(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111616394.X (22)申请日 2021.12.28 (65)同一申请的已公布的文献号 申请公布号 CN 113986561 A (43)申请公布日 2022.01.28 (73)专利权人 苏州浪潮智能科技有限公司 地址 215100 江苏省苏州市吴中区吴中经 济开发区郭巷街道官浦路1号9幢 (72)发明人 张潇澜　李峰　周镇镇　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 王晓芬 (51)Int.Cl. G06F 9/50(2006.01) G06N 20/00(2019.01)G06N 3/08(2006.01) (56)对比文件 CN 113222942 A,2021.08.0 6 CN 111260594 A,2020.0 6.09 CN 111860833 A,2020.10.3 0 CN 113762514 A,2021.12.07 CN 111277606 A,2020.0 6.12 WO 2021/195 689 A1,2021.10.07 CN 110232334 A,2019.09.13 刘勇.基于分类思想的深度学习人脸美丽回 归预测层设计. 《现代计算机》 .2019,全 文. 审查员 周真 (54)发明名称 人工智能任务处理方法、 装置、 电子设备及 可读存储介质 (57)摘要 本申请公开了一种人工智能任务处理方法、 装置、 电子设备及可读 存储介质。 其中， 方法包括 获取待处理人工智能任务对应的AI数据集和AI 任务执行模型； AI数据集包括AI训练集和AI验证 集。 根据AI任务执行模型， 基于AI训练集在每个 滑窗训练过程中的损失值， 生成任务损失信息； 根据AI任务执行模型， 基于AI验证集在每个滑窗 训练过程中的正向性能指标的期望值， 生成任务 精度期望信息。 根据任务损失信息、 任务精度期 望信息和待处理人工智能任务的任务精度需求 信息确定 是否停止AI任务执行模型的训练， 基于 训练好的AI任务执行模型执行待处理人工智能 任务。 本申请可提升人工智能任务处理性能， 降 低人工智能任务处 理过程中消耗的计算资源。 权利要求书3页 说明书15页 附图4页 CN 113986561 B 2022.04.22 CN 113986561 B 1.一种人工智能任务处 理方法， 其特 征在于， 包括： 获取待处理人工智能任务对应的AI数据集和AI任务执行模型； 所述AI数据集包括AI训 练集和AI验证集； 所述AI训练集和所述AI验证集均包括对应一个滑窗的多个连续子集， 每 个子集对应所述滑窗的一个窗口； 根据所述AI任务执行模型， 基于所述AI训练集在每个滑窗训练过程中的损失值， 生成 任务损失信息； 根据所述AI任务执行模型， 基于所述AI验证集在每个滑窗训练过程中的正向性能指标 的期望值， 生成任务精度期望信息； 根据所述任务损失信 息、 所述任务精度期望信 息和所述待处理人工智能任务的任务精 度需求信息确定是否停止所述A I任务执行模型的训练， 并基于训练好的A I任务执行模型执 行所述待处 理人工智能任务； 其中， 所述根据所述任务损 失信息、 所述任务精度期望信息和所述待处理人工智能任 务的任务精度需求信息确定是否停止所述AI任务执 行模型的训练， 包括： 根据所述任务损失信息和所述任务精度期望信息确定周期模型精度表示信息； 判断所述周期模型精度表示信息是否与所述任务精度需求信息相匹配； 若所述周期模型精度表示信 息与所述任务精度需求信 息相匹配， 则 输出停止训练所述 AI任务执 行模型的指令； 若所述周期模型精度表示信 息与所述任务精度需求信 息不匹配， 则 输出继续训练所述 AI任务执 行模型的指令； 所述判断所述周期模型精度表示信息是否与所述任务精度需求信息相匹配， 包括： 若所述任务精度需求信息为至少有一次训练所述AI任务执行模型的周期结果表示不 为0， 则判断所述周期模型精度表示信息的各 元素是否均为0； 相应的， 所述若所述周期模型精度表示信息与所述任务精度需求信息相匹配， 则输出 停止训练所述AI任务执 行模型的指令的过程包括： 若所述周期模型精度表示信息的各元素均为0， 则输出停止训练所述AI任务执行模型 的指令； 相应的， 所述若所述周期模型精度表示信息与所述任务精度需求信息不匹配， 则输出 继续训练所述AI任务执 行模型的指令的过程包括： 若所述周期模型精度表示信息的各元素不均为0， 则输出继续训练所述AI任务执行模 型的指令 。 2.根据权利要求1所述的人工智能任务处理方法， 其特征在于， 所述根据 所述任务损失 信息和所述任务精度期望信息确定周期模型精度表示信息， 包括： 调用周期结果表示计算关系式， 计算所述周期模型精度表示信息； 所述周期结果表示 计算关系式为： S=fε（S(i+1)， S(i+2) ，……， S(i+ ε )） 其中， S(i+ε )=M(i+ε )∧N(i+ε )， fε表示映射关系：  {Si+1， Si+2 ，……， Si+ε}→{e1， e2，……， eε}， ej∈{0， 1}； S为所述周期模型精度表示信息， i为第i个训练周期， ε为训练容忍度； M为所述 任务损失信息， N为所述任务精度期望信息， S(i+ε )为第i+ε次训练所述AI任务执行模型的周 期结果表示， M(i+ε )为第i+ε次训练所述AI任务执行模型的任务损失信息， N(i+ε )为第i+ε 次训权　利　要　求　书 1/3 页 2 CN 113986561 B 2练所述AI任务执 行模型的任务精度期望信息， ∧表示逻辑与运 算符。 3.根据权利要求1所述的人工智能任务处理方法， 其特征在于， 所述根据 所述AI任务执 行模型， 基于所述AI训练集在每 个滑窗训练过程中的损失值， 生成任务损失信息， 包括： 基于所述AI训练集， 对每个训练周期， 根据每个滑窗的所述AI任务执行模型的损失值， 计算当前训练周期的所有损失值的当前 标准差； 根据损失变化程度因子和所述当前训练周期的前一个训练周期的所有损失值的前向 标准差， 确定损失变化阈值； 根据所述当前标准差、 所述前向标准差和所述损失变化阈值确定所述当前训练周期的 任务损失信息 。 4.根据权利要求3所述的人工智能任务处理方法， 其特征在于， 所述根据 所述当前标准 差、 所述前向标准差和所述损失变化阈值确定所述当前训练周期的任务损失信息， 包括： 调用周期任务损失信 息计算关系式计算所述当前训练周期的任务损失信 息， 所述周期 任务损失信息计算关系式为： 若σ(lossi1， lossi2，…， lossik)‑σ(loss(i‑1)1， loss(i‑1)2，…， loss(i‑1)k)≤η， 则Mi=1； 否 则， Mi=0； 式中， Mi为第i个训练周期的任务损失信息， lossik为第i个训练周期的第k个滑窗的损 失值， loss(i‑1)k为第i‑1个训练周期的第k个滑窗的损失值， σ(lossi1， lossi2，…， lossik)为 第i个训练周期的所有损失值的当前标准差， σ(lo ss(i‑1)1， loss(i‑1)2，…， loss(i‑1)k)为第i‑1 个训练周期的所有损失值的前向标准差， η为所述损失变化阈值。 5.根据权利要求1所述的人工智能任务处理方法， 其特征在于， 所述根据 所述AI任务执 行模型， 基于所述AI验证集在每个滑 窗训练过程中的正向性能指标的期望值， 生成任务精 度期望信息， 包括： 基于所述AI验证集， 对每个训练周期， 根据每个滑窗的所述AI任务执行模型的正向性 能指标， 计算当前训练周期的所有正向性能指标的当前期望值； 根据性能变化程度因子和所述当前训练周期的前一个训练周期的所有正向性能指标 的前向期望值， 确定性能变化阈值； 根据所述当前期望值、 所述前向期望值和所述性 能变化阈值确定所述当前训练周期的 任务精度期望信息 。 6.根据权利要求5所述的人工智能任务处理方法， 其特征在于， 所述根据 所述当前期望 值、 所述前向期望值和所述性能变化阈值确定所述当前训练周期的任务精度期望信息， 包 括： 调用周期任务精度计算关系式计算所述当前训练周期的任务精度期望信 息， 所述周期 任务精度计算关系式为： 若E(perfi1， perfi2，…， perfik)‑E(perf (i‑1)1， perf (i‑1)2，…， perf (i‑1)k)＞ μ， 则Ni=1； 否 则， Ni=0； 式中， Ni为第i个训练周期的任务精度期望信息， perfik为第i个训练周期的第k个滑窗 的期望值， perf (i‑1)k为第i‑1个训练周期的第k个滑窗的期望值， E(perfi1， perfi2，…， perfik)为第i个训练周期的所有正向性能指标的当前期望值， E(perf (i‑1)1， perf (i‑1)2，…， perf (i‑1)k)为第i‑1个训练周期的所有正向性能指标的前向期望值， μ为所述性能变化阈权　利　要　求　书 2/3 页 3 CN 113986561 B 3