基于元算子的深度学习框架诊断系统、方法、装置、设备及介质

    公开(公告)号:CN112766512B

    公开(公告)日:2022-10-28

    申请号:CN202110098292.7

    申请日:2021-01-25

    Abstract: 本公开提供了一种基于元算子的深度学习框架诊断系统、方法、装置、介质及设备,所述系统包括:用户接口模块,用于为用户提供搭建深度学习模型并诊断模型中的算子的编程接口;模型静态图模块,用于根据用户的代码,构建模型静态计算图的结构;由状态记录器和数据流执行器组成的调试器,其中,所述状态记录器用于记录每次算子替换后计算图执行的计算结果;所述数据流执行器用于根据所述静态计算图的结构,执行正向计算和反向梯度计算操作;元算子模块,用于提供所述系统执行各类型计算的基本计算单位;算子实现模块,用于不同的深度学习框架的数值计算和/或多维数组操作;设备管理模块,用于管理硬件实现的CPU和GPU,并提供了一个统一的接口。

    面向Android的深度学习模型统一部署系统、方法、设备及介质

    公开(公告)号:CN112698841A

    公开(公告)日:2021-04-23

    申请号:CN202110049287.7

    申请日:2021-01-14

    Abstract: 本公开涉及深度学习技术领域,具体提供了面向Android的深度学习模型统一部署系统、方法、介质及设备,其中,所述系统包括:监控统计模块,用于完成对整个系统执行的监控统计以及日志读写;抽象适配模块,用于提供深度学习推断过程所需要的解释器、模型和/或数据源;服务模块,用于对Android应用程序提供统一的编程接口。本公开设计并实现了一个移动深度学习任务的统一部署框架,集成了5种主流的移动深度学习框架,为深度学习推断任务设立软件抽象,屏蔽底层框架的接口异构性,对上层应用程序提供统一编程接口。该框架可用于移动应用开发者快速实现跨框架、跨硬件后端的深度学习任务部署,也可用于框架开发厂商构建模型准确率基准测试、框架性能基准测试等。

    一种情境感知的移动Web应用协议切换方法

    公开(公告)号:CN106487906B

    公开(公告)日:2019-05-17

    申请号:CN201610939610.7

    申请日:2016-11-01

    Abstract: 本发明公开了一种情境感知的移动Web应用协议切换方法。本方法为:1)当一客户端访问Web应用时,服务器端监控该客户端当前的网络状态;2)服务器端提取该客户端当前访问页面的页面特征;3)服务器端的根据所述网络状况以及所述页面特征,为该客户端确定当前的最佳传输协议。本发明能够动态地根据Web应用的内容以及网络状况选择最适合的传输协议,加快网页的加载速度,使得用户能够获得更好的用户体验。

    面向Android的深度学习模型统一部署系统、方法、设备及介质

    公开(公告)号:CN112698841B

    公开(公告)日:2024-08-09

    申请号:CN202110049287.7

    申请日:2021-01-14

    Abstract: 本公开涉及深度学习技术领域,具体提供了面向Android的深度学习模型统一部署系统、方法、介质及设备,其中,所述系统包括:监控统计模块,用于完成对整个系统执行的监控统计以及日志读写;抽象适配模块,用于提供深度学习推断过程所需要的解释器、模型和/或数据源;服务模块,用于对Android应用程序提供统一的编程接口。本公开设计并实现了一个移动深度学习任务的统一部署框架,集成了5种主流的移动深度学习框架,为深度学习推断任务设立软件抽象,屏蔽底层框架的接口异构性,对上层应用程序提供统一编程接口。该框架可用于移动应用开发者快速实现跨框架、跨硬件后端的深度学习任务部署,也可用于框架开发厂商构建模型准确率基准测试、框架性能基准测试等。

    一种面向广告点击率预测的特征选取方法

    公开(公告)号:CN110706015B

    公开(公告)日:2023-06-13

    申请号:CN201910775155.5

    申请日:2019-08-21

    Abstract: 本发明公开了一种面向广告点击率预测的特征选取方法,包括:步骤(1)构造特征集;步骤(2)对特征集的所有特征进行评估,筛选并标记所有无益特征,并将对模型影响最大的无益特征从特征集中删除,再更新特征集;步骤(3)对无益特征进行评估,筛选并标记该次评估产生的新无益特征,将对模型影响最大的新无益特征删除,再次更新特征集;若未产生新无益特征,则停止操作,得到的特征集为有效特征集;若产生新无益特征,则迭代执行步骤(3),直至未产生新无益特征。本发明采用双向式特征选择方式对特征集进行选择筛选,降低了迭代次数,不需再对特征全集进行迭代,能得到较大的模型提升效果,特征选择工程时间复杂度低,工作效率高。

    一种移动应用内广告点击率预测系统设计方法

    公开(公告)号:CN110689368B

    公开(公告)日:2022-07-19

    申请号:CN201910780066.X

    申请日:2019-08-22

    Abstract: 本发明公开了一种移动应用内广告点击率预测系统设计方法,包括:对广告数据进行集成、清洗和变换的预处理;利用预处理后的广告数据生成特征并构造特征全集;针对所述特征全集进行有效特征选取,选出有效特征集;利用所述有效特征集对广告点击率预测模型进行训练。本发明实施例提供的移动应用内广告点击率预测方法,对广告数据中的长尾数据按照相似性进行归类,按照数据取值频次进行归类,克服了现有技术无法有效利用隐含在长尾数据中的信息的缺陷,充分利用了长尾数据中的信息提升了预测效果。

    基于元算子的深度学习框架诊断系统、方法、装置、设备及介质

    公开(公告)号:CN112766512A

    公开(公告)日:2021-05-07

    申请号:CN202110098292.7

    申请日:2021-01-25

    Abstract: 本公开提供了一种基于元算子的深度学习框架诊断系统、方法、装置、介质及设备,所述系统包括:用户接口模块,用于为用户提供搭建深度学习模型并诊断模型中的算子的编程接口;模型静态图模块,用于根据用户的代码,构建模型静态计算图的结构;由状态记录器和数据流执行器组成的调试器,其中,所述状态记录器用于记录每次算子替换后计算图执行的计算结果;所述数据流执行器用于根据所述静态计算图的结构,执行正向计算和反向梯度计算操作;元算子模块,用于提供所述系统执行各类型计算的基本计算单位;算子实现模块,用于不同的深度学习框架的数值计算和/或多维数组操作;设备管理模块,用于管理硬件实现的CPU和GPU,并提供了一个统一的接口。

    一种面向广告点击率预测的特征选取方法

    公开(公告)号:CN110706015A

    公开(公告)日:2020-01-17

    申请号:CN201910775155.5

    申请日:2019-08-21

    Abstract: 本发明公开了一种面向广告点击率预测的特征选取方法,包括:步骤(1)构造特征集;步骤(2)对特征集的所有特征进行评估,筛选并标记所有无益特征,并将对模型影响最大的无益特征从特征集中删除,再更新特征集;步骤(3)对无益特征进行评估,筛选并标记该次评估产生的新无益特征,将对模型影响最大的新无益特征删除,再次更新特征集;若未产生新无益特征,则停止操作,得到的特征集为有效特征集;若产生新无益特征,则迭代执行步骤(3),直至未产生新无益特征。本发明采用双向式特征选择方式对特征集进行选择筛选,降低了迭代次数,不需再对特征全集进行迭代,能得到较大的模型提升效果,特征选择工程时间复杂度低,工作效率高。

    一种移动应用内广告点击率预测系统设计方法

    公开(公告)号:CN110689368A

    公开(公告)日:2020-01-14

    申请号:CN201910780066.X

    申请日:2019-08-22

    Abstract: 本发明公开了一种移动应用内广告点击率预测系统设计方法,包括:对广告数据进行集成、清洗和变换的预处理;利用预处理后的广告数据生成特征并构造特征全集;针对所述特征全集进行有效特征选取,选出有效特征集;利用所述有效特征集对广告点击率预测模型进行训练。本发明实施例提供的移动应用内广告点击率预测方法,对广告数据中的长尾数据按照相似性进行归类,按照数据取值频次进行归类,克服了现有技术无法有效利用隐含在长尾数据中的信息的缺陷,充分利用了长尾数据中的信息提升了预测效果。

Patent Agency Ranking