CN107563417A - 一种深度学习人工智能模型建立方法及系统 - Google Patents

Abstract

本发明实施例提供一种深度学习人工智能模型建立方法及系统。所述方法包括：接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。本发明实施例提供的深度学习人工智能模型建立方法及系统，根据用户发送的深度学习人工智能模型建立请求可自动地生成深度学习人工智能模型，无需用户进行软件开发，便于用户操作，降低了用户专业要求，适用范围广。

Description

一种深度学习人工智能模型建立方法及系统

技术领域

本发明实施例涉及计算机技术领域，具体涉及一种深度学习人工智能模型建立方法及系统。

背景技术

人工智能技术已经在大数据分析及大数据价值挖掘领域起到越来越重要的作用。特别是深度学习人工智能技术在图像识别、语音合成、自然语言处理等领域取得重要技术突破。各国政府、大型企业及科研院所投入大量资源进行研究，并取得许多重要成果。例如，应用深度学习方法对肺癌CT扫描图片进行学习，建立识别模型进行分类，能够为医师提供辅助检测诊断，降低疾病预防风险。

现有的深度学习人工智能模型是用户选取合适的训练样本和测试样本，然后应用深度学习算法对模型进行训练、测试，不断完善，最后再对训练好的深度学习人工智能模型进行应用。然而，目前大多数深度学习人工智能模型系统都是基于软件编程方式进行模型训练及调用，只适用于具备软件开发能力的专业人员，对于熟悉特定业务领域知识的业务专家，对其使用面临诸多挑战和困难。

发明内容

针对现有技术中的缺陷，本发明实施例提供了一种深度学习人工智能模型建立方法及系统。

第一方面，本发明实施例提供一种深度学习人工智能模型建立方法，包括：

接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；

根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

第二方面，本发明实施例提供一种深度学习人工智能模型建立系统，包括：

客户端，用于接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；

管理服务器，用于根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

第三方面，本发明实施例提供一种电子设备，包括：

存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

第四方面，本发明实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下方法：接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

本发明实施例提供的深度学习人工智能模型建立方法及系统，根据用户发送的深度学习人工智能模型建立请求可自动地生成深度学习人工智能模型，无需用户进行软件开发，便于用户操作，降低了用户专业要求，适用范围广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的深度学习人工智能模型建立方法流程示意图；

图2为本发明实施例提供的深度学习人工智能模型建立系统结构示意图；

图3为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的深度学习人工智能模型建立方法流程示意图，如图1所示，所述方法包括：

步骤S11、接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；

具体地，当用户需要建立某种深度学习人工智能模型时，用户向系统发送一个深度学习人工智能模型建立请求，然后系统接收该深度学习人工智能模型建立请求，根据该请求生成模型建立作业流，在实际应用中，每个用户均可以向系统发送深度学习人工智能模型建立请求，系统并行地接收这些请求，并建立每个请求所对应的模型建立作业流。

例如，某位用户想要建立一个CT扫描图片的识别模型，则用户可以向系统发送一个CT扫描图片的识别模型的建立请求，然后系统生成一个CT扫描图片的识别模型建立作业流。

步骤S12、根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

具体地，系统执行所述模型建立作业流，对模型进行训练学习，生成与所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型，例如系统执行深度学习人工智能模型作业流，根据对应的深度学习步骤，生成深度学习人工智能模型。

例如，系统执行CT扫描图片的识别模型建立作业流，建立CT扫描图片的识别模型，然后向用户反馈该识别模型，用户使用该识别模型进行辅助诊断。

本发明实施例提供的深度学习人工智能模型建立方法，根据用户发送的深度学习人工智能模型建立请求可自动地生成深度学习人工智能模型，无需用户进行软件开发，便于用户操作，降低了用户专业要求，适用范围广。

在上述实施例的基础上，进一步地，所述根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型，包括：

对所述模型建立作业流进行编排，生成多个并行化训练的模型解耦作业流；

并行化执行每个所述模型解耦作业流，并反馈并行化结果；

对所述并行化结果进行合并，生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

具体地，系统在生成模型建立作业流之后，协调计算服务器集群资源，进行作业调度，对该作业流进行编排，生成多个并行化训练的模型解耦作业流，然后计算服务器集群并行化执行每个模型解耦作业流，然后反馈并行化结果，最后系统对一个模型建立作业流对应的并行化结果进行合并，生成该作业流对应的深度学习人工智能模型，然后向用户反馈该深度学习人工智能模型。这样，系统可以同时接收多个模型建立作业流，对每个模型建立作业流进行并行化解耦处理，得到每个模型建立作业流对应的深度学习人工智能模型。

例如，系统生成CT扫描图片的识别模型建立作业流之后，根据当前计算服务器集群资源，解耦该作业流，生成多个并行化训练的模型解耦作业流，然后将这些模型解耦作业流分发至多个对应的计算服务器集群中的计算服务器，各计算服务器执行各自的模型解耦作业流，执行结束后反馈执行结果，系统对各个并行的执行结果进行合并，生成用户需要的深度学习人工智能模型。

本发明实施例提供的深度学习人工智能模型建立方法，并行化执行模型建立作业流，解耦作业编排与计算资源调度，提高模型建立效率，减少模块耦合性，解决了新作业流与资源调度冲突问题。

在上述各实施例的基础上，进一步地，所述深度学习人工智能模型建立请求至少包括：

训练数据和深度学习模型；

相应地，所述根据所述深度学习人工智能模型建立请求生成模型建立作业流具体为：

根据所述训练数据和所述深度学习模型生成所述模型建立作业流。

具体地，用户向系统发送的深度学习人工智能模型建立请求至少包括训练数据和深度学习模型，其中训练数据可以是本地数据，也可以是数据库数据，数据库数据可以是本地存储的也可以是服务器中的数据库数据，用户可以向系统提供存储训练数据的地址，也可以向系统提供服务器权限，以供系统获取训练数据，然后用户向系统提供需要生成的深度学习人工智能模型所使用的深度学习模型类别，训练数据与深度学习模型构成用户的深度学习人工智能模型建立请求。

系统接收到用户的深度学习人工智能模型建立请求后，根据训练数据和深度学习模型生成模型建立作业流，然后根据该作业流生成深度学习人工智能模型。

在实际应用中，系统还可以对模型建立作业流进行解耦，生成分布式训练数据和深度学习模型，将这些训练数据和模型并行分配给计算服务器集群中的计算服务器，计算服务器对训练数据进行学习，生成深度学习人工智能模型。

本发明实施例提供的深度学习人工智能模型建立方法，深度学习人工智能模型建立请求包含了训练数据和深度学习模型，从而使系统能够满足不同用户的需求，提高系统性能。

在上述各实施例的基础上，进一步地，所述深度学习模型包括但不限于：深度置信网络模型、深度人工神经网络模型、长短期记忆模型或生成对抗网络模型。

具体地，深度学习模型包括但不限于深度置信网络模型(Deep Belief Nets，简称：DBN)、深度人工神经网络模型(Deep Neural Network，简称：DNN)、长短期记忆模型(Long Short-Term Memory，简称：LSTM)或生成对抗网络模型(Generative AdversarialNetwork，简称GAN)，用户在选择深度学习模型时，可以选择上述任意一种深度学习模型，然后系统使用该深度学习模型对训练数据进行学习，生成深度学习人工智能模型。例如，用户发送的深度学习人工智能模型建立请求包含训练数据和DBN模型，则系统根据训练数据对DBN模型进行学习，向用户反馈基于DBN模型的深度学习人工智能模型。

本发明实施例提供的深度学习人工智能模型建立方法，深度学习模型包含了多种类型，使用户可以根据需要选择合适的模型，从而使系统能够满足不同用户的需求，提高系统性能。

在上述实施例的基础上，进一步地，所述方法还包括：

对所述深度学习人工智能模型进行性能评价并反馈分析结果。

在实际应用中，还可以对已经建立的深度学习人工智能模型进行测试，使用测试数据对深度学习人工智能模型进行测试，对测试结果进行性能评价，例如可以使用回归性能评分或者分类混淆矩阵等分析方法对模型进行性能评价，在实际应用中，还可以向用户反馈图表化报告的分析结果，供用户查看。其中，测试数据可以是用户指定的数据，也可以是系统根据先验知识，将用户发送的深度学习人工智能模型建立请求携带的训练数据进行划分，一部分作为建立模型所要使用的训练数据，另一部分作为测试模型所要使用的测试数据。

例如，用户选择训练数据和深度学习模型，生成深度学习人工智能模型建立请求，系统接收到该请求后，生成数据获取-模型建立-性能评价的深度学习人工智能模型建立作业流，然后解耦该作业流，生成分布式数据获取-模型建立-性能评价的模型解耦作业流，分发至计算服务器集群中的计算服务器中，计算服务器并行化执行模型解耦作业流，然后对各执行结果进行合并，生成深度学习人工智能模型，再使用测试数据对深度学习人工智能模型进行测试，对测试结果进行性能评价并给出图表化报告分析结果。

本发明实施例提供的深度学习人工智能模型建立方法，在模型建立之后对模型性能进行评价，并向用户反馈结果，从而使系统能够满足不同用户的需求，提高系统性能。

图2为本发明实施例提供的深度学习人工智能模型建立系统结构示意图，如图2所示，所述系统包括：客户端21和管理服务器22，其中：

客户端21用于接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；管理服务器22用于根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

具体地，当用户需要建立某种深度学习人工智能模型时，用户向客户端21发送一个深度学习人工智能模型建立请求，然后客户端21接收该深度学习人工智能模型建立请求，根据该请求生成模型建立作业流，在实际应用中，每个用户均可以向客户端21发送深度学习人工智能模型建立请求，客户端21并行地接收这些请求，并建立每个请求所对应的模型建立作业流，客户端21可以是PC客户端，也可以是智能移动终端，如手机、平板电脑等。

管理服务器22执行所述模型建立作业流，对模型进行训练学习，生成与所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型，例如管理服务器22执行深度学习人工智能模型作业流，根据对应的深度学习步骤，生成深度学习人工智能模型。本发明实施例提供的系统，其功能具体参照上述方法实施例，此处不再赘述。

本发明实施例提供的深度学习人工智能模型建立系统，根据用户发送的深度学习人工智能模型建立请求可自动地生成深度学习人工智能模型，无需用户进行软件开发，便于用户操作，降低了用户专业要求，适用范围广。

在上述实施例的基础上，进一步地，所述管理服务器包括：

解耦模块，用于对所述模型建立作业流进行编排，生成多个并行化训练的模型解耦作业流；

计算服务器集群，用于并行化执行每个所述模型解耦作业流，并反馈并行化结果；

合并模块，用于对所述并行化结果进行合并，生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

具体地，客户端在生成模型建立作业流之后，解耦模块协调计算服务器集群资源，进行作业调度，对该作业流进行编排，生成多个并行化训练的模型解耦作业流，然后计算服务器集群并行化执行每个模型解耦作业流，然后反馈并行化结果，最后合并模块对一个模型建立作业流对应的并行化结果进行合并，生成该作业流对应的深度学习人工智能模型，然后向客户端反馈该深度学习人工智能模型。这样，客户端可以同时接收多个模型建立作业流，对每个模型建立作业流进行并行化解耦处理，得到每个模型建立作业流对应的深度学习人工智能模型。本发明实施例提供的系统，其功能具体参照上述方法实施例，此处不再赘述。

本发明实施例提供的深度学习人工智能模型建立系统，并行化执行模型建立作业流，解耦作业编排与计算资源调度，提高模型建立效率，减少模块耦合性，解决了新作业流与资源调度冲突问题，采用计算服务器集群进行并行化训练模型，提高系统计算能力。

在上述各实施例的基础上，进一步地，所述客户端包括：

数据组件，用于读取用户选择的训练数据；

模型组件，用于接收用户选择的深度学习模型；

性能组件，用于获取所述深度学习人工智能模型的分析结果。

具体地，数据组件、模型组件和性能组件可以是可视化的组件，数据组件通过接口读入用户选择的训练数据，并向计算服务器集群输出分布式训练数据，数据组件读取的训练数据包括但不限于本地文件数据和数据库数据。模型组件接收用户选择的深度学习模型，包括但不限于深度置信网络模型、深度人工神经网络模型、长短期记忆模型或生成对抗网络模型。模型组件生成模型训练，模型测试作业流，然后管理服务器反馈训练好的深度学习人工智能模型及测试结果，性能组件对测试结果进行分析，并向用户显示分析结果，分析方法包括但不限于回归性能评分或分类混淆矩阵，性能组件的分析结果可以采用图表化报告分析结果。本发明实施例提供的系统，其功能具体参照上述方法实施例，此处不再赘述。

本发明实施例提供的深度学习人工智能模型建立系统，采用计算服务器集群进行并行化训练模型，提高系统计算能力，并采用可视化组件，便于用户使用。

图3为本发明实施例提供的电子设备的结构示意图，如图3所示，所述设备包括：处理器(processor)301、存储器(memory)302和总线303；

其中，处理器301和存储器302通过所述总线303完成相互间的通信；

处理器301用于调用存储器302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的系统等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。

Claims (10)

1.一种深度学习人工智能模型建立方法，其特征在于，包括：

接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；

根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型，包括：

对所述模型建立作业流进行编排，生成多个并行化训练的模型解耦作业流；

并行化执行每个所述模型解耦作业流，并反馈并行化结果；

对所述并行化结果进行合并，生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

3.根据权利要求1所述的方法，其特征在于，所述深度学习人工智能模型建立请求至少包括：

训练数据和深度学习模型；

相应地，所述根据所述深度学习人工智能模型建立请求生成模型建立作业流具体为：

根据所述训练数据和所述深度学习模型生成所述模型建立作业流。

4.根据权利要求3所述的方法，其特征在于，所述深度学习模型包括但不限于：深度置信网络模型、深度人工神经网络模型、长短期记忆模型或生成对抗网络模型。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述深度学习人工智能模型进行性能评价并反馈分析结果。

6.一种深度学习人工智能模型建立系统，其特征在于，包括：

客户端，用于接收用户的深度学习人工智能模型建立请求，根据所述深度学习人工智能模型建立请求生成模型建立作业流；

管理服务器，用于根据所述模型建立作业流生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

7.根据权利要求6所述的系统，其特征在于，所述管理服务器包括：

解耦模块，用于对所述模型建立作业流进行编排，生成多个并行化训练的模型解耦作业流；

计算服务器集群，用于并行化执行每个所述模型解耦作业流，并反馈并行化结果；

合并模块，用于对所述并行化结果进行合并，生成所述深度学习人工智能模型建立请求所对应的深度学习人工智能模型。

8.根据权利要求6所述的系统，其特征在于，所述客户端包括：

数据组件，用于读取用户选择的训练数据；

模型组件，用于接收用户选择的深度学习模型；

性能组件，用于获取所述深度学习人工智能模型的分析结果。

9.一种电子设备，其特征在于，包括：

存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5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，所述计算机程序被处理器执行时实现如权利要求1至5任一所述的方法。