基于深度学习平台的模型训练方法、数据处理方法和装置制造方法及图纸

本公开提供了一种基于深度学习平台的模型训练方法，涉及人工智能技术领域，尤其涉及深度学习技术领域和分布式计算技术领域。具体实现方案为：响应于接收到来自目标对象的第一操作信息，确定与目标对象对应的目标应用套件；响应于接收到来自目标对象的第二操作信息，根据多个预设处理单元，确定至少一个目标处理单元，其中，第二操作信息与目标应用套件相关；根据至少一个目标处理单元，得到目标深度学习模型；将来自目标对象的样本数据输入目标深度学习模型，得到输出结果；以及根据输出结果，训练目标深度学习模型。本公开还提供了一种基于深度学习平台的数据处理方法、装置、电子设备和存储介质。电子设备和存储介质。电子设备和存储介质。

【技术实现步骤摘要】
基于深度学习平台的模型训练方法、数据处理方法和装置


[0001]本公开涉及人工智能
，尤其涉及深度学习
和分布式计算
更具体地，本公开提供了一种深度学习平台的模型训练方法、数据处理方法、装置、电子设备和存储介质。

技术介绍

[0002]随着人工智能技术的发展，深度学习技术的应用场景不断增加。通过编写代码的方式，开发人员可以将深度学习平台应用于多种场景。

技术实现思路

[0003]本公开提供了一种深度学习平台的模型训练方法、数据处理方法、装置、电子设备和存储介质。
[0004]根据本公开的一方面，提供了一种基于深度学习平台的模型训练方法，该方法包括：深度学习平台包括多个应用套件，多个应用套件包括核心框架，核心框架包括多个预设处理单元，方法包括：响应于接收到来自目标对象的第一操作信息，确定与目标对象对应的目标应用套件；响应于接收到来自目标对象的第二操作信息，根据多个预设处理单元，确定至少一个目标处理单元，其中，第二操作信息与目标应用套件相关；根据至少一个目标处理单元，得到目标深度学习模型；将来自目标对象的样本数据输入目标深度学习模型，得到输出结果；以及根据输出结果，训练目标深度学习模型。
[0005]根据本公开的另一方面，提供了一种基于深度学习平台的数据处理方法，该方法包括：将来自目标对象的目标数据输入深度学习模型，得到目标输出结果，其中，深度学习模型部署于至少一个目标设备，目标设备与深度学习平台相关，深度学习模型是利用本公开提供的方法训练的。
[0006]根据本公开的另一方面，提供了一种基于深度学习平台的模型训练装置，该装置包括：深度学习平台包括多个应用套件，多个应用套件包括核心框架，核心框架包括多个预设处理单元，装置包括：第一确定模块，用于响应于接收到来自目标对象的第一操作信息，确定与目标对象对应的目标应用套件；第二确定模块，用于响应于接收到来自目标对象的第二操作信息，根据多个预设处理单元，确定至少一个目标处理单元，其中，第二操作信息与目标应用套件相关；第一获得模块，用于根据至少一个目标处理单元，得到目标深度学习模型；第二获得模块，用于将来自目标对象的样本数据输入目标深度学习模型，得到输出结果；以及训练模块，用于根据输出结果，训练目标深度学习模型。
[0007]根据本公开的另一方面，提供了一种基于深度学习平台的数据处理装置，该装置包括：第三获得模块，用于将来自目标对象的目标数据输入深度学习模型，得到目标输出结果，其中，深度学习模型部署于至少一个目标设备，目标设备与深度学习平台相关，深度学习模型是利用本公开提供的装置训练的。
[0008]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至
少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
[0009]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。
[0010]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据本公开提供的方法。
[0011]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1是根据本公开一个实施例的深度学习平台的示例性系统架构示意图；
[0014]图2是根据本公开的一个实施例的基于深度学习平台的模型训练方法的流程图；
[0015]图3A是根据本公开的一个实施例的基于深度学习平台的模型训练和推理的流程图；
[0016]图3B是根据本公开的一个实施例的第一控件和第二控件的示意图；
[0017]图3C是根据本公开的一个实施例的核心框架的示意图；
[0018]图4是根据本公开的另一个实施例的基于深度学习平台的数据处理方法的流程图；
[0019]图5是根据本公开的一个实施例的基于深度学习平台的模型训练装置的框图；
[0020]图6是根据本公开的另一个实施例的基于深度学习平台的数据处理装置的框图；以及
[0021]图7是根据本公开的一个实施例的可以应用基于深度学习平台的模型训练方法和/或基于深度学习平台的数据处理方法的电子设备的框图。
具体实施方式
[0022]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0023]近年来，深度学习技术已经在各行各业取得了巨大的成功。然而，使用深度学习技术需要掌握一定的数学知识和编程技能，这对不同行业、不同技术背景的开发人员提出了巨大的挑战。
[0024]例如，一些开发人员具备人工智能算法的研发能力，有一定的科研创新需求。这类开发人员通常来自于具备人工智能技术沉淀的大型机构，拥有研发最新模型算法的能力。这些开发人员对开发框架或平台的灵活性要求较高，可以使用平台核心架构进行自主研发，可以完成模型自研和技术创新的工作。
[0025]例如，一些开发人员具备编程能力和人工智能应用研发能力，可以使用成熟的算法进行应用开发。这类开发人员可以将业务场景的问题拆解成人工智能模型的应用方案。
他们希望可以模块化地复用高性能的模型，或者基于已有模型代码进行二次研发，构建更加贴合实际业务的解决方案。
[0026]例如，一些开发人员具备编程能力，但无人工智能开发经验，通常是传统的软件研发团队。这类开发人员具有编程能力，例如掌握Python、C++等编程语言。这类开发人员可以使用熟悉的编程语言复用经过产业实践的方案，也可以使用少量代码高效地解决业务难题。
[0027]例如，一些开发人员无编程能力，也无人工智能开发经验，通常是业务人员。这些开发人员追求极高开发效率。他们希望零代码应用人工智能技术，也希望能够尽可能降低人工智能学习成本，以便专注于业务本身，解决业务难点。
[0028]现有的深度学习框架或者平台功能单一。例如，一些深度学习框架产品只提供了深度学习框架，这要求开发人员有一定的编程知识积累和较为丰富的人工智能开发经验。
[0029]图1是根据本公开一个实施例的深度学习平台的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的
技术实现思路
，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
[0030]如图1所示，根据该实施例的深度学习平台100可以包括多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习平台的模型训练方法，所述深度学习平台包括多个应用套件，多个所述应用套件包括核心框架，所述核心框架包括多个预设处理单元，所述方法包括：响应于接收到来自目标对象的第一操作信息，确定与所述目标对象对应的目标应用套件；响应于接收到来自所述目标对象的第二操作信息，根据多个所述预设处理单元，确定至少一个目标处理单元，其中，所述第二操作信息与所述目标应用套件相关；根据至少一个所述目标处理单元，得到目标深度学习模型；将来自所述目标对象的样本数据输入所述目标深度学习模型，得到输出结果；以及根据所述输出结果，训练所述目标深度学习模型。2.根据权利要求1所述的方法，其中，所述目标应用套件为所述核心框架，至少一个所述目标处理单元包括第一目标处理单元和第二目标处理单元中的至少一个，所述根据多个所述预设处理单元，确定至少一个目标处理单元包括：根据所述第二操作信息，得到至少一个第一目标代码数据；以及根据所述第一目标代码数据，调整与所述第一目标代码数据对应的所述预设处理单元，得到所述第一目标处理单元。3.根据权利要求2所述的方法，其中，所述根据多个所述预设处理单元，确定至少一个目标处理单元还包括：根据所述第二操作信息，得到至少一个第二目标代码数据；以及根据所述第二目标代码数据，得到所述第二目标处理单元。4.根据权利要求2或3所述的方法，其中，所述根据至少一个所述目标处理单元，得到目标深度学习模型包括：根据所述第一目标处理单元和所述第二目标处理单元中的至少一个，得到目标深度学习模型。5.根据权利要求1所述的方法，其中，多个所述应用套件还包括算法套件、场景套件和可视界面中的至少一个，所述算法套件包括多个预设深度学习模块，所述预设深度学习模块与至少一个所述预设处理单元对应，所述场景套件包括至少一个场景子套件，所述场景子套件对应多个所述预设深度学习模块，所述可视界面展示有第一控件和第二控件，所述第一控件与一个所述场景子套件对应，所述第二控件与一个所述预设深度学习模块对应。6.根据权利要求5所述的方法，其中，所述目标应用套件为所述算法套件，所述根据多个所述预设处理单元，确定至少一个目标处理单元包括：根据与所述第二操作信息相关的至少一个所述预设深度学习模块，从多个预设处理单元中确定至少一个所述目标处理单元。7.根据权利要求6所述的方法，其中，所述根据所述至少一个目标处理单元，得到目标深度学习模型包括：根据至少一个所述目标处理单元，得到至少一个所述目标深度学习模型，其中，所述目标深度学习模型对应一个与所述第二操作信息相关的所述预设深度学习模块。
8.根据权利要求5所述的方法，其中，所述目标应用套件为场景套件，所述根据多个所述预设处理单元，确定至少一个目标处理单元包括：根据所述第二操作信息和至少一个所述场景子套件，确定至少一个目标场景子套件；确定与至少一个所述目标场景子套件对应的I个预设深度学习模块，其中，I为不小于1的整数；响应于接收到来自所述目标对象的第三操作信息，从I个所述预设深度学习模块中确定J个目标深度学习模块，其中，J为不小于1且不大于I的整数，所述第三操作信息与至少一个所述目标场景子套件相关；以及从多个所述预设处理单元中，确定与J个所述目标深度学习模块各自对应的至少一个所述目标处理单元。9.根据权利要求8所述的方法，其中，所述根据所述至少一个目标处理单元，得到目标深度学习模型包括：根据与J个所述目标深度学习模块各自对应的至少一个所述目标处理单元，得到J个所述目标深度学习模型。10.根据权利要求5所述的方法，其中，所述目标应用套件为可视界面，所述第一操作信息用于指示所述可视界面被触发，所述根据第二操作信息和多个所述预设处理单元，确定至少一个目标处理单元还包括：根据所述第二操作信息，确定与被触发的N个所述第一控件各自对应的N个所述场景子套件，其中，N个所述第一控件与M个所述第二控件对应，N为不小于1的整数；展示M个所述第二控件，其中，M为不小于1的整数；响应于接收到来自所述目标对象的第四操作信息，确定与被触发的K个所述第二控件各自对应的K个所述预设深度学习模块；以及从多个所述预设处理单元中，确定与K个所述预设深度学习模块各自对应的至少一个所述目标处理单元，其中，K为不小于1且不大于M的整数。11.根据权利要求10所述的方法，其中，所述根据所述至少一个目标处理单元，得到目标深度学习模型包括：根据与K个所述预设深度学习模块各自对应的至少一个所述目标处理单元，得到K个所述目标深度学习模型。12.根据权利要求1所述的方法，其中，所述目标对象包括所述深度学习平台的用户。13.一种基于深度学习平台的数据处理方法，包括：将来自目标对象的目标数据输入深度学习模型，得到目标输出结果，其中，所述深度学习模型部署于至少一个目标设备，所述目标设备与深度学习平台相关，所述深度学习模型是利用权利要求1至12任一项所述的方法训练的。14.一种基于深度学习平台的模型训练装置，所述深度学习平台包括多个应用套件，多个所述应用套件包括核心框架，所述核心框架包括多个预设处理单元，所述装置包括：第一确定模块，用于响应于接收到来自目标对象的第一操作信息，确定与所述目标对象对应的目标应用套件；
第二确定模块，用于响应于接收到来自所述目标对象...

【专利技术属性】
技术研发人员：毕然，徐彤彤，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：