CN107343000A - 用于处理任务的方法和装置 - Google Patents
用于处理任务的方法和装置 Download PDFInfo
- Publication number
- CN107343000A CN107343000A CN201710539626.3A CN201710539626A CN107343000A CN 107343000 A CN107343000 A CN 107343000A CN 201710539626 A CN201710539626 A CN 201710539626A CN 107343000 A CN107343000 A CN 107343000A
- Authority
- CN
- China
- Prior art keywords
- task
- source data
- deep learning
- pending script
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer And Data Communications (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了用于处理任务的方法和装置。该方法的一具体实施方式包括:接收客户端通过预先建立的网络通道发送的任务描述信息,其中,任务描述信息包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,其中,客户端与部署有分布式存储系统的存储服务器集群通信连接,待执行脚本包括源数据信息,源数据信息用于指示源数据在分布式存储系统中的存储地址;基于任务描述信息通过网络通道获取待执行脚本和源数据;根据选取信息从预先设置的至少一个深度学习框架中选取待用深度学习框架;利用获取的源数据、待执行脚本以及待用深度学习框架执行任务,得到任务执行结果。该实施方式提高了开发者数据的安全性,有利于开发者数据的保护。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及用于处理任务的方法和装置。
背景技术
众所周知,云平台允许开发者们或是将写好的程序放在“云”里运行,或是使用“云”里提供的服务,或二者皆是。例如,基于深度学习框架(例如,谷歌的TensorFlow、百度的PaddlePaddle等等)开发的深度学习平台可以允许开发者将训练用数据和脚本等传入,然后再利用平台提供的深度框架完成学习过程或结果预测等任务,这样极大的方便了开发者的程序开发。开发者使用深度学习平台时需要将训练用数据、脚本等数据上传到深度学习平台,因此开发者传入的数据可能会被其他开发者使用,大大降低了开发者数据的安全性,不利于开发者数据的保护。同时,由于数据上传时使用的是公用网络,因此存在数据传输效率低等问题。
发明内容
本申请的目的在于提出一种改进的用于处理任务的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种用于处理任务的方法,该方法包括:接收客户端通过预先建立的网络通道发送的任务描述信息,其中,上述任务描述信息包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,其中,上述客户端与部署有分布式存储系统的存储服务器集群通信连接,上述待执行脚本包括源数据信息,上述源数据信息用于指示源数据在上述分布式存储系统中的存储地址;基于上述任务描述信息通过上述网络通道获取待执行脚本和源数据;根据上述选取信息从预先设置的至少一个深度学习框架中选取待用深度学习框架;利用获取的源数据、待执行脚本以及上述待用深度学习框架执行任务,得到任务执行结果。
在一些实施例中,上述待执行脚本包括用于指示目的地地址的存储指示信息,其中,上述目的地地址是上述分布式存储系统中的、用于存储任务执行结果的地址;以及上述方法还包括:根据上述待执行脚本的存储指示信息,将得到的任务执行结果通过上述网络通道发送到上述分布式存储系统。
在一些实施例中,上述基于上述任务描述信息通过上述网络通道获取待执行脚本和源数据,包括:根据上述任务描述信息中的待执行脚本的存储地址通过上述网络通道从上述客户端中获取待执行脚本;根据上述待执行脚本中的源数据信息通过上述网络通道从上述分布式存储系统中获取执行任务所需的源数据。
在一些实施例中,上述利用获取的源数据、待执行脚本以及上述待用深度学习框架执行任务,得到任务执行结果,包括:利用获取的源数据、待执行脚本以及上述待用深度学习框架执行深度学习训练任务,得到训练完成的深度学习模型。
第二方面,本申请实施例提供了一种用于处理任务的装置,该装置包括:接收单元,用于接收客户端通过预先建立的网络通道发送的任务描述信息,其中,上述任务描述信息包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,其中,上述客户端与部署有分布式存储系统的存储服务器集群通信连接,上述待执行脚本包括源数据信息,上述源数据信息用于指示源数据在上述分布式存储系统中的存储地址;获取单元,用于基于上述任务描述信息通过上述网络通道获取待执行脚本和源数据;选取单元,用于根据上述选取信息从预先设置的至少一个深度学习框架中选取待用深度学习框架;执行单元,用于利用获取的源数据、待执行脚本以及上述待用深度学习框架执行任务,得到任务执行结果。
在一些实施例中,上述待执行脚本包括用于指示目的地地址的存储指示信息,其中,上述目的地地址是上述分布式存储系统中的、用于存储任务执行结果的地址;以及上述装置还包括:发送单元,用于根据上述待执行脚本的存储指示信息,将得到的任务执行结果通过上述网络通道发送到上述分布式存储系统。
在一些实施例中,上述获取单元进一步用于:根据上述任务描述信息中的待执行脚本的存储地址通过上述网络通道从上述客户端中获取待执行脚本;根据上述待执行脚本中的源数据信息通过上述网络通道从上述分布式存储系统中获取执行任务所需的源数据。
在一些实施例中,上述执行单元进一步用于:利用获取的源数据、待执行脚本以及上述待用深度学习框架执行深度学习训练任务,得到训练完成的深度学习模型。
第三方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于处理任务的方法和装置,首先接收客户端通过预先建立的网络通道发送的任务描述信息,上述任务描述信息包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,上述客户端与部署有分布式存储系统的存储服务器集群通信连接,上述待执行脚本包括源数据信息,上述源数据信息用于指示源数据在上述分布式存储系统中的存储地址;而后,基于上述任务描述信息通过上述网络通道获取待执行脚本和源数据,其中,源数据是从上述分布式存储系统中获取的;最后,利用获取的源数据、待执行脚本以及根据上述选取信息选取的待用深度学习框架执行任务,本发明可以根据源数据信息直接从分布式存储系统获取源数据,不需要客户端上传源数据,因此可以大大提高开发者数据的安全性,有利于开发者数据的保护。此外,由于通过专有的网络通道与客户端进行通信,因此提高数据安全性的同时也提高了数据传输的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于处理任务的方法的一个实施例的流程图;
图3是根据本申请的用于处理任务的方法的一个应用场景的示意图;
图4是根据本申请的用于处理任务的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理任务的方法或用于处理任务的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102,存储服务器集群103,网络104和服务器105。终端设备101、102和存储服务器集群103通信连接,存储服务器集群103上部署有分布式存储系统。网络104用以在终端设备101、102和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户(例如,使用云平台进行开发的开发者)可以使用终端设备101、102通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102上可以安装有各种客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102可以是具有显示屏并且支持信息发送、接收的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,服务器105上可以运行各种云平台,例如,可以运行基于深度学习框架开发的深度学习平台,运行有云平台的服务器105可以接收开发者发送的任务描述信息,并基于该任务描述信息执行任务。
需要说明的是,本申请实施例所提供的用于处理任务的方法一般由服务器105执行,相应地,用于处理任务的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于处理任务的方法的一个实施例的流程200。该用于处理任务的方法,包括以下步骤:
步骤201,接收客户端通过预先建立的网络通道发送的任务描述信息。
在本实施例中,用于处理任务的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过预先建立的网络通道接收用户通过客户端发送的任务描述信息,其中,上述任务描述信息可以包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,还可以包括任务所需资源数量,上述任务所需资源数量可以是指执行任务所需要占用的资源的数量,例如,使用的CPU(Central Processing Unit,中央处理器)/GPU(GraphicsProcessing Unit,图形处理器)核数和内存大小。其中,上述客户端可以与部署有分布式存储系统的存储服务器集群通信连接,上述待执行脚本可以包括源数据信息,上述源数据信息可以用于指示源数据在上述分布式存储系统中的存储地址。上述电子设备上可以运行有各种云平台,例如,基于深度学习框架开发的深度学习平台,深度学习平台可以为用户提供深度学习开发环境,用户可以在深度学习平台提供的深度开发环境中运行自己的深度学习训练或预测任务,这里所说的用户可以是指软件开发人员。
在接收客户端通过预先建立的网络通道发送的任务描述信息之前,需要建立用于使上述电子设备与上述客户端进行通信的网络通道。需要指出的是,上述网络通道可以是能够实现客户端与上述电子设备之间安全通信的各种网络通道,例如虚拟专用网络、网络专线。虚拟专用网络(VPN,Virtual Private Network)的功能是在公用网络上建立专用网络,进行加密通讯。现阶段,VPN可以通过服务器、硬件、软件等多种方式实现,例如,使用IPsec VPN、OpenVPN等实现。在这里,上述网络专线可以是物理专用信道,物理专用信道就是在云平台到用户之间铺设有一条专用的线路,该线路只给该用户独立使用,其他的数据不能进入此线路;上述网络专线还可以是虚拟专用信道,虚拟专用信道就是在一般的信道上为用户保留一定的带宽,使该用户可以独享这部分带宽,就像在公用信道上又开了一个通道,只让该用户使用。
步骤202,基于任务描述信息通过网络通道获取待执行脚本和源数据。
在本实施例中,基于步骤201中得到的任务描述信息,上述电子设备(例如图1所示的服务器105)可以通过上述网络通道获取待执行脚本和源数据,在这里,上述待执行脚本可以存储在客户端本地,还可以存储在上述分布式存储系统中。上述电子设备可以根据上述任务描述信息中的待执行脚本的存储地址获取待执行脚本,再根据待执行脚本中的源数据信息读取源数据。
在本实施例的一些可选的实现方式中,上述待执行脚本可以存储在客户端本地,步骤202可以具体包括:首先,上述电子设备可以根据上述任务描述信息中的待执行脚本的存储地址通过上述网络通道从上述客户端中获取待执行脚本;然后,上述电子设备可以根据上述待执行脚本中的源数据信息通过上述网络通道从上述分布式存储系统中获取执行任务所需的源数据。
步骤203,根据选取信息从预先设置的至少一个深度学习框架中选取待用深度学习框架。
在本实施例中,上述电子设备上运行的深度学习平台可以设置有至少一种供用户选取的深度学习框架,例如,TensorFlow、Caffe(Convolutional Architecture for FastFeature Embedding,卷积神经网络框架)、PaddlePaddle等等。上述电子设备可以将设置的几种供用户选取的深度学习框架的名称列表发送给上述客户端,以供上述客户端呈现该名称列表,并接收用户基于所呈现的名称列表发送的用于选取深度学习框架的选取信息。上述电子设备可以根据选取信息从预先设置的至少一种深度学习框架中选取待用深度学习框架。
步骤204,利用获取的源数据、待执行脚本以及待用深度学习框架执行任务,得到任务执行结果。
在本实施例中,上述电子设备可以利用获取的源数据、待执行脚本以及待用深度学习框架执行任务,得到任务执行结果。上述电子设备中可以运行有资源管理系统(例如,yarn等),资源管理系统可以用于实现资源分配,资源管理系统接收到客户端发送的任务描述信息之后,可以根据该任务描述信息中的任务所需资源数量、选取信息等信息为该任务描述信息对应的任务分配计算资源,例如内存、CPU、GPU等等,之后,可以将分配的计算资源集成docker容器,然后,可以使用集成有待用深度学习框架的docker镜像启动docker容器,并指定该docker容器启动之后执行待执行脚本进行模型训练或者结果预测。
在本实施例的一些可选的实现方式中,步骤204可以具体包括:上述电子设备可以利用获取的源数据、待执行脚本以及上述待用深度学习框架执行深度学习训练任务,得到训练完成的深度学习模型。
在本实施例的一些可选的实现方式中,上述待执行脚本还可以包括用于指示目的地地址的存储指示信息,其中,上述目的地地址可以是上述分布式存储系统中的、用于存储任务执行结果的地址;以及上述用于处理任务的方法还可以包括:上述电子设备可以根据上述待执行脚本的存储指示信息,将得到的任务执行结果通过上述网络通道发送到上述分布式存储系统。在这里,上述电子设备可以根据待执行脚本的存储指示信息将得到的任务执行结果直接存储到上述分布式存储系统中的目的地地址,而不是先存储到云平台本地,再由客户端从云平台下载,因此提高了用户数据的安全性。
继续参见图3,图3是根据本实施例的用于处理任务的方法的应用场景的一个示意图。在图3的应用场景中,用户可以使用客户端301通过预先建立的网络通道向运行有深度学习平台的服务器302发送任务描述信息,该任务描述信息包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,其中,该待执行脚本包括源数据信息;之后,服务器302基于上述任务描述信息通过上述网络通道从客户端301本地获取待执行脚本,并从与客户端301通信连接的、部署有分布式存储系统的存储服务器集群303中读取源数据;然后,服务器302根据选取信息选取待用深度学习框架;最后,服务器302利用获取的源数据、待执行脚本以及所述待用深度学习框架执行任务,得到任务执行结果。
本申请的上述实施例提供的方法可以根据源数据信息直接从分布式存储系统中读取源数据,不需要客户端上传源数据,因此可以大大提高开发者数据的安全性,有利于开发者数据的保护。此外,由于通过专有的网络通道与客户端进行通信,因此提高数据安全性的同时也提高了数据传输的效率。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于处理任务的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于处理任务的装置400包括:接收单元401、获取单元402、选取单元403和执行单元404。其中,接收单元401用于接收客户端通过预先建立的网络通道发送的任务描述信息,其中,上述任务描述信息包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,其中,上述客户端与部署有分布式存储系统的存储服务器集群通信连接,上述待执行脚本包括源数据信息,上述源数据信息用于指示源数据在上述分布式存储系统中的存储地址;获取单元402用于基于上述任务描述信息通过上述网络通道获取待执行脚本和源数据;选取单元403用于根据上述选取信息从预先设置的至少一个深度学习框架中选取待用深度学习框架;执行单元404用于利用获取的源数据、待执行脚本以及上述待用深度学习框架执行任务,得到任务执行结果。
在本实施例中,用于处理任务的装置400的接收单元401、获取单元402、选取单元403和执行单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述待执行脚本包括用于指示目的地地址的存储指示信息,其中,上述目的地地址是上述分布式存储系统中的、用于存储任务执行结果的地址;以及上述装置400还可以包括:发送单元(图中未示出),用于根据上述待执行脚本的存储指示信息,将得到的任务执行结果通过上述网络通道发送到上述分布式存储系统。
在本实施例的一些可选的实现方式中,上述获取单元402可以进一步用于:根据上述任务描述信息中的待执行脚本的存储地址通过上述网络通道从上述客户端中获取待执行脚本;根据上述待执行脚本中的源数据信息通过上述网络通道从上述分布式存储系统中获取执行任务所需的源数据。
在本实施例的一些可选的实现方式中,上述执行单元404可以进一步用于:利用获取的源数据、待执行脚本以及上述待用深度学习框架执行深度学习训练任务,得到训练完成的深度学习模型。
下面参考图5,其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分506加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括硬盘等的存储部分506;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分507。通信部分507经由诸如因特网的网络执行通信处理。驱动器508也根据需要连接至I/O接口505。可拆卸介质509,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器508上,以便于从其上读出的计算机程序根据需要被安装入存储部分506。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分507从网络上被下载和安装,和/或从可拆卸介质509被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元、获取单元、选取单元和执行单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“接收客户端通过预先建立的网络通道发送的任务描述信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:接收客户端通过预先建立的网络通道发送的任务描述信息,其中,上述任务描述信息包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,其中,上述客户端与部署有分布式存储系统的存储服务器集群通信连接,上述待执行脚本包括源数据信息,上述源数据信息用于指示源数据在上述分布式存储系统中的存储地址;基于上述任务描述信息通过上述网络通道获取待执行脚本和源数据;根据上述选取信息从预先设置的至少一个深度学习框架中选取待用深度学习框架;利用获取的源数据、待执行脚本以及上述待用深度学习框架执行任务,得到任务执行结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于处理任务的方法,其特征在于,所述方法包括:
接收客户端通过预先建立的网络通道发送的任务描述信息,其中,所述任务描述信息包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,其中,所述客户端与部署有分布式存储系统的存储服务器集群通信连接,所述待执行脚本包括源数据信息,所述源数据信息用于指示源数据在所述分布式存储系统中的存储地址;
基于所述任务描述信息通过所述网络通道获取待执行脚本和源数据;
根据所述选取信息从预先设置的至少一个深度学习框架中选取待用深度学习框架;
利用获取的源数据、待执行脚本以及所述待用深度学习框架执行任务,得到任务执行结果。
2.根据权利要求1所述的方法,其特征在于,所述待执行脚本包括用于指示目的地地址的存储指示信息,其中,所述目的地地址是所述分布式存储系统中的、用于存储任务执行结果的地址;以及
所述方法还包括:
根据所述待执行脚本的存储指示信息,将得到的任务执行结果通过所述网络通道发送到所述分布式存储系统。
3.根据权利要求1所述的方法,其特征在于,所述基于所述任务描述信息通过所述网络通道获取待执行脚本和源数据,包括:
根据所述任务描述信息中的待执行脚本的存储地址通过所述网络通道从所述客户端中获取待执行脚本;
根据所述待执行脚本中的源数据信息通过所述网络通道从所述分布式存储系统中获取执行任务所需的源数据。
4.根据权利要求1所述的方法,其特征在于,所述利用获取的源数据、待执行脚本以及所述待用深度学习框架执行任务,得到任务执行结果,包括:
利用获取的源数据、待执行脚本以及所述待用深度学习框架执行深度学习训练任务,得到训练完成的深度学习模型。
5.一种用于处理任务的装置,其特征在于,所述装置包括:
接收单元,用于接收客户端通过预先建立的网络通道发送的任务描述信息,其中,所述任务描述信息包括待执行脚本的存储地址和用于选取深度学习框架的选取信息,其中,所述客户端与部署有分布式存储系统的存储服务器集群通信连接,所述待执行脚本包括源数据信息,所述源数据信息用于指示源数据在所述分布式存储系统中的存储地址;
获取单元,用于基于所述任务描述信息通过所述网络通道获取待执行脚本和源数据;
选取单元,用于根据所述选取信息从预先设置的至少一个深度学习框架中选取待用深度学习框架;
执行单元,用于利用获取的源数据、待执行脚本以及所述待用深度学习框架执行任务,得到任务执行结果。
6.根据权利要求5所述的装置,其特征在于,所述待执行脚本包括用于指示目的地地址的存储指示信息,其中,所述目的地地址是所述分布式存储系统中的、用于存储任务执行结果的地址;以及
所述装置还包括:
发送单元,用于根据所述待执行脚本的存储指示信息,将得到的任务执行结果通过所述网络通道发送到所述分布式存储系统。
7.根据权利要求5所述的装置,其特征在于,所述获取单元进一步用于:
根据所述任务描述信息中的待执行脚本的存储地址通过所述网络通道从所述客户端中获取待执行脚本;
根据所述待执行脚本中的源数据信息通过所述网络通道从所述分布式存储系统中获取执行任务所需的源数据。
8.根据权利要求5所述的装置,其特征在于,所述执行单元进一步用于:
利用获取的源数据、待执行脚本以及所述待用深度学习框架执行深度学习训练任务,得到训练完成的深度学习模型。
9.一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710539626.3A CN107343000A (zh) | 2017-07-04 | 2017-07-04 | 用于处理任务的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710539626.3A CN107343000A (zh) | 2017-07-04 | 2017-07-04 | 用于处理任务的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107343000A true CN107343000A (zh) | 2017-11-10 |
Family
ID=60218474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710539626.3A Pending CN107343000A (zh) | 2017-07-04 | 2017-07-04 | 用于处理任务的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107343000A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052922A (zh) * | 2017-12-28 | 2018-05-18 | 郑州云海信息技术有限公司 | 一种智能安防训练方法、装置及系统 |
CN108764354A (zh) * | 2018-05-31 | 2018-11-06 | 北京百度网讯科技有限公司 | 用于处理信息的方法及装置 |
CN109358944A (zh) * | 2018-09-17 | 2019-02-19 | 深算科技(重庆)有限公司 | 深度学习分布式运算方法、装置、计算机设备及存储介质 |
CN109471708A (zh) * | 2018-10-12 | 2019-03-15 | 北京奇虎科技有限公司 | 一种任务处理方法、装置及系统 |
CN109857475A (zh) * | 2018-12-27 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种框架管理的方法及装置 |
CN110489126A (zh) * | 2019-08-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 编译任务的执行方法和装置、存储介质及电子装置 |
CN110659127A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种处理任务的方法、装置及系统 |
WO2020024213A1 (zh) * | 2018-08-02 | 2020-02-06 | 上海交通大学 | 一种基于层级化高度异构分布式系统的深度学习应用优化框架 |
CN110780937A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 任务发布方法、装置、计算机可读存储介质及设备 |
CN111373366A (zh) * | 2017-11-21 | 2020-07-03 | 亚马逊科技公司 | 生成和部署机器学习模型软件包 |
CN111385180A (zh) * | 2018-12-28 | 2020-07-07 | 中国移动通信集团重庆有限公司 | 通信隧道构建方法、装置、设备及介质 |
CN112148348A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 任务处理方法、装置及存储介质 |
CN112506619A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 作业处理方法、装置、电子设备、存储介质和程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101094226A (zh) * | 2006-06-19 | 2007-12-26 | 华为技术有限公司 | 管理网络安全框架及其信息处理方法 |
US20130325768A1 (en) * | 2012-06-04 | 2013-12-05 | Brain Corporation | Stochastic spiking network learning apparatus and methods |
CN103534743A (zh) * | 2011-02-16 | 2014-01-22 | 知识因素股份有限公司 | 用于自适应知识评估与学习的系统与方法 |
CN105912500A (zh) * | 2016-03-30 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 机器学习模型生成方法和装置 |
US20160358107A1 (en) * | 2015-06-04 | 2016-12-08 | Accusonus, Inc. | Data training in multi-sensor setups |
CN106529673A (zh) * | 2016-11-17 | 2017-03-22 | 北京百度网讯科技有限公司 | 基于人工智能的深度学习网络训练方法及装置 |
-
2017
- 2017-07-04 CN CN201710539626.3A patent/CN107343000A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101094226A (zh) * | 2006-06-19 | 2007-12-26 | 华为技术有限公司 | 管理网络安全框架及其信息处理方法 |
CN103534743A (zh) * | 2011-02-16 | 2014-01-22 | 知识因素股份有限公司 | 用于自适应知识评估与学习的系统与方法 |
US20130325768A1 (en) * | 2012-06-04 | 2013-12-05 | Brain Corporation | Stochastic spiking network learning apparatus and methods |
US20160358107A1 (en) * | 2015-06-04 | 2016-12-08 | Accusonus, Inc. | Data training in multi-sensor setups |
CN105912500A (zh) * | 2016-03-30 | 2016-08-31 | 百度在线网络技术(北京)有限公司 | 机器学习模型生成方法和装置 |
CN106529673A (zh) * | 2016-11-17 | 2017-03-22 | 北京百度网讯科技有限公司 | 基于人工智能的深度学习网络训练方法及装置 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111373366A (zh) * | 2017-11-21 | 2020-07-03 | 亚马逊科技公司 | 生成和部署机器学习模型软件包 |
CN108052922A (zh) * | 2017-12-28 | 2018-05-18 | 郑州云海信息技术有限公司 | 一种智能安防训练方法、装置及系统 |
CN108764354A (zh) * | 2018-05-31 | 2018-11-06 | 北京百度网讯科技有限公司 | 用于处理信息的方法及装置 |
CN110659127A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种处理任务的方法、装置及系统 |
WO2020024213A1 (zh) * | 2018-08-02 | 2020-02-06 | 上海交通大学 | 一种基于层级化高度异构分布式系统的深度学习应用优化框架 |
US11599789B2 (en) | 2018-08-02 | 2023-03-07 | Shanghai Jiao Tong University | Hierarchical highly heterogeneous distributed system based deep learning application optimization framework |
CN109358944A (zh) * | 2018-09-17 | 2019-02-19 | 深算科技(重庆)有限公司 | 深度学习分布式运算方法、装置、计算机设备及存储介质 |
CN109471708A (zh) * | 2018-10-12 | 2019-03-15 | 北京奇虎科技有限公司 | 一种任务处理方法、装置及系统 |
CN109471708B (zh) * | 2018-10-12 | 2023-10-31 | 北京奇虎科技有限公司 | 一种任务处理方法、装置及系统 |
CN109857475A (zh) * | 2018-12-27 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种框架管理的方法及装置 |
CN109857475B (zh) * | 2018-12-27 | 2020-06-16 | 深圳云天励飞技术有限公司 | 一种框架管理的方法及装置 |
WO2020134549A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳云天励飞技术有限公司 | 一种框架管理的方法及装置 |
CN111385180A (zh) * | 2018-12-28 | 2020-07-07 | 中国移动通信集团重庆有限公司 | 通信隧道构建方法、装置、设备及介质 |
CN111385180B (zh) * | 2018-12-28 | 2022-03-04 | 中国移动通信集团重庆有限公司 | 通信隧道构建方法、装置、设备及介质 |
CN112148348A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 任务处理方法、装置及存储介质 |
CN112148348B (zh) * | 2019-06-28 | 2023-10-20 | 杭州海康威视数字技术股份有限公司 | 任务处理方法、装置及存储介质 |
CN117215635A (zh) * | 2019-06-28 | 2023-12-12 | 杭州海康威视数字技术股份有限公司 | 任务处理方法、装置及存储介质 |
CN117215635B (zh) * | 2019-06-28 | 2024-08-27 | 杭州海康威视数字技术股份有限公司 | 任务处理方法、装置及存储介质 |
CN110489126B (zh) * | 2019-08-08 | 2021-09-10 | 腾讯科技(深圳)有限公司 | 编译任务的执行方法和装置、存储介质及电子装置 |
CN110489126A (zh) * | 2019-08-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 编译任务的执行方法和装置、存储介质及电子装置 |
CN110780937A (zh) * | 2019-09-16 | 2020-02-11 | 腾讯大地通途(北京)科技有限公司 | 任务发布方法、装置、计算机可读存储介质及设备 |
CN110780937B (zh) * | 2019-09-16 | 2023-12-08 | 腾讯大地通途(北京)科技有限公司 | 任务发布方法、装置、计算机可读存储介质及设备 |
CN112506619A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 作业处理方法、装置、电子设备、存储介质和程序产品 |
CN112506619B (zh) * | 2020-12-18 | 2023-08-04 | 北京百度网讯科技有限公司 | 作业处理方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107343000A (zh) | 用于处理任务的方法和装置 | |
CN107919129A (zh) | 用于控制页面的方法和装置 | |
CN104601641B (zh) | 应用链接分享方法、装置及系统 | |
CN106533665B (zh) | 用于存储网站私钥明文的方法、系统和装置 | |
CN107145395A (zh) | 用于处理任务的方法和装置 | |
CN108427939A (zh) | 模型生成方法和装置 | |
CN106471833B (zh) | 用于访问无线局域网的方法和系统 | |
CN107644209A (zh) | 人脸检测方法和装置 | |
CN108830235A (zh) | 用于生成信息的方法和装置 | |
CN108985257A (zh) | 用于生成信息的方法和装置 | |
CN103902339B (zh) | 一种应用程序的安装方法、终端及服务器 | |
CN107818118A (zh) | 数据存储方法和装置 | |
CN107507153A (zh) | 图像去噪方法和装置 | |
CN107390994A (zh) | 界面呈现方法和装置 | |
CN103475743B (zh) | 一种用于云服务的方法、装置及系统 | |
CN109309866A (zh) | 图像处理方法及装置、存储介质 | |
CN110472558A (zh) | 图像处理方法和装置 | |
CN107731229A (zh) | 用于识别语音的方法和装置 | |
CN105354505B (zh) | 一种图像适配方法及电子设备 | |
CN107608795A (zh) | 云计算方法和装置 | |
CN110020329A (zh) | 用于生成网页的方法、装置和系统 | |
CN109905474A (zh) | 基于区块链的数据安全共享方法和装置 | |
CN106886434A (zh) | 一种分布式应用安装方法与装置 | |
CN107562548A (zh) | 传输数据的方法和装置 | |
CN110516678A (zh) | 图像处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171110 |