CN110705714A - 深度学***台以及计算机设备 - Google Patents
深度学***台以及计算机设备 Download PDFInfo
- Publication number
- CN110705714A CN110705714A CN201910926898.8A CN201910926898A CN110705714A CN 110705714 A CN110705714 A CN 110705714A CN 201910926898 A CN201910926898 A CN 201910926898A CN 110705714 A CN110705714 A CN 110705714A
- Authority
- CN
- China
- Prior art keywords
- file
- data
- deep learning
- binary file
- binary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种深度学***台以及计算机设备。方法包括:获取待检测数据,并将待检测数据转换为第一二进制文件进行存储;基于用户输入选取训练框架,并将训练框架转换为第二二进制文件进行存储;将第一二进制文件转换为与选取的训练框架对应的模型数据文件;根据模型数据文件和第二二进制文件,得到深度学习模型输出文件。将不同深度学习框架下的训练框架转化为二进制文件,再将待检测数据按照所选取的训练框架转换为该框架对应的模型数据文件,进行深度学习模型检测,用户只需要关心输入的待检测数据以及输出的深度学习模型输出文件,不需要用户再对各种深度学习框架进行学习,减轻了用户对深度学习模型进行开发的成本。
Description
技术领域
本申请涉及信息处理技术领域,特别是涉及一种深度学***台以及计算机设备。
背景技术
在深度学***台。
现有技术中的这些深度学习框架所支持的模型也各不相同,在应用到产品中时,会造成一定的局限性。得到一个深度学习的训练模型文件,在进行预测的过程中,需要解析这个模型文件,但是如果用户没有使用过这个框架,不了解这个模型文件的原理,就需要用户投入时间去学习该框架以便重现深度学习模型。
发明内容
基于此,有必要针对上述技术问题,提供一种能够适用于多种深度学***台以及计算机设备。
一种深度学习模型检测方法,所述方法包括:获取待检测数据,并将所述待检测数据转换为第一二进制文件进行存储;基于用户输入选取训练框架,并将所述训练框架转换为第二二进制文件进行存储;将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件;根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件。
在其中一个实施例中,所述获取待检测数据包括:基于输入参数获取用户输入的待检测数据以及输出文件的存储路径;所述输入参数包括:行参数、列参数、数据类型、图像类型以及归一化参数。
在其中一个实施例中,所述将所述待检测数据转换为第一二进制文件进行存储包括:将所述待检测数据转换为第一二进制文件;将所述输入参数以及输出文件的存储路径写入第一二进制文件的数据头进行存储。
在其中一个实施例中,所述将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件包括:解析第一二进制文件,得到数据头中的输入参数以及输出文件的存储路径;根据所述输入参数以及选取的训练框架,将第一二进制文件转换为所述训练框架对应的模型数据文件。
在其中一个实施例中,所述根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件包括:根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件;根据所述输入参数以及输出文件的存储路径对深度学习模型输出文件进行存储。
在其中一个实施例中,所述方法还包括:预先设置第一二进制文件以及第二二进制文件存储路径。
在其中一个实施例中,所述第二二进制文件为protocal buffer形式的静态二进制文件。
一种深度学***台包括:预处理模块,用于基于输入参数获取用户输入的待检测数据以及输出文件的存储路径,将所述待检测数据转换为第一二进制文件,并将输入参数以及输出文件的存储路径写入第一二进制文件的数据头进行存储;模型处理模块,用于基于用户输入选取训练框架,并将所述训练框架转换为第二二进制文件进行存储;输出模块,用于解析第一二进制文件,得到数据头中的输入参数以及输出文件的存储路径;将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件;根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件;并根据所述输入参数以及输出文件的存储路径对深度学习模型输出文件进行存储。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一种所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种所述的方法的步骤。
上述深度学***台以及计算机设备,通过获取待检测数据,将待检测数据转换为第一二进制文件进行存储,基于用户输入选取训练框架,并将框架转换为第二二进制文件进行存储,将第一二进制文件转换为与选取的训练框架对应的模型数据文件,再根据模型数据文件以及第二二进制文件,得到深度学习模型输出文件。将不同深度学习框架下的训练框架转化为一种二进制文件,再将需要进行检测的数据按照所选取的训练框架转换为该框架对应的模型数据文件,进行深度学习模型的检测,用户只需要关心输入的待检测数据以及输出的深度学习模型输出文件,不需要用户再对各种深度学习框架进行学习,减轻了用户对深度学习模型进行开发的成本。
附图说明
图1为一个实施例中深度学习模型检测方法的流程示意图;
图2为一个实施例中深度学习模型检测装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请,为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请,附图中给出了本申请的较佳实施方式。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。在本申请的描述中,“若干”的含义是至少一个,例如一个,两个等,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
深度学习是机器学习的一种,而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究,含多个隐藏层的多层感知器就是一种深度学习结构。深度学习是一类模式分析方法的统称,主要涉及三种方法:第一种卷积神经网络,是基于卷积运算的神经网络***。第二种自编码神经网络,是基于多层神经元的神经网络,主要包括自编码以及稀疏编码两类。第三种深度置信网络,以多层自编码神经网络的方式进行训练,再结合鉴定信息进一步优化神经网络权值。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
在深度学习的初始阶段,每个深度学习研究者都需要写大量的重复代码。为了提高工作效率,这些研究者就将这些代码写成了一个框架放到网上让所有研究者一起使用,这就是深度学习框架。全世界最流行的深度学习框架有PaddlePaddle、Tensorflow、Caffe、Theano、MXNet、Torch和PyTorch等。
在一个实施例中,如图1所示,提供了一种深度学习模型检测方法,包括以下步骤:
步骤S102,获取待检测数据,并将所述待检测数据转换为第一二进制文件进行存储。
具体地,对已经训练完成的深度学习模型,在使用时需要向模型内输入待检测的数据,得到输出文件,输出的文件为对待检测数据经过深度学习模型分析后得到的结果。以利用深度学习模型检测病灶为例进行说明,将医学成像设备扫描得到的原始图像输入深度学习模型,得到病灶区域图像。医学成像设备可以是PET、CT以及MR等扫描设备。其中输入深度学习模型的原始图像为待检测数据,得到的病灶区域图像为输出文件。获取待检测数据更具体的为:基于输入参数获取用户输入的待检测数据。其中,输入参数包括row、column、data type、rgb/gray、normalization以及threshold等。row为行参数、column为列参数、data type为数据类型、rgb/gray为图像类型、normalization为归一化参数、threshold为阈值。输入参数为待预测数据的格式限定,可以理解为待预测数据的相关参数。根据预先设置好的输入参数,获取相应输入参数格式的待检测数据。还需要预先设置深度学习模型的输出文件的存储路径。在获取到待检测数据以及输出文件的存储路径之后,需要对待检测数据进行处理并进行存储。将待检测数据转换为第一二进制文件,再将输入参数以及输出文件的存储路径写入第一二进制文件的数据头进行存储。
步骤S104,基于用户输入选取训练框架,并将所述训练框架转换为第二二进制文件进行存储。
具体地,***内设置有多种深度学***台无关、可扩展的序列化结构数据格式,Protocol Buffers是一种效率和兼容性都很优秀的二进制数据传输格式。
步骤S106,将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件。
具体地,首先获取第一二进制文件,对第一二进制文件进行解析,得到第一二进制文件的数据头中包含的输入参数以及输出文件的存储路径。根据输入参数和用户选的深度学习框架,将第一二进制文件转换为所述训练框架对应的模型数据文件。例如,用户选择的是Caffe深度学习框架,则将第一二进制文件转换为针对Caffe特定的输入模型数组格式;用户选择的是keras深度学习框架,则将第一二进制文件转换为针对keras特定的输入模型数组格式。
步骤S108,根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件。
具体地,根据用户的输入,获取输出文件的存储格式以及存储参数。其中,存储参数可以为用户直接输入,也可以根据输入参数获取,也就是将输入参数作为输出文件的存储参数。存储格式包括:图片格式、二进制文件格式以及dicom格式等。存储参数包括:row、column、data type以及rgb/gray等,row为行参数、column为列参数、data type为数据类型、rgb/gray为图像类型。根据所述输入参数以及输出文件的存储路径对深度学习模型输出文件进行存储。也就是根据存储格式以及输入参数将输出文件以输出文件的存储路径进行存储。
在其中一个实施例中,预先设置第一二进制文件以及第二二进制文件存储路径。以方便根据用户的指令,对相应的文件进行调取。
上述深度学习模型检测方法,通过获取待检测数据,将待检测数据转换为第一二进制文件进行存储,基于用户输入选取训练框架,并将框架转换为第二二进制文件进行存储,将第一二进制文件转换为与选取的训练框架对应的模型数据文件,再根据模型数据文件以及第二二进制文件,得到深度学习模型输出文件。将不同深度学习框架下的训练框架转化为一种二进制文件,再将需要进行检测的数据按照所选取的训练框架转换为该框架对应的模型数据文件,进行深度学习模型的检测,用户只需要关心输入的待检测数据以及输出的深度学习模型输出文件,不需要用户再对各种深度学习框架进行学习,减轻了用户对深度学习模型进行开发的成本。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种深度学习平台,包括:预处理模块100、模型处理模块200和输出模块300,其中:
预处理模块100,用于基于输入参数获取用户输入的待检测数据以及输出文件的存储路径,将所述待检测数据转换为第一二进制文件,并将输入参数以及输出文件的存储路径写入第一二进制文件的数据头进行存储。
模型处理模块200,用于基于用户输入选取训练框架,并将所述训练框架转换为第二二进制文件进行存储。
输出模块300,用于解析第一二进制文件,得到数据头中的输入参数以及输出文件的存储路径;将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件;根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件;并根据所述输入参数以及输出文件的存储路径对深度学习模型输出文件进行存储。
更具体地,预处理模块100基于用户输入获取输入参数(row,column,data type,rgb/gray,normalization,threshold等)和输出格式化文件的存储路径。对待预测的数据进行存储和处理,按照存储路径将待预测数据存储为二进制文件,并把输入参数和输出格式化文件的存储路径,存储在二进制文件的数据头中。模型处理模块200对现有主流深度学***台无关、可扩展的序列化结构数据格式。是一种效率和兼容性都很优秀的二进制数据传输格式。输出模块300将预处理模块100存储的二进制文件读入输出模块300,解析二进制文件中的数据头信息,并将二进制文件转化为特定的输入模型数组格式。提供界面给用户选择所得到的输出结果的存储格式(图片形式,二进制文件,dicom形式等)以及存储参数(row,column,data type,rgb/gray)。将上述预处理模块100、模型处理模块200以及输出模块300得到的结果在产品环境下不熟,部署结束后,预测数据启动,完成批量的数据预测。
本实施例提供了一种平台化的方案,设计一个有人机交互的界面,供用户进行定制化的选择,将不同学习框架下得到的模型文件转换为protocal buffer形式的文件,然后再提供专门的接口解析文件,从而提供给用户一个只需要关心输入和输出两个参数而屏蔽中间过程的变量和参数的通用接口。
关于深度学***台中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种深度学习模型检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测数据,并将所述待检测数据转换为第一二进制文件进行存储;基于用户输入选取训练框架,并将所述训练框架转换为第二二进制文件进行存储;将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件;根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于输入参数获取用户输入的待检测数据以及输出文件的存储路径;所述输入参数包括:行参数、列参数、数据类型、图像类型以及归一化参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述待检测数据转换为第一二进制文件;将所述输入参数以及输出文件的存储路径写入第一二进制文件的数据头进行存储。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
解析第一二进制文件,得到数据头中的输入参数以及输出文件的存储路径;根据所述输入参数以及选取的训练框架,将第一二进制文件转换为所述训练框架对应的模型数据文件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件;根据所述输入参数以及输出文件的存储路径对深度学习模型输出文件进行存储。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
预先设置第一二进制文件以及第二二进制文件存储路径。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述第二二进制文件为protocal buffer形式的静态二进制文件。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测数据,并将所述待检测数据转换为第一二进制文件进行存储;基于用户输入选取训练框架,并将所述训练框架转换为第二二进制文件进行存储;将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件;根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于输入参数获取用户输入的待检测数据以及输出文件的存储路径;所述输入参数包括:行参数、列参数、数据类型、图像类型以及归一化参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述待检测数据转换为第一二进制文件;将所述输入参数以及输出文件的存储路径写入第一二进制文件的数据头进行存储。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
解析第一二进制文件,得到数据头中的输入参数以及输出文件的存储路径;根据所述输入参数以及选取的训练框架,将第一二进制文件转换为所述训练框架对应的模型数据文件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件;根据所述输入参数以及输出文件的存储路径对深度学习模型输出文件进行存储。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
预先设置第一二进制文件以及第二二进制文件存储路径。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种深度学习模型检测方法,其特征在于,所述方法包括:
获取待检测数据,并将所述待检测数据转换为第一二进制文件进行存储;
基于用户输入选取训练框架,并将所述训练框架转换为第二二进制文件进行存储;
将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件;
根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测数据包括:
基于输入参数获取用户输入的待检测数据以及输出文件的存储路径;
所述输入参数包括:行参数、列参数、数据类型、图像类型以及归一化参数。
3.根据权利要求2所述的方法,其特征在于,所述将所述待检测数据转换为第一二进制文件进行存储包括:
将所述待检测数据转换为第一二进制文件;
将所述输入参数以及输出文件的存储路径写入第一二进制文件的数据头进行存储。
4.根据权利要求3所述的方法,其特征在于,所述将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件包括:
解析第一二进制文件,得到数据头中的输入参数以及输出文件的存储路径;
根据所述输入参数以及选取的训练框架,将第一二进制文件转换为所述训练框架对应的模型数据文件。
5.根据权利要求4所述的方法,其特征在于,所述根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件包括:
根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件;
根据所述输入参数以及输出文件的存储路径对深度学习模型输出文件进行存储。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
预先设置第一二进制文件以及第二二进制文件存储路径。
7.根据权利要求1所述的方法,其特征在于,
所述第二二进制文件为protocal buffer形式的静态二进制文件。
8.一种深度学***台包括:
预处理模块,用于基于输入参数获取用户输入的待检测数据以及输出文件的存储路径,将所述待检测数据转换为第一二进制文件,并将输入参数以及输出文件的存储路径写入第一二进制文件的数据头进行存储;
模型处理模块,用于基于用户输入选取训练框架,并将所述训练框架转换为第二二进制文件进行存储;
输出模块,用于解析第一二进制文件,得到数据头中的输入参数以及输出文件的存储路径;将所述第一二进制文件转换为与选取的训练框架对应的模型数据文件;根据所述模型数据文件以及第二二进制文件,得到深度学习模型输出文件;并根据所述输入参数以及输出文件的存储路径对深度学习模型输出文件进行存储。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910926898.8A CN110705714B (zh) | 2019-09-27 | 2019-09-27 | 深度学***台以及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910926898.8A CN110705714B (zh) | 2019-09-27 | 2019-09-27 | 深度学***台以及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705714A true CN110705714A (zh) | 2020-01-17 |
CN110705714B CN110705714B (zh) | 2022-07-22 |
Family
ID=69197117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910926898.8A Active CN110705714B (zh) | 2019-09-27 | 2019-09-27 | 深度学***台以及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705714B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114356787A (zh) * | 2022-03-18 | 2022-04-15 | 江苏清微智能科技有限公司 | 深度学习模型编译器的自动化测试方法、装置及存储介质 |
CN114629812A (zh) * | 2022-03-28 | 2022-06-14 | 中国电子科技集团公司第三十八研究所 | 一种基于自主可控平台的集群可视化***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423817A (zh) * | 2017-04-17 | 2017-12-01 | 星环信息科技(上海)有限公司 | 一种深度学习实现的方法及设备 |
CN108153896A (zh) * | 2018-01-08 | 2018-06-12 | 第四范式(北京)技术有限公司 | 针对输入数据、输出数据的处理方法及装置 |
CN109146084A (zh) * | 2018-09-06 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种基于云计算的机器学习的方法及装置 |
CN109635918A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技(北京)有限公司 | 基于云平台和预设模型的神经网络自动训练方法和装置 |
-
2019
- 2019-09-27 CN CN201910926898.8A patent/CN110705714B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423817A (zh) * | 2017-04-17 | 2017-12-01 | 星环信息科技(上海)有限公司 | 一种深度学习实现的方法及设备 |
CN108153896A (zh) * | 2018-01-08 | 2018-06-12 | 第四范式(北京)技术有限公司 | 针对输入数据、输出数据的处理方法及装置 |
CN109146084A (zh) * | 2018-09-06 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种基于云计算的机器学习的方法及装置 |
CN109635918A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技(北京)有限公司 | 基于云平台和预设模型的神经网络自动训练方法和装置 |
Non-Patent Citations (1)
Title |
---|
寇大磊 等著: "基于深度学习的目标检测框架进展研究", 《计算机工程与应用 网络首发》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114356787A (zh) * | 2022-03-18 | 2022-04-15 | 江苏清微智能科技有限公司 | 深度学习模型编译器的自动化测试方法、装置及存储介质 |
CN114629812A (zh) * | 2022-03-28 | 2022-06-14 | 中国电子科技集团公司第三十八研究所 | 一种基于自主可控平台的集群可视化***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110705714B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288075B (zh) | 一种数据处理方法及相关设备 | |
US10878570B2 (en) | Knockout autoencoder for detecting anomalies in biomedical images | |
CN110020582B (zh) | 基于深度学习的人脸情绪识别方法、装置、设备及介质 | |
CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
EP3364868B1 (en) | Generating natural language representations of mental content from functional brain images | |
CN110705714B (zh) | 深度学***台以及计算机设备 | |
CN112529149B (zh) | 一种数据处理方法及相关装置 | |
CN116486422A (zh) | 数据处理的方法和相关设备 | |
CN109711545A (zh) | 网络模型的创建方法、装置、***和计算机可读介质 | |
De Vita et al. | µ-ff: On-device forward-forward training algorithm for microcontrollers | |
Raj et al. | An improved human activity recognition technique based on convolutional neural network | |
CN112613425A (zh) | 一种面向小样本水下图像的目标识别方法及*** | |
CN117036933A (zh) | 农作物病虫害智能防治***及其方法 | |
CN114242196B (zh) | 临床医疗记录自动生成方法和装置 | |
CN116052714A (zh) | 一种数据处理方法及其装置 | |
CN113516182B (zh) | 视觉问答模型训练、视觉问答方法和装置 | |
CN116861962A (zh) | 一种数据处理方法及装置 | |
Schyns et al. | Making the brain-activity-to-information leap using a novel framework: Stimulus Information Representation (SIR) | |
Sharma et al. | Cotton Crop Disease Detection System Using Deep Learning Approach | |
CN113011555B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN113850236B (zh) | 3d姿态估计方法、装置和计算机设备及存储介质 | |
KR102467047B1 (ko) | 어노테이션 평가 방법 및 장치 | |
CN117995340B (zh) | 基于大模型的临床试验智能招募方法及装置 | |
US20240019931A1 (en) | Methods and systems for eye-gaze location detection and accurate collection of eye-gaze data | |
Garcia | Deep Reinforcement Learning for Adaptive Drug Dosage Optimization: Utilizes deep reinforcement learning to optimize drug dosage based on patient response |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |