模型同步更新方法、装置及电子设备制造方法及图纸

本公开实施例中提供了一种模型同步更新方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据；依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算，以获得K次特征输出，其中K小于等于N；基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作，形成更新后的第二历史数据；基于所述第二历史数据训练所述决策树模型，用以对所述决策树模型执行更新操作。通过本公开的处理方案，能够提高模型更新的效率。

【技术实现步骤摘要】
模型同步更新方法、装置及电子设备
本公开涉及数据处理
，尤其涉及一种模型同步更新方法、装置及电子设备。
技术介绍
目前推荐用的gbdt决策树模型依赖的视觉特征大部分产生于卷积神经网络(CNN)。如果只更新CNN模型而不更新gbdt决策树模型，由于CNN输出的特征分布已经发生变化，但此时gbdt仍然假定分布没有变化，导致最终输出会产生偏差。另外当gbdt依赖多个CNN模型时，情况会变得更加复杂，如果采用在线刷数据的方法训练两个gbdt模型，每一个CNN模型均需要部署新旧两个服务，这将占用较多的GPU资源。因此需要一种较为经济的方式解决多个CNN模型和gbdt模型同步更新的问题。。
技术实现思路
有鉴于此，本公开实施例提供一种模型同步更新方法、装置及电子设备，以至少部分解决现有技术中存在的问题。第一方面，本公开实施例提供了一种模型同步更新方法，包括：获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据；依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算，以获得K次特征输出，其中K小于等于N；基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作，形成更新后的第二历史数据；基于所述第二历史数据训练所述决策树模型，用以对所述决策树模型执行更新操作。根据本公开实施例的一种具体实现方式所述获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据，包括：查找为所述决策树模型提供训输出数据的所有卷积神经网络模型；将查找到的所有卷积神经网络模型作为所述N个卷积神经网络模型。根据本公开实施例的一种具体实现方式所述获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据，包括：将与所述N个卷积神经网络模型匹配的历史数据作为所述第一历史数据。根据本公开实施例的一种具体实现方式所述依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算，以获得K次特征输出，包括：离线启动第K个卷积神经网络模型；获取所述第K个卷积神经网络模型中全连接层的输出向量；将所述输出向量作为所述K次特征输出。根据本公开实施例的一种具体实现方式所述基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作，包括：查找所述第一历史数据中与所述第K个卷积神经网络的输出数据所对应的特征值；将所述特征值替换为所述第K个卷积神经网络模型的特征输出。根据本公开实施例的一种具体实现方式所述基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作之后，所述方法包括：判断当前K的值是否小于N；若否，则停止所述替换操作；基于执行完K次替换操作之后的第一历史数据，形成第二历史数据。根据本公开实施例的一种具体实现方式所述基于所述第二历史数据训练所述决策树模型，用以对所述决策树模型执行更新操作，包括：将所述第二历史数据作为训练数据，输入到所述决策树模型中；在所述决策树模型的输出数据达到预设指标后，完成多所述决策树模型的更新操作。根据本公开实施例的一种具体实现方式所述基于所述第二历史数据训练所述决策树模型，用以对所述决策树模型执行更新操作之后，所述方法还包括：对更新后的所述决策树模型以及更新后的N个卷积神经网络模型，执行上线操作。第二方面，本公开实施例提供了一种模型同步更新装置，包括：设置模块，用于获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据；计算模块，用于依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算，以获得K次特征输出，其中K小于等于N；替换模块，用于基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作，形成更新后的第二历史数据；执行模块，用于基于所述第二历史数据训练所述决策树模型，用以对所述决策树模型执行更新操作。第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：至少一个处理器；以及，与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的模型同步更新方法。第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的模型同步更新方法。第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的模型同步更新方法。本公开实施例中的模型同步更新方案，包括获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据；依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算，以获得K次特征输出，其中K小于等于N；基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作，形成更新后的第二历史数据；基于所述第二历史数据训练所述决策树模型，用以对所述决策树模型执行更新操作。通过本公开的处理方案，能够提高模型数据的更新效率，同时降低了系统资源的消耗。附图说明为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本公开实施例提供的一种模型同步更新方法的流程图；图2为本公开实施例提供的另一种模型同步更新方法的流程图；图3为本公开实施例提供的另一种模型同步更新方法的流程图；图4为本公开实施例提供的另一种模型同步更新方法的流程图；图5为本公开实施例提供的一种模型同步更新装置的结构示意图；图6为本公开实施例提供的电子设备示意图。具体实施方式下面结合附图对本公开实施例进行详细描述。以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书本文档来自技高网...

【技术保护点】
1.一种模型同步更新方法，其特征在于，包括：/n获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据；/n依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算，以获得K次特征输出，其中K小于等于N；/n基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作，形成更新后的第二历史数据；/n基于所述第二历史数据训练所述决策树模型，用以对所述决策树模型执行更新操作。/n

【技术特征摘要】
1.一种模型同步更新方法，其特征在于，包括：
获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据；
依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算，以获得K次特征输出，其中K小于等于N；
基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作，形成更新后的第二历史数据；
基于所述第二历史数据训练所述决策树模型，用以对所述决策树模型执行更新操作。


2.根据权利要求1所述的方法，其特征在于，所述获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据，包括：
查找为所述决策树模型提供训输出数据的所有卷积神经网络模型；
将查找到的所有卷积神经网络模型作为所述N个卷积神经网络模型。


3.根据权利要求1所述的方法，其特征在于，所述获取N个卷积神经网络模型和第一历史数据，所述N个卷积神经网络模型用于向决策树模型提供训练输出数据，包括：
将与所述N个卷积神经网络模型匹配的历史数据作为所述第一历史数据。


4.根据权利要求1所述的方法，其特征在于，所述依次对所述N个卷积神经网络中的第K个卷积神经网络模型进行数据计算，以获得K次特征输出，包括：
离线启动第K个卷积神经网络模型；
获取所述第K个卷积神经网络模型中全连接层的输出向量；
将所述输出向量作为所述K次特征输出。


5.根据权利要求1所述的方法，其特征在于，所述基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神经网络模型的输出数据所对应的特征值进行替换操作，包括：
查找所述第一历史数据中与所述第K个卷积神经网络的输出数据所对应的特征值；
将所述特征值替换为所述第K个卷积神经网络模型的特征输出。


6.根据权利要求1所述的方法，其特征在于，所述基于得到的所有的K次特征输出，对所述第一历史数据中与第K个卷积神...

【专利技术属性】
技术研发人员：白戈，袁泽寰，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京;11