数据处理系统、方法和电子设备与流程

技术特征：
1.一种数据处理系统，其特征在于，包括：云侧设备和端侧设备，所述云侧设备上部署有参数生成模型，所述端侧设备上部署有轻量级模型；所述端侧设备，用于向所述云侧设备发送所述端侧设备实时采集的样本数据，所述样本数据包括图像样本或行为数据样本；所述云侧设备，用于将所述样本数据输入所述参数生成模型，得到所述轻量级模型的第一参数；将所述第一参数发送至所述端侧设备；所述端侧设备，还用于基于所述轻量级模型的模型参数对所述样本数据进行图像识别或行为预测；其中，所述轻量级模型的模型参数包括所述第一参数，所述第一参数为动态参数。2.根据权利要求1所述的系统，其特征在于，若所述样本数据为图像样本，所述图像样本为所述端侧设备采集的连续图像帧的第一帧；所述轻量级模型包括第一轻量级模型，所述第一轻量级模型用于图像识别；所述参数生成模型包括第一参数生成模型，所述第一参数生成模型用于生成所述第一轻量级模型的第一参数；所述云侧设备将所述样本数据输入所述参数生成模型，得到对所述轻量级模型的第一参数，具体包括：将所述图像样本输入所述第一参数生成模型，得到所述第一轻量级模型的第一参数。3.根据权利要求2所述的系统，其特征在于，所述第一参数生成模型包括编码器头部、第一多层感知机mlp以及第二mlp；所述云侧设备将所述图像样本输入所述第一参数生成模型，得到所述第一轻量级模型的第一参数，具体包括：将所述图像样本输入所述第一参数生成模型的编码器头部，再依次通过第一mlp、第二mlp的数据处理，得到所述第一轻量级模型的第一参数。4.根据权利要求3所述的系统，其特征在于，所述第一轻量级模型的模型参数包括p1层的第一参数以及m
1-p1层的第二参数，所述第二参数为静态参数，p1和m
1-p1均为正整数；相应的，所述第一mlp包括p1个第一mlp，所述第二mlp包括p1个第二mlp。5.根据权利要求1所述的系统，其特征在于，若所述样本数据为行为数据样本，所述行为数据样本为用户在所述端侧设备的目标应用程序的一系列行为数据；所述轻量级模型包括第二轻量级模型，所述第二轻量级模型用于行为预测；所述参数生成模型包括第二参数生成模型，所述第二参数生成模型用于生成所述第二轻量级模型的第一参数；所述云侧设备将所述样本数据输入所述参数生成模型，得到对所述轻量级模型的第一参数，具体包括：将所述行为数据样本输入所述第二参数生成模型，得到所述第二轻量级模型的第一参数。6.根据权利要求5所述的系统，其特征在于，所述第二参数生成模型包括门控循环神经网络gru以及第三mlp；所述云侧设备将所述行为数据样本输入所述第二参数生成模型，得到所述第二轻量级模型的第一参数，具体包括：将所述行为数据样本输入所述第二参数生成模型的gru，再通过所述第三mlp的数据处理，得到所述第二轻量级模型的第一参数。7.根据权利要求6所述的系统，其特征在于，所述第二轻量级模型的模型参数包括 p2层
的第一参数以及m
2-p2层的第二参数，p2和m
2-p
2 为正整数；相应的，所述gru包括p2个gru，所述第三mlp包括p2个第三mlp。8.根据权利要求1至7任一项所述的系统，其特征在于，所述云侧设备上还部署有参数稳定器，所述参数稳定器用于对所述参数生成模型中的目标mlp的目标层参数进行优化；所述云侧设备的参数稳定器对所述目标mlp的目标层参数的优化过程，包括：获取多个子mlp的目标层参数，所述多个子mlp用于构建所述目标mlp；通过对所述多个子mlp的目标层参数进行相似度计算和加权求和处理，得到所述目标mlp的目标层参数；其中，所述目标层参数包括目标层的权重参数。9.根据权利要求8所述的系统，其特征在于，所述云侧设备的参数稳定器通过对所述多个子mlp的目标层参数进行相似度计算和加权求和处理，得到所述目标mlp的目标层参数，具体包括：根据所述多个子mlp的目标层参数生成第一矩阵；对所述第一矩阵进行转置，得到第二矩阵；对所述第一矩阵和所述第二矩阵的参数进行相似度计算和加权求和，确定所述多个子mlp的目标层参数的权重；基于所述多个子mlp的目标层参数的权重以及所述多个子mlp的目标层参数，得到所述目标mlp的目标层参数。10.一种数据处理方法，其特征在于，应用于云侧设备，所述云侧设备上部署有参数生成模型，所述参数生成模型用于生成轻量级模型的第一参数，所述第一参数为动态参数，所述轻量级模型部署在端侧设备，所述轻量级模型用于图像识别或行为预测；所述方法包括：接收来自所述端侧设备实时采集的样本数据，所述样本数据包括图像样本或行为数据样本；将所述样本数据输入所述参数生成模型，得到所述轻量级模型的第一参数；将所述第一参数发送至所述端侧设备，以使所述端侧设备基于所述轻量级模型的模型参数对所述样本数据进行图像识别或行为预测，所述轻量级模型的模型参数包括所述第一参数。11.根据权利要求10所述的方法，其特征在于，若所述样本数据为图像样本，所述图像样本为所述端侧设备采集的连续图像帧的第一帧；所述轻量级模型包括第一轻量级模型，所述第一轻量级模型用于图像识别；所述参数生成模型包括第一参数生成模型，所述第一参数生成模型用于生成所述第一轻量级模型的第一参数；将所述样本数据输入所述参数生成模型，得到对所述轻量级模型的第一参数，包括：将所述图像样本输入所述第一参数生成模型，得到所述第一轻量级模型的第一参数。12.根据权利要求11所述的方法，其特征在于，所述第一参数生成模型包括编码器头部、第一多层感知机mlp以及第二mlp；将所述图像样本输入所述第一参数生成模型，得到所述第一轻量级模型的第一参数，包括：将所述图像样本输入所述第一参数生成模型的编码器头部，再依次通过第一mlp、第二
mlp的数据处理，得到所述第一轻量级模型的第一参数。13.根据权利要求12所述的方法，其特征在于，所述第一轻量级模型的模型参数包括p1层的第一参数以及m
1-p1层的第二参数，所述第二参数为静态参数，p1和m
1-p1均为正整数；相应的，所述第一mlp包括p1个第一mlp，所述第二mlp包括p1个第二mlp。14.根据权利要求10所述的方法，其特征在于，若所述样本数据为行为数据样本，所述行为数据样本为用户在所述端侧设备的目标应用程序的一系列行为数据；所述轻量级模型包括第二轻量级模型，所述第二轻量级模型用于行为预测；所述参数生成模型包括第二参数生成模型，所述第二参数生成模型用于生成所述第二轻量级模型的第一参数；将所述样本数据输入所述参数生成模型，得到对所述轻量级模型的第一参数，包括：将所述行为数据样本输入所述第二参数生成模型，得到所述第二轻量级模型的第一参数。15.根据权利要求14所述的方法，其特征在于，所述第二参数生成模型包括门控循环神经网络gru以及第三mlp；将所述行为数据样本输入所述第二参数生成模型，得到所述第二轻量级模型的第一参数，包括：将所述行为数据样本输入所述第二参数生成模型的gru，再通过所述第三mlp的数据处理，得到所述第二轻量级模型的第一参数。16.根据权利要求15所述的方法，其特征在于，所述第二轻量级模型的模型参数包括 p2层的第一参数以及m
2-p2层的第二参数，p2和m
2-p
2 为正整数；相应的，所述gru包括p2个gru，所述第三mlp包括p2个第三mlp。17.根据权利要求10至16任一项所述的方法，其特征在于，所述云侧设备上还部署有参数稳定器，所述参数稳定器用于对所述参数生成模型中的目标mlp的目标层参数进行优化；所述参数稳定器对所述目标mlp的目标层参数的优化过程，包括：获取多个子mlp的目标层参数，所述多个子mlp用于构建所述目标mlp；通过对所述多个子mlp的目标层参数进行相似度计算和加权求和处理，得到所述目标mlp的目标层参数；其中，所述目标层参数包括目标层的权重参数。18.根据权利要求17所述的方法，其特征在于，所述通过对所述多个子mlp的目标层参数进行相似度计算和加权求和处理，得到所述目标mlp的目标层参数，包括：根据所述多个子mlp的目标层参数生成第一矩阵；对所述第一矩阵进行转置，得到第二矩阵；对所述第一矩阵和所述第二矩阵的参数进行相似度计算和加权求和，确定所述多个子mlp的目标层参数的权重；基于所述多个子mlp的目标层参数的权重以及所述多个子mlp的目标层参数，得到所述目标mlp的目标层参数。19.一种数据处理方法，其特征在于，应用于端侧设备，所述端侧设备上部署有轻量级模型，所述轻量级模型用于图像识别或行为预测；所述方法包括：向云侧设备发送所述端侧设备实时采集的样本数据，所述样本数据包括图像样本或行为数据样本；接收来自所述云侧设备的第一参数，所述第一参数是部署在所述云侧设备的参数生成
模型基于所述样本数据生成的所述轻量级模型的动态参数；基于所述轻量级模型的模型参数对所述样本数据进行图像识别或行为预测，所述轻量级模型的模型参数包括所述第一参数。20.一种电子设备，其特征在于，包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用所述存储器中的程序指令执行如权利要求10至19中任一项所述的数据处理方法。

技术总结
本申请提供一种数据处理系统、方法和电子设备。系统中云侧设备上部署有参数生成模型，端侧设备上部署有轻量级模型。端侧设备向云侧设备端侧设备实时采集的发送样本数据，样本数据包括图像样本或行为数据样本。云侧设备将样本数据输入参数生成模型，得到轻量级模型的第一参数，并向端侧设备发送第一参数，以使端侧设备基于轻量级模型的模型参数对样本数据进行图像识别或行为预测，轻量级模型的模型参数包括第一参数。在上述数据处理系统中，云侧的参数生成模型可根据端侧设备实时输入的样本数据，动态地更新端侧设备上轻量级模型的动态参数，使得端侧设备可根据端侧场景数据的变化及时调整端侧轻量级模型，提升端侧设备的轻量级模型的泛化能力。级模型的泛化能力。级模型的泛化能力。


技术研发人员：吴飞 吕喆奇 王峰 杨红霞 况琨
受保护的技术使用者：阿里巴巴（中国）有限公司
技术研发日：2022.09.08
技术公布日：2022/10/11