一种数据处理方法及装置

1.本技术涉及数据处理技术领域，具体涉及一种数据处理方法及装置。


背景技术：

2.随着机器学习的不断发展，越来越多的技术领域利用机器学习进行数据处理，进而实现利用机器学习训练生成的模型提供服务。然而，现有的模型被视为独立的服务单元，并未充分挖掘不同模型件的知识关联性，导致针对不同的服务需要提供独立的服务模型，降低模型的服务能力，提高服务成本。


技术实现要素：

3.有鉴于此，本技术实施例提供一种数据处理方法和装置，以实现多模型协同处理数据，提高模型的服务能力。
4.为解决上述问题，本技术实施例提供的技术方案如下：
5.在本技术实施例第一方面提供了一种数据处理方法，所述方法包括：
6.获取模型集合，所述模型集合中包括多个处理模型；
7.基于待处理任务对应的需求，从所述模型集合中确定出第一处理模型和第二处理模型；
8.将所述待处理任务中的待处理数据分别输入所述第一处理模型和所述第二处理模型，获得第一输出结果、第二输出结果；
9.基于所述模型集合中未被选择的第三处理模型，确定第一共享模型和第二共享模型，所述第一共享模型是以所述第一处理模型的输出结果为训练数据、所述第三处理模型的输出结果为标签训练生成的，所述第二共享模型是以所述第二处理模型的输出结果为训练数据、所述第三处理模型的输出结果为标签训练生成的，所述第三处理模型为所述模型集合中未被选择的模型中的任一个模型；
10.将所述第一输出结果输入所述第一共享模型，获得第三输出结果；
11.将所述第二输出结果输入所述第二共享模型，获得第四输出结果；
12.根据所述第三输出结果和所述第四输出结果获取目标输出结果，将所述目标输出结果确定为所述第三处理模型的输出结果。
13.可选的，所述根据所述第三输出结果和所述第四输出结果获取目标输出结果，将所述目标输出结果确定为所述第三处理模型的输出结果，包括：
14.获取所述第一共享模型对应的第一权重以及所述第二共享模型对应的第二权重；
15.根据所述第一权重、所述第二权重、所述第三输出结果以及所述第四输出结果获取目标输出结果。
16.可选的，所述方法还包括：
17.为所述第一共享模型和所述第二共享模型分配一组权重；
18.基于所分配的一组权重、所述第一共享模型的输出结果以及所述第二共享模型的
输出结果确定预测结果；
19.根据所述预测结果以及所述第三处理模型的输出结果确定所述预测结果是否符合预设条件；
20.如果不符合所述预设条件，重新分配一组权重，执行上述操作；
21.如果符合预设条件，确定所述第一共享模型以及所述第二共享模型分别对应的权重。
22.可选的，所述第一共享模型、所述第二共享模型的训练过程包括：
23.获取第一训练数据，将训练数据输入所述第一处理模型，获得第一训练结果；
24.将所述第一训练数据输入第三处理模型，获得第二训练结果；
25.将所述第一训练结果作为输入数据以及所述第二训练结果作为标签对第一初始共享模型进行训练，获得所述第一共享模型；以及
26.将第二训练数据输入所述第二处理模型，获得第三训练结果；
27.将所述第二训练数据输入第三处理模型，获得第四训练结果；
28.将所述第二训练结果作为输入数据以及所述第四训练结果作为标签对第二初始共享模型进行训练，获得所述第二共享模型。
29.可选的，所述方法还包括：
30.从所述模型集合中选择第一源模型，所述第一源模型为所述模型集合中的任一处理模型；
31.判断所述第一源模型处理任务时所使用的资源是否小于或等于资源阈值；
32.如果是，将测试数据输入所述第一源模型获得输出结果；
33.将所述输出结果分别输入所述第一源模型对应的共享模型，并获得各所述共享模型的输出结果；
34.根据所述测试数据对应的标签以及各所述共享模型的输出结果获取各所述共享模型对应的预测精度；
35.在各所述共享模型对应的预测精度满足预设条件时，激活所述第一源模型，以利用所述第一源模型处理任务。
36.可选的，所述方法还包括：
37.在各所述共享模型对应的预测精度不满足预设条件时，继续从所述模型集合中选择第二源模型；
38.判断所述第一源模型和所述第二源模型处理任务时所使用的资源和是否小于或等于所述资源阈值；
39.如果是，将所述测试数据输入所述第二源模型获得输出结果；
40.将所述输出结果分别驶入所述第二源模型对应的共享模型，并获得各所述共享模型的输出结果；
41.根据所述测试数据对应的标签、所述第一源模型对应的各所述共享模型的输出结果以及所述第二源模型对应的各所述共享模型的输出结果获取各所述共享模型对应的预测精度；
42.在各所述共享模型对应的预测精度满足预设条件时，激活所述第一源模型和所述第二源模型，以利用所述第一源模型和所述第二源模型处理任务。
43.可选的，所述资源阈值为时延或显存。
44.在本技术实施例第二方面提供了一种数据处理装置，所述装置包括：
45.第一获取单元，用于获取模型集合，所述模型集合中包括多个处理模型；
46.确定单元，用于基于待处理任务对应的需求，从所述模型集合中确定出第一处理模型和第二处理模型；
47.第二获取单元，用于将所述待处理任务中的待处理数据分别输入所述第一处理模型和所述第二处理模型，获得第一输出结果、第二输出结果；
48.所述确定单元，用于基于所述模型集合中未被选择的第三处理模型，确定第一共享模型和第二共享模型，所述第一共享模型是以所述第一处理模型的输出结果为训练数据、所述第三处理模型的输出结果为标签训练生成的，所述第二共享模型是以所述第二处理模型的输出结果为训练数据、所述第三处理模型的输出结果为标签训练生成的，所述第三处理模型为所述模型集合中未被选择的模型中的任一个模型；
49.所述第二获取单元，还用于将所述第一输出结果输入所述第一共享模型，获得第三输出结果；
50.所述第二获取单元，还用于将所述第二输出结果输入所述第二共享模型，获得第四输出结果；
51.所述第二获取单元，还用于根据所述第三输出结果和所述第四输出结果获取目标输出结果，将所述目标输出结果确定为所述第三处理模型的输出结果。
52.在本技术实施例第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在设备上运行时，使得所述设备执行第一方面所述的数据处理方法。
53.在本技术实施例第四方面，提供了一种计算机程序产品，所述计算机程序产品在设备上运行时，使得所述设备执行第一方面所述放入数据处理方法。
54.由此可见，本技术实施例具有如下有益效果：
55.本技术实施例，在需要利用多个模型处理待处理任务时，可以基于待处理任务对应的需求，从模型集合中确定第一处理模型和第二处理模型。并基于模型集合中未被选择的第三处理模型，确定第一共享模型和第二共享模型。其中，第一共享模型为基于第一处理模型的输出结果以及第三处理模型的输出结果训练生成的，第二共享模型为基于第二处理模型的输出结果以及第三处理模型的输出结果训练生成。将待处理数据分别输入第一处理模型、第二处理模型获得第一输出结果、第二输出结果。再将第一输出结果输入第一共享模型，获得第三输出结果；将第二输出结果输入第二共享模型，获得第四输出结果。根据第三输出结果以及第四输出结果确定目标输出结果，并将该目标输出结果确定为第三处理模型的输出结果。即利用目标输出结果预测第三处理模型在处理待处理数据时对应的输出结果。可见，本实施例通过在知识层面进行多模型的共享和融合，将模型间的关联性充分挖掘，在相同的计算资源限制下，大幅提高模型的服务能力和效率，降低模型服务的成本，且带来的额外代价是极低的，不会对原始模型服务带来干扰。
附图说明
56.图1为本技术实施例提供的一种构建共享模型方法的流程图；
57.图2为本技术实施例提供的一种权重分配方法流程图；
58.图3为本技术实施例提供的一种数据处理方法流程图；
59.图4为本技术实施例提供的一种数据传输装置结构图。
具体实施方式
60.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术实施例作进一步详细的说明。
61.参见图1，该图为本技术实施例提供的一种共享模型构建方法流程图，如图1所示，该方法包括：
62.s101：获取模型集合，该模型集合中包括多个处理模型。
63.举例说明，模型集合包括处理模型a、处理模型b、处理模型c以及处理模型d。
64.s102：从多个处理模型中确定选择目标模型，该目标模型为多个处理模型中的任一个处理模型。
65.s103：将第一数据输入目标模型，获得第一处理结果。
66.例如，选择的目标模型为处理模型b，则将第一数据输入处理模型b，获得第一处理结果b。
67.s104：将第一数据输入第一处理模型中，获得第二处理结果。
68.其中，第一处理模型为模型集合中除目标模型之外的其他处理模型。例如，目标模型为处理模型b，第一处理模型可以为处理模型a、处理模型c和处理模型d。则将第一数据输入处理模型a，获得第二处理结果a；将第一数据输入处理模型c，获得第二处理结果c；将第一数据输入处理模型d，获得第二处理结果d。
69.s105：利用第二处理结果和第一处理结果组成的训练数据训练生成共享模型。
70.本实施例中，为使得各个第一处理模型可以模型目标模型的行为，即构建从第一处理模型(源模型)到目标模型的知识映射，将第二处理结果作为训练数据、第一处理结果作为标签对初始网络模型进行训练生成共享模型，该共享模型的输出结果可以预测目标模型的输出结果。
71.例如，将第一处理模型为处理模型a，第二处理结果为a，目标模型b的输入结果为b，则利用(a,b)对初始网络模型进行训练生成共享模型ab。在使用时，将待处理数据k输入处理模型a，将处理模型a输出的结果输入共享模型ab，获得输出结果m；将待处理数据k输入目标模型b，获得输出结果n，其中，输出结果m和输出结果n类似，该输出结果m可以反映输出结果n。即在实际任务处理中，可以不用目标模型进行任务处理，而是利用共享模型来预测目标模型的处理结果。
72.在生成共享模型后，在需要获取目标模型对应的输出结果时，可以利用第一处理模型以及共享模型对目标模型的输出进行预测，无需利用目标模型进行数据处理。
73.可以理解的是，对于模型集合中除目标模型之外的其他任意一个处理模型，均可以通过s104-s105训练生成该处理模型对应的共享模型。同时，对于模型集合中的任意一个处理模型，均可以作为目标模型，以构建其他处理模型到目标模型的知识映射。例如，模型集合中包括4个处理模型，分别为处理模型a、处理模型b、处理模型c以及处理模型d。当目标模型为处理模型b时，第一处理模型为模型a时，将第一数据x输入模型a，获得处理结果a，将
第一数据x输入模型b，获得处理结果b。以(a，b)作为一组训练数据训练初始网络模型，以使得训练生成的共享模型可以学习基于a获得b的知识映射，从而获得共享模型ab。以第一处理模型为模型c时，将第一数据x输入模型c，获得处理结果c，将第一数据x输入模型b，获得处理结果b。以(c，b)作为一组训练数据训练初始网络模型，以使得训练生成的共享模型可以学习基于c获得b的知识映射，从而获得共享模型cb。基于上述训练过程，还可以获得共享模型db。
74.再例如，以目标模型为处理模型c，第一处理模型为模型a时，将第一数据x输入模型a，获得处理结果a，将第一数据y输入模型c，获得处理结果c。以(a，c)作为一组训练数据训练初始网络模型，以使得训练生成的共享模型可以学习基于a获得c的知识映射，从而获得共享模型ac。以第一处理模型为模型b时，将第一数据y输入模型b，获得处理结果b，将第一数据y输入模型c，获得处理结果c。以(b，c)作为一组训练数据训练初始网络模型，以使得训练生成的共享模型可以学习基于b获得c的知识映射，从而获得共享模型bc。基于上述训练过程，还可以获得共享模型dc。
75.即本实施例提出了让源模型(第一处理模型)模仿目标模型处理行为的方案，构建从源模型到目标模型的知识映射，生成共享模型。该共享模型可以为全连接神经网络，其结构根据源模型和目标模型的输出层自适应确定，并使用一种简单的启发式方法来构建一个隐层，具有目标输出的两倍长度和非线性激活，是超轻量级的且理论上能够建模任何映射函数。
76.通过在知识层面进行多模型的共享和融合，将模型间的关联性充分挖掘，在相同的计算资源限制下，大幅提高模型的服务能力和效率，降低模型服务的成本，且带来的额外代价是极低的，不会对原始模型服务带来干扰。
77.本发明适用于存在多模型服务的任务场景，包括：1)数据分析云平台。例如公司业务数据挖掘平台和政府视频分析平台；2)智能物联网边缘节点。例如家居安防一体机、智慧社区一体机、智慧工厂一体机等等。3)智能终端设备。例如摄像头内置的访客识别和智能手机的本地相片分析应用。
78.通过上述实施例可知，基于同一个目标模型，可以构建多个从不同源模型到目标模型的知识映射，即不同的共享模型。为融合不同共享模型所输出的结果，可以为不同的共享模型分配权重，进而根据所分配的权重以及输出结果对目标模型进行预测。下面将对如何分配权重进行说明，下述实施例以同一个目标模型对应的两个共享模型为例进行说明。
79.参见图2，该图为本技术实施例提供的一种权重分配方法流程图，如图2所示，该方法可以包括：
80.s201：为第一共享模型和第二共享模型分配一组权重。
81.本实施例中，可以根据分配规则为第一共享模型和第二共享模型分配一组权重。分配规则可以为随机分配或者平均分配(例如权重均为0.5)。其中，第一共享模型和第二共享模型为基于同一目标模型和不同源模型训练生成的。例如，分配的一组权重为q1、q2，其中q1为第一共享模型对应的权重、q2为第二共享模型对应的权重。
82.s202：基于所分配的一组权重、第一共享模型的输出结果以及第二共享模型的输出结果确定预测结果。
83.本实施例中，将待处理数据输入第一共享模型对应的源模型，将源模型输出的结
果输入第一共享模型，获得第一共享模型的输出结果。同理，将待处理数据输入第二共享模型对应的源模型，将源模型输出的结果输入第二共享模型，获得第二共享模型的输出结果。则根据权重以及每个共享模型的输出结果进行加权和获得预测结果。例如，第一共享模型的输出结果为b1，第二共享模型的输出结果为b2，则预测结果为q1*b1 q2*b2。
84.s203：根据预测结果以及第三处理模型的输出结果确定预测结果是否符合预设条件；如果不符合预设条件，则返回s201；如果符合预设条件，则执行s204。
85.本实施例中，将待处理数据输入第三处理模型(目标模型)获得输出结果，根据该输入结果以及预测结果确定该预测结果是否符合预设条件。如果符合预设条件，表明该预测结果可以用于预测第三处理模型的输出结果，所分配的权重比较合理，则执行s204。如果不符合预设条件，则表明该预测结果暂且不能用于预测第三处理模型的输出结果，所分配的权重不合理，则重新执行s201-s203，直至所分配的权重可以使得预测结果来反映第三处理模型的输出结果。其中，预设条件可以为预测精度，或者为距离阈值。其中，距离是指预测结果与第三处理模型的输出结果之间的距离，该距离可以为马氏距离或欧氏距离等。
86.s204：确定第一共享模型以及第二共享模型分别对应的权重。
87.举例说明，例如确定符合预设条件的一组权重为(0.8、0.2)，则确定第一共享模型对应的权重为0.8、第二共享模型对应的权重为0.2。
88.在一种具体的实施方式中，还可以根据以第一共享模型的输出结果、第二共享模型的输出结果为输入数据、第三处理模型的输出结果为标签进行训练以获得第一共享模型、第二共享模型分别对应的权重。
89.再或者，可以构建方程的方式来获得两个共享模型各自对应的权重。例如，第一共享模型对应的权重为q1、第一共享模型的输出结果为b1；第二共享模型对应的权重为q2、第二共享模型的输出结果为b2，第三处理模型的输出结果为b，则根据q1*b1 q2*b2＝b以及q1 q2＝1获得最优解，该最优解即为两个共享模型对应的权重。
90.需要说明的是，当存在多个共享模型时，也可以通过上述方法实现权重分配。
91.通过上述实施例可知，针对目标模型，基于不同的源模型可以训练生成多个到目标模型知识映射的共享模型。例如，模型集合包括4个处理模型(a、b、c和d)，当目标模型为处理模型b时，可以训练生成共享模型ab、共享模型cb、共享模型db，该组共享模型对应的权重为p1、p2、p3；当目标模型为处理模型c时，可以训练生成共享模型ac、共享模型bc、共享模型dc，该组共享模型对应的权重为q1、q2、q3；当目标模型为处理模型d时，可以训练生成共享模型ad、共享模型bd、共享模型cd，该组共享模型对应的权重为k1、k2、k3；当目标模型为处理模型a时，可以训练生成共享模型ba、共享模型ca、共享模型da，该组共享模型对应的权重为r1、r2、r3。即，对于任一源模型，可以训练生成到多个目标模型的共享模型。例如，源模型为处理模型a时，其对应的共享模型可以包括共享模型ab、共享模型ac和共享模型ad；源模型为处理模型b时，其对应的共享模型可以包括共享模型ba、共享模型bc和共享模型bd。
92.在确定出各个处理模型对应的共享模型后，可以根据处理任务时所对应的需求从多个处理模型中选择可以满足需求的一个或多个处理模型。具体地，从多个处理模型中选择第一源模型；判断利用所述第一源模型处理任务时所使用的资源是否小于资源阈值，如果是，将测试数据输入第一源模型获得输出结果；将所述输出结果分别输入所述第一源模型对应的共享模型，获得各共享模型的输出结果；根据所述测试数据对应标签以及所述共
享模型的输出结果获得所述共享模型对应的预测精度；在所述预测精度不满足预设条件时，继续从所述模型集合中选择第二源模型；判断利用所述第一源模型和所述第二源模型处理任务时所使用的资源是否小于所述资源阈值，如果是，则将测试数据分别输入第一源模型、第二源模型获得输出结果；将所述第一源模型输出结果输入所述第一源模型对应的共享模型以及将第二源模型输出结果输入所述第二源模型对应的共享模型，获得各共享模型的输出结果；根据所述测试数据对应标签以及所述共享模型的输出结果获得所述共享模型的预测精度；在所述预测精度不满足预设条件时，继续从所述模型集合中选择第三源模型，继续执行上述操作；如果预测精度满足预设条件，则停止选择。其中，资源阈值可以为处理任务时对应的最大时延或最大显存。
93.例如，模型集合包括处理模型a、处理模型b、处理模型c和处理模型d，资源阈值为最大处理时延40s。第一次选择处理模型a为第一源模型，该模型处理时延为20s，其对应的共享模型分别为模型ab、模型ac和模型ad。获取测试数据x，输入第一源模型a，获得输出结果a，将该输出结果分别输入模型ab、模型ac和模型ad，获得输出结果b’、c’和d’。根据测试数据x对应的标签b以及b’获得模型ab的预测精度、根据测试数据x对应的标签c以及c’获得模型ac的预测精度以及根据测试数据x对应的标签d以及d’获得模型ad的预测精度。在上述各预测精度均满足预设条件时，则无需再次从模型集合中选择；如果上述预测精度存在不满足预设条件的，则继续从模型集合选择。
94.例如，第二次选择处理模型b为第二源模型，该第二源模型处理时延为15s，则第一源模型和第二源模型的处理时延之和小于资源阈值40s。则将测试数据x输入第一源模型a，获得输出结果a，将该输出结果分别模型ac和模型ad，获得输出结果c1’和d1’。将测试数据x输入第二源模型b，获得输出结果b。将该输出结果分别模型bc和模型bd，获得输出结果c2’和d2’。根据模型ac对应的权重q1和模型bc对应的权重q2获得c’＝q1*c1’ q2*c2’；根据ad模型对应的权重k1和模型bd对应的权重k2获得d’＝k1*d1’ k2*d2’。根据测试数据x对应的标签c以及c’获得模型ac 模型bc对应的预测精度以及根据测试数据x对应的标签d以及d’获得模型ad 模型bd对应的预测精度。在上述各预测精度均满足预设条件时，则无需再次从模型集合中选择；如果上述预测精度存在不满足预设条件的，则继续从模型集合选择第三源模型，直至所选择的多个模型处理任务时所使用的资源大于资源阈值或预测精度满足预设条件。
95.基于上述方法可以确定处理某一任务时，所使用的模型组合，为便于理解，下面将结合附图进行说明。
96.参见图3，该图为本技术实施例提供的一种数据处理方法流程图，如图3所示，该方法可以包括：
97.s301：获取模型集合，该模型集合中包括多个处理模型。
98.例如，模型集合包括处理模型a、处理模型b、处理模型c以及处理模型d。
99.s302：基于待处理任务的需求，从模型集合中确定出第一处理模型和第二处理模型。
100.本实施例中，当需要模型进行任务处理时，可以基于该待处理任务对应的需求从多个处理模型中选择部分处理模型来执行任务。其中，待处理任务对应的需求可以包括处理时需要满足最大时延要求等。例如，利用模型集合中的处理模型a和处理模型c即可满足
任务需求，则第一处理模型可以为处理模型a、第二处理模型为处理模型c。
101.s303：将待处理任务中的待处理数据分别输入第一处理模型和第二处理模型，获得第一输出结果、第二输出结果。
102.举例说明，例如待处理数据为z，则将z作为输入数据输入处理模型a，获得第一输出结果a；将z作为输入数据输入处理模型c，获得第二输出结果c。
103.s304：基于未被选择的第三处理模型，确定第一共享模型和第二共享模型。
104.其中，第一共享模型是以第一处理模型的输出结果为训练数据、第三处理模型的输出结果为标签训练生成的，第二共享模型是以第二处理模型的输出结果为训练数据、第三处理模型的输出结果为标签训练生成的，第三处理模型为模型集合中未被选择的模型中的任一个模型；
105.举例说明，当第三处理模型为模型b时，则第一共享模型为ab、第二共享模型为cb。当第三处理模型为d时，第一共享模型可以为ad、第二共享模型可以为cd。
106.需要说明的是，本实施例中s303和s304的执行顺序不受上述限制，也可以先执行s304再执行s303，或者同时执行s303和s304。
107.s305：将第一输出结果输入第一共享模型，获得第三输出结果。
108.s306：将第二输出结果输入第二共享模型，获得第四输出结果。
109.s307：根据第三输出结果和第四输出结果获取目标输出结果，将该目标输出结果确定为第三处理模型的输出结果。
110.具体地，通过上述实施例可知，可以为每个共享模型分配权重，则在确定目标输出结果时，可以获取所述第一共享模型对应的第一权重以及所述第二共享模型对应的第二权重；根据所述第一权重、所述第二权重、所述第三输出结果以及所述第四输出结果获取目标输出结果，并将该目标输出结果确定为第三处理模型的输出结果。即利用目标输出结果来预测第三处理模型的输出结果。
111.可见，通过在知识层面进行多模型的共享，将模型间的关联性进行充分挖掘，在相同的计算资源限制下，大幅度提高模型的服务能力和效率，降低模型服务的成本。同时，不会对原始模型服务器造成干扰。
112.基于上述方法实施例，本技术实施例还提供了一种数据处理装置，下面将结合附图进行说明。
113.参见图4，该图为本技术实施例提供的一种数据处理装置结构图，如图4所示，该装置400包括：
114.第一获取单元401，用于获取模型集合，所述模型集合中包括多个处理模型；
115.确定单元402，用于基于待处理任务对应的需求，从所述模型集合中确定出第一处理模型和第二处理模型；
116.第二获取单元403，用于将所述待处理任务中的待处理数据分别输入所述第一处理模型和所述第二处理模型，获得第一输出结果、第二输出结果；
117.确定单元402，用于基于所述模型集合中未被选择的第三处理模型，确定第一共享模型和第二共享模型，所述第一共享模型是以所述第一处理模型的输出结果为训练数据、所述第三处理模型的输出结果为标签训练生成的，所述第二共享模型是以所述第二处理模型的输出结果为训练数据、所述第三处理模型的输出结果为标签训练生成的，所述第三处
理模型为所述模型集合中未被选择的模型中的任一个模型；
118.第二获取单元403，用于将所述第一输出结果输入所述第一共享模型，获得第三输出结果；
119.第二获取单元403，用于将所述第二输出结果输入所述第二共享模型，获得第四输出结果；
120.第二获取单元403，用于根据所述第三输出结果和所述第四输出结果获取目标输出结果，将所述目标输出结果确定为所述第三处理模型的输出结果。
121.在一种具体的实施方式中，所述第二获取单元，具体用于获取所述第一共享模型对应的第一权重以及所述第二共享模型对应的第二权重；根据所述第一权重、所述第二权重、所述第三输出结果以及所述第四输出结果获取目标输出结果。
122.在一种具体的实施方式中，所述装置还包括：分配单元；所述分配单元，具体用于为所述第一共享模型和所述第二共享模型分配一组权重；基于所分配的一组权重、所述第一共享模型的输出结果以及所述第二共享模型的输出结果确定预测结果；根据所述预测结果以及所述第三处理模型的输出结果确定所述预测结果是否符合预设条件；如果不符合所述预设条件，重新分配一组权重，执行上述操作；如果符合预设条件，确定所述第一共享模型以及所述第二共享模型分别对应的权重。
123.在一种具体的实施方式中，所述第一共享模型、所述第二共享模型的训练过程包括：获取第一训练数据，将训练数据输入所述第一处理模型，获得第一训练结果；将所述第一训练数据输入第三处理模型，获得第二训练结果；将所述第一训练结果作为输入数据以及所述第二训练结果作为标签对第一初始共享模型进行训练，获得所述第一共享模型；以及将第二训练数据输入所述第二处理模型，获得第三训练结果；将所述第二训练数据输入第三处理模型，获得第四训练结果；将所述第二训练结果作为输入数据以及所述第四训练结果作为标签对第二初始共享模型进行训练，获得所述第二共享模型。
124.在一种具体的实施方式中，所述装置还包括：
125.选择单元，用于从所述模型集合中选择第一源模型，所述第一源模型为所述模型集合中的任一处理模型；
126.判断单元，用于判断所述第一源模型处理任务时所使用的资源是否小于或等于资源阈值；
127.所述第二获取单元，还用于在所述判断单元的判断结果为是时，将测试数据输入所述第一源模型获得输出结果；
128.所述第二获取单元，还用于将所述输出结果分别输入所述第一源模型对应的共享模型，并获得各所述共享模型的输出结果；
129.第三获取单元，用于根据所述测试数据对应的标签以及各所述共享模型的输出结果获取各所述共享模型对应的预测精度；
130.激活单元，用于在各所述共享模型对应的预测精度满足预设条件时，激活所述第一源模型，以利用所述第一源模型处理任务。
131.在一种具体的实施方式中，
132.所述选择单元，还用于在各所述共享模型对应的预测精度不满足预设条件时，继续从所述模型集合中选择第二源模型；
133.所述判断单元，用于判断所述第一源模型和所述第二源模型处理任务时所使用的资源和是否小于或等于所述资源阈值；
134.所述第二获取单元，用于在所述判断单元的判断结果为是时，将所述测试数据输入所述第二源模型获得输出结果；
135.所述第二获取单元，用于将所述输出结果分别驶入所述第二源模型对应的共享模型，并获得各所述共享模型的输出结果；
136.所述第三获取单元，还用于根据所述测试数据对应的标签、所述第一源模型对应的各所述共享模型的输出结果以及所述第二源模型对应的各所述共享模型的输出结果获取各所述共享模型对应的预测精度；
137.所述激活单元，还用于在各所述共享模型对应的预测精度满足预设条件时，激活所述第一源模型和所述第二源模型，以利用所述第一源模型和所述第二源模型处理任务。
138.需要说明的是，本实施例中各个单元的实现可以参见图1-图3所示方法实施例中的相关描述，本实施例在此不再赘述。
139.另外，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在设备上运行时，使得所述设备执行所述的数据处理方法。
140.本技术实施例提供了一种计算机程序产品，所述计算机程序产品在设备上运行时，使得所述设备执行所述的数据处理方法。
141.需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
142.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
143.还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
144.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
145.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。