基于算法模型的应用程序生成方法、电子设备及存储介质技术

本申请公开了一种基于算法模型的应用程序生成方法、电子设备及存储介质，涉及人工智能领域。通过获取初始数据集，对初始数据集进行预处理后得到训练数据集，根据训练数据集对预设的初始算法模型进行训练，生成云端算法模型，对云端算法模型进行结构处理，得到终端算法模型，根据终端算法模型生成应用于终端的应用程序，能够在智能终端设备上灵活实现AI算法的生成及应用，满足业务需求。满足业务需求。满足业务需求。

【技术实现步骤摘要】
基于算法模型的应用程序生成方法、电子设备及存储介质


[0001]本申请涉及人工智能领域，尤其是涉及一种基于算法模型的应用程序生成方法、电子设备及存储介质。

技术介绍

[0002]深度学习作为机器学习的一个分支，近年来不断得到发展并且当前已经被广泛用于不同领域。深度学习模型可以被用于终端设备的视觉处理、语音识别、自然语言处理等。但是深度学习需要依赖于终端设备的AI(Artificial Intelligence，人工智能)计算能力等，由于AI计算能力的差异，导致深度学习无法随意部署到终端设备上，例如智能视频终端等终端设备，而智能视频终端的开发技术不同，具备的AI计算能力不同，有些具备AI计算能力的智能视频终端不能按业务需求，对终端设备中内置算法进行在线升级、扩展及替换，导致相关的AI算法无法有效应用到具体业务领域。

技术实现思路

[0003]本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种基于算法模型的应用程序生成方法，能够在智能终端设备上灵活实现AI算法的生成及应用，满足业务需求。
[0004]本申请还提出一种具有上述基于算法模型的应用程序生成方法的电子设备。
[0005]本申请还提出一种具有上述基于算法模型的应用程序生成方法的计算机可读存储介质。
[0006]根据本申请的第一方面实施例的基于算法模型的应用程序生成方法，包括：获取初始数据集；对所述初始数据集进行预处理，得到训练数据集；根据所述训练数据集对预设的初始算法模型进行训练，生成云端算法模型；调整所述云端算法模型的网络结构进行调整，得到终端算法模型；根据所述终端算法模型生成应用于终端的应用程序。
[0007]根据本申请实施例的基于算法模型的应用程序生成方法，至少具有如下有益效果：通过获取初始数据集，对初始数据集进行预处理后得到训练数据集，根据训练数据集对预设的初始算法模型进行训练，生成云端算法模型，对云端算法模型的网络结构进行调整，得到终端算法模型，根据终端算法模型生成应用于终端的应用程序，能够在智能终端设备上灵活实现AI算法的生成及应用，满足业务需求。
[0008]根据本申请的一些实施例，对所述初始数据集进行预处理，得到训练数据集，包括：对所述初始数据集进行标准化处理，得到标准化数据集；对所述标准化数据进行数据增强处理，得到增强数据集；对所述增强数据进行标注处理，得到所述训练数据集。
[0009]根据本申请的一些实施例，所述根据所述训练数据集对预设的所述初始算法模型进行训练，生成云端算法模型，包括：对所述初始算法模型的模型参数进行优化处理，得到优化算法模型；根据所述训练数据集对所述优化算法模型进行预设次数的迭代训练，得到多个迭代算法模型；从所述多个迭代算法模型选取出所述云端算法模型。
[0010]根据本申请的一些实施例，从所述多个迭代算法模型选取出所述云端算法模型，包括：获取所述初始数据集中的验证数据集；将所述验证数据集输入所述迭代算法模型，得到所述多个迭代算法模型的准确率；根据预设的准确阈值和所述准确率从所述迭代算法模型中选取出所述云端算法模型。
[0011]根据本申请的一些实施例，所述方法还包括：将所述验证数据集输入到所述迭代算法模型，得到验证结果；根据所述验证结果获取所述验证数据集中的错误数据集；根据所述错误数据集对所述迭代算法模型进行训练。
[0012]根据本申请的一些实施例，所述对所述云端算法模型进行结构处理，得到终端算法模型，包括：根据所述终端的资源处理能力对所述云端算法模型的网络结构进行调整，得到所述终端算法模型。
[0013]根据本申请的一些实施例，所述根据所述终端算法模型生成应用于终端的应用程序，包括：对所述云端算法模型的预设应用推理库的配置信息进行调整，得到所述终端算法模型的模型应用推理库；根据所述模型应用推理库和预设的模型资源生成所述应用程序。
[0014]根据本申请的一些实施例，所述方法还包括：将所述应用程序下发到所述终端进行安装；获取所述终端根据所述应用程序返回的识别结果；根据所述识别结果对所述终端算法模型进行更新；根据更新后的所述终端算法模型对所述应用程序进行更新。
[0015]根据本申请的第二方面实施例的电子设备，包括：至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如第一方面所述的基于算法模型的应用程序生成方法。
[0016]根据本申请的电子设备，至少具有如下有益效果：通过执行第一方面实施例中提到的基于算法模型的应用程序生成方法，能够在智能终端设备上灵活实现AI算法的生成及应用，满足业务需求。
[0017]根据本申请的第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的基于算法模型的应用程序生成方法。
[0018]根据本申请的计算机可读存储介质，至少具有如下有益效果：通过执行第一方面实施例中提到的基于算法模型的应用程序生成方法，能够在智能终端设备上灵活实现AI算法的生成及应用，满足业务需求。
[0019]本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0020]图1为本申请实施例中基于算法模型的应用程序生成方法的一具体流程示意图；
[0021]图2为基于算法模型的应用程序生成方法图1的步骤S200的一具体流程示意图；
[0022]图3为基于算法模型的应用程序生成方法图1的步骤S300的一具体流程示意图；
[0023]图4为基于算法模型的应用程序生成方法图3的步骤S330的一具体流程示意图；
[0024]图5为基于算法模型的应用程序生成方法图3的步骤S330的另一具体流程示意图；
[0025]图6为基于算法模型的应用程序生成方法图1的步骤S500的一具体流程示意图；
[0026]图7为本申请另一实施例中基于算法模型的应用程序生成方法的部分流程示意图。
具体实施方式
[0027]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。
[0028]需要说明的是，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同流程图中的顺序执行所示出或描述的步骤。如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“以下”，均应理解为包括本数。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本申请的实施例，并且除非另外要求，否则不会对本申请的范围施加限制。大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于算法模型的应用程序生成方法，其特征在于，包括：获取初始数据集；对所述初始数据集进行预处理，得到训练数据集；根据所述训练数据集对预设的初始算法模型进行训练，生成云端算法模型；调整所述云端算法模型的网络结构，得到终端算法模型；根据所述终端算法模型生成应用于终端的应用程序。2.根据权利要求1所述的基于算法模型的应用程序生成方法，其特征在于，对所述初始数据集进行预处理，得到训练数据集，包括：对所述初始数据集进行标准化处理，得到标准化数据集；对所述标准化数据集进行数据增强处理，得到增强数据集；对所述增强数据集进行标注处理，得到所述训练数据集。3.根据权利要求1所述的基于算法模型的应用程序生成方法，其特征在于，所述根据所述训练数据集对预设的初始算法模型进行训练，生成云端算法模型，包括：对所述初始算法模型的模型参数进行优化处理，得到优化算法模型；根据所述训练数据集对所述优化算法模型进行预设迭代次数的迭代训练，得到多个迭代算法模型；从所述多个迭代算法模型选取出所述云端算法模型。4.根据权利要求3所述的基于算法模型的应用程序生成方法，其特征在于，从所述多个迭代算法模型选取出所述云端算法模型，包括：获取所述初始数据集中的验证数据集；将所述验证数据集输入所述迭代算法模型，得到所述多个迭代算法模型的准确率；根据预设的准确阈值和所述准确率从所述迭代算法模型中选取出所述云端算法模型。5.根据权利要求4所述的基于算法模型的应用程序生成方法，其特征在于，所述方法还包括：将所述验证数据集输入到所述迭代算法模型，得到验...

【专利技术属性】
技术研发人员：张国昌，路建成，田松林，周子强，赵铭，罗育林，周海，
申请(专利权)人：南方电网深圳数字电网研究院有限公司，
类型：发明
国别省市：