[发明专利]一种数据处理方法、装置、设备及计算机可读存储介质

说明书

本申请公开了一种数据处理方法，包括接收待处理数据以及对应的数据处理参数信息；根据所述数据处理参数信息调用对应的计算脚本；通过所述计算脚本对所述待处理数据进行处理，获得处理结果；该数据处理方法可以更加快速地实现数据处理，有效减少了时间浪费与人力成本，进一步避免了人为错误，大大提高了数据处理效率；本申请还公开了一种数据处理装置、设备以及计算机可读存储介质，也具有上述有益效果。

技术领域

本申请涉及计算机技术领域，特别涉及一种数据处理方法，还涉及一种数据处理装置、设备以及计算机可读存储介质。

背景技术

随着时代发展，人们希望机器可以更加智能化，并可以按需适应和改变，由此，深度学习应运而生。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，进一步完成相关数据的处理。

目前，深度学习方面的研究主要以CNN(Convolutional Neural Networks卷积神经网络)为研究对象，而由于处理场景的不同，对CNN的性能要求也不相同，从而发展出多种网络结构。但是CNN的基本组成是固定的，分别为输入层、卷积层、激活层、池化层和全连接层。其中，输入层是将待处理数据输入到CNN网络中；卷积层是神经元与输入层中的一个局部区域相连，每个神经元都计算自己与输入层相连的小区域与自己权重的内积，也就是进行卷积核运算的一层；激活层将会逐个元素地进行激活函数操作，该层对数据尺寸没有改变；池化层在在空间维度(宽度和高度)上进行降采样操作，数据的尺寸一般会变小；全连接层将会计算分类评分，数据尺寸变为[1x1xN]，其中N个数字对应的就是数据库中N个类别的分类评分值。同样的，CNN的学习框架种类繁多，比较常见的框架有Caffe、Torch、TensorFlow等。

然而，目前CNN网络的实现方案中基本都是针对某一特定网络、特定框架利用高级计算机语言进行编译处理，后台再将其具体实现在FPGA平台上。此外，对于某一特定网络，其对应的处理方式也并不唯一，如对待处理数据进行卷积处理时，其对应的卷积核尺寸多种多样；对待处理数据进行激活处理时，也可基于不同的激活函数实现；对待处理数据进行池化处理时，其池化方式也可分为最大值池化、均值池化等；由此，当需要通过CNN网络中的某一特定网络对待处理数据进行处理时，则需要编写不同的计算机算法实现。进一步，当待处理数据较多，且数据处理方式并不唯一时，则需要不断地更新计算机算法，以满足数据处理的需求，由此，数据处理的效率大大降低；此外，由于计算机算法的更新一般是由技术人员人工进行的，很容易出现编写错误，不仅造成了人力浪费，其编写过程、查错过程也进一步造成了时间浪费，从而降低了数据处理效率。

因此，如何更加快速地实现数据处理，减少时间浪费与人力成本，进一步避免人为错误，提高数据处理效率是本领域技术人员亟待解决的问题。

发明内容

本申请的目的是提供一种数据处理方法，该数据处理方法可以更加快速地实现数据处理，有效减少了时间浪费与人力成本，进一步避免了人为错误，大大提高了数据处理效率；本申请的另一目的是提供一种数据处理装置、设备以及计算机可读存储介质，也具有上述有益效果。

为解决上述技术问题，本申请提供了一种数据处理方法，所述数据处理方法包括：

接收待处理数据以及对应的数据处理参数信息；

根据所述数据处理参数信息调用对应的计算脚本；

通过所述计算脚本对所述待处理数据进行处理，获得处理结果。

优选的，所述根据所述数据处理参数信息调用对应的计算脚本之前，还包括：

对所述数据处理参数信息进行识别，获得数据格式信息；其中，所述数据格式信息包括计算数据格式；

判断所述待处理数据是否满足所述计算数据格式；