[发明专利]算法模型优化方法、装置和设备

说明书

本申请公开了算法模型优化方法、装置和设备，该方法包括：将实时数据插入第一历史数据集形成第一训练集；基于所述第一训练集对待优化算法模型进行训练得到第一优化参数；判断优化后的算法模型的精度是否满足预设精度要求；若是则根据所述第一优化参数对所述待优化算法模型进行优化，否则向第二设备发送优化请求。该方法提供近端的优化服务，也解决了需求与硬件资源不足之间的矛盾问题。

技术领域

本申请涉及深度学习技术领域，尤其涉及算法模型优化方法、装置和设备。

背景技术

随着大数据时代的到来，机器学习算法尤其是适用于大规模数据的深度学习算法正得到越来越广泛的关注和应用，包括语音识别、图像识别以及自然语言处理等。深度学习与传统模式识别方法的最大不同在于它可不断利用大数据自动学习从而对算法模型进行优化，随着数据量的增加，算法模型经过不断优化将越来越精确。

在现有技术中，由于云端中心聚合了大量的物理硬件资源，通常将计算和存储都放在远程云端，由云端利用大数据对算法模型进行优化，并利用优化后的算法模型为用户提供计算服务。然而，由于云端中心分析的数据量较多，机器学习处理量过多，导致云端服务器运行速度较慢，同时受限于带宽，导致无法应用于实时业务中，因此提供近端的优化服务成为需求，但由于近端设备的硬件资源不足，因此如何解决需求与资源不足之间的矛盾成为亟需解决的问题。

发明内容

鉴于以上问题，本发明的实施例提供算法模型优化方法、装置和设备，其能解决上述背景技术部分提到的技术问题。

按照本发明的实施例的算法模型优化方法，应用于第一设备，包括：将实时数据插入第一历史数据集形成第一训练集；基于所述第一训练集对待优化算法模型进行训练得到第一优化参数；判断优化后的算法模型的精度是否满足预设精度要求；若是则根据所述第一优化参数对所述待优化算法模型进行优化，否则向第二设备发送优化请求。

按照本发明的实施例的算法模型优化方法，应用于第二设备，包括：接收第一设备发送针的对待优化算法模型的优化请求；响应所述优化请求返回第二优化参数，以使所述第一设备根据所述第二优化参数对所述待优化算法模型进行优化，其中，所述第二优化参数是基于第二训练集对所述待优化算法模型进行训练得到的，所述第二训练集为将实时数据插入第二历史数据集形成的。

按照本发明的实施例的算法模型优化装置，应用于第一设备，包括：插入模块，用于将实时数据插入第一历史数据集形成第一训练集；训练模块，用于基于所述第一训练集对待优化算法模型进行训练得到第一优化参数；判断模块，用于判断优化后的算法模型的精度是否满足预设精度要求；是则调用优化模块，否则调用发送模块；优化模块，用于根据所述第一优化参数对所述待优化算法模型进行优化；发送模块，用于向第二设备发送优化请求。

按照本发明的实施例的算法模型优化装置，应用于第二设备，包括：第二接收模块，用于接收第一设备发送的针对待优化算法模型的优化请求；返回模块，用于响应所述优化请求返回第二优化参数，以使所述第一设备根据所述第二优化参数对所述待优化算法模型进行优化，其中，所述第二优化参数是基于第二训练集对所述待优化算法模型进行训练得到的，所述第二训练集为将实时数据插入第二历史数据集形成的。

按照本发明的实施例的电子设备，包括：处理器；以及存储器，其上存储有可执行指令；其中，所述处理器配置为执行所述可执行指令以实施前述的算法模型优化方法。

按照本发明的实施例的计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括可执行指令，当所述可执行指令被处理器执行时，实施前述的算法模型优化方法。