本申請涉及計算機技術領域，具體涉及互聯(lián)網技術領域，尤其涉及用于更新深度學習模型的方法、裝置及系統(tǒng)。

背景技術：

目前，深度學習模型需要根據訓練數據集的更新不斷地進行訓練，得出更精確的預測模型，通過使用該預測模型對該深度學習模型進行更新，以使該預測模型用于在線執(zhí)行數據預測操作。

然而，現有的對深度學習模型進行訓練所使用的訓練數據集通常不是用戶提供的訓練數據集，無法對接用戶的訓練數據集。并且對深度學習模型進行更新的流程通常是用戶手動觸發(fā)的，深度學習模型的更新效率通常較低。

技術實現要素：

本申請的目的在于提出一種改進的用于更新深度學習模型的方法、裝置及系統(tǒng)，來解決以上背景技術部分提到的技術問題。

第一方面，本申請實施例提供了一種用于更新深度學習模型的方法，該方法包括：接收用戶端發(fā)送的新訓練數據集，其中，上述新訓練數據集是上述用戶端在預設路徑下檢測到的；利用深度學習方法，基于上述新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型；將上述預置深度學習模型更新為上述預測模型，以使上述預測模型用于在線執(zhí)行數據預測操作。

在一些實施例中，上述利用深度學習方法，基于上述新訓練數據集對預置深度學習模型進行訓練，包括：從上述新訓練數據集中選取出滿足預設條件的訓練數據，生成第一訓練數據集；基于上述第一訓練數據集中的各個第一訓練數據對上述預置深度學習模型進行訓練。

在一些實施例中，在上述生成第一訓練數據集之后，上述方法還包括：將上述第一訓練數據集中的各個第一訓練數據存放至目標訓練數據集中，其中，上述目標訓練數據集是預設的訓練數據集，每次對上述預置深度學習模型進行訓練時是從上述目標訓練數據集中獲取相應的訓練數據。

在一些實施例中，上述從上述新訓練數據集中選取出滿足預設條件的訓練數據，生成第一訓練數據集，包括：執(zhí)行預置mapreduce作業(yè)或預置spark作業(yè)從上述新訓練數據集中選取出滿足上述預設條件的訓練數據并生成上述第一訓練數據集。

在一些實施例中，上述基于上述第一訓練數據集中的各個第一訓練數據對上述預置深度學習模型進行訓練，包括：從上述第一訓練數據集中的每個第一訓練數據中提取出特征信息和預估結果；基于提取出的特征信息和與上述提取出的特征信息對應的預估結果對上述預置深度學習模型進行訓練。

在一些實施例中，上述用戶端上預先安裝有數據監(jiān)控工具，上述新訓練數據集是上述用戶端利用上述數據監(jiān)控工具對上述預設路徑下的訓練數據集進行周期性地檢測所檢測出的，上述數據監(jiān)控工具是上述用戶端所歸屬的用戶安裝到上述用戶端上的，上述用戶端在所安裝的上述數據監(jiān)控工具被啟動且上述用戶發(fā)出訓練數據同步指令后，周期性地檢測上述預設路徑下是否有新訓練數據集。

第二方面，本申請?zhí)峁┝艘环N用于更新深度學習模型的裝置，該裝置包括：接收單元，配置用于接收用戶端發(fā)送的新訓練數據集，其中，上述新訓練數據集是上述用戶端在預設路徑下檢測到的；訓練單元，配置用于基于上述新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型；更新單元，配置用于將上述預置深度學習模型更新為上述預測模型，以使上述預測模型用于在線執(zhí)行數據預測操作。

在一些實施例中，上述訓練單元包括：生成子單元，配置用于從上述新訓練數據集中選取出滿足預設條件的訓練數據，生成第一訓練數據集；訓練子單元，配置用于基于上述第一訓練數據集中的各個第一訓練數據對上述預置深度學習模型進行訓練。

在一些實施例中，上述裝置還包括：存儲子單元，配置用于將上述第一訓練數據集中的各個第一訓練數據存放至目標訓練數據集中，其中，上述目標訓練數據集是預設的訓練數據集，每次對上述預置深度學習模型進行訓練時是從上述目標訓練數據集中獲取相應的訓練數據。

在一些實施例中，上述生成子單元進一步配置用于：執(zhí)行預置mapreduce作業(yè)或預置spark作業(yè)從上述新訓練數據集中選取出滿足上述預設條件的訓練數據并生成上述第一訓練數據集。

在一些實施例中，上述訓練子單元包括：提取模塊，配置用于從上述第一訓練數據集中的每個第一訓練數據中提取出特征信息和預估結果；訓練模塊，配置用于基于提取出的特征信息和與上述提取出的特征信息對應的預估結果對上述預置深度學習模型進行訓練。

在一些實施例中，上述用戶端上預先安裝有數據監(jiān)控工具，上述新訓練數據集是上述用戶端利用上述數據監(jiān)控工具對上述預設路徑下的訓練數據集進行周期性地檢測所檢測出的，上述數據監(jiān)控工具是上述用戶端所歸屬的用戶安裝到上述用戶端上的，上述用戶端在所安裝的上述數據監(jiān)控工具被啟動且上述用戶發(fā)出訓練數據同步指令后，周期性地檢測上述預設路徑下是否有新訓練數據集。

第三方面，本申請實施例提供了一種用于更新深度學習模型的系統(tǒng)，該系統(tǒng)包括：服務端和用戶端；上述用戶端，用于周期性地檢測預設路徑下是否有新訓練數據集，若是，則將上述新訓練數據集發(fā)送至上述服務端；上述服務端，用于利用深度學習方法，基于上述新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型，并將上述預置深度學習模型更新為上述預測模型，以使上述預測模型用于在線執(zhí)行數據預測操作。

在一些實施例中，上述利用深度學習方法，基于上述新訓練數據集對預置深度學習模型進行訓練，包括：從上述新訓練數據集中選取出滿足預設條件的訓練數據，生成第一訓練數據集；基于上述第一訓練數據集中的各個第一訓練數據對上述預置深度學習模型進行訓練。

在一些實施例中，在上述生成第一訓練數據集之后，上述服務端還配置用于：將上述第一訓練數據集中的各個第一訓練數據存放至目標訓練數據集中，其中，上述目標訓練數據集是預設的訓練數據集，上述服務端每次對上述預置深度學習模型進行訓練時是從上述目標訓練數據集中獲取相應的訓練數據。

在一些實施例中，上述從上述新訓練數據集中選取出滿足預設條件的訓練數據，生成第一訓練數據集，包括：執(zhí)行預置mapreduce作業(yè)或預置spark作業(yè)從上述新訓練數據集中選取出滿足上述預設條件的訓練數據并生成上述第一訓練數據集。

在一些實施例中，基于上述第一訓練數據集中的各個第一訓練數據對上述預置深度學習模型進行訓練，包括：從上述第一訓練數據集中的每個第一訓練數據中提取出特征信息和預估結果；基于提取出的特征信息和與上述提取出的特征信息對應的預估結果對上述預置深度學習模型進行訓練。

在一些實施例中，上述用戶端上預先安裝有數據監(jiān)控工具，上述新訓練數據集是上述用戶端利用上述數據監(jiān)控工具對上述預設路徑下的訓練數據集進行周期性地檢測所檢測出的，上述數據監(jiān)控工具是上述用戶端所歸屬的用戶安裝到上述用戶端上的，上述用戶端在所安裝的上述數據監(jiān)控工具被啟動且上述用戶發(fā)出訓練數據同步指令后，周期性地檢測上述預設路徑下是否有新訓練數據集。

第四方面，本申請實施例提供了一種電子設備，該電子設備包括：一個或多個處理器；存儲裝置，用于存儲一個或多個程序；當上述一個或多個程序被上述一個或多個處理器執(zhí)行，使得上述一個或多個處理器實現如第一方面中任一實現方式描述的方法。

第五方面，本申請實施例提供了一種計算機可讀存儲介質，其上存儲有計算機程序，上述程序被處理器執(zhí)行時實現如第一方面中任一實現方式描述的方法。

本申請實施例提供的用于更新深度學習模型的方法和裝置，通過接收用戶端發(fā)送的新訓練數據集，以便基于該新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型；然后通過將該預置深度學習模型更新為該預測模型，以使該預測模型用于在線執(zhí)行數據預測操作。從而有效利用了對用戶端發(fā)送的新訓練數據集的接收，實現了與用戶的訓練數據集的對接。在接收到該新訓練數據集后，自動地基于該新訓練數據集對預置深度學習模型進行訓練、更新，可以實現深度學習模型更新的實時性，提高了深度學習模型的更新效率。

本申請實施例提供的用于更新深度學習模型的系統(tǒng)，通過用戶端周期性地檢測預設路徑下是否有新訓練數據集，以便將檢測到的新訓練數據集發(fā)送至服務端。通過該服務端利用深度學習方法，基于接收到的新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型，以便將該預置深度學習模型更新為該預測模型，以使該預測模型用于在線執(zhí)行數據預測操作。從而有效利用了服務端對用戶端發(fā)送的新訓練數據集的接收，實現了與用戶的訓練數據集的對接。服務端在接收到新訓練數據集后，自動地基于該新訓練數據集對預置深度學習模型進行訓練、更新，可以實現深度學習模型更新的實時性，提高了深度學習模型的更新效率。

附圖說明

通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本申請的其它特征、目的和優(yōu)點將會變得更明顯：

圖1是本申請可以應用于其中的示例性系統(tǒng)架構圖；

圖2是根據本申請的用于更新深度學習模型的方法的一個實施例的流程圖；

圖3是根據本申請的用于更新深度學習模型的方法的一個應用場景的示意圖；

圖4是根據本申請的用于更新深度學習模型的方法的又一個實施例的流程圖；

圖5是根據本申請的用于更新深度學習模型的裝置的一個實施例的結構示意圖；

圖6是根據本申請的用于更新深度學習模型的系統(tǒng)的一個實施例的結構示意圖；

圖7是適于用來實現本申請實施例的電子設備的計算機系統(tǒng)的結構示意圖。

具體實施方式

下面結合附圖和實施例對本申請作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋相關發(fā)明，而非對該發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與有關發(fā)明相關的部分。

需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。下面將參考附圖并結合實施例來詳細說明本申請。

圖1示出了可以應用本申請的用于更新深度學習模型的方法或用于更新深度學習模型的裝置的實施例的示例性系統(tǒng)架構100。

如圖1所示，系統(tǒng)架構100可以包括用戶端101，網絡102和服務端103。網絡102用以在用戶端101和服務端103之間提供通信鏈路的介質。網絡102可以包括各種連接類型，例如有線、無線通信鏈路或者光纖電纜等等。

用戶端101可以是提供各種服務的服務器，例如用于存放用戶的訓練數據集的服務器。用戶端101還可以周期性地檢測是否接收到新訓練數據集，并將檢測到的新訓練數據集發(fā)送至服務端103。

服務端103可以是提供各種服務的服務器，例如從用戶端101接收新訓練數據集，并對該新訓練數據集進行處理等。

需要說明的是，本申請實施例所提供的用于更新深度學習模型的方法一般由服務端103執(zhí)行，相應地，用于更新深度學習模型的裝置一般設置于服務端103中。

應該理解，圖1中的用戶端、網絡和服務端的數目僅僅是示意性的。根據實現需要，可以具有任意數目的用戶端、網絡和服務端。

繼續(xù)參考圖2，示出了根據本申請的用于更新深度學習模型的方法的一個實施例的流程200。該用于更新深度學習模型的方法，包括以下步驟：

步驟201，接收用戶端發(fā)送的新訓練數據集。

在本實施例中，用于更新深度學習模型的方法運行于其上的電子設備(例如圖1所示的服務端103)可以通過有線連接方式或無線連接方式接收用戶端(例如圖1所示的用戶端101)發(fā)送的新訓練數據集(例如未曾用于模型訓練的訓練數據集)。其中，該新訓練數據集可以是該用戶端在預設路徑下檢測到的。該預設路徑可以是該用戶端所歸屬的用戶預先在該用戶端上創(chuàng)建的、用于存放該用戶的訓練數據集的路徑。該用戶端可以用于周期性地(例如每隔6小時或一天等)檢測該預設路徑下是否有新訓練數據集。

步驟202，利用深度學習方法，基于新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型。

在本實施例中，上述電子設備在接收到上述用戶端發(fā)送的新訓練數據集后，上述電子設備可以利用深度學習方法，基于該新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型。這里，深度學習(deeplearning)是機器學習的分支，它是試圖使用包含復雜結構或由多重非線性變換構成的多個處理層對數據進行高層抽象的算法。另外，該預置深度學習模型可以是上述用戶預先創(chuàng)建的深度學習模型。深度學習模型通常需要根據訓練數據集的更新不斷地進行訓練，得出更精確的預測模型。需要說明的是，上述用戶可以預先上傳利用深度學習方法所編寫的模型訓練代碼至上述電子設備，上述電子設備可以通過運行該模型訓練代碼，以基于該新訓練數據集對該預置深度學習模型進行訓練得到經訓練后的預測模型。

步驟203，將預置深度學習模型更新為預測模型，以使預測模型用于在線執(zhí)行數據預測操作。

在本實施例中，上述電子設備在得到經訓練后的預測模型后，上述電子設備可以將上述預置深度學習模型更新為該預測模型，以使該預測模型用于在線執(zhí)行數據預測操作。例如，上述電子設備可以接收預測數據集，對該預測數據集中的預測數據進行特征信息提取，將提取出的特征信息輸入該預測模型以得到預測結果(例如該特征信息所對應的預測數據的類別等)。

在本實施例的一些可選的實現方式中，上述電子設備在將該預置深度學習模型更新為該預測模型前，上述電子設備可以對該預置深度學習模型進行保存，以便于以后有使用需求時可以獲取到該預置深度學習模型。

在本實施例的一些可選的實現方式中，上述電子設備可以基于上述新訓練數據集中的每個訓練數據對該預置深度學習模型進行訓練。若上述電子設備是基于上述新訓練數據集中的每個訓練數據對該預置深度學習模型進行訓練時，上述電子設備可以在接收到上述新訓練數據集時，將上述新訓練數據集中的每個訓練數據存放至目標訓練數據集。其中，該目標訓練數據集可以是預設的訓練數據集(例如可以是上述用戶預先通過客戶端在上述服務端上創(chuàng)建的訓練數據集)，上述電子設備每次對該預置深度學習模型進行訓練時可以從該目標訓練數據集中獲取相應的訓練數據。

在本實施例的一些可選的實現方式中，上述用戶端上可以預先安裝有數據監(jiān)控工具，上述電子設備所接收到的新訓練數據集可以是上述用戶端利用該數據監(jiān)控工具對上述預設路徑下的訓練數據進行周期性地檢測所檢測出的。這里，該數據監(jiān)控工具可以是上述用戶安裝到上述用戶端上的。上述用戶端可以在所安裝的數據監(jiān)控工具被啟動且上述用戶發(fā)出訓練數據同步指令(即向上述電子設備發(fā)出該訓練數據同步指令)后，周期性地檢測上述預設路徑下是否有新訓練數據集。需要說明的是，上述電子設備可以向上述用戶提供上述數據監(jiān)控工具，上述用戶可以從上述電子設備下載上述數據監(jiān)控工具并將所下載的數據監(jiān)控工具安裝到上述用戶端。

繼續(xù)參見圖3，圖3是根據本實施例的用于更新深度學習模型的方法的應用場景的一個示意圖。在圖3的應用場景中，用戶a可以預先通過客戶端在服務端上創(chuàng)建深度學習模型b以用于執(zhí)行在線數據預測操作。用戶a還可以預先在其所有的用戶端上創(chuàng)建用于存放訓練數據集的路徑例如“d:\訓練數據集”，以便用戶a可以不斷地往路徑“d:\訓練數據集”下存放新的訓練數據集，其中，路徑“d:\訓練數據集”下的訓練數據集用于對深度學習模型b進行訓練。用戶a還可以在上述用戶端上設置用于周期性地檢測路徑“d:\訓練數據集”下是否有新訓練數據集的、擁有軟硬件資源的線程c。這里，當上述用戶端利用線程c檢測到路徑“d:\訓練數據集”下有新訓練數據集時，如標號301所示，上述用戶端可以將該新訓練數據集發(fā)送給上述服務端。然后，如標號302所示，上述服務端可以利用深度學習方法，基于該新訓練數據集對深度學習模型b進行訓練得到經訓練后的預測模型d。最后，如標號303所示，上述服務端可以將深度學習模型b更新為預測模型d，以使預測模型d用于執(zhí)行在線數據預測操作。

本申請的上述實施例提供的方法通過對用戶端發(fā)送的新訓練數據集的接收，實現了與用戶的訓練數據集的對接。在接收到該新訓練數據集后，自動地基于該新訓練數據集對預置深度學習模型進行訓練、更新，可以實現深度學習模型更新的實時性，提高了深度學習模型的更新效率。

進一步參考圖4，其示出了用于更新深度學習模型的方法的又一個實施例的流程400。該用于更新深度學習模型的方法的流程400，包括以下步驟：

步驟401，接收用戶端發(fā)送的新訓練數據集。

在本實施例中，用于更新深度學習模型的方法運行于其上的電子設備(例如圖1所示的服務端103)可以通過有線連接方式或無線連接方式接收用戶端(例如圖1所示的用戶端101)發(fā)送的新訓練數據集(例如未曾用于模型訓練的訓練數據集)。其中，該新訓練數據集可以是該用戶端在預設路徑下檢測到的。該預設路徑可以是該用戶端所歸屬的用戶預先在該用戶端上創(chuàng)建的、用于存放該用戶的訓練數據集的路徑。該用戶端可以用于周期性地(例如每隔6小時或一天等)檢測該預設路徑下是否有新訓練數據集。

步驟402，從新訓練數據集中選取出滿足預設條件的訓練數據，生成第一訓練數據集。

在本實施例中，上述電子設備在接收到上述用戶端發(fā)送的新訓練數據集后，上述電子設備可以從該新訓練數據集中選取出滿足預設條件的訓練數據，生成第一訓練數據集。這里，該新訓練數據集中的至少部分訓練數據可以包括特征信息和預估結果。該預設條件可以例如為不包括預估結果或特征信息。需要說明的是，該預設條件可以是上述用戶預先設置的，本實施例不對此方面內容做任何限定。

步驟403，基于第一訓練數據集中的各個第一訓練數據對預置深度學習模型進行訓練得到經訓練后的預測模型。

在本實施例中，上述電子設備在生成上述第一訓練數據集后，上述電子設備可以基于上述第一訓練數據集中的各個第一訓練數據對預置深度學習模型進行訓練得到經訓練后的預測模型。作為示例，上述電子設備可以先從上述第一訓練數據集中的每個第一訓練數據中提取出特征信息和預估結果，然后基于提取出的特征信息和與該特征信息對應的預估結果對該預置深度學習模型進行訓練。例如將該特征信息作為該預置深度學習模型的輸入，將該特征信息所對應的預估結果作為該預置深度學習模型的輸出，以實現對該預置深度學習模型的訓練。

步驟404，將預置深度學習模型更新為預測模型，以使預測模型用于在線執(zhí)行數據預測操作。

在本實施例中，上述電子設備在得到經訓練后的預測模型后，上述電子設備可以將上述預置深度學習模型更新為該預測模型，以使該預測模型用于在線執(zhí)行數據預測操作。

在本實施例的一些可選的實現方式中，上述電子設備在生成上述第一訓練數據集后，上述電子設備可以將上述第一訓練數據集中的各個第一訓練數據存放至目標訓練數據集。其中，該目標訓練數據集可以是預設的訓練數據集(例如上述用戶預先通過客戶端在上述電子設備上創(chuàng)建的訓練數據集)，上述電子設備每次對上述預置深度學習模型進行訓練時可以從該目標訓練數據集中獲取相應的訓練數據。

在本實施例的一些可選的實現方式中，上述電子設備還可以執(zhí)行預置mapreduce作業(yè)或預置spark作業(yè)從上述新訓練數據集中選取出滿足上述預設條件的訓練數據并生成上述第一訓練數據集。其中，該預置mapreduce作業(yè)或預置spark作業(yè)可以是上述用戶預先提交至上述電子設備的作業(yè)。需要說明的是，mapreduce是一種編程模型，通常用于大規(guī)模數據集的并行運算。概念“map(映射)”和“reduce(歸約)”，和它們的主要思想，通常是從函數式編程語言里借來的，還有從矢量編程語言里借來的特性。它極大地方便了編程人員在不會分布式并行編程的情況下，將自己的程序運行在分布式系統(tǒng)上。spark是一個為速度和通用目標設計的集群計算平臺。從速度的角度看，spark從流行的mapreduce模型繼承而來，可以更有效地支持多種類型的計算，如交互式查詢和流處理等。

從圖4中可以看出，與圖2對應的實施例相比，本實施例中的用于更新深度學習模型的方法的流程400突出了對第一訓練數據集的生成步驟以及基于該第一訓練數據集中的各個第一訓練數據對預置深度學習模型進行訓練的步驟，由此本實施例描述的方案可以獲得真正訓練所需的訓練數據，從而可以提高對深度學習模型的訓練效率，進而可以提高經訓練后的預測模型的預測準確度。由于不是基于所接收的新訓練數據集中的所有訓練數據對預置深度學習模型進行訓練，因此可以節(jié)約訓練時間，可以進一步提高深度學習模型的更新效率。

進一步參考圖5，作為對上述各圖所示方法的實現，本申請?zhí)峁┝艘环N用于更新深度學習模型的裝置的一個實施例，該裝置實施例與圖2所示的方法實施例相對應，該裝置具體可以應用于各種電子設備中。

如圖5所示，本實施例所示的用于更新深度學習模型的裝置500包括：接收單元501、訓練單元502和更新單元503。其中，接收單元501配置用于接收用戶端發(fā)送的新訓練數據集，其中，該新訓練數據集是該用戶端在預設路徑下檢測到的；訓練單元502配置用于基于該新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型；而更新單元503配置用于將該預置深度學習模型更新為該預測模型，以使該預測模型用于在線執(zhí)行數據預測操作。

在本實施例中，用于更新深度學習模型的裝置500中：接收單元501、訓練單元502和更新單元503的具體處理及其所帶來的技術效果可分別參考圖2對應實施例中的步驟201、步驟202和步驟203的相關說明，在此不再贅述。

在本實施例的一些可選的實現方式中，訓練單元502可以包括：生成子單元(圖中未示出)，配置用于從上述新訓練數據集中選取出滿足預設條件的訓練數據，生成第一訓練數據集；訓練子單元(圖中未示出)，配置用于基于上述第一訓練數據集中的各個第一訓練數據對上述預置深度學習模型進行訓練。

在本實施例的一些可選的實現方式中，上述裝置500還可以包括：存儲子單元(圖中未示出)，配置用于將上述第一訓練數據集中的各個第一訓練數據存放至目標訓練數據集中，其中，上述目標訓練數據集是預設的訓練數據集，每次對上述預置深度學習模型進行訓練時是從上述目標訓練數據集中獲取相應的訓練數據。

在本實施例的一些可選的實現方式中，上述生成子單元可以進一步配置用于：執(zhí)行預置mapreduce作業(yè)或預置spark作業(yè)從上述新訓練數據集中選取出滿足上述預設條件的訓練數據并生成上述第一訓練數據集。

在本實施例的一些可選的實現方式中，上述訓練子單元可以包括：提取模塊(圖中未示出)，配置用于從上述第一訓練數據集中的每個第一訓練數據中提取出特征信息和預估結果；訓練模塊(圖中未示出)，配置用于基于提取出的特征信息和與上述提取出的特征信息對應的預估結果對上述預置深度學習模型進行訓練。

在本實施例的一些可選的實現方式中，上述用戶端上可以預先安裝有數據監(jiān)控工具，上述新訓練數據集可以是上述用戶端利用上述數據監(jiān)控工具對上述預設路徑下的訓練數據集進行周期性地檢測所檢測出的，上述數據監(jiān)控工具可以是上述用戶端所歸屬的用戶安裝到上述用戶端上的，上述用戶端可以在所安裝的上述數據監(jiān)控工具被啟動且上述用戶發(fā)出訓練數據同步指令后，周期性地檢測上述預設路徑下是否有新訓練數據集。

本申請的上述實施例提供的裝置通過對用戶端發(fā)送的新訓練數據集的接收，實現了與用戶的訓練數據集的對接。在接收到該新訓練數據集后，自動地基于該新訓練數據集對預置深度學習模型進行訓練、更新，可以實現深度學習模型更新的實時性，提高了深度學習模型的更新效率。

進一步參考圖6，示出了根據本申請的用于更新深度學習模型的系統(tǒng)的一個實施例的時序圖。

本實施例的用于更新深度學習模型的系統(tǒng)可以包括：服務端和用戶端；上述用戶端，用于周期性地檢測預設路徑下是否有新訓練數據集，若是，則將上述新訓練數據集發(fā)送至上述服務端；上述服務端，用于利用深度學習方法，基于上述新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型，并將上述預置深度學習模型更新為上述預測模型，以使上述預測模型用于在線執(zhí)行數據預測操作。

如圖6所示，在步驟601中，用戶端周期性地檢測預設路徑下是否有新訓練數據集。

在本實施例中，用戶端(例如圖1所示的用戶端101)可以周期性地(例如每隔6小時或一天等)檢測預設路徑下是否有新訓練數據集(例如未曾用于模型訓練的訓練數據集)。其中，該預設路徑可以是該用戶端所歸屬的用戶預先在該用戶端上創(chuàng)建的、用于存放該用戶的訓練數據集的路徑。

在步驟602中，響應于檢測到預設路徑下有新訓練數據集，用戶端將檢測到的新訓練數據集發(fā)送至服務端。

在本實施例中，響應于上述用戶端檢測到上述預設路徑下有新訓練數據集，上述用戶端可以通過有線連接方式或者無線連接方式將檢測到的新訓練數據集發(fā)送至上述服務端。

在步驟603中，服務端利用深度學習方法，基于接收到的新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型。

在步驟604中，服務端將預置深度學習模型更新為預測模型，以使預測模型用于在線執(zhí)行數據預測操作。

在本實施例中，對于步驟603和步驟604的解釋說明可分別參考圖2所示實施例中的步驟202和步驟203中的相關描述，在此不再贅述。

本申請的上述實施例提供的系統(tǒng)通過服務端接收用戶端發(fā)送的新訓練數據集，可以實現與用戶的訓練數據集的對接。服務端在接收到該新訓練數據集后，自動地基于該新訓練數據集對預置深度學習模型進行訓練、更新，可以實現深度學習模型更新的實時性，提高了深度學習模型的更新效率。

下面參考圖7，其示出了適于用來實現本申請實施例的電子設備的計算機系統(tǒng)700的結構示意圖。圖7示出的電子設備僅僅是一個示例，不應對本申請實施例的功能和使用范圍帶來任何限制。

如圖7所示，計算機系統(tǒng)700包括中央處理單元(cpu)701，其可以根據存儲在只讀存儲器(rom)702中的程序或者從存儲部分708加載到隨機訪問存儲器(ram)703中的程序而執(zhí)行各種適當的動作和處理。在ram703中，還存儲有系統(tǒng)700操作所需的各種程序和數據。cpu701、rom702以及ram703通過總線704彼此相連。輸入/輸出(i/o)接口705也連接至總線704。

以下部件連接至i/o接口705：包括鍵盤、鼠標等的輸入部分706；包括諸如陰極射線管(crt)、液晶顯示器(lcd)等以及揚聲器等的輸出部分707；包括硬盤等的存儲部分708；以及包括諸如lan卡、調制解調器等的網絡接口卡的通信部分709。通信部分709經由諸如因特網的網絡執(zhí)行通信處理。驅動器710也根據需要連接至i/o接口705。可拆卸介質711，諸如磁盤、光盤、磁光盤、半導體存儲器等等，根據需要安裝在驅動器710上，以便于從其上讀出的計算機程序根據需要被安裝入存儲部分708。

特別地，根據本公開的實施例，上文參考流程圖描述的過程可以被實現為計算機軟件程序。例如，本公開的實施例包括一種計算機程序產品，其包括承載在計算機可讀介質上的計算機程序，該計算機程序包含用于執(zhí)行流程圖所示的方法的程序代碼。在這樣的實施例中，該計算機程序可以通過通信部分709從網絡上被下載和安裝，和/或從可拆卸介質711被安裝。在該計算機程序被中央處理單元(cpu)701執(zhí)行時，執(zhí)行本申請的系統(tǒng)中限定的上述功能。

需要說明的是，本申請所示的計算機可讀介質可以是計算機可讀信號介質或者計算機可讀存儲介質或者是上述兩者的任意組合。計算機可讀存儲介質例如可以是——但不限于——電、磁、光、電磁、紅外線、或半導體的系統(tǒng)、裝置或器件，或者任意以上的組合。計算機可讀存儲介質的更具體的例子可以包括但不限于：具有一個或多個導線的電連接、便攜式計算機磁盤、硬盤、隨機訪問存儲器(ram)、只讀存儲器(rom)、可擦式可編程只讀存儲器(eprom或閃存)、光纖、便攜式緊湊磁盤只讀存儲器(cd-rom)、光存儲器件、磁存儲器件、或者上述的任意合適的組合。在本申請中，計算機可讀存儲介質可以是任何包含或存儲程序的有形介質，該程序可以被指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結合使用。而在本申請中，計算機可讀的信號介質可以包括在基帶中或者作為載波一部分傳播的數據信號，其中承載了計算機可讀的程序代碼。這種傳播的數據信號可以采用多種形式，包括但不限于電磁信號、光信號或上述的任意合適的組合。計算機可讀的信號介質還可以是計算機可讀存儲介質以外的任何計算機可讀介質，該計算機可讀介質可以發(fā)送、傳播或者傳輸用于由指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結合使用的程序。計算機可讀介質上包含的程序代碼可以用任何適當的介質傳輸，包括但不限于：無線、電線、光纜、rf等等，或者上述的任意合適的組合。

附圖中的流程圖和框圖，圖示了按照本申請各種實施例的系統(tǒng)、方法和計算機程序產品的可能實現的體系架構、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段、或代碼的一部分，上述模塊、程序段、或代碼的一部分包含一個或多個用于實現規(guī)定的邏輯功能的可執(zhí)行指令。也應當注意，在有些作為替換的實現中，方框中所標注的功能也可以以不同于附圖中所標注的順序發(fā)生。例如，兩個接連地表示的方框實際上可以基本并行地執(zhí)行，它們有時也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖或流程圖中的每個方框、以及框圖或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或操作的專用的基于硬件的系統(tǒng)來實現，或者可以用專用硬件與計算機指令的組合來實現。

描述于本申請實施例中所涉及到的單元可以通過軟件的方式實現，也可以通過硬件的方式來實現。所描述的單元也可以設置在處理器中，例如，可以描述為：一種處理器包括接收單元、訓練單元和更新單元。其中，這些單元的名稱在某種情況下并不構成對該單元本身的限定，例如，接收單元還可以被描述為“接收用戶端發(fā)送的新訓練數據集的單元”。

作為另一方面，本申請還提供了一種計算機可讀介質，該計算機可讀介質可以是上述實施例中描述的電子設備中所包含的；也可以是單獨存在，而未裝配入該電子設備中。上述計算機可讀介質承載有一個或者多個程序，當上述一個或者多個程序被一個該電子設備執(zhí)行時，使得該電子設備包括：接收用戶端發(fā)送的新訓練數據集，其中，上述新訓練數據集是上述用戶端在預設路徑下檢測到的；利用深度學習方法，基于上述新訓練數據集對預置深度學習模型進行訓練得到經訓練后的預測模型；將上述預置深度學習模型更新為上述預測模型，以使上述預測模型用于在線執(zhí)行數據預測操作。

以上描述僅為本申請的較佳實施例以及對所運用技術原理的說明。本領域技術人員應當理解，本申請中所涉及的發(fā)明范圍，并不限于上述技術特征的特定組合而成的技術方案，同時也應涵蓋在不脫離上述發(fā)明構思的情況下，由上述技術特征或其等同特征進行任意組合而形成的其它技術方案。例如上述特征與本申請中公開的(但不限于)具有類似功能的技術特征進行互相替換而形成的技術方案。