掌桥专利:专业的专利平台
掌桥专利
首页

神经网络模型的更新方法、装置、设备、机器人及介质

文献发布时间:2024-01-17 01:18:42


神经网络模型的更新方法、装置、设备、机器人及介质

技术领域

本申请属于计算机技术领域,尤其涉及一种神经网络模型的更新方法、装置、设备、机器人及介质。

背景技术

随着网络的发展和普及,越来越多的企业选择将生产过程中产生的业务数据存储在互联网,同时运用云计算中的神经网络模型来检测业务数据中的异常数据,但是随着业务数据种类越来越多,数量越来越庞大,在运用神经网络模型进行异常数据检测时可能产生检测不准确的问题。

发明内容

本申请实施例提供一种神经网络模型的更新方法、装置、设备、机器人及介质,能够提高神经网络模型检测异常数据的准确率。

第一方面,本申请实施例提供一种神经网络模型的更新方法,包括:

获取待检测数据;

在待检测数据包括模拟数据的情况下,基于神经网络模型对模拟数据进行检测,输出第一检测结果;

采用模拟处理方式对模拟数据进行检测,得到第二检测结果;

在第二检测结果与第一检测结果不一致的情况下,更新神经网络模型;或者

在待检测数据包括真实数据的情况下,对真实数据进行检测,得到第三检测结果;

在第三检测结果满足第一预设条件的情况下,更新神经网络模型。

第二方面,本申请实施例提供一种神经网络模型更新的装置,包括:

获取模块,用于获取待检测数据;

检测模块,用于在待检测数据包括模拟数据的情况下,基于神经网络模型对模拟数据进行检测,输出第一检测结果;

检测模块,还用于采用模拟处理方式对模拟数据进行检测,得到第二检测结果;

更新模块,用于在第二检测结果与第一检测结果不一致的情况下,更新神经网络模型;或者

检测模块,还用于在待检测数据包括真实数据的情况下,对真实数据进行检测,得到第三检测结果;

更新模块,还用于在第三检测结果满足第一预设状态的情况下,更新神经网络模型。

第三方面,本申请实施例提供一种机器人,包括:

神经网络模型,用于对机器人从数据端或者其他客户端获取的待检测数据进行检测,输出第一检测结果;

数据处理器,用于采用模拟处理方式对模拟数据进行检测,得到第二检测结果;在第二检测结果与第一检测结果不一致的情况下,更新神经网络模型;或者

在待检测数据包括真实数据的情况下,对真实数据进行检测,得到第三检测结果;

在第三检测结果满足第一预设状态的情况下,更新神经网络模型。

第四方面,本申请实施例提供了一种电子设备,设备包括:

处理器以及存储有计算机程序指令的存储器;

处理器执行计算机程序指令时用于执行上述第一方面的神经网络模型的更新方法。

第五方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述第一方面的神经网络模型的更新方法。

本申请实施例提供的神经网络模型的更新方法、装置、设备、机器人及介质可以通过获取待检测数据,在待检测数据的类型模拟数据的情况下,将模拟数据输入神经网络模型进行检测,得到第一检测结果,并采用模拟处理方式对模拟数据进行检测,得到第二检测结果,在第一检测结果与第二检测结果不一致时,对神经网络模型进行更新,从而提高神经网络模型对于数据检测的准确性;同时,在待检测数据为真实数据的情况下,对真实数据进行检测,得到第三检测结果;在第三检测结果满足第一预设状态的情况下,对神经网络模型更新。

通过上述两种更新策略,根据待检测数据类型的不同包括了不同的确定神经网络模型需要更新的方法,较全面地覆盖了需要对神经网络模型更新的情况。并且运用两种策略对待检测数据进行检测,可以对神经网络模型需要更新的判断更为准确,因此对神经网络模型进行更新后,才能提高神经网络模型的检测准确率。

附图说明

为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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他的附图。

图1为本申请一个实施例提供的一种模拟的数据处理流程示意图。

图2为本申请一个实施例提供的一种神经网络模型的更新方法的流程示意图。

图3为本申请一个实施例提供的另一种神经网络模型的更新方法的流程示意图。

图4为本申请一个实施例提供的又一种神经网络模型的更新方法的流程示意图。

图5为本申请一个实施例提供的一种神经网络模型的更新方法装置的示意图。

图6为本申请一个实施例提供的一种RAP机器人的装置示意图。

图7为本申请实施例提供的一种电子设备的硬件结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

需要说明的是,本申请实施例中对数据的获取、存储、使用和处理等,均符合国家法律法规的相关规定。

随着网络的发展和普及,越来越多的企业选择将生产过程中产生的业务数据存储在互联网,同时运用云计算中的神经网络模型来检测业务数据中的异常数据,但是随着业务数据种类越来越多,数量越来越庞大,在运用神经网络模型进行异常数据检测时可能产生检测不准确的问题。

由于越来越多的企业将业务数据存储在互联网,因此流程自动化机器人(RoboticProcess Automation,RPA)应运而生,RPA主要的功能包括:数据识别、数据查询、数据下载以及数据整理等。这些功能都会涉及到对应的业务数据,因此为了保证数据的安全性,RPA通常情况下都配置了数据检测功能,可以及时发现业务系统中的异常数据。

目前,RPA主要采用基于神经网络模型进行数据检测,具体的,预先利用训练数据集对神经网络模型进行训练,在训练数据集中包括异常的数据,从而可以使得训练好的神经网络模型可用于对异常数据的检测。

但是,目前的RAP中缺少神经网络模型的更新机制,如果神经网络模型一直未更新,就不能适应复杂的数据变化,从而导致神经网络模型的异常数据识别精度逐渐降低,进而不能保证数据的安全性。

因此本申请实施例提供一种神经网络模型的更新方法、装置、设备、机器人及介质,能够解决上述问题。

下面首先对本申请实施例所提供的神经网络模型的更新方法进行介绍。

针对上述问题,本申请实施例提出一种神经网络模型的更新方法,主要针对确定神经网络模型提供需要更新的方案,以使神经网络模型可以稳定地实现异常数据的准确检测。

在一些实施例中,如图1所示,为了更新神经网络模型,本申请实施例设置了模拟的数据处理流程,模拟的数据处理流程可以模拟实际的数据处理流程的步骤,从而可以通过模拟的数据处理流程对于数据的处理结果判断是否需要更新神经网络模型,例如实际的数据处理流程包括步骤1和步骤2,则模拟的数据流程也包括步骤1和步骤2;在实际的数据处理单元中,步骤1涉及数据A和软件A,步骤2涉及数据B和软件B;但是,在模拟的数据单元中,步骤1涉及的数据A'为数据A的模拟数据,软件A'也为软件A的模拟软件,步骤2同理。

并且,该模拟的数据处理流程也可以对实际真实的数据通过模拟的软件进行处理,得到数据的检测结果。

因此,本申请实施例针对神经网络模型的更新提供了两种方式,一种是基于模拟数据的神经网络模型更新方式,通过该模拟的数据处理流程处理模拟数据,对神经网络模型所输出的检测结果进行校验,基于校验结果,可以对神经网络模型进行更新;另一种是基于真实数据的神经网络模型更新方式,通过该模拟的数据处理流程处理真实数据,对神经网络模型进行更新。

基于模拟数据的神经网络模型更新方式,具体如图2所示,基于模拟数据的神经网络模型的更新方式包括:

S210:构建模拟数据。

S220:将模拟数据输入神经网络模型,得到检测结果。

S230:将模拟数据输入模拟的数据处理流程,得到检测结果。

S240:判断神经网络模型与模拟的数据处理流程输出的检测结果是否一致。

S250:若是则将模拟数据存入训练样本。

S260:若否则更新神经网络模型。

在本实施例中,可以先构建模拟数据,并将模拟数据分别输入神经网络模型和模拟的数据处理流程中进行检测,因此神经网络模型会输出对于模拟数据的两种检测结果:一种为异常,另一种为正常;同样地,模拟的数据处理流程也会输出两种检测结果:一种为异常,另一种为正常。这里,步骤S220与步骤S230可以没有先后顺序同时执行。因此可以判断神经网络模型与模拟的数据处理流程输出的检测结果是否一致,在神经网络模型与模拟的数据处理流程输出的检测结果不一致时,确定更新神经网络模型。在神经网络模型与模拟的数据处理流程输出的检测结果一致时,将模拟数据存入训练样本中。

基于真实数据的神经网络模型更新方式,具体如图3所示,基于模拟数据的神经网络模型的更新方式包括:

S310:获取真实数据。

S320:将真实数据输入真实的的数据处理流程,得到检测结果。

S330:判断检测结果是否异常。

S340:若是则更新神经网络模型。

S350:若否则将真实数据存入训练样本。

本申请实施例可以获取数据库中的真实数据,并将真实数据输入到真实的数据处理流程,基于真实的数据处理流程输出为异常的检测结果时,确定对神经网络模型进行更新,在真实的数据处理流程输出为正常的检测结果时,将真实数据存入训练样本中。

通过上述两种方式,可以确定出在不同的数据类型的情况下神经网络模型的更新方法,从而对神经网络模型进行更新,提高神经网络模型的对异常数据检测的准确率,进而保证数据的安全性。

下面对本申请实施例提供的神经网络模型的更新方法进行详细介绍。如图4所示,本申请实施例提供一种神经网络模型的更新方法,包括:

S410:获取待检测数据。

获取到的待检测数据可以为基于真实的检测数据生成,待检测数据也可以根据数据检测规则或者经验逆向推理得到的模拟的数据。

例如,获取到的待检测数据是企业存储在数据库中的用户地址,因此,获取到的待检测数据可以是真实的的用户地址,示例性地,待检测数据为某用户的地址是“吉林省长春市”。同时,本实施例中获取到的待检测数据也可以是根据数据检测规则生成的模拟数据,示例性地,某用户的用户地址为“XX省YY市”。

S420:在待检测数据包括模拟数据的情况下,基于神经网络模型对模拟数据进行检测,输出第一检测结果。

在待检测数据包括模拟数据时,例如基于数据检测规则构建某用户的用户地址为“XX省YY市”的模拟数据,可以将该构建的模拟数据运用神经网络模型进行检测,得到第一检测结果。可以想到的是,该神经网络模型对于模拟数据的第一检测结果可能有多种检测结果,例如可以是检测出该模拟数据正常或者异常的检测结果,也可以是基于该模拟数据输出符合规则或不符合规则的检测结果。

通常情况下,神经网络模型是通过深度学习算法对模拟数据进行检测,运用的深度学习算法可以包括:铰链算法、循环神经网络算法(Recurrent Neural Network,RNN)、批量标准化(Batch Normalization,BN)算法等。因此基于上述深度学习算法的神经网络模型基于待检测数据进行检测时,可能最终会根据预设算法计算出一个检测值,通过该检测值与检测阈值的比较,判断第一检测结果的状态信息为异常或正常。例如,若神经网络模型基于模拟数据计算出的检测值大于等于检测阈值时,神经网络模型认为该模拟数据的检测结果为正常,若神经网络模型基于待检测数据计算出的检测值小于检测阈值时,神经网络模型认为该模拟数据的检测结果为异常。

S430:采用模拟处理方式对模拟数据进行检测,得到第二检测结果。

在根据神经网络模型对模拟数据进行检测后,可以采用模拟处理方式对模拟数据进行检测,模拟处理方式为按照真实的对于数据的处理方式进行检测的过程,得到第二检测结果。

继续以模拟数据为构建的用户地址为“XX省YY市”为例,因此采用模拟处理方式对该模拟数据进行检测时,其检测方式与真实的数据处理方式相同,包括:获取用户地址的省份,然后调用虚拟查询接口,查询虚拟数据库中是否存在该省份或者该省份的名称是否书写正确,之后再获取用户地址的市区,通过遍历虚拟查询接口查询到的虚拟数据库中该省份的所有市区,确定用户地址是否异常。

S440:在第二检测结果与第一检测结果不一致的情况下,更新神经网络模型。

可以想到的是,基于模拟处理方式对模拟数据进行检测得到第二检测结果时,第二检测结果也可能有两种情况,例如是该模拟数据为正常的检测结果或者该模拟数据为异常的检测结果。在第二检测结果与第一状态信息不一致时,也就是说当第二检测结果为异常且第一检测结果为正常,或者当第二检测结果为正常且第一检测结果为异常的情况下,更新神经网络模型。

由于模拟处理方式为模拟真实的数据处理方式,因此基于模拟处理方式对模拟数据进行检测的第二检测结果为“绝对真实”的检测结果,因此当第二检测结果与第一检测结果不一致时,说明神经网络模型对于异常数据的检测已经存在检测不准确的问题,因此需要对神经网络模型进行更新。

在一些示例中,对神经网络模型进行更新可以是对神经网络模型的参数或者函数进行更新,也可以是对神经网络模型的算法进行更新。

S450:在待检测数据包括真实数据的情况下,对真实数据进行检测,得到第三检测结果。

在待检测数据包括真实数据时,继续以获取到的待检测数据为用户地址为例,在获取到的某位用户的用户地址为“吉林省长春市”时,可以采用真实的处理方式对真实数据进行检测,得到第三检测结果。

在一些示例中,得到的第三检测结果也可以包括多种结果,例如可以包括真实数据为正常的检测结果,也可以包括真实数据为异常的检测结果。

S460:在第三检测结果满足第一预设条件的情况下,更新神经网络模型。

在第三检测结果满足第一预设条件时,更新神经网络模型。

这里,由于在对真实数据进行检测时,可能会有不同的检测结果,例如检测到真实数据为正常的检测结果或者是检测到真实数据为异常的检测结果,因此上述第一预设条件可以是在第三检测结果为异常的检测结果,也就是说,在第三检测结果满足第三检测结果为异常的检测结果时,更新神经网络模型。

由于已有的真实的检测方式中都是通过神经网络模型对异常数据进行检测,但在待检测数据为真实数据时,如果检测到该真实数据为异常的检测结果时,说明已有的神经网络模型并没有检测出数据库中的异常数据,因此需要对神经网络模型进行更新。

通过上述对于神经网络模型的更新方法,通过获取到的待检测数据,在待检测数据为模拟数据时,通过基于神经网络模型对模拟数据进行检测,得到第一检测结果和采用模拟处理方式对模拟数据进行检测,得到第二检测结果,通过比较两个检测结果不一致时更新神经网络模型。同时,本申请实施例获取到的待检测数据为真实数据时,对真实数据进行检测,得到第三检测结果;通过判断在第三检测结果满足第一预设条件时,对神经网络模型更新。上述根据不同的待检测数据确定神经网络模型更新的方式能够较全面的覆盖神经网络模型需要更新的情况,并且采用模拟处理方式处理数据也能在不影响真实数据库中数据的情况下模拟了真实的数据处理过程,可以对神经网络模型需要更新的判断更为准确,因此对神经网络模型进行更新后,才能提高神经网络模型的检测准确率。

在一些实施例中,该方法还包括:

在第二检测结果与第一检测结果一致的情况下,将模拟数据存储在训练样本中。

在待检测数据为模拟数据时,基于模拟处理方式对模拟数据进行处理时,得到第二检测结果,由于第二检测结果可能包括模拟数据异常的检测结果或者模拟数据正常的检测结果。当第二检测结果与第一检测结果一致时,也就是说当第二检测结果是模拟数据为异常且第一检测结果是模拟数据为异常时,或者当第三状态信息是模拟数据为正常且第一状态信息是模拟数据为正常的情况下,说明无需对神经网络模型进行更新,因此可以将模拟数据存储到训练样本中。

在一些实施例中,该方法还包括:

在第三检测结果满足第二预设条件的情况下,将真实数据存储在训练样本中。

在第三检测结果满足第二预设条件时,将真实数据存储在训练样本中。

这里,由于第三检测结果可能有检测到真实数据为正常的检测结果或者是检测到真实数据为异常的检测结果,因此上述第二预设条件可以是在第三检测结果为正常的检测结果,在第三检测结果满足第三检测结果为正常的检测结果时,将真实数据存储在训练样本中。在待检测数据为真实数据时,对真实数据基于真实的处理方式对真实数据进行处理时,得到的第三检测结果可能满足检测到的检测结果为正常。也就是说在真实的数据库中没有异常数据存在的情况,因此无需对神经网络模型进行更新,可以将真实数据存储到训练样本中。

上述在待检测数据为模拟数据或真实数据时,在确定出神经网络模型对于模拟数据的检测结果与模拟处理方式对于模拟数据的检测结果一致时,将模拟数据存储在训练样本中。同时,在确定出对于真实数据的检测结果的满足第二预设条件时,将真实数据存储在训练样本中,上述两种方式都可以扩充对于训练样本的数据,实现了对训练样本数据的更新,可以提高运用改训练样本训练神经网络模型检测异常数据的准确率。

在一些实施例中,该方法还包括:

运用训练样本对对神经网络模型进行训练,更新神经网络模型。

上述实施例提供了两种扩充训练样本的方式,因此可以设置在训练样本中的数据达到预设阈值时,运用该训练样本训练神经网络模型,对神经网络模型进行更新。

通过本实施例中利用扩充的训练样本对神经网络模型进行更新的方式,补充了的目前没有基于训练样本对神经网络模型进行更新的空白,基于上述方法可以使得神经网络模型具有长久地可持续性更新特性,利于将神经网络模型对于异常数据的检测准确率持续保持在高精度地范围内。

如图5所示,本申请实施例提供一种神经网络模型更新的装置,包括:

获取模块501,用于获取待检测数据。

检测模块502,用于在待检测数据包括模拟数据的情况下,基于神经网络模型对模拟数据进行检测,输出第一检测结果。

检测模块502,还用于采用模拟处理方式对模拟数据进行检测,得到第二检测结果。

更新模块503,用于在第二检测结果与第一检测结果不一致的情况下,更新神经网络模型;或者

检测模块502,还用于在待检测数据包括真实数据的情况下,对真实数据进行检测,得到第三检测结果。

更新模块503,还用于在第三检测满足第一预设条件的情况下,更新神经网络模型。

在一些实施例中,装置还包括:

存储模块,用于在第二检测结果与第一检测结果一致的情况下,将模拟数据存储在训练样本中。

在一些实施例中,装置还包括:

存储模块,还用于在第三检测结果满足第二预设条件的情况下,将真实数据存储在训练样本中。

在一些实施例中,装置还包括:

训练模块,用于运用训练样本对对神经网络模型进行训练,更新神经网络模型。

上述实施例的装置用于实现前述任一实施例中相应的神经网络模型的更新方法,并且具有相应的方法实施例的有益效果,在此不再赘述。

本申请实施例神经网络模型可以应用于RAP机器人,RAP机器人可以从数据端或其他客户端获取到待检测数据,如图6,RAP机器人包括神经网络模型和处理器。其中,

神经网络模型601,用于对机器人从数据端或者其他客户端获取的待检测数据进行检测,输出第一检测结果。

数据处理器602,用于在第一检测结果包括第一状态信息的情况下,采用模拟处理方式对模拟数据进行检测,得到第二检测结果;在第二检测结果与第一检测结果不一致的情况下,更新神经网络模型;或者

在待检测数据包括真实数据的情况下,对真实数据进行检测,得到第三检测结果;

在第三检测结果满足第一预设条件的情况下,更新神经网络模型。

本申请实施例提供的RPA机器人除了配置有神经网络模型,还配置有处理器,该处理器对于数据的处理流程可以为模拟的数据处理流程,也可以为真实的数据处理流程。所不同的是,该模拟的数据处理单元中所调用的数据、硬件、软件等均不是真实的,因此避免了对真实数据、硬件、软件产生影响。

因此本申请实施例提供的机器人可以实现前述任一实施例中相应的神经网络模型的更新方法,并且具有相应的方法实施例的有益效果,在此不再赘述。

图7申请实施例提供的一种电子设备的硬件结构示意图。

该电子设备700可以包括处理器701以及存储有计算机程序指令的存储器702。

具体地,上述处理器701可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器702可在综合网关容灾设备的内部或外部。在特定实施例中,存储器702是非易失性固态存储器。

在特定实施例中,存储器702包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请的第一方面的方法所描述的操作。

处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现上述实施例中的任意一种神经网络模型的更新方法。

在一个示例中,该电子设备还可包括通信接口703和总线704。其中,如图7,处理器701、存储器702、通信接口703通过总线704连接并完成相互间的通信。

通信接口703,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线704包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线704可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。

上述实施例的电子设备用于实现前述任一实施例中相应的神经网络模型的更新方法,并且具有相应的方法实施例的有益效果,在此不再赘述。

另外,结合上述实施例中的神经网络模型的更新方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种神经网络模型的更新方法。

所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或装置。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。

上面参考根据本申请的实施例的方法、装置(装置)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。

以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。

相关技术
  • 神经网络模型建立方法及语音唤醒方法、装置、介质和设备
  • 神经网络模型的优化方法及装置、电子设备和存储介质
  • 神经网络模型的优化方法及装置、电子设备和存储介质
  • 神经网络模型构建方法及装置、存储介质、电子设备
  • 机器人运行方法、装置、机器人、电子设备及可读介质
  • 神经网络模型的更新方法、装置、设备和存储介质
  • 一种神经网络模型的更新方法、装置、设备及存储介质
技术分类

06120116129356