基于深度学习平台的模型训练方法、数据处理方法和装置制造方法及图纸

本公开提供了一种基于深度学习平台的模型训练方法，涉及人工智能技术领域，尤其涉及深度学习、边缘计算和分布式计算等技术领域。具体实现方案为：响应于接收到来自目标用户的第一操作信息，展示至少一个预设深度学习模型中第一目标深度学习模型的模型数据；响应于接收到来自目标用户的第二操作信息，展示与第一目标深度学习模型相关的目标场景数据；响应于接收到来自目标用户的第三操作信息，根据目标场景数据和第一目标深度学习模型，得到第二目标深度学习模型；以及根据与目标场景相关的样本数据，训练第二目标深度学习模型。本公开还提供了一种基于深度学习平台的数据处理方法、装置、电子设备和存储介质。电子设备和存储介质。电子设备和存储介质。

【技术实现步骤摘要】
基于深度学习平台的模型训练方法、数据处理方法和装置


[0001]本公开涉及人工智能
，尤其涉及深度学习、边缘计算和分布式计算等
更具体地，本公开提供了一种基于深度学习平台的模型训练方法、数据处理方法、装置、电子设备和存储介质。

技术介绍

[0002]随着人工智能技术的发展，深度学习技术的应用场景不断增加。用户可以选择深度学习平台中的模型，并结合相关场景进行参数调整，以便将该模型应用于相关场景。

技术实现思路

[0003]本公开提供了一种基于深度学习平台的模型训练方法、数据处理方法、装置、电子设备和存储介质。
[0004]根据本公开的一方面，提供了一种基于深度学习平台的模型训练方法，深度学习平台与至少一个预设深度学习模型对应，该方法包括：响应于接收到来自目标用户的第一操作信息，展示至少一个预设深度学习模型中第一目标深度学习模型的模型数据，其中，第一目标深度学习模型与第一操作信息对应；响应于接收到来自目标用户的第二操作信息，展示与第一目标深度学习模型相关的目标场景数据，其中，目标场景数据与目标场景对应，第二操作信息与目标场景对应，目标场景来自与第一目标深度学习模型相关的至少一个预设场景；响应于接收到来自目标用户的第三操作信息，根据目标场景数据和第一目标深度学习模型，得到第二目标深度学习模型；以及根据与目标场景相关的样本数据，训练第二目标深度学习模型，其中，目标场景与至少一个目标设备相关，第二目标深度学习模型用于根据目标设备采集的目标数据进行数据处理。
[0005]根据本公开的另一方面，提供了一种基于深度学习平台的数据处理方法，该方法包括：根据与第二目标深度学习模型相关的目标场景数据，将第二目标深度学习模型部署至与目标场景相关的目标设备，将目标数据输入第二目标深度学习模型，得到处理结果，其中，目标数据是由目标设备获取的，其中，第二目标深度学习模型是利用本公开提供的训练方法训练的，其中，目标场景数据包括与目标场景相关的目标模型部署数据，目标模型部署数据包括与第二目标深度学习模型相关的第一设备参数，目标设备的设备参数与第一设备参数一致。
[0006]根据本公开的另一方面，提供了一种基于深度学习平台的模型训练装置，深度学习平台与至少一个预设深度学习模型对应，该装置包括：第一展示模块，用于响应于接收到来自目标用户的第一操作信息，展示至少一个预设深度学习模型中第一目标深度学习模型的模型数据，其中，第一目标深度学习模型与第一操作信息对应；第二展示模块，用于响应于接收到来自目标用户的第二操作信息，展示与第一目标深度学习模型相关的目标场景数据，其中，目标场景数据与目标场景对应，第二操作信息与目标场景对应，目标场景来自与第一目标深度学习模型相关的至少一个预设场景；第一获得模块，用于响应于接收到来自
目标用户的第三操作信息，根据目标场景数据和第一目标深度学习模型，得到第二目标深度学习模型；以及训练模块，用于根据与目标场景相关的样本数据，训练第二目标深度学习模型，其中，目标场景与至少一个目标设备相关，第二目标深度学习模型用于根据目标设备采集的目标数据进行数据处理。
[0007]根据本公开的另一方面，提供了一种基于深度学习平台的数据处理装置，该装置包括：部署模块，用于根据与第二目标深度学习模型相关的目标场景数据，将第二目标深度学习模型部署至与目标场景相关的目标设备，第二获得模块，用于将目标数据输入第二目标深度学习模型，得到处理结果，其中，目标数据是由目标设备获取的，其中，第二目标深度学习模型是利用本公开提供的训练装置训练的，其中，目标场景数据包括与目标场景相关的目标模型部署数据，目标模型部署数据包括与第二目标深度学习模型相关的第一设备参数，目标设备的设备参数与第一设备参数一致。
[0008]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
[0009]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。
[0010]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据本公开提供的方法。
[0011]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1是根据本公开实施例的可以应用基于深度学习平台的模型训练方法和/或数据处理方法的示例性系统架构；
[0014]图2是根据本公开的一个实施例的基于深度学习平台的模型训练方法的流程图；
[0015]图3是根据本公开的另一个实施例的模型训练方法的流程图；
[0016]图4A是本公开的一个实施例的展示预设深度学习模型的示意图；
[0017]图4B是根据本公开的一个实施例的展示模型数据的示意图；
[0018]图5A至图5C是根据本公开的一个实施例的展示目标场景数据的示意图；
[0019]图6是根据本公开的一个实施例的基于深度学习平台的数据处理方法的流程图；
[0020]图7A至图7B是根据本公开的一个实施例的展示目标场景数据的示意图；
[0021]图8A至图8B是根据本公开的另一个实施例的与第一目标深度学习模型相关的初始交互页面的示意图；
[0022]图9是根据本公开的一个实施例的基于深度学习平台的模型训练装置的框图；
[0023]图10是根据本公开的另一个实施例的基于深度学习平台的数据处理装置的框图；以及
[0024]图11是根据本公开的一个实施例的可以应用基于深度学习平台的模型训练方法和/或基于深度学习平台的数据处理方法的电子设备的框图。
具体实施方式
[0025]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0026]随着深度学习技术的发展，相关模型的应用场景不断增加。在一些实施例中，在将模型应用于目标场景时，可能缺少与目标语言(例如中文)相关的数据集。例如，Hugging Face平台提供了约10个预训练模型和1玩个数据集。但这些数据集多是英文数据集，几乎没有中文数据集。此外，这些模型的性能参差不齐，难以应用于具体的场景。
[0027]在应用于实际的业务场景时，可以调整模型的参数或结构，以便模型适应相关场景中的硬件设备。各种深度学习平台虽然提供了大量的模型，但可以应用到实际业本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习平台的模型训练方法，所述深度学习平台与至少一个预设深度学习模型相关，包括：响应于接收到来自目标用户的第一操作信息，展示至少一个所述预设深度学习模型中第一目标深度学习模型的模型数据，其中，所述第一目标深度学习模型与所述第一操作信息对应；响应于接收到来自所述目标用户的第二操作信息，展示与所述第一目标深度学习模型相关的目标场景数据，其中，所述目标场景数据与目标场景对应，所述第二操作信息与所述目标场景对应，所述目标场景来自与所述第一目标深度学习模型相关的至少一个预设场景；响应于接收到来自所述目标用户的第三操作信息，根据所述目标场景数据和所述第一目标深度学习模型，得到第二目标深度学习模型；以及根据与所述目标场景相关的样本数据，训练所述第二目标深度学习模型，其中，所述目标场景与至少一个目标设备相关，所述第二目标深度学习模型用于根据所述目标设备采集的目标数据进行数据处理。2.根据权利要求1所述的方法，其中，所述第一操作信息指示了与目标任务、目标样本数据集、目标开发人员、目标模型关键词中至少一个对应的所述第一目标深度学习模型，所述模型数据包括模型训练数据、模型部署数据、模型性能数据中的至少一个，所述模型性能数据包括模型结构数据和历史任务执行数据中至少一个。3.根据权利要求1所述的方法，其中，所述展示至少一个所述预设深度学习模型中第一目标深度学习模型的模型数据还包括：根据来自所述目标用户的初始样本数据，展示所述第一目标深度学习模型的初始输出结果。4.根据权利要求3所述的方法，其中，所述展示第一目标深度学习模型的初始输出结果包括：获取来自所述目标用户的初始样本数据；利用所述第一目标深度学习模型处理所述初始样本数据，得到初始输出结果；以及展示所述初始输出结果。5.根据权利要求4所述的方法，其中，所述获取来自所述目标用户的初始样本数据包括：根据所述第一目标深度学习模型，确定初始处理函数；根据所述初始处理函数，确定与所述第一目标深度学习模型相关的初始交互页面；以及利用所述初始交互页面获取所述初始样本数据。6.根据权利要求5所述的方法，其中，所述获取来自所述目标用户的初始样本数据还包括：利用所述初始交互页面展示所述初始样本数据。7.根据权利要求5所述的方法，其中，所述展示所述初始输出结果包括：利用所述初始交互页面展示所述初始输出结果。8.根据权利要求1所述的方法，其中，所述目标场景数据包括以下至少之一：与所述目
标场景相关的场景需求特征数据、至少一个预设数据集、模型训练策略数据。9.根据权利要求1所述的方法，其中，所述目标设备部署有所述第二目标深度学习模型。10.根据权利要求2所述的方法，其中，所述目标任务包括图像处理任务，所述图像处理任务包括目标对象检测任务和图像识别任务。11.一种基于深度学习平台的数据处理方法，包括：根据与第二目标深度学习模型相关的目标场景数据，将所述第二目标深度学习模型部署至与目标场景相关的目标设备；以及将目标数据输入所述第二目标深度学习模型，得到处理结果，其中，所述目标数据是由所述目标设备获取的，其中，所述第二目标深度学习模型是利用权利要求1至8任一项所述的训练方法训练的，其中，所述目标场景数据包括与所述目标场景相关的目标模型部署数据，所述目标模型部署数据包括与所述第二目标深度学习模型相关的第一设备参数，所述目标设备的设备参数与所述第一设备参数一致。12.根据权利要求10所述的方法，其中，所述目标场景数据还包括与所述目标场景相关的预处理策略数据，所述将目标数据输入所述第二目标深度学习模型，得到处理结果包括：根据所述预处理策略数据，调整所述目标数据，得到调整后的目标数据；以及将调整后的目标数据输入所述第二目标深度学习模型，得到所述处理结果。13.根据权利要求10所述的方法，其中，所述目标场景数据还包括与所述目标场景相关的可视化策略数据，所述将目标设备获取的目标数据输入所述第二目标深度学习模型，得到处理结果包括：根据所述可视化策略数据，调整所述处理结果，得到可视化结果；以及将所述可视化结果展示于可视界面，其中，所述可视界面是根据所述可视化策略数据生成的。14.一种基于深度学习平台的模型训练装置，所述深度学习平台与至少一个预设深度学习模型相关，包括：第一展示模块，用于响应于接收到来自目标用户的第一操作信息，展示至少一个所述预设深度学习模型中第一目标深度学习模型的模型数据，其中，所述第一目标深度学习模型与所述第一操作信息对应；第二展示模块，用于响应于接收到来自所述目标用户的第二...

【专利技术属性】
技术研发人员：杨烨华，刘爽侨，张一超，韩超，赵乔，毕然，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：