CN117407690B - 一种基于模型迁移性评估的任务执行方法、装置及设备 - Google Patents
一种基于模型迁移性评估的任务执行方法、装置及设备 Download PDFInfo
- Publication number
- CN117407690B CN117407690B CN202311722260.5A CN202311722260A CN117407690B CN 117407690 B CN117407690 B CN 117407690B CN 202311722260 A CN202311722260 A CN 202311722260A CN 117407690 B CN117407690 B CN 117407690B
- Authority
- CN
- China
- Prior art keywords
- model
- evaluated
- determining
- value
- main gradient
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 97
- 238000013508 migration Methods 0.000 title claims abstract description 86
- 230000005012 migration Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 65
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 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
- 238000013139 quantization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 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
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/096—Transfer learning
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种基于模型迁移性评估的任务执行方法、装置及设备。所述方法包括：接收针对待评估模型的迁移性能的评估指令，并确定待评估模型对应的初始参数；获取目标业务场景下的目标数据以及对待评估模型进行预训练时所使用的源样本数据；将目标数据以及源样本数据分别输入待评估模型，基于初始参数，根据目标数据确定待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据源样本数据确定特征提取网络对应的主梯度期望值，作为第二主梯度期望值；根据第一主梯度期望值以及第二主梯度期望值，确定待评估模型对应迁移性能的评估值，并根据评估值执行任务。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种基于模型迁移性评估的任务执行方法、装置及设备。
背景技术
迁移学习是指利用已有知识和新问题之间的相关性，将已有知识应用于解决新问题的过程。这种方法具有多种优势，包括加速训练、提升泛化能力和降低标注成本。由于其具有上述的优势，近年来迁移学习在深度学习的各项任务中取得了越来越广泛的应用。迁移学习主要包括两种类别：微调模型和线性探测。微调模型是指根据新任务的要求，调整整个模型的参数。而线性探测则是通过学习与任务相关的特定层，来调整模型的输出。
随着迁移学习领域的不断发展，一个问题随之涌现，即如何衡量模型在不同业务场景之间的迁移能力。然而，现有对模型迁移性能进行评估的方法的评估周期较长，可信度较低，导致难以依据评估结果来执行下游任务。
因此，如何提高对模型迁移能力进行评估的评估效率以及评估结果的准确性 ，是一个亟待解决的问题。
发明内容
本说明书提供一种基于模型迁移性评估的任务执行方法、装置及设备，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基于模型迁移性评估的任务执行方法，包括：
接收针对待评估模型的迁移性能的评估指令，并确定所述待评估模型对应的初始参数；
获取目标业务场景下的目标数据以及对所述待评估模型进行预训练时所使用的源样本数据；
将所述目标数据以及所述源样本数据分别输入所述待评估模型，基于所述初始参数，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据所述源样本数据确定所述特征提取网络对应的主梯度期望值，作为第二主梯度期望值；
根据所述第一主梯度期望值以及所述第二主梯度期望值，确定所述待评估模型对应迁移性能的评估值，并根据所述评估值执行任务。
可选地，基于所述初始参数，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据所述源样本数据确定所述特征提取网络对应的主梯度期望值，作为第二主梯度期望值，具体包括：
确定所述特征提取网络在所述初始参数下提取到的所述目标数据对应的第一特征，以及所述特征提取网络在所述初始参数下提取到的所述源样本数据对应的第二特征；
根据所述第一特征确定所述第一主梯度期望值，以及，根据所述第二特征确定所述第二主梯度期望值。
可选地，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值之前，所述方法还包括：
确定所述特征提取网络在最优参数下的损失值与所述最优参数和所述初始参数之间的相关距离、所述特征提取网络在所述初始参数下的损失值之间的第一对应关系；
根据所述第一对应关系，确定所述特征提取网络在所述最优参数下的损失值为零的情况下，所述相关距离与所述初始参数下的损失值对应的一阶偏导数之间的第二对应关系；
根据所述第一主梯度期望值以及所述第二主梯度期望值，确定所述待评估模型对应迁移性能的评估值，具体包括：
基于所述第二对应关系，根据所述第一主梯度期望值以及所述第二主梯度期望值确定所述评估值。
可选地，所述相关距离越大，所述初始参数下的损失值对应的一阶偏导数越小。
可选地，根据所述评估值执行任务，具体包括：
获取每个待评估模型对应迁移性能的评估值；
根据每个待评估模型对应的评估值，在各待评估模型中选取出目标模型，并将所述目标模型迁移至所述目标业务场景，得到迁移后模型；
通过所述迁移后模型执行所述目标业务场景下的任务。
可选地，所述方法还包括：
分别将所述源样本数据和所述目标数据划分为若干个子集；
通过所述源样本数据下的子集以及所述目标数据下的子集确定执行所述评估指令时的稳定性指标、可靠性指标以及效率指标。
可选地，通过所述源样本数据下的子集以及所述目标数据下的子集确定执行所述评估指令时的稳定性指标、可靠性指标以及效率指标，具体包括：
按照预设概率分别在所述源样本数据的每个类中选取数据，作为所述源样本数据对应的目标子集，以及，按照所述预设概率分别在所述目标数据的每个类中选取数据，作为所述目标数据对应的目标子集；
通过所述源样本数据对应的目标子集以及所述目标数据对应的目标子集确定执行所述评估指令时的稳定性指标、可靠性指标以及效率指标。
本说明书提供一种基于模型迁移性评估的任务执行装置，包括：
接收模块，接收针对待评估模型的迁移性能的评估指令，并确定所述待评估模型对应的初始参数；
获取模块，获取目标业务场景下的目标数据以及对所述待评估模型进行预训练时所使用的源样本数据；
确定模块，将所述目标数据以及所述源样本数据分别输入所述待评估模型，基于所述初始参数，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据所述源样本数据确定所述特征提取网络对应的主梯度期望值，作为第二主梯度期望值；
执行模块，根据所述第一主梯度期望值以及所述第二主梯度期望值，确定所述待评估模型对应迁移性能的评估值，并根据所述评估值执行任务。
本说明书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实现上述基于主梯度期望迁移性评估的任务执行方法。
本说明书提供了一种电子设备，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基于主梯度期望迁移性评估的任务执行方法。
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：
在本说明书提供的基于主梯度期望迁移性评估的任务执行方法中，接收针对待评估模型的迁移性能的评估指令，并确定待评估模型对应的初始参数；获取目标业务场景下的目标数据以及对待评估模型进行预训练时所使用的源样本数据；将目标数据以及源样本数据分别输入待评估模型，基于初始参数，根据目标数据确定待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据源样本数据确定特征提取网络对应的主梯度期望值，作为第二主梯度期望值；根据第一主梯度期望值以及第二主梯度期望值，确定待评估模型对应迁移性能的评估值，并根据评估值执行任务。
从上述方法可以看出，本方案可以通过不同数据集对应的主梯度期望来对模型的迁移性能进行评估，为了降低任务网络对计算模型迁移能力的影响，在实际评估时只考虑模型的特征提取网络的梯度，不考虑任务网络的梯度，从而充分提高评估结果的准确性以及可靠性，另外，本方案基于模型的初始参数来确定主梯度期望进而计算评估结果，该过程仅需要将数据输入一次模型便可完成评估，相比于目前通过向模型多次输入数据对模型参数进行更新并基于每次调整时的模型参数来计算评估结果的方法，本方案极大的提高了评估效率。
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为本说明书中提供的一种基于模型迁移性评估的任务执行方法的流程示意图；
图2为本说明书提供的一种基于模型迁移性评估的任务执行装置的示意图；
图3为本说明书提供的一种对应于图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。
目前，研究人员已经提出了LEEP、Log Me、H-score、NCE和GBC等评价方法来衡量迁移学习在新任务上的有效性。然而这些方法都面临复杂性和可信度不足两个挑战。此外，上述模型迁移能力评价方法的计算成本都比较高是另一个需要解决的难题，因为可迁移性分数需要对源任务和目标任务进行转换计算，并且每次遇到新的未知目标任务时，都需要重新计算可迁移性分数。最后，现有方法的模型迁移能力评级与具有挑战性的多源任务的目标任务转移准确性之间只呈轻微正相关是另一个难以解决的问题。
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为本说明书中提供的一种基于模型迁移性评估的任务执行方法的流程示意图，包括以下步骤：
S101：接收针对待评估模型的迁移性能的评估指令，并确定所述待评估模型对应的初始参数。
为了提高对模型迁移性能进行评估时的可靠性、稳定性以及效率，本说明书提高了一种基于模型迁移性评估的任务执行方法，分别通过原样本数据和目标数据确定主梯度期望值，进而根据二者的主梯度期望值来计算对于模型迁移性能的评估值。
在本说明书中，用于执行一种基于模型迁移性评估的任务执行方法的执行主体可以是服务器等指定设备，为了便于描述，以下仅以服务器作为执行主体为例，对本说明书提供的一种基于模型迁移性评估的任务执行方法进行说明。
其中，服务器可以接收针对待评估模型的迁移性能的评估指令，该待评估模型可以为经过预训练的模型，如自回归语言模型、自编码语言模型、自编码语言模型等。
迁移性能用于表征模型从一个业务场景迁移到另一个业务场景，或者从初始状态迁移到目标场景能力的好坏，迁移性能越强，则迁移后的模型与迁移前的模型之间的关联性就越高，迁移后模型的模型性能就越高。
另外，服务器可以获取待评估模型对应的初始参数，该初始参数可以表示待评估模型经过预训练之后，未进行迁移（微调）之前的模型参数。
通常情况下，模型可以有与特征提取相关的部分（特征提取网络）和与任务相关的部分（任务网络）组成，由于模型在迁移的过程中可能会针对业务场景的需求增加或者调整任务网络，因此，为了降低任务对计算模型迁移能力的影响，上述初始参数可以为待评估模型的特征提取网络对应的初始参数。
S102：获取目标业务场景下的目标数据以及对所述待评估模型进行预训练时所使用的源样本数据。
服务器可以获取目标业务场景下的目标数据以及对待评估模型进行预训练时所使用的源样本数据。
在本说明书中，目标业务场景可以为将模型迁移后的具体应用场景，包括：文字识别、图像识别、音频识别、信息推荐、风险控制以及智能客服等，本说明书对此不做具体限定。
以信息推荐场景为例，该场景下的目标数据可以为用户输入的查询内容，迁移后的模型可以基于用户输入的查询内容生成相应的答复语。
而对待评估模型进行预训练时所使用的源样本数据可以理解为不对业务场景进行区分的广域数据，以原样本数据为文本数据为例，该文本数据可以包含有服务器搜集到的全部业务场景下的文本资料。
S103：将所述目标数据以及所述源样本数据分别输入所述待评估模型，基于所述初始参数，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据所述源样本数据确定所述特征提取网络对应的主梯度期望值，作为第二主梯度期望值。
S104：根据所述第一主梯度期望值以及所述第二主梯度期望值，确定所述待评估模型对应迁移性能的评估值，并根据所述评估值执行任务。
在本说明书中，可以不使用数据集的标签。这样一来，将目标数据以及原样本数据输入到模型的特征提取网络获得特征表达后，不需要再将特征表达输入任务网络中进行后续的计算。以使本发明在计算主梯度期望值时只收集特征提取网络的梯度，保证迁移能力的计算方法与任务网络无关。
具体的，服务器可以将目标数据以及源样本数据分别输入待评估模型，通过待评估模型在初始参数下的特征提取层网络，分别提取目标数据对应的第一特征以及源样本数据对应的第二特征。
之后服务器可以根据第一特征确定特征提取网络对应的第一损失值，以及，根据第二特征确定特征提取网络对应的第二损失值，其中，第一损失值以及第二损失值可以基于无监督学习损失函数的计算方式进行确定。
服务器可以根据第一损失值确定待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，根据第二损失值确定特征提取网络对应的主梯度期望值，作为第二主梯度期望值。
对于待评估模型，其初始参数/>可以设置为/>，表示模型迁移开始的起点，在本说明书中可以多次采样初始参数保证评估结果的有效性。数据集/>在/>的损失值被定义为/>，则梯度为/>。
而数据集在处的主梯度期望可以表示为：
之后通过源样本数据和目标数据/>的损失值分别计算其主梯度期望，待评估模型特征提取网络的第一主梯度期望可以表示为：
待评估模型特征提取网络的第二主梯度期望可以表示为：
S104：根据所述第一主梯度期望值以及所述第二主梯度期望值，确定所述待评估模型对应迁移性能的评估值，并根据所述评估值执行任务。
在对模型的迁移性能进行评估之前，服务器可以事先确定特征提取网络在最优参数下的损失值与最优参数和初始参数之间的相关距离、特征提取网络在初始参数下的损失值之间的第一对应关系。
令表示使用模型训练时参数的最优解（最优参数），/>为随机初始的参数。上述第一对应关系可以基于特征提取网络在最优参数/>下的损失值/>进行表示，该损失函数/>可以表示为：
其中，是损失值/>在/>的一阶偏导数，/>表示最优参数和初始参数之间的相关距离。
服务器可以根据第一对应关系，确定特征提取网络在最优参数下的损失值为零的情况下，最优参数和初始参数之间的相关距离与初始参数下的损失值对应的一阶偏导数之间的第二对应关系。
具体的，服务器可以基于上述公式得到：
这表示与/>相关，初始参数和最优参数之间的相关距离越大，特征提取网络初始参数下的损失值对应的一阶偏导数越小。
由于大多数预训练模型可以通过交叉熵损失进行训练，因此服务器有理由做出假设，即待评估模型的特征提取网络在最优参数下的损失值。则上述公式可以被转化为：
由此服务器可以得到特征提取网络在最优参数下的损失值为零（）的情况下，最优参数与初始参数之间的相关距离/>与初始参数下的损失值对应的一阶偏导数/>之间的第二对应关系，其中/>。
进一步的，服务器可以基于上述第二对应关系，根据第一主梯度期望值以及第二主梯度期望值确定待评估模型对应迁移性能的评估值。
具体的，服务器可以基于上述第二对应关系的表达式确定源样本数据和目标数据/>的表达，源样本数据下的第二对应关系可以表示为：
目标数据下的第二关系可以表示为：
上述两式相减可以得：
对上式左侧使用范式可得：
考虑到当过小时可能会导致/>的异常，因此服务器可以对上式做出转化，得公式：
基于此，可以得到待评估模型对应迁移性能评估值的计算公式：
服务器可以基于上述计算公式，根据第一主梯度期望值以及第二主梯度期望值确定待评估模型的迁移性能对应的评估值。
由于在评估过程中本说明书只使用模型中特征提取部分的梯度，所以该分数能够直观地展示源样本数据和目标数据/>之间的差异。/>反映了优化方向，指向最优点，可以被用来测量/>和/>两者最优点之间的相关距离，所以可以被作为一个评价模型迁移能力的指标。
在本说明书中，可以根据待评估模型多对应的评估值来执行后续任务。
例如，当存在有多个待评估模型时，服务器可以根据评估值确定哪一个模型的迁移性能最好，从而通过迁移性能最好的模型执行下游业务。
其中，服务器可以获取每个待评估模型对应迁移性能的评估值，之后根据每个待评估模型对应的评估值，在各待评估模型中选取出目标模型，并将目标模型通过训练以及微调迁移至目标业务场景，得到迁移后模型，而后通过迁移后模型执行目标业务场景下的任务。
以目标业务场景为信息推荐场景为例，预训练模型对应迁移性能的评估值越高，则迁移效果越好，经过迁移后的模型（信息推荐模型）可以更好的适用于信息推荐场景，针对用户的查询内容所生成或确定的待推荐信息也更为准确。
再例如，当存在做种业务场景时，服务器也可以确定待评估模型在每个业务场景对应业务数据下迁移性能的评估值，从而确定出待评估模型更适合向哪一个业务场景进行迁移。
其中，服务器可以确定待评估模型在每个业务场景对应业务数据下的评估值，并根据该评估值，在各业务场景中选取出目标业务场景（如评估值最高的业务场景），之后通过该目标业务场景下的业务数据对模型进行训练和微调，从而得到迁移后模型，进而通过该迁移后模型执行目标业务场景下的任务。
此外，服务器可以进一步确定服务器执行评估指令时的稳定性指标、可靠性指标以及效率指标。
一个有限的数据集是数据分布空间的子集，因此稳定性非常重要。给定数据集和/>，取/>的子集/>。稳定性表示评估值/>和评估值/>之间应当是有界限的，为：
定义数据集到数据集/>的转化结果为A(/>)，两者之间的迁移距离分数S()。/>也可以被描述为：
效率指的是估计源样本数据到目标数据的迁移能力应当是简单且迅速的。
服务器可以分别将源样本数据和目标数据划分为若干个子集。
具体的，服务器可以按照预设概率分别在源样本数据的每个类中选取数据，作为源样本数据对应的目标子集，以及，按照预设概率分别在目标数据的每个类中选取数据，作为目标数据对应的目标子集。
当然，服务器也可以按照预设概率在源样本数据的全部类中选取出目标子集，以及按照预设概率在目标数据中选取出目标子集，之后服务器可以通过源样本数据下的子集以及目标数据下的子集确定执行评估指令时的稳定性指标、可靠性指标以及效率指标。
上述预设概率可以根据实际情况进行设定，以获得多个模型，使用转移结果与子目标数据集的可转移性分数之间的对应关系来衡量该方法的稳定性。
如果，则当/>表明评估结果是准确的。/>表示从数据/>到数据/>的结果的集合，表示从数据/>与/>之间的分数集合。kendall相关系数/>能够很好地与之对应，因此本说明书使用它衡量获得迁移能力指标的方法的准确性。/>的取值范围是[-1,1]，其数值越大代表/>和/>的关联性越强，/>则意味着两者之间没有任何相关性。
从上述方法可以看出，本方案可以通过不同数据集对应的主梯度期望来对模型的迁移性能进行评估，为了降低任务网络对计算模型迁移能力的影响，在实际评估时只考虑模型的特征提取网络的梯度，不考虑任务网络的梯度，从而充分提高评估结果的准确性以及可靠性，另外，本方案基于模型的初始参数来确定主梯度期望进而计算评估结果，该过程仅需要将数据输入一次模型便可完成评估，相比于目前通过向模型多次输入数据对模型参数进行更新并基于每次调整时的模型参数来计算评估结果的方法，本方案极大的提高了评估效率。
以上为本说明书的一个或多个实施基于主梯度期望迁移性评估的任务执行方法，基于同样的思路，本说明书还提供了相应的基于主梯度期望迁移性评估的任务执行装置，如图2所示。
图2为本说明书提供的一种基于模型迁移性评估的任务执行装置的示意图，包括：
接收模块201，用于接收针对待评估模型的迁移性能的评估指令，并确定所述待评估模型对应的初始参数；
获取模块202，用于获取目标业务场景下的目标数据以及对所述待评估模型进行预训练时所使用的源样本数据；
确定模块203，用于将所述目标数据以及所述源样本数据分别输入所述待评估模型，基于所述初始参数，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据所述源样本数据确定所述特征提取网络对应的主梯度期望值，作为第二主梯度期望值；
执行模块204，用于根据所述第一主梯度期望值以及所述第二主梯度期望值，确定所述待评估模型对应迁移性能的评估值，并根据所述评估值执行任务。
可选地，所述确定模块203具体用于，确定所述特征提取网络在所述初始参数下提取到的所述目标数据对应的第一特征，以及所述特征提取网络在所述初始参数下提取到的所述源样本数据对应的第二特征；根据所述第一特征确定所述第一主梯度期望值，以及，根据所述第二特征确定所述第二主梯度期望值。
可选地，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值之前，所述确定模块203还用于，确定所述特征提取网络在最优参数下的损失值与所述最优参数和所述初始参数之间的相关距离、所述特征提取网络在所述初始参数下的损失值之间的第一对应关系；根据所述第一对应关系，确定所述特征提取网络在所述最优参数下的损失值为零的情况下，所述相关距离与所述初始参数下的损失值对应的一阶偏导数之间的第二对应关系；
可选地，所述执行模块204具体用于，基于所述第二对应关系，根据所述第一主梯度期望值以及所述第二主梯度期望值确定所述评估值。
可选地，所述相关距离越大，所述初始参数下的损失值对应的一阶偏导数越小。
可选地，所述执行模块204具体用于，获取每个待评估模型对应迁移性能的评估值；根据每个待评估模型对应的评估值，在各待评估模型中选取出目标模型，并将所述目标模型迁移至所述目标业务场景，得到迁移后模型；通过所述迁移后模型执行所述目标业务场景下的任务。
可选地，所述装置还包括：
量化模块205，用于分别将所述源样本数据和所述目标数据划分为若干个子集；通过所述源样本数据下的子集以及所述目标数据下的子集确定执行所述评估指令时的稳定性指标、可靠性指标以及效率指标。
可选地，所述量化模块205具体用于，按照预设概率分别在所述源样本数据的每个类中选取数据，作为所述源样本数据对应的目标子集，以及，按照所述预设概率分别在所述目标数据的每个类中选取数据，作为所述目标数据对应的目标子集；
通过所述源样本数据对应的目标子集以及所述目标数据对应的目标子集确定执行所述评估指令时的稳定性指标、可靠性指标以及效率指标。
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图1提供的一种基于模型迁移性评估的任务执行方法。
本说明书还提供了图3所示的一种对应于图1的电子设备的示意结构图。如图3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，以实现上述图1所述的基于主梯度期望迁移性评估的任务执行方法。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。
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（ProgrammableLogic Device, PLD）（例如现场可编程门阵列（Field Programmable Gate Array，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（HardwareDescription Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（AdvancedBoolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（JavaHardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby HardwareDescription Language）等，目前最普遍使用的是VHDL（Very-High-Speed IntegratedCircuit 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 (10)
1.一种基于模型迁移性评估的任务执行方法，其特征在于，包括：
接收针对待评估模型的迁移性能的评估指令，并确定所述待评估模型对应的初始参数；
获取目标业务场景下的目标数据以及对所述待评估模型进行预训练时所使用的源样本数据，其中，所述目标业务场景包括：信息推荐场景，所述目标数据包括：用户输入的查询内容，经过迁移后的待评估模型用于根据所述查询内容生成答复语，所述源样本数据为不对业务场景进行区分的广域数据；
将所述目标数据以及所述源样本数据分别输入所述待评估模型，基于所述初始参数，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据所述源样本数据确定所述特征提取网络对应的主梯度期望值，作为第二主梯度期望值；
确定所述特征提取网络在最优参数下的损失值与最优参数和初始参数之间的相关距离、特征提取网络在初始参数下的损失值之间的第一对应关系，令表示模型训练时的最优参数，/>为随机的初始参数，所述第一对应关系为：
其中， 为特征提取网络在/>下的损失值/>的一阶偏导数，/>为所述特征提取网络在/>下的损失值，/>，表示所述相关距离；根据所述第一对应关系，确定在所述/>为零的情况下，所述相关距离与所述一阶偏导数之间的第二对应关系，所述第二对应关系为：
基于所述第二对应关系，根据所述第一主梯度期望值以及所述第二主梯度期望值，确定所述待评估模型迁移性能的评估值，以根据所述评估值执行任务。
2.如权利要求1所述的方法，其特征在于，基于所述初始参数，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据所述源样本数据确定所述特征提取网络对应的主梯度期望值，作为第二主梯度期望值，具体包括：
确定所述特征提取网络在所述初始参数下提取到的所述目标数据对应的第一特征，以及所述特征提取网络在所述初始参数下提取到的所述源样本数据对应的第二特征；
根据所述第一特征确定所述第一主梯度期望值，以及，根据所述第二特征确定所述第二主梯度期望值。
3.如权利要求2所述的方法，其特征在于，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值之前，所述方法还包括：
确定所述特征提取网络在最优参数下的损失值与所述最优参数和所述初始参数之间的相关距离、所述特征提取网络在所述初始参数下的损失值之间的第一对应关系；
根据所述第一对应关系，确定所述特征提取网络在所述最优参数下的损失值为零的情况下，所述相关距离与所述初始参数下的损失值对应的一阶偏导数之间的第二对应关系；
根据所述第一主梯度期望值以及所述第二主梯度期望值，确定所述待评估模型对应迁移性能的评估值，具体包括：
基于所述第二对应关系，根据所述第一主梯度期望值以及所述第二主梯度期望值确定所述评估值。
4.如权利要求3所述的方法，其特征在于，所述相关距离越大，所述初始参数下的损失值对应的一阶偏导数越小。
5.如权利要求1所述的方法，其特征在于，根据所述评估值执行任务，具体包括：
获取每个待评估模型对应迁移性能的评估值；
根据每个待评估模型对应的评估值，在各待评估模型中选取出目标模型，并将所述目标模型迁移至所述目标业务场景，得到迁移后模型；
通过所述迁移后模型执行所述目标业务场景下的任务。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
分别将所述源样本数据和所述目标数据划分为若干个子集；
通过所述源样本数据下的子集以及所述目标数据下的子集确定执行所述评估指令时的稳定性指标、可靠性指标以及效率指标。
7.如权利要求6所述的方法，其特征在于，通过所述源样本数据下的子集以及所述目标数据下的子集确定执行所述评估指令时的稳定性指标、可靠性指标以及效率指标，具体包括：
按照预设概率分别在所述源样本数据的每个类中选取数据，作为所述源样本数据对应的目标子集，以及，按照所述预设概率分别在所述目标数据的每个类中选取数据，作为所述目标数据对应的目标子集；
通过所述源样本数据对应的目标子集以及所述目标数据对应的目标子集确定执行所述评估指令时的稳定性指标、可靠性指标以及效率指标。
8.一种基于模型迁移性评估的任务执行装置，其特征在于，包括：
接收模块，接收针对待评估模型的迁移性能的评估指令，并确定所述待评估模型对应的初始参数；
获取模块，获取目标业务场景下的目标数据以及对所述待评估模型进行预训练时所使用的源样本数据，其中，所述目标业务场景包括：信息推荐场景，所述目标数据包括：用户输入的查询内容，经过迁移后的待评估模型用于根据所述查询内容生成答复语，所述源样本数据为不对业务场景进行区分的广域数据；
确定模块，将所述目标数据以及所述源样本数据分别输入所述待评估模型，基于所述初始参数，根据所述目标数据确定所述待评估模型的特征提取网络对应的主梯度期望值，作为第一主梯度期望值，以及，根据所述源样本数据确定所述特征提取网络对应的主梯度期望值，作为第二主梯度期望值；
执行模块，确定所述特征提取网络在最优参数下的损失值与最优参数和初始参数之间的相关距离、特征提取网络在初始参数下的损失值之间的第一对应关系，令表示模型训练时的最优参数，/>为随机的初始参数，所述第一对应关系为：
其中， 为特征提取网络在/>下的损失值/>的一阶偏导数，/>为所述特征提取网络在/>下的损失值，/>，表示所述相关距离；根据所述第一对应关系，确定在所述/>为零的情况下，所述相关距离与所述一阶偏导数之间的第二对应关系，所述第二对应关系为：
基于所述第二对应关系，根据所述第一主梯度期望值以及所述第二主梯度期望值，确定所述待评估模型迁移性能的评估值，以根据所述评估值执行任务。
9.一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1~7任一项所述的方法。
10.一种电子设备，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1~7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311722260.5A CN117407690B (zh) | 2023-12-14 | 2023-12-14 | 一种基于模型迁移性评估的任务执行方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311722260.5A CN117407690B (zh) | 2023-12-14 | 2023-12-14 | 一种基于模型迁移性评估的任务执行方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117407690A CN117407690A (zh) | 2024-01-16 |
| CN117407690B true CN117407690B (zh) | 2024-03-22 |
Family
ID=89487469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311722260.5A Active CN117407690B (zh) | 2023-12-14 | 2023-12-14 | 一种基于模型迁移性评估的任务执行方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117407690B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260660A (zh) * | 2020-01-14 | 2020-06-09 | 电子科技大学 | 一种基于元学习的3d点云语义分割迁移方法 |
| CN112667496A (zh) * | 2020-12-14 | 2021-04-16 | 清华大学 | 基于多先验的黑盒对抗测试样本生成方法及装置 |
| US11580400B1 (en) * | 2019-09-27 | 2023-02-14 | Snap Inc. | Optimizer based prunner for neural networks |
| CN117079053A (zh) * | 2023-08-31 | 2023-11-17 | 中国人民解放军战略支援部队信息工程大学 | 基于梯度平均的人工智能图像识别对抗攻击方法及系统 |
-
2023
- 2023-12-14 CN CN202311722260.5A patent/CN117407690B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11580400B1 (en) * | 2019-09-27 | 2023-02-14 | Snap Inc. | Optimizer based prunner for neural networks |
| CN111260660A (zh) * | 2020-01-14 | 2020-06-09 | 电子科技大学 | 一种基于元学习的3d点云语义分割迁移方法 |
| CN112667496A (zh) * | 2020-12-14 | 2021-04-16 | 清华大学 | 基于多先验的黑盒对抗测试样本生成方法及装置 |
| CN117079053A (zh) * | 2023-08-31 | 2023-11-17 | 中国人民解放军战略支援部队信息工程大学 | 基于梯度平均的人工智能图像识别对抗攻击方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| "Efficient Volume Exploration Using the Gaussian Mixture Model";Yunhai Wang等;《IEEE Transactions on Visualization and Computer Graphics ( Volume: 17, Issue: 11, November 2011)》;20110616;第1-4页 * |
| "基于状态转移模型的条件期望与方差——从2状态到N状态的推广";张嘉为等;《系统科学与数学》;20081130;第1398-1406页 * |
| Yunhai Wang等."Efficient Volume Exploration Using the Gaussian Mixture Model".《IEEE Transactions on Visualization and Computer Graphics ( Volume: 17, Issue: 11, November 2011)》.2011,第1-4页. * |
| 张嘉为等."基于状态转移模型的条件期望与方差——从2状态到N状态的推广".《系统科学与数学》.2008,第1398-1406页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117407690A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
| CN115712866B (zh) | 数据处理方法、装置及设备 | |
| CN116663618A (zh) | 一种算子优化方法、装置、存储介质及电子设备 | |
| CN109656946B (zh) | 一种多表关联查询方法、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 | |
| CN112966577A (zh) | 一种模型训练以及信息提供的方法及装置 | |
| CN117407690B (zh) | 一种基于模型迁移性评估的任务执行方法、装置及设备 | |
| CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN115130621B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
| CN114722972A (zh) | 一种异常检测的方法及装置 | |
| CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
| CN114444542A (zh) | 液质色谱峰噪声估计方法、装置、存储介质、系统 | |
| CN114371232A (zh) | 基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统 | |
| CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
| CN111275095B (zh) | 一种对象类型识别方法及装置 | |
| CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
| CN117876610B (zh) | 针对三维构建模型的模型训练方法、装置、存储介质 | |
| CN111461352B (zh) | 模型训练、业务节点识别方法、装置及电子设备 | |
| CN113673601B (zh) | 一种行为识别方法、装置、存储介质及电子设备 | |
| CN117786417B (zh) | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 | |
| CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
| CN114528923B (zh) | 基于时域上下文的视频目标检测方法、装置、设备及介质 | |
| CN116186272B (zh) | 一种联合训练方法、装置、存储介质及电子设备 | |
| CN116861976A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
| CN117992600A (zh) | 一种业务执行方法、装置、存储介质以及电子设备 |
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 |