[發(fā)明專利]模型同步更新方法、裝置及電子設備

有效

• 申請?zhí)枺?/td>: 202010551706.2
• 申請日: 2020-06-17
• 公開（公告）號: CN111738416B
• 公開（公告）日: 2023-07-18
• 發(fā)明（設計）人: 白戈;袁澤寰
• 申請（專利權）人: 北京字節(jié)跳動網(wǎng)絡技術有限公司
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/08;G06N5/01;G06F18/2431
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 鮑勝如

1.一種模型同步更新方法，其特征在于，包括：

在利用第一卷積神經(jīng)網(wǎng)絡模型的輸出數(shù)據(jù)訓練第一梯度提升決策樹模型的同時，設置第二卷積神經(jīng)網(wǎng)絡模型和第二梯度提升決策樹模型，其中，所述第二卷積神經(jīng)網(wǎng)絡模型與所述第一卷積神經(jīng)網(wǎng)絡模型不同，所述第二梯度提升決策樹模型與所述第一梯度提升決策樹模型相同；所述第二卷積神經(jīng)網(wǎng)絡模型為獲取的新上線的與所述第一卷積神經(jīng)網(wǎng)絡模型不同的卷積神經(jīng)網(wǎng)絡模型；所述第二梯度提升決策樹模型是對所述第一梯度提升決策樹模型復制后得到的；

分別利用所述第一卷積神經(jīng)網(wǎng)絡模型和所述第二卷積神經(jīng)網(wǎng)絡模型的輸出數(shù)據(jù)來訓練所述第一梯度提升決策樹模型和所述第二梯度提升決策樹模型；

基于所述第一梯度提升決策樹模型和所述第二梯度提升決策樹模型訓練的結果，分別對所述第一梯度提升決策樹模型和所述第二梯度提升決策樹模型的性能指標進行評估，得到第一性能指標和第二性能指標；所述第一性能指標和所述第二性能指標是利用第一預測結果和第二預測結果分別與標識數(shù)據(jù)進行比對得到的；所述第一預測結果和所述第二預測結果是利用評估樣本分別對所述第一梯度提升決策樹模型和第二梯度提升決策樹模型進行數(shù)據(jù)預測得到的；所述性能指標和所述評估樣本是預先設定的，用于對所述第一梯度提升決策樹模型和所述第二梯度提升決策樹模型進行評估；所述評估樣本中包括針對評估結果的所述標識數(shù)據(jù)；

基于所述第一性能指標與所述第二性能指標的比較結果，對所述第一卷積神經(jīng)網(wǎng)絡模型或所述第二卷積神經(jīng)網(wǎng)絡模型中的一個執(zhí)行下線操作；其中，所述第一卷積神經(jīng)網(wǎng)絡模型和所述第二卷積神經(jīng)網(wǎng)絡模型的輸出數(shù)據(jù)，包括：視覺特征。

2.根據(jù)權利要求1所述的方法，其特征在于，所述分別利用所述第一卷積神經(jīng)網(wǎng)絡模型和所述第二卷積神經(jīng)網(wǎng)絡模型的輸出數(shù)據(jù)來訓練所述第一梯度提升決策樹模型和所述第二梯度提升決策樹模型，包括：

獲取所述第一卷積神經(jīng)網(wǎng)絡模型全連接層生成的第一特征向量；

將所述第一特征向量和模型訓練相關的線上數(shù)據(jù)一起輸入到所述第一梯度提升決策樹模型中，用以訓練所述第一梯度提升決策樹模型。

3.根據(jù)權利要求1所述的方法，其特征在于，所述分別利用所述第一卷積神經(jīng)網(wǎng)絡模型和所述第二卷積神經(jīng)網(wǎng)絡模型的輸出數(shù)據(jù)來訓練所述第一梯度提升決策樹模型和所述第二梯度提升決策樹模型，包括：

獲取所述第二卷積神經(jīng)網(wǎng)絡模型全連接層生成的第二特征向量；

將所述第二特征向量和模型訓練相關的線上數(shù)據(jù)一起輸入到所述第二梯度提升決策樹模型中，用以訓練所述第二梯度提升決策樹模型。

4.根據(jù)權利要求1所述的方法，其特征在于，所述性能指標包括預測準確度。

5.根據(jù)權利要求1所述的方法，其特征在于，所述基于所述第一性能指標與所述第二性能指標的比較結果，對所述第一卷積神經(jīng)網(wǎng)絡模型或所述第二卷積神經(jīng)網(wǎng)絡模型中的一個執(zhí)行下線操作，包括：

當所述第一性能指標優(yōu)于所述第二性能指標時，下線所述第二卷積神經(jīng)網(wǎng)絡模型；

當所述第二性能指標優(yōu)于所述第一性能指標時，下線所述第一卷積神經(jīng)網(wǎng)絡模型。