生成训练样本的方法、更新模型的方法和电子设备
文献发布时间:2023-06-19 19:07:35
技术领域
本公开的实施例主要涉及计算机领域,并且更具体地,涉及生成训练样本的方法、更新数据处理模型的方法、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
基于人工智能技术的深度神经网络、机器学习模型等模型通常会利用一定量的训练样本或训练数据集来进行训练。在训练完成后,经训练的模型将会被安装到用于为用户提供相应数据处理服务的数据站或云或者由用户直接控制的专用计算设备中。以此方式,用户可以利用经训练的模型来执行诸如图像识别、数据分析、自动驾驶等基于人工智能的数据处理任务。然而,目前的模型自适应调节的过程还需要依赖大量专业人员和软件技术人员的参与,无论是调节周期还是人力成本问题均有待改善。
发明内容
根据本公开的示例实施例,提供了一种生成训练样本的方案。
在本公开的第一方面中,提供了一种生成训练样本的方法。该方法可以包括利用经训练的数据处理模型确定与用户的操作相关联的输入数据的预测结果。该方法可以进一步包括利用所述预测结果确定所述输入数据的信息量因子。此外,该方法还可以包括如果确定所述信息量因子高于阈值信息量因子,至少基于所述输入数据确定用于更新所述数据处理模型的训练样本。
在本公开的第二方面中,提供了一种用于更新数据处理模型的方法。该方法可以包括接收来自多个计算设备的如本公开的第一方面所描述的用于更新所述数据处理模型的所述训练样本。该方法还可以包括利用所述训练样本中的至少部分训练样本训练所述数据处理模型。
在本公开的第三方面中,提供了一种电子设备,包括:至少一个处理单元;至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令,所述指令当由所述至少一个处理单元执行时使得所述设备执行动作,所述动作包括:利用经训练的数据处理模型确定与用户的操作相关联的输入数据的预测结果;利用所述预测结果确定所述输入数据的信息量因子;以及如果确定所述信息量因子高于阈值信息量因子,至少基于所述输入数据确定用于更新所述数据处理模型的训练样本。
本公开的第四方面,提供了一种电子设备,包括:存储器和处理器;其中所述存储器用于存储一条或多条计算机指令,其中所述一条或多条计算机指令被所述处理器执行以实现根据本公开的第一方面所描述的方法。
本公开的第五方面,提供了一种计算机可读存储介质,该计算机可读存储介质具有在其上存储的机器可执行指令,该机器可执行指令在由设备执行时使该设备执行根据本公开的第一方面所描述的方法。
本公开的第六方面,提供了一种计算机程序产品,包括计算机可执行指令,其中所述计算机可执行指令在被处理器执行时实现根据本公开的第一方面所描述的方法。
本公开的第七方面,提供了一种电子设备,包括:处理电路装置,被配置为执行根据本公开的第一方面所描述的方法。
提供发明内容部分是为了以简化的形式来介绍一系列概念,它们在下文的具体实施方式中将被进一步描述。发明内容部分不旨在标识本公开的关键特征或必要特征,也不旨在限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素,其中:
图1示出了根据本公开的实施例的用于生成训练样本的示例系统的框图;
图2示出了根据本公开的实施例的详细示例环境的示意图;
图3示出了根据本公开的实施例的示例性的生成训练样本的过程的流程图;
图4A示出了根据本公开的实施例的生成训练样本的第一示例环境的示意图;
图4B示出了根据本公开的实施例的生成训练样本的第二示例环境的示意图;
图5示出了根据本公开的实施例的用于更新数据处理模型的示例环境的示意图;以及
图6示出了可以用来实施本公开的实施例的示例设备的示意性框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
在本公开的实施例中,术语“输入数据”通常是指不包含标签信息的数据。术语“训练样本”一般是指包含标签信息的数据,该标签信息例如可以是预先标注的分类信息。
在本公开的实施例中,术语“电路装置”是指硬件电路和/或硬件电路和软件的组合。例如,电路装置可以是模拟和/或数字硬件电路与软件/固件的组合。作为进一步的示例,电路装置可以是具有软件的硬件处理器的任何部分,包括数字信号处理器、软件和存储器,它们一起工作以使得诸如计算设备之类的装置执行各种功能。在又一示例中,电路装置可以是硬件电路和/或处理器,例如微处理器或微处理器的一部分,其需要软件/固件来进行操作,但是当不需要用于操作时软件可以不存在。如本文所用,术语电路装置还涵盖仅硬件电路或处理器或硬件电路或处理器的一部分及其(或它们的)伴随软件和/或固件的实现。
如上文所描述,随着计算机技术的不断发展,深度神经网络或机器学习模型被广泛应用于人们生活的各个方面。在模型训练过程中,训练样本或训练数据集直接决定了模型的性能。当模型被训练好后,该模型通常会被加载至用户的关联计算设备。由于用户使用模型执行相应任务的习惯以及用户所处的物理以及信息环境不同,各用户并不一定能够适应该模型来高效的执行任务。
例如,在数据分析领域,各级别的通信运营商均可以利用经训练的同一版本的诸如数据分析模型的数据处理模型来对各自获取的运营数据进行分析,并获取分析结果,以便指导后续的运营服务策略的制定。然而,由于诸如各通信运营商所服务的地理区域不同、服务对象的体量不同、由于级别不同而导致的服务权限不同等原因,该模型并不能被各通信运营商的数据分析人员所适应。
又例如,在医疗设备领域,各医疗机构以及医疗机构中的各专业医疗工作者均可以利用经训练的同一版本的诸如图像识别模型的数据处理模型来对诸如内窥镜的图像捕获装置获取的图像数据进行识别,并确定该图像所指示的人体器官的相应点位,以便指导或监督专业医疗工作者的身体检查或手术操作。然而,由于各医疗结构间存在操作流程和操作标准的差异以及各专业医疗工作者的操作习惯的差异,该模型并不能被各医疗机构以及医疗机构中的各专业医疗工作者所适应。
为此,需要根据使用该模型的用户的具体条件来精细调节并更新模型。如上所述,需要进一步利用与相应用户相关的训练样本来训练模型。然而,对于训练样本而言,标签信息的获取通常需要专业人员甚至专家进行人工标注。并且,基于训练样本的模型训练过程还需要专业的软件技术人员进行诸如编程的现场操作。因此,传统的模型更新方式、尤其是生成用于进一步更新模型的训练样本的方式需要耗费较长时间,且会产生可观的人力成本。
根据本公开的实施例,提出了一种用于生成训练样本的方案。该方案能够自动从与用户相关联的输入数据中筛选出适用于模型训练的数据,并自动确定该数据的标签信息,从而能够解决上述问题和/或其他潜在问题。以下将结合上述示例场景来详细描述本公开的各实施例。应当理解,这仅仅是出于说明的目的,不旨在以任何方式限制本发明的范围。
图1示出了根据本公开的实施例的用于生成训练样本的示例系统100的框图。应当理解,图1所示的系统100仅仅是本公开的实施例可实现于其中的一种示例,不旨在限制本公开的范围。本公开的实施例同样适用于其他系统或架构。
如图1所示,系统100可以包括计算设备120。计算设备120可以被配置为接收与用户的操作相关联的输入数据110,并输出与输入数据110对应的训练样本130。
在一些实施例中,输入数据110可以是与特定用户或用于服务该用户的数据中心相关联的、由用户通过相应数据采集设备采集的数据。例如,针对数据分析领域,输入数据110可以是各级别的通信运营商各自获取的运营数据。又例如,针对医疗设备领域,输入数据110可以是各医疗机构以及医疗机构中的各专业医疗工作者通过诸如内窥镜的图像捕获装置获取的图像数据。
在一些实施例中,计算设备120可以包括但不限于个人计算机、服务器计算机、手持或膝上型设备、移动设备(诸如移动电话、个人数字助理PDA、媒体播放器等)、消费电子产品、小型计算机、大型计算机、云计算资源等。应理解,基于成本等因素的考虑,计算设备120还可以具有或不具有用于模型训练的充足算力资源。
在一些实施例中,训练样本130可以包括用于训练深度神经网络(或人工智能领域的其他模型)的训练数据或训练数据集。这样的训练数据或训练数据集可以是任何适当的类型,其示例包括但不限于:图像样本、文本样本、音频样本、视频样本或其他类型的样本等。应理解,训练样本130中可能包含输入数据110,同时还可能包含由计算设备120确定的与输入数据110对应的标签信息。
在一些实施例中,训练样本130中包含的标签信息可以包含与输入数据110对应的由计算设备120确定的多个预测结果的相应概率信息。
在一些实施例中,模型的示例包括但不限于各类深度神经网络(DNN)、卷积神经网络(CNN)、支持向量机(SVM)、决策树、随机森林模型等等。在本公开的实现中,预测模型也可以被称为“机器学习模型”。在下文中,术语“预测模型”、“神经网络”、“学习模型”、“学习网络”、“模型”和“网络”可替换地使用。
应当理解,系统100中所包括的这些装置和/或装置中的单元仅是示例性的,而不旨在限制本公开的范围。应当理解的是,系统100还可以包括未示出的附加装置和/或单元。例如,在一些实施例中,系统100的计算设备120中还可以进一步包括用于存储训练样本130的存储单元(未示出)以及经训练的模型。
应当理解,本公开的训练样本生成方案可以利用经训练的模型确定每个输入数据的信息量因子,并且基于信息量因子达到预定阈值的输入数据进一步确定训练样本。以此方式,本公开实现了对输入数据的自动筛选以及自动标注标签信息的过程。由此,可以在不耗费人力资源的同时,从与用户的操作相关联的数据中获取用于更新模型的训练样本。
如上所述,本公开利用了经训练的模型来确定训练样本130。在该过程中,需要利用经训练的模型来确定输入数据110的识别结果,并基于识别结果确定标签信息。下文将以基于人工智能的模型为例参考图2对计算设备120中的模型的训练和使用进行描述。
图2示出了根据本公开的实施例的详细示例环境200的示意图。与图1类似地,示例环境200可以包含计算设备220、输入数据210和识别结果230。区别在于,示例环境200总体上可以包括模型训练系统260和模型应用系统270。作为示例,模型训练系统260和/或模型应用系统270可以在如图1所示的计算设备120或如图2所示的计算设备220中实现。应当理解,仅出于示例性的目的描述示例环境200的结构和功能并不旨在限制本文所描述主题的范围。本文所描述主题可以在不同的结构和/或功能中实施。
如前所述,对输入数据110进行处理以确定识别结果230的过程可以分为两个阶段:模型训练阶段和模型应用阶段。作为示例,在模型训练阶段中,模型训练系统260可以利用训练数据集250来训练用于执行相应功能的模型240。应理解,训练数据集250可以是多个样本数据(作为模型240的输入)以及相应的被标注的监督信息(作为模型240的输出)的组合。在模型应用阶段中,模型应用系统270可以接收经训练的模型240。由此,载入到模型应用系统270的计算设备220中的模型240可以基于输入数据210来确定识别结果230。应理解,针对不同的应用场景,识别结果230也可以被分析结果、预测结果等信息替代。
在其他实施例中,模型240可以被构建为学习网络。在一些实施例中,该学习网络可以包括多个网络,其中每个网络可以是一个多层神经网络,其可以由大量的神经元组成。通过训练过程,每个网络中的神经元的相应参数能够被确定。这些网络中的神经元的参数被统称为模型240的参数。
模型240的训练过程可以以迭代方式来被执行,直至模型240的参数中的至少部分参数收敛或者直至达到预定迭代次数,由此获得最终的模型参数。
上文描述的技术方案仅用于示例,而非限制本发明。应理解,还可以按照其他方式和连接关系来布置各个网络。为了更清楚地解释上述方案的原理,下文将参考图3来更详细描述从输入数据110中确定用于更新数据处理模型的训练样本130的过程。
图3示出了根据本公开的实施例的示例性的生成训练样本的过程300的流程图。在某些实施例中,过程300可以在图1中的计算设备120和图2中的计算设备220中实现。以下为了便于描述,将结合图1描述训练样本130的生成过程300。为了便于理解,在下文描述中提及的具体实例均是示例性的,并不用于限制本公开的保护范围。
在步骤302,计算设备120可以利用经训练的数据处理模型确定与用户的操作相关联的输入数据110的预测结果。应理解,该输入数据110可以是由用户操作的图像捕获装置捕获的图像,因此计算设备120可以获取由用户操作的图像捕获装置捕获的图像,以作为输入数据110。作为示例,在医疗设备领域,输入数据110可以是用户操作诸如内窥镜的图像捕获装置获取的图像或视频流。作为另一示例,在医疗设备领域,输入数据110可以是基于用户的用于获取图像的触发信号而获取的图像。也就是说,在用户操作诸如内窥镜的图像捕获装置时,用户可以通过使用脚踏板、鼠标等触发装置来生成触发信号,进而,计算设备120可以基于接收到的该触发信号从图像捕获装置或与其相连接的图像存储装置中获取图像。在一实施例中,所述输入数据110可以包括第一输入数据以及第二输入数据。所述计算设备120可以接收由用户的第一操作获取的第一输入数据以及接收由用户的第二操作获取的第二数据。所述第一输入数据可以为所述视频流,所述第二数据可以为所述用户主动捕获/截取的图像。
在某些实施例中,为了获取该图像,计算设备120可以从诸如内窥镜的图像捕获装置或与图像捕获装置耦合的图像存储设备中获取该图像。备选地或附加地,计算设备120可以一体地集成在包含内窥镜的医疗设备系统中,用于接收内窥镜捕获的图像数据或者从图像存储设备中获取图像数据。
在某些实施例中,为了确定输入数据110的预测结果,计算设备120可以将图像输入经训练的数据处理模型,以得到针对图像的识别结果。应理解,数据处理模型可以是分类模型、识别模型、检测模型中的一种或多种,以分类模型为例,该模型可以将作为图像的输入数据110转化为特征向量,并将转化的特征向量与预先确定的对应于多个分类的参考特征向量进行比较,并基于转化的特征向量与各参考特征向量的特征距离确定输入数据110属于各分类的概率,由此可以将概率最大的分类确定为上述识别结果或预测结果。进一步地,可存储和/或输出所述输入数据110属于一个或多个类别的概率。
在某些实施例中,图像捕获装置可以是内窥镜或设置在内窥镜上的图像捕获单元,并且上述识别结果可以包括点位信息,该点位信息用于描述被内窥镜捕获的被检测对象的识别信息。作为示例,当内窥镜移动至结肠位置时,计算设备120可以基于输入数据110的图像将点位信息确定为“结肠”。备选地或附加地,计算设备120还可以基于输入数据110的图像确定该点位的诊断信息,包括但不限于是否有病变以及病变位置。
在步骤304,计算设备120可以利用预测结果确定输入数据110的信息量因子。应理解,利用上一步骤中确定的输入数据110属于各分类的概率,可以基于命中预测结果的概率(即,最大概率的预测结果或多个较大概率的预测结果),确定输入数据110的信息熵,作为信息量因子。以此方式,计算设备120可以从输入数据110中确定该输入数据是否适于作为训练样本。
在步骤306,计算设备120可以将确定的信息量因子与阈值信息量因子进行比较,如果确定信息量因子高于阈值信息量因子,则进入308。在步骤308,计算设备120可以至少基于输入数据110确定用于更新数据处理模型的训练样本130。应理解,如果确定信息量因子低于阈值信息量因子,则表示该输入数据不满足作为训练样本的基本要求,如果确定信息量因子高于阈值信息量因子,则表示该输入数据作为训练数据对于模型的性能有提升作用,所述性能包括模型精度、鲁棒性或处理速度中的一种或多种。
在某些实施例中,计算设备120还可以进一步确定输入数据110的质量因子,并且在信息量因子高于阈值信息量因子以及质量因子高于阈值质量因子时,至少基于输入数据110确定训练样本130。以此方式,训练样本的筛选过程既考虑了样本的质量也考虑了样本的信息量,从而可以实现较为合理的自动化样本筛选过程。
在某些实施例中,输入数据110可以包括由用户操作的图像捕获装置捕获的图像,并且计算设备120可以根据拉普拉斯梯度算法确定该图像在水平方向和竖直方向上的梯度,作为上述质量因子。
应理解,当确定输入数据110的质量和信息量中的至少一项符合要求时,计算设备120可以基于输入数据110确定训练样本130。作为示例,计算设备120可以将输入数据110和与之对应的预测结果确定为训练样本130。也就是说,由计算设备120中的经训练的数据处理模型确定的该输入数据110的预测结果可以作为该输入数据110的标签信息。由此,输入数据110可以直接被标注为训练样本130。为了清楚地描述上述标注过程,现参照图4A描述生成训练样本的过程。图4A示出了根据本公开的实施例的生成训练样本的第一示例环境的示意图。
如图4A所示,输入数据410是与用户的操作相关的输入数据。如上所述,可以从信息量和质量两方面对输入数据410进行评价。为了确定输入数据410的信息量,输入数据410被输入至数据处理模型420,以便确定预测结果430。样本质量检测模块440可以基于预测结果430中的概率信息确定输入数据的信息熵,因此同时样本质量检测模块440还可以利用拉普拉斯梯度算法来确定作为图像的输入数据410的质量信息(例如,锐度)。由此,样本质量检测模块440可以将信息熵和质量均合格的输入数据确定为训练样本450。由于该输入数据410已经由数据处理模型420确定了预测结果430,故该预测结果430可以作为输入数据410的标签信息。
备选地或附加地,为了进一步提升标签信息的准确度,计算设备120可以基于输入数据110,确定多个近似输入数据。在一实施例中,所述多个近似输入数据可以为所述数据110的增广数据。作为示例,当输入数据110为图像时,多个近似输入数据可以是该图像的翻转图像、镜像图像、旋转图像等,或者也可以是从该图像的放大图像中截取的部分图像。计算设备120可以利用经训练的数据处理模型确定多个近似输入数据的相应预测结果,并且基于相应预测结果确定输入数据110的标签信息。例如,可以对多个相应预测结果求平均,以便将平均后的预测结果确定为输入数据110的标签信息。为了清楚地描述上述标注过程,现参照图4B描述生成训练样本的过程。图4B示出了根据本公开的实施例的生成训练样本的第二示例环境的示意图。
如图4A所示,输入数据410是与用户的操作相关的输入数据。如上所述,样本质量检测模块440可以从信息量和质量两方面对输入数据410进行评价。由此,样本质量检测模块440可以将信息熵和质量均合格的输入数据确定为训练样本450。与图4A不同地,图4B中加入了标签信息生成模块460。也就是说,在利用数据处理模型420确定了预测结果430的同时,还可以利用标签信息生成模块460或其中设置的其他模型来进一步确定一个或多个参考结果,并且由标签信息生成模块460基于预测结果430和所述一个或多个参考结果来确定输入数据110的标签信息。
在某些实施例中,标签信息生成模块460可以基于输入数据110,确定多个近似输入数据。进而,标签信息生成模块460可以利用经训练的数据处理模型确定多个近似输入数据的相应预测结果,并且基于相应预测结果确定输入数据110的标签信息。例如,可以对多个相应预测结果求平均,以便将平均后的预测结果确定为输入数据110的标签信息。
附加地,为了进一步提升标签信息的准确度,计算设备120还可以利用多个近似的数据处理模型来确定输入数据110的多个相应预测结果。作为示例,上述数据处理模型可以是基于训练数据集250中的第一组训练数据训练得到的,多个近似的数据处理模型可以是分别基于训练数据集250中的其他组训练数据训练得到的。作为另一示例,上述数据处理模型可以是基于第一数目(批次)的训练数据训练得到的,而多个近似的数据处理模型可以是分别基于不同数据(批次)的训练数据训练得到的。以此方式,可以通过半监督的方式较精确地确定标签信息,从而可以为后续的模型更新的过程提供精确的监督信息。
在某些实施例中,计算设备120还可以在接收到来自用户的用于获取图像的触发信号时,基于触发信号的时间信息来获取所述图像。作为示例,计算设备120可以基于接收到的用户踩脚踏板的时间信息从图像存储设备中获取与该时间信息对应的图像,作为输入数据110。在某些实施例中,为了获取该图像,计算设备120可以从诸如内窥镜的图像捕获装置或与图像捕获装置耦合的图像存储设备中获取该图像。
在某些实施例中,计算设备120还可以基于至少包含训练样本的样本集合,重新训练计算设备120中加载的数据处理模型,并且利用经重新训练的数据处理模型来更新当前的数据处理模型。备选地或附加地,计算设备120可以将训练样本返回至具备模型训练算力的数据中心,并在数据中心训练好新的模型后接收从数据中心更新后的模型。
在某些实施例中,计算设备120还可以利用更新后的数据处理模型辅助用户进行内窥镜检查。
应理解,经训练的模型通常会被分发至多个数据站或多个用户的计算设备。由于各数据站所处理的数据类型、相关处理规定、甚至数据量的大小均是不同的,并且各用户对相应专用计算设备的使用习惯也是不同的,故模型的参数可以基于各数据站或用户自身的具体条件进一步精细调节和模型更新。
为了清楚地描述本公开提及的模型的其他更新方式,现参照图5描述根据本公开的实施例的用于更新数据处理模型的示例环境500的示意图。如图5所示,数据中心510可以向分支节点520、530、540分发经训练的数据处理模型。当各分支节点利用上述方式收集了个性化的训练样本后,数据中心510可以从各分支节点接收这些训练样本,并且数据中心510可以利用这些训练样本中的至少部分训练样本重新训练数据处理模型。
在某些实施例中,数据中心510可以基于各分支节点的权重信息,从这些训练样本中选择至少部分训练样本,以重新训练数据处理模型。作为示例,数据中心510可以分别计算分支节点520、530、540在一预定时间段内处理的数据量,并基于这些数据量确定各分支节点的权重信息。以此方式,数据中心510可以将数据处理模型进一步训练为精度更高、鲁棒性更好的数据处理模型,此外,进一步地还可以适应大多数正确操作者的使用习惯。另一方面,获取了高质量的训练数据,还可以指导错误或不规范操作者发现和纠正自己的操作习惯。
综上所述,本公开通过对输入数据的信息量和质量进行检测来确定该输入数据是否适于用作训练模型的训练样本,并且通过利用了半监督的方式确定了训练样本的标签信息,由此实现了自动化的模型自适应更新。此外,由于数据中心可以收到各个分支节点反馈的训练样本,故数据中心可以训练出精度更高、鲁棒性更好的模型,以便适应大多数正确操作者的使用习惯,并且纠正错误或不规范操作者的操作习惯,从而提升用户体验。此外,在某些实施例中,各个分支节点可以是如上所述的不同的医疗机构,例如,不同级别的医院、诊所等,也可以是如上所述的各级别的通信运营商。应理解,这些分支节点的地理区域不同、服务对象的体量不同、由于级别不同而导致的服务权限也不同。本公开的实施例避免了人工方式的模型更新,从而可以更及时、高效地实现模型自适应。
图6示出了可以用来实施本公开的实施例的示例设备600的示意性框图。例如,如图1所示的计算设备120可以由设备600来实施。如图所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。应理解,本公开可以利用输出单元607显示用户满意度的实时动态变化信息、满意度的群体用户或个体用户的关键因素识别信息、优化策略信息、以及策略实施效果评估信息等。
处理单元601可通过一个或多个处理电路来实现。处理单元601可被配置为执行上文所描述的各个过程和处理,例如过程300。例如,在一些实施例中,过程300可以被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到RAM 603并由CPU 601执行时,可以执行上文描述的过程300中的一个或多个步骤。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,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,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
- 训练样本的生成方法、目标检测方法和装置
- 一种更新物种识别模型库的方法、存储介质及电子设备
- 动态生成人脸三维模型的方法、装置、电子设备
- 模型生成方法、装置、电子设备和计算机可读存储介质
- 负例训练样本采集方法、装置及模型训练方法、装置
- 直播图像的训练样本生成方法、模型训练方法及电子设备
- 模型训练样本生成方法、装置、存储介质以及电子设备