的特征表示);根据压缩比例只取encoder输出的top表征序列的前面一部分,可采用加掩码mask的方法;选取的top表征序列作为输入embedding,输入压缩模型的decoder部分,输出表征序列转化为logits拟合原始文本的token ids信息。如果使用GPT作为decoder模块,则可以采用teaching forcing的方法进行训练。通过最小化重构loss进行训练,确保encoder部分给出的top表征序列的前一部分(由压缩率决定)可以经过decoder重构原始文本。
压缩模型的主要作用是把长序列根据指定的压缩比例压缩为不同长度的表征序列,并且压缩后的表征序列能够很好的通过Decoder模型重构原始输入序列。
其中,基于压缩模型的方法可采用不同的自编码器结构,包括在Encoder端采用BERT,Longformer,Bigbird,XLNet等Transformer Encoder结构,在Decoder端采用BERT,GPT等Transformer Encoder或Decoder结构。
此外,为了适配长序列,可以采用分割-编码-解码-拼接的前馈传播方式,或采用稀疏Transformer结构作为Encoder,例如Longformer,Bigbird,XLNet等。
503、根据所述压缩后的特征表示,通过大语言模型,得到第二文本;
504、根据所述第二文本和对应的真值,更新所述大语言模型。
在一种可能的实现中,可以将压缩后的特征表示输入到大语言模型中,大语言模型可以处理压缩后的特征表示,得到第二文本。
应理解,在将压缩后的特征表示输入大模型时,输入序列可以在前缀或其他位置加入包含对应于包含目标压缩率的prompt的表征。当采用压缩模型进行特征表示的压缩时,压缩模型本身输入内容可以包括prompt信息,且压缩后的特征表示不严格区分prompt信息和文本内容对应的部分(因为是共同作为压缩模型的输入)。
在一种可能的实现中,可以根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。也就是说,可以将第二特征表示作为输入同压缩后的特征表示一起输入到大语言模型中,也可以不将第二特征表示作为输入同压缩后的特征表示一起输入到大语言模型中。
在大语言模型和压缩模型端到端训练的情况下,由于大语言模型可以自发学习使用压缩表征中的prompt信息,因此,可以选择不将第二特征表示输入到大模型中,而采用压缩模型得到的编码结果中对应的prompt信息。
在一种可能的实现中,还可以根据所述压缩后的特征表示,通过大语言模型,得到所述大语言模型的隐藏层输出的特征表示;根据所述隐藏层输出的特征表示,通过文本解码器,得到所述第二文本。
其中,可以直接采用大模型最终输出的文本作为回复文本(也就是采用非压缩序列生成tokens),这种情况适用于长输入、短输出的场景。本申请实施例还可以拓展至全序列的压缩表征空间处理(也就是可适用长输出)。参照图9B,大语言模型输入压缩后的特征表示,利用输入-输出隐藏层表征的平移关系训练语言模型。其中,每个表征向量不是直接对应原始词表中的一个token。输出端的隐含层表征可用压缩模型的解码器还原出输出文本信息。此外,在表征空间进行训练时,由于不直接对应原始词表的one-hot vector,可采用预测表征向量与实际表征向量的cosine相似度或者均方误差(mean squared error,MSE)作为损失函数。
在一种可能的实现中,图5对应的实施例可以应用于大语言模型的继续预训练的过程。也就是说,大语言模型自身已经是一个经过预训练的大模型,其所能处理的长度存在一个上限,例如2048个tokens。本申请实施例可以基于此模型进行长序列的继续预训练,使得模型能够处理更长的输入序列。如图9A所示,图9A为基于压缩序列的大模型继续预训练示意图。其主要流程如下:根据原始序列长度等信息决定序列压缩比例。将序列压缩比例写入prompt。prompt文本经过大模型embedding层得到相应的embedding。用均值池化averagepooling或压缩模型的方法得到原始序列的压缩表征。将prompt的embedding和原始序列的第1到i-1个token压缩后的序列表征、原始序列的第i个token的表征拼接输入大模型embedding层以后的部分,输出的最后一个位置预测原始序列的第i+1个token。根据一定数量的不同长度和压缩比例的数据进行模型训练。也可采用将prompt的embedding和原始序列的第1到i个token压缩后的序列表征作为输入,输出的最后一个位置预测原始序列的第i+1个token。另外,采用压缩模型的情况下,压缩模型可以和大模型串联进行端到端的训练。
在一种可能的实现中,图5对应的实施例可以应用于大语言模型的微调过程。也就是说,大语言模型自身已经是一个经过预训练的大模型,其所能处理的长度存在一个上限,例如2048个tokens。本申请实施例可以基于此模型进行长序列的微调,使得模型能够处理更长的输入序列。如图9C所示,图9C为基于压缩表征的大模型Finetune示意图,主要步骤是利用平均池化或压缩模型的方法将原始输入序列压缩为一个长度较短的表征序列,通过prompt告知模型该序列所采用的压缩比例,让大模型可以学会根据压缩前的内容给出文本回复。
参照图9E,其训练过程如下:采用压缩模型或Average Pooling将原始序列或原始序列经过大模型embedding层后的表征序列压缩为一个较短的压缩表征序列。将压缩比例等信息写入一个prompt中,通过embedding层得到该prompt信息的表征序列。将prompt的表征序列和原始输入压缩后的表征序列拼接后作为大语言模型的输入表征。将期望的回答作为大语言模型的输出,采用teacher forcing的方式进行训练。在多个不同的任务上采用不同长度和不同压缩比例的输入数据进行训练,增强模型的泛化性。
可选的,在采用压缩模型进行有监督微调(supervised fine-tuning,SFT)的情况下,考虑两种方式:一种是采用已经经过大量数据预训练的压缩模型的Encoder部分进行编码,然后输入大语言模型进行SFT。另一种是采用预训练过的Encoder和大语言模型同时进行端到端的SFT。当原始输入过长时,可以采用分段压缩再合并的方式。
此外,在继续预训练和有监督微调的阶段,均可使用端到端的模型训练方式。与独立训练压缩模型相比,端到端训练大模型梯度可通过压缩表征序列回传压缩模型,进而可以更新压缩模型中的参数。图9D以SFT为例进行了说明。其在推理阶段可以仍参照此整体结构。
本申请实施例的有益效果主要包括如下几点:
第一,在prompt中携带压缩率能够给大模型提供一个压缩信息的先验,从而可以让大模型在输入存在损失的情况下可以生成更准确的回复文本;
第二,该方案使得已经设定最大长度并完成预训练的大语言模型无需经过重新训练便可适配更长输入序列的继续预训练、微调和推理;
第三,理论上可拓展无限长度的文本输入,同时支持动态长度的文本压缩,以适应不同长度的用户输入;
第四,可将任意长度输入映射到固定长度,理论推理时延可以控制在复杂度O(1)。因而可以很好地控制基于长序列的训练和推理时间以及内存消耗。
接下来从模型的推理角度介绍本申请实施例中的数据处理方法:
本申请实施例提供的一种数据处理方法,包括:
获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;根据所述压缩后的特征表示,通过大语言模型,得到第二文本;所述第二文本用于作为所述第一文本的回复文本。
在一种可能的实现中,所述大语言模型用于执行目标任务,所述目标任务为如下的一种:阅读理解、文本翻译、复述识别、命名实体识别、文本情感分析、自然语言推理、文本自动问答、文本意图识别、文本分类、文本简化以及文本故事生成。
在一种可能的实现中,所述压缩的压缩方式,包括:均值池化操作、或者基于文本编码器进行的压缩。
在一种可能的实现中,所述prompt还用于指示所述压缩的压缩方式。
在一种可能的实现中,可以将所述第一特征表示和所述第二特征表示进行切分,得到多个子特征表示;对所述多个子特征表示中的每个子特征表示进行所述目标压缩率的压缩。
在一种可能的实现中,还可以根据所述第一文本的长度和所述大语言模型支持输入的最大文本长度之间的关系,确定所述目标压缩率。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;可以通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;
将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
在一种可能的实现中,可以根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。
在一种可能的实现中,可以根据所述压缩后的特征表示,通过大语言模型,得到所述大语言模型的隐藏层输出的特征表示;根据所述隐藏层输出的特征表示,通过文本解码器,得到所述第二文本。
其中,在模型推理过程中所执行的步骤可以参照训练过程的前馈过程所执行的步骤,相似之处这里不再赘述。
在推理阶段,可以根据用户不同长度的输入采取合适的处理方式。当用户输入小于原始大模型的最大输入长度时,输入序列可不经过压缩模块直接输入大模型;当用户输入长度大于原始大模型的最大输入长度时,输入序列需经过压缩模块(例如包括均值池化操作或者压缩模型),并采用合适的压缩比例将原始序列长度压缩至大模型最大输入长度以内;可选的,当用户输入长度超过压缩模型的处理长度时,可将输入序列分段输入压缩模型,再将压缩后的表征进行拼接,之后再输入大模型。
接下来介绍本申请实施例推理阶段的两个应用场景。
本申请实施例的一个应用场景是用于多文档摘要的推理场景。每个文档的内容分别经过压缩模块,得到该文档对应的压缩表征,合并后在前缀或其他位置加入表征任务的prompt后输入模型,输出为生成的摘要。参照图9F,图9F为多文档摘要的SFT和推理示意图,其中,具体流程可以包括:根据文档的长度分布选择合适的压缩比例和截断长度,采用统一的压缩比例prompt和截断长度对各文档进行压缩,之后拼接后得到压缩表征序列,各文档表征序列之间可用[SEP]等token对应的大模型表征进行分割。以前缀或其他形式将多文档摘要任务的prompt经过embedding层得到的表征序列拼接进原始多文档压缩表征序列,得到输入表征序列。输入表征序列经过大模型,得到输出摘要内容。
本申请实施例的一个应用场景是用于多轮对话中的长序列处理。虽然多数情况下,大模型每次输入和输出的序列长度都不会过长。但是在实际应用中,由于用户和模型之间存在交互,在对话过程中可能形成较长的历史对话记录,例如一些教育场景和代码迭代生成的场景。为了保持对话内容的一致性,往往需要对历史的对话信息进行处理。这种情况下,可以考虑在对话历史长度超过模型输入长度限制之后对历史信息的表征序列进行压缩,再和近期对话的内容的表征进行合并输入模型,最终生成下一句回复。该实施例可以增加大模型的多轮对话能力,可用于教育和代码生成等场景。
在图1至图9F所对应的实施例的基础上,为了更好的实施本申请实施例的上述方案,下面还提供用于实施上述方案的相关设备。具体参阅图10,图10为本申请实施例提供的数据处理设备1000的一种结构示意图,数据处理设备1000包括:
获取模块1001,用于获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;
其中,关于获取模块1001的具体描述,可以参照上述实施例中步骤501的描述,这里不再赘述。
处理模块1002,用于将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
根据所述压缩后的特征表示,通过大语言模型,得到第二文本;
根据所述第二文本和对应的真值,更新所述大语言模型。
其中,关于处理模块1002的具体描述,可以参照上述实施例中步骤502至步骤504的描述,这里不再赘述。
在一种可能的实现中,所述大语言模型用于执行目标任务,所述目标任务为如下的一种:
阅读理解、文本翻译、复述识别、命名实体识别、文本情感分析、自然语言推理、文本自动问答、文本意图识别、文本分类、文本简化以及文本故事生成。
在一种可能的实现中,所述压缩的压缩方式,包括:
均值池化操作、或者基于文本编码器进行的压缩。
在一种可能的实现中,所述prompt还用于指示所述压缩的压缩方式。
在一种可能的实现中,所述处理模块,具体用于:
将所述第一特征表示和所述第二特征表示进行切分,得到多个子特征表示;
对所述多个子特征表示中的每个子特征表示进行所述目标压缩率的压缩。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;所述处理模块,还用于:
根据所述压缩后的特征表示,通过文本解码器,得到所述第一文本和所述prompt的预测值;
根据所述第一文本、所述prompt和所述预测值,更新所述文本编码器。
在一种可能的实现中,所述处理模块,还用于:
根据所述第一文本的长度和所述大语言模型支持输入的最大文本长度之间的关系,确定所述目标压缩率。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;
所述处理模块,具体用于:
通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;
将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
在一种可能的实现中,所述处理模块,具体用于:
根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。
在一种可能的实现中,所述处理模块,具体用于:
根据所述压缩后的特征表示,通过大语言模型,得到所述大语言模型的隐藏层输出的特征表示;
根据所述隐藏层输出的特征表示,通过文本解码器,得到所述第二文本。
此外,本申请实施例还提供了一种数据处理装置,具体可以参照上述实施例中关于模型推理过程的介绍,所述装置包括:
获取模块,用于获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;
处理模块,用于将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
根据所述压缩后的特征表示,通过大语言模型,得到第二文本;所述第二文本用于作为所述第一文本的回复文本。
在一种可能的实现中,所述压缩的压缩方式,包括:
均值池化操作、或者基于文本编码器进行的压缩。
在一种可能的实现中,所述prompt还用于指示所述压缩的压缩方式。
在一种可能的实现中,所述处理模块,具体用于:
将所述第一特征表示和所述第二特征表示进行切分,得到多个子特征表示;
对所述多个子特征表示中的每个子特征表示进行所述目标压缩率的压缩。
在一种可能的实现中,所述处理模块,还用于:
根据所述第一文本的长度和所述大语言模型支持输入的最大文本长度之间的关系,确定所述目标压缩率。
在一种可能的实现中,所述压缩的压缩方式为基于文本编码器进行的压缩;
所述处理模块,具体用于:
通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;
将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
在一种可能的实现中,所述处理模块,具体用于:
根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。
接下来介绍本申请实施例提供的一种终端设备,请参阅图11,图11为本申请实施例提供的终端设备的一种结构示意图,终端设备1100具体可以表现为手机、平板、笔记本电脑、智能穿戴设备等,此处不做限定。其中,终端设备1100可以作为训练设备实现图5对应实施例中数据处理方法的功能,或者是作为执行设备来执行基于图5对应实施例中数据处理方法得到的训练后的模型。具体的,终端设备1100包括:接收器1101、发射器1102、处理器1103和存储器1104(其中终端设备1100中的处理器1103的数量可以一个或多个),其中,处理器1103可以包括应用处理器11031和通信处理器11032。在本申请的一些实施例中,接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。
存储器1104可以包括只读存储器和随机存取存储器,并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1103控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1103中,或者由处理器1103实现。处理器1103可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器、以及视觉处理器(vision processing unit,VPU)、张量处理器(tensorprocessing unit,TPU)等适用于AI运算的处理器,还可进一步包括专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1103可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104,处理器1103读取存储器1104中的信息,结合其硬件完成上述实施例中步骤501至步骤504的步骤。
接收器1101可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于通过第一接口输出数字或字符信息;发射器1102还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器1102还可以包括显示屏等显示设备。
本申请实施例还提供了一种服务器,请参阅图12,图12是本申请实施例提供的服务器一种结构示意图,具体的,服务器1200由一个或多个服务器实现,服务器1200可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1212(例如,一个或一个以上处理器)和存储器1232,一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中,存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1212可以设置为与存储介质1230通信,在服务器1200上执行存储介质1230中的一系列指令操作。
服务器1200还可以包括一个或一个以上电源1226,一个或一个以上有线或无线网络接口1250,一个或一个以上输入输出接口1258;或,一个或一个以上操作系统1241,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
具体的,服务器可以作为训练设备执行上述实施例中步骤501至步骤504的步骤,或者是作为执行设备来执行基于图5对应实施例中数据处理方法得到的训练后的模型。
在一种可能的实现中,上述终端设备1100或者服务器1200可以作为训练设备执行上述实施例中步骤501至步骤504的步骤得到训练后的模型,并将训练后的模型部署到执行设备,执行设备也可以为终端设备1100或者服务器1200的形态。在执行设备执行训练后的模型时可以参照图5对应的实施例中的模型前馈过程。
本申请实施例中还提供一种包括计算机程序产品,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图13,图13为本申请实施例提供的芯片的一种结构示意图,所述芯片可以表现为神经网络处理器NPU1300,NPU 1300作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1303,通过控制器1304控制运算电路1303提取存储器中的矩阵数据并进行乘法运算。
NPU 1300可以通过内部的各个器件之间的相互配合,来实现图5所描述的实施例中提供的数据处理方法、以及模型推理过程相关的步骤。
更具体的,在一些实现中,NPU 1300中的运算电路1303内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1303是二维脉动阵列。运算电路1303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1303是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1302中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1301中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1308中。
统一存储器1306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1305,DMAC被搬运到权重存储器1302中。输入数据也通过DMAC被搬运到统一存储器1306中。
BIU为Bus Interface Unit即,总线接口单元1313,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1309的交互。
总线接口单元1313(Bus Interface Unit,简称BIU),用于取指存储器1309从外部存储器获取指令,还用于存储单元访问控制器1305从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1306或将权重数据搬运到权重存储器1302中或将输入数据数据搬运到输入存储器1301中。
向量计算单元1307包括多个运算处理单元,在需要的情况下,对运算电路1303的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对特征平面进行上采样等。
在一些实现中,向量计算单元1307能将经处理的输出的向量存储到统一存储器1306。例如,向量计算单元1307可以将线性函数;或,非线性函数应用到运算电路1303的输出,例如对卷积层提取的特征平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1307生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1303的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1304连接的取指存储器(instruction fetch buffer)1309,用于存储控制器1304使用的指令;
统一存储器1306,输入存储器1301,权重存储器1302以及取指存储器1309均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (24)
1.一种数据处理方法,其特征在于,所述方法包括:
获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;
将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
根据所述压缩后的特征表示,通过大语言模型,得到第二文本;所述第二文本用于作为所述第一文本的回复文本。
2.根据权利要求1所述的方法,其特征在于,所述压缩的压缩方式,包括:
均值池化操作、或者基于文本编码器进行的压缩。
3.根据权利要求1或2所述的方法,其特征在于,所述prompt还用于指示所述压缩的压缩方式。
4.根据权利要求1至3任一所述的方法,其特征在于,所述将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,包括:
将所述第一特征表示和所述第二特征表示进行切分,得到多个子特征表示;
对所述多个子特征表示中的每个子特征表示进行所述目标压缩率的压缩。
5.根据权利要求1至4任一所述的方法,其特征在于,所述方法还包括:
根据所述第一文本的长度和所述大语言模型支持输入的最大文本长度之间的关系,确定所述目标压缩率。
6.根据权利要求1至5任一所述的方法,其特征在于,所述压缩的压缩方式为基于文本编码器进行的压缩;
所述将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,包括:
通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;
将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
7.根据权利要求1至6任一所述的方法,其特征在于,所述根据所述压缩后的特征表示,通过大语言模型,得到第二文本,包括:
根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。
8.根据权利要求1至7任一所述的方法,其特征在于,所述根据所述压缩后的特征表示,通过大语言模型,得到第二文本,包括:
根据所述压缩后的特征表示,通过大语言模型,得到所述大语言模型的隐藏层输出的特征表示;
根据所述隐藏层输出的特征表示,通过文本解码器,得到所述第二文本。
9.一种数据处理方法,其特征在于,所述方法包括:
获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;
将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
根据所述压缩后的特征表示,通过大语言模型,得到第二文本;
根据所述第二文本和对应的真值,更新所述大语言模型。
10.根据权利要求9所述的方法,其特征在于,所述压缩的压缩方式,包括:
均值池化操作、或者基于文本编码器进行的压缩。
11.根据权利要求9或10所述的方法,其特征在于,所述压缩的压缩方式为基于文本编码器进行的压缩;所述方法还包括:
根据所述压缩后的特征表示,通过文本解码器,得到所述第一文本和所述prompt的预测值;
根据所述第一文本、所述prompt和所述预测值,更新所述文本编码器。
12.一种数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;
处理模块,用于将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
根据所述压缩后的特征表示,通过大语言模型,得到第二文本;所述第二文本用于作为所述第一文本的回复文本。
13.根据权利要求12所述的装置,其特征在于,所述压缩的压缩方式,包括:
均值池化操作、或者基于文本编码器进行的压缩。
14.根据权利要求12或13所述的装置,其特征在于,所述prompt还用于指示所述压缩的压缩方式。
15.根据权利要求12至14任一所述的装置,其特征在于,所述处理模块,还用于:
根据所述第一文本的长度和所述大语言模型支持输入的最大文本长度之间的关系,确定所述目标压缩率。
16.根据权利要求15所述的装置,其特征在于,所述压缩的压缩方式为基于文本编码器进行的压缩;
所述处理模块,具体用于:
通过所述文本编码器,对所述第一特征表示和所述第二特征表示进行编码,得到编码结果;
将所述编码结果中的部分编码结果作为所述压缩后的特征表示,所述部分编码结果为提取所述编码结果中所述目标压缩率的比例的编码结果。
17.根据权利要求12至16任一所述的装置,其特征在于,所述处理模块,具体用于:
根据所述压缩后的特征表示以及所述第二特征表示,通过大语言模型,得到第二文本。
18.一种数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取第一特征表示和第二特征表示;所述第一特征表示为对第一文本进行特征提取后得到的,所述第二特征表示为对提示prompt进行特征提取后得到的,所述prompt指示按照目标压缩率进行压缩;
处理模块,用于将所述第一特征表示和所述第二特征表示进行所述目标压缩率的压缩,得到压缩后的特征表示;
根据所述压缩后的特征表示,通过大语言模型,得到第二文本;
根据所述第二文本和对应的真值,更新所述大语言模型。
19.根据权利要求18所述的装置,其特征在于,所述压缩的压缩方式,包括:
均值池化操作、或者基于文本编码器进行的压缩。
20.根据权利要求12至19任一所述的装置,其特征在于,所述压缩的压缩方式为基于文本编码器进行的压缩;所述处理模块,还用于:
根据所述压缩后的特征表示,通过文本解码器,得到所述第一文本和所述prompt的预测值;
根据所述第一文本、所述prompt和所述预测值,更新所述文本编码器。
21.一种数据处理装置,其特征在于,所述装置包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至11任一所述的方法。
22.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一个或多个指令,所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至11任一所述的方法。
23.一种计算机程序产品,其特征在于,包括计算机可读指令,当所述计算机可读指令在计算机设备上运行时,使得所述计算机设备执行如权利要求1至11任一所述的方法。
24.一种芯片,包括处理器,其特征在于,所述处理器用于支持数据处理装置实现实现如权利要求1至11任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310646933.7A CN116737895A (zh) | 2023-06-01 | 2023-06-01 | 一种数据处理方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310646933.7A CN116737895A (zh) | 2023-06-01 | 2023-06-01 | 一种数据处理方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116737895A true CN116737895A (zh) | 2023-09-12 |
Family
ID=87905431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310646933.7A Pending CN116737895A (zh) | 2023-06-01 | 2023-06-01 | 一种数据处理方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116737895A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056494A (zh) * | 2023-09-28 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 开放域问答的方法、装置、电子设备和计算机存储介质 |
CN117744837A (zh) * | 2023-12-29 | 2024-03-22 | 支付宝(杭州)信息技术有限公司 | 一种模型训练、文本检测方法、装置、存储介质及设备 |
-
2023
- 2023-06-01 CN CN202310646933.7A patent/CN116737895A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056494A (zh) * | 2023-09-28 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 开放域问答的方法、装置、电子设备和计算机存储介质 |
CN117056494B (zh) * | 2023-09-28 | 2024-01-23 | 腾讯科技(深圳)有限公司 | 开放域问答的方法、装置、电子设备和计算机存储介质 |
CN117744837A (zh) * | 2023-12-29 | 2024-03-22 | 支付宝(杭州)信息技术有限公司 | 一种模型训练、文本检测方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257858B (zh) | 一种模型压缩方法及装置 | |
CN116737895A (zh) | 一种数据处理方法及相关设备 | |
WO2024041479A1 (zh) | 一种数据处理方法及其装置 | |
CN113421547B (zh) | 一种语音处理方法及相关设备 | |
CN112529149B (zh) | 一种数据处理方法及相关装置 | |
CN113505193A (zh) | 一种数据处理方法及相关设备 | |
WO2024083121A1 (zh) | 一种数据处理方法及其装置 | |
CN116861850A (zh) | 一种数据处理方法及其装置 | |
CN112837669A (zh) | 语音合成方法、装置及服务器 | |
CN113850362A (zh) | 一种模型蒸馏方法及相关设备 | |
CN115688937A (zh) | 一种模型训练方法及其装置 | |
CN114882862A (zh) | 一种语音处理方法及相关设备 | |
CN115879508A (zh) | 一种数据处理方法及相关装置 | |
WO2022246986A1 (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
WO2024046473A1 (zh) | 一种数据处理方法及其装置 | |
CN116910202A (zh) | 一种数据处理方法及相关设备 | |
CN116306672A (zh) | 一种数据处理方法及其装置 | |
CN117077653A (zh) | 一种可控生成的方法及其装置 | |
CN116052714A (zh) | 一种数据处理方法及其装置 | |
CN116910201A (zh) | 一种对话数据生成方法及其相关设备 | |
CN116957006A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
CN114333772A (zh) | 语音识别方法、装置、设备、可读存储介质及产品 | |
CN113656563B (zh) | 一种神经网络搜索方法及相关设备 | |
CN117892700A (zh) | 一种数据处理方法及其装置 | |
CN117273074A (zh) | 一种数据处理方法及其装置 |
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 |