CN108881446B - 一种基于深度学习的人工智能平台系统 - Google Patents
一种基于深度学习的人工智能平台系统 Download PDFInfo
- Publication number
- CN108881446B CN108881446B CN201810652252.0A CN201810652252A CN108881446B CN 108881446 B CN108881446 B CN 108881446B CN 201810652252 A CN201810652252 A CN 201810652252A CN 108881446 B CN108881446 B CN 108881446B
- Authority
- CN
- China
- Prior art keywords
- model
- training
- module
- deep learning
- task
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 230000002452 interceptive effect Effects 0.000 claims abstract description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 17
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000018109 developmental process Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000000034 method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 32
- 230000006872 improvement Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于深度学习的人工智能平台系统,包括:平台层,用于权限管理、分布式存储、GPU计算资源管理、分布式计算及训练和任务调度;模型层,用于提供机器学习模型和深度学习模型;应用层,用于资源管理与监控、模型定义及训练、提供交互式变成环境、智能数据标注和模型导出及发布。本发明通过工程手段开发一个AI平台系统,以此来提升GPU等硬件资源的利用率,减少硬件投入成本,帮助算法工程师更方便的应用各类深度学习技术,使其从繁杂的环境运维中解脱出来,提供海量训练数据的高效存储,用户资源隔离,访问权限控制更安全;训练数据、训练任务统一管理,机器学习流程规范化,流程化;数据标注自动化,提高模型迭代效率。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及一种基于深度学习的人工智能平台系统。
背景技术
最近几年,随着人工智能技术的快速发展,深度学习摧朽拉枯之势席卷IT的各个角落,改变了各领域算法研究和软件开发的模式,也给IT基础设施建设和平台工具研发带来了新的要求。快速搭建起一个分布式的深度学习训练平台,加速深度神经网络的训练,可以有效提高公司的竞争力。
当前深度学习框架繁多,耳熟能详的就有mxnet、tensorflow、cntk等等,这些框架开发语言不一,接口设计各异,给AI公司,尤其中小型创业团队的框架选择、技术积累和快速研发带来了很多困难。
深度学习训练的一个特点是具有很强的迭代性,即网络结构确定后,可以周期性地通过增加训练数据而提高模型的泛化能力。数据的统一管理,高效标注,可以有效缩短模型迭代周期,能获得更好的效果和更快的产品更新。
XLearning是一款支持多种机器学习、深度学习框架的调度系统。基于HadoopYarn完成了对TensorFlow、MXNet、Caffe、Theano、PyTorch、Keras、XGBoost等常用框架的集成,同时具备良好的扩展性和兼容性。基于HDFS提供统一数据管理。
现有人工智能平台系统(AI平台系统)的缺点为:
1、不支持GPU资源调度管理,在深度学习负载下,GPU是资源调度的一等公民,无法使用GPU资源,对于模型训练效率影响极大;
2、仅仅支持数据的存储,缺少对数据标注工作的支持,需要另外寻求标注工具;
3、没有权限控制系统,不能保证数据的安全;
4、无交互式变成环境,算法工程师开发效率低。
发明内容
针对上述问题中存在的不足之处,本发明提供一种基于深度学习的人工智能平台系统。
为实现上述目的,本发明提供一种基于深度学习的人工智能平台系统,包括:
平台层,用于权限管理、分布式存储、GPU计算资源管理、分布式计算及训练和任务调度;
模型层,用于提供机器学习模型和深度学习模型;
应用层,用于资源管理与监控、模型定义及训练、提供交互式变成环境、智能数据标注和模型导出及发布。
作为本发明的进一步改进,所述平台层包括:
LDAP权限管理模块,用于账号系统的关联、HDFS数据访问权限控制和任务提交管理、计算资源的权限控制;
HDFS模块,用于分布式存储训练任务依赖的数据;
YARN模块,用于接收到训练任务的请求,负责对任务进行GPU资源的分配及任务调度管理和监控;
API模块,所述API模块封装有资源管理、任务管理及监控的一系列接口,用于给账号系统调用及二次开发使用;
GPU主机,用于提供GPU资源。
作为本发明的进一步改进,所述模型层包括:
卷积神经网络,所述卷积神经网络包括分类模型、目标检测模型、文字检测模型和实例分割模型;
循环神经网络,所述循环神经网络包括LSTM/GRU循环神经模型、seq2seq模型和文字处理模型;
SKLearn机器学习库,用于调用其中函数进行分类、回归、聚类和特征工程。
作为本发明的进一步改进,所述应用层包括:
资源管理与监控模块,用于提供可视化的界面供用户了解整个系统的运行状况;
模型定义及训练模块,用于定义模型、启动训练和评测模型;
交互式变成环境模块,所述交互式变成环境模块为基于Jupyter Notebook的交互式编程环境,用于提供交互式变成环境;
智能数据标注模块,所述智能数据标注模块为基于深度学习的智能标注系统,支持图片分类,目标检测,实例分割,文字检测和文字标注;
模型导出及发布模块,用于模型导出及发布;
web可视化界面。
作为本发明的进一步改进,系统的运行状况包括CPU/GPU使用情况、内存及磁盘使用情况、各个训练任务使用资源的情况和异常监控。
作为本发明的进一步改进,在模型定义及训练模块中:
所述定义模型包括选择模型类型、选择模型、定义模型超参数和指定训练数据集;
所述启动训练包括创建任务、并进入任务队列,分配GPU资源、启动训练以及查看训练输出和结果;
所述评测模型包括查看模型评测结果以及调整参数重新训练模型。
与现有技术相比,本发明的有益效果为:
1、海量训练数据的高效存储,用户资源隔离,访问权限控制更安全;
2、机器学习和大数据处理有机结合的高性能分布式计算框架,可扩展性更高;
3、支持TensorFlow/MXNet等常用框架的集成,兼容性好;
4、训练数据、训练任务统一管理;机器学习流程规范化,流程化,模型产出更高效;
5、成熟商业分布式架构,系高可用,大大减少运维工作量;
6、集成大多数常规深度学习、传统机器学习模型,开发模型方便快捷;
7、提供深度学习常规外围辅助系统,所见即所得,方便业务与算法联动,快速形成生产力。
附图说明
图1为本发明一种实施例公开的基于深度学习的人工智能平台系统的框架图。
图中:
10、平台层;11、LDAP权限管理模块;12、HDFS模块;13、YARN模块;14、API模块;15、GPU主机;20、模型层;21、卷积神经网络;22、循环神经网络;23、SKLearn机器学习库;30、应用层;31、资源管理与监控模块;32、模型定义及训练模块;33、交互式变成环境模块;34、智能数据标注模块;35、模型导出及发布模块;36、web可视化界面。
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的一部分实施例,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做出创造性劳动的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。
下面结合附图对本发明做进一步的详细描述:
本发明提供一种基于深度学习的人工智能平台系统,其通过工程手段开发一个AI平台系统,以此来提升GPU等硬件资源的利用率,减少硬件投入成本,帮助算法工程师更方便的应用各类深度学习技术,使其从繁杂的环境运维中解脱出来,提供海量训练数据的高效存储,用户资源隔离,访问权限控制更安全;训练数据、训练任务统一管理,机器学习流程规范化,流程化;数据标注自动化,提高模型迭代效率。
如图1所示,本发明提供一种基于深度学习的人工智能平台系统,包括三层架构:
平台层10,用于权限管理、分布式存储、GPU计算资源管理、分布式计算及训练和任务调度;
模型层20,用于提供丰富的传统机器学习模型和深度学习模型,方便直接复用;
应用层30,用于资源管理与监控、模型定义及训练、提供交互式变成环境、智能数据标注和模型导出及发布。
具体的:
本发明的平台层10包括:LDAP权限管理模块11、HDFS模块12、YARN模块13、API模块14和GPU主机15;其中:
LDAP权限管理模块11包括:
WebPortal账号系统的关联;
HDFS数据访问权限控制;
任务提交管理、计算资源的权限控制。
HDFS模块12:分布式存储训练任务依赖的数据,具有存储容量大,访问速度快,系统高可用,高容错,高可扩展性等优点。
YARN模块13:接收到训练任务的请求,负责对任务进行GPU资源的分配及任务调度管理和监控。
API模块14:API模块14封装有资源管理、任务管理及监控等的一系列接口,用于给Web Portal调用及二次开发使用;
GPU主机,用于提供GPU资源。
本发明的模型层20集成常规深度学习模型,用户只需提供训练数据和简单的配置参数,就能在预训练好的模型上进行fine-tune;模型层20包括:卷积神经网络(CNN)21、循环神经网络(RNN)22和SKLearn机器学习库23;其中:
卷积神经网络21包括:
分类模型,包括:AlexNet、VGG、ResNet、InceptionNet、MobileNet、DenseNet等。
目标检测模型,包括:Faster RCNN,SSD,YOLO等,应用场景如:人脸检测,车辆检测等。
文字检测模型,包括:EAST、CTPN、RRCNN等。
实例分割模型,包括:MaskRCNN,FCNN,HED边缘检测模型等。
循环神经网络22包括:
LSTM/GRU循环神经模型,支持LSTM/GRU等循环神经单元,用户可以使用此模块搭建循环神经网络。使用场景:文本分类,机器创作诗歌等;
seq2seq模型,支持seq2seq模型的训练。使用场景:语音识别,机器翻译等;
文字处理模型,支持word2vec、FastText等处理文字信息,支持文本分类等。
SKLearn机器学习库23:
SKLearn机器学习库23包括分类算法(SVM、KNN、Bayes、决策树、随机森林等)和其它常用算法(SVR、LR、K-means、PCA等),可以直接调用其中函数进行分类、回归、聚类和特征工程等任务。
本发明的应用层30包括:资源管理与监控模块31、模型定义及训练模块32、交互式变成环境模块33、智能数据标注模块34、模型导出及发布模块35和web可视化界面36;其中:
资源管理与监控模块31提供可视化的界面供用户了解整个系统的运行状况,例如:
CPU/GPU使用情况;
内存及磁盘使用情况;
各个训练任务使用资源的情况;
异常监控。
模型定义及训练模块32用于定义模型、启动训练和评测模型;其中:
定义模型包括:
选择模型类型,如:图片识别,文字识别,目标检测,文字检测,分割,回归等;
选择模型,以图片识别为例子,如:AlexNet,VGG等;
定义模型超参数,如:类别数量,fine-tune层数等;
指定训练数据集。
启动训练包括:
创建任务、并进入任务队列;
分配GPU资源、启动训练;
查看训练输出和结果。
评测模型包括:
查看模型评测结果;
调整参数,重新训练模型。
交互式变成环境模块33为基于Jupyter Notebook的交互式编程环境,它具有以下特点:
交互式的编程方式,所见即所得,可方便快速地编写、调试代码;
系统自动为用户分配远程计算资源,用户无需关心底层资源分配和管理;
内置丰富的代码库,用户可以直接调用sklearn、tensorflow、mxnet等模型库;
可视化输出,告别传统的文字界面,用户可以直接查看图片,图表等。
智能数据标注模块34为基于深度学习的智能标注系统,支持图片分类,目标检测,实例分割,文字检测和文字标注等任务;它具有以下特点:
采用B/S架构,方便部署、管理及使用;
多粒度任务管理,支持项目逐级拆分,灵活分配;
支持多人并行标注,系统自动分配任务,方便团队协作;
多人交叉标注验证,保证标注质量;
提供标准化的标注和质检流程,量化质量管理;
算法自动标注结合人工复核的工作方式,极大提高标注质量和效率。
目前自动标注支持:
图片分类;
目标检测及分割;
文字检测及识别。
模型导出及发布模块,用于模型导出及发布;
web可视化界面(WebPortal)。
进一步,本发明还可采用docker、k8s等容器及容器管理工具,构建基于hadoop的平台层资源管理及数据存储系统;类似LDAP的权限管理系统;基于传统机器学习的自动标注系统;图形图像之外的数据标注系统,例如视频音频等。
本发明的优点为:
1、海量训练数据的高效存储,用户资源隔离,访问权限控制更安全;
2、机器学习和大数据处理有机结合的高性能分布式计算框架,可扩展性更高;
3、支持TensorFlow/MXNet等常用框架的集成,兼容性好;
4、训练数据、训练任务统一管理;机器学习流程规范化,流程化,模型产出更高效;
5、成熟商业分布式架构,系高可用,大大减少运维工作量;
6、集成大多数常规深度学习、传统机器学习模型,开发模型方便快捷;
7、提供深度学习常规外围辅助系统,所见即所得,方便业务与算法联动,快速形成生产力。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于深度学习的人工智能平台系统,其特征在于,包括:
平台层,用于权限管理、分布式存储、GPU计算资源管理、分布式计算及训练和任务调度;
所述平台层包括:LDAP权限管理模块,用于账号系统的关联、HDFS数据访问权限控制和任务提交管理、计算资源的权限控制;HDFS模块,用于分布式存储训练任务依赖的数据;YARN模块,用于接收到训练任务的请求,负责对任务进行GPU资源的分配及任务调度管理和监控;API模块,所述API模块封装有资源管理、任务管理及监控的一系列接口,用于给账号系统调用及二次开发使用;GPU主机,用于提供GPU资源;
模型层,用于提供机器学习模型和深度学习模型;
所述模型层包括:卷积神经网络,所述卷积神经网络包括分类模型、目标检测模型、文字检测模型和实例分割模型;循环神经网络,所述循环神经网络包括LSTM/GRU循环神经模型、seq2seq模型和文字处理模型;SKLearn机器学习库,用于调用其中函数进行分类、回归、聚类和特征工程;
应用层,用于资源管理与监控、模型定义及训练、提供交互式变成环境、智能数据标注和模型导出及发布;
所述应用层包括:资源管理与监控模块,用于提供可视化的界面供用户了解整个系统的运行状况;模型定义及训练模块,用于定义模型、启动训练和评测模型;交互式变成环境模块,所述交互式变成环境模块为基于Jupyter Notebook的交互式编程环境,用于提供交互式变成环境;智能数据标注模块,所述智能数据标注模块为基于深度学习的智能标注系统,支持图片分类,目标检测,实例分割,文字检测和文字标注;模型导出及发布模块,用于模型导出及发布;web可视化界面。
2.如权利要求1所述的基于深度学习的人工智能平台系统,其特征在于,系统的运行状况包括CPU/GPU使用情况、内存及磁盘使用情况、各个训练任务使用资源的情况和异常监控。
3.如权利要求1所述的基于深度学习的人工智能平台系统,其特征在于,在模型定义及训练模块中:所述定义模型包括选择模型类型、选择模型、定义模型超参数和指定训练数据集;所述启动训练包括创建任务、并进入任务队列,分配GPU资源、启动训练以及查看训练输出和结果;所述评测模型包括查看模型评测结果以及调整参数重新训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652252.0A CN108881446B (zh) | 2018-06-22 | 2018-06-22 | 一种基于深度学习的人工智能平台系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652252.0A CN108881446B (zh) | 2018-06-22 | 2018-06-22 | 一种基于深度学习的人工智能平台系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108881446A CN108881446A (zh) | 2018-11-23 |
CN108881446B true CN108881446B (zh) | 2021-09-21 |
Family
ID=64340832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810652252.0A Active CN108881446B (zh) | 2018-06-22 | 2018-06-22 | 一种基于深度学习的人工智能平台系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108881446B (zh) |
Families Citing this family (71)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119271B (zh) * | 2018-12-19 | 2020-09-04 | 厦门渊亭信息科技有限公司 | 一种跨机器学习平台的模型定义协议及适配系统 |
EP3671571A1 (en) * | 2018-12-20 | 2020-06-24 | Siemens Aktiengesellschaft | A method and system for generating an artificial intelligence model |
CN109649091A (zh) * | 2018-12-28 | 2019-04-19 | 泉州装备制造研究所 | 基于计算机视觉的汽车轮胎监测系统 |
CN109684471B (zh) * | 2018-12-29 | 2023-08-25 | 上海晏鼠计算机技术股份有限公司 | 一种ai智能文本处理系统在新零售领域的应用方法 |
CN109710383A (zh) * | 2018-12-29 | 2019-05-03 | 上海晏鼠计算机技术股份有限公司 | 一种人工智能算法容器化应用的方法 |
CN109685160B (zh) * | 2019-01-18 | 2020-11-27 | 创新奇智(合肥)科技有限公司 | 一种在线模型自动训练及部署方法及系统 |
CN109978000A (zh) * | 2019-02-19 | 2019-07-05 | 深圳点猫科技有限公司 | 一种基于图形化编程工具的分类ai实现方法及电子设备 |
CN109885389B (zh) * | 2019-02-19 | 2021-07-16 | 浪潮云信息技术股份公司 | 一种基于容器的并行深度学习调度训练方法及系统 |
CN109933309A (zh) * | 2019-03-06 | 2019-06-25 | 上海工业控制安全创新科技有限公司 | 机器学习算法应用于汽车软件开发功能安全的流程方法 |
CN111694705A (zh) * | 2019-03-15 | 2020-09-22 | 北京沃东天骏信息技术有限公司 | 监控方法、装置、设备及计算机可读存储介质 |
CN111753584B (zh) * | 2019-03-28 | 2023-09-26 | 杭州海康威视数字技术股份有限公司 | 智能分析方法及系统 |
CN109992662A (zh) * | 2019-04-12 | 2019-07-09 | 上海晏鼠计算机技术股份有限公司 | 一种智能文本自动化生成的创新流程方法 |
CN110032449A (zh) * | 2019-04-16 | 2019-07-19 | 苏州浪潮智能科技有限公司 | 一种优化gpu服务器的性能的方法及装置 |
CN111860039B (zh) * | 2019-04-26 | 2022-08-02 | 四川大学 | 一种基于跨连cnn+svr的街道空间品质量化方法 |
CN110163269A (zh) * | 2019-05-09 | 2019-08-23 | 北京迈格威科技有限公司 | 基于深度学习的模型生成方法、装置和计算机设备 |
CN110502213A (zh) * | 2019-05-24 | 2019-11-26 | 网思科技股份有限公司 | 一种人工智能能力开发平台 |
CN110263935A (zh) * | 2019-06-14 | 2019-09-20 | 安徽奔奔科技有限公司 | 基于机器学习算法的人工智能行业在线建模平台 |
CN110389834B (zh) * | 2019-06-28 | 2022-07-12 | 苏州浪潮智能科技有限公司 | 一种用于提交深度学习训练任务的方法和装置 |
CN112149139A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 权限管理方法及装置 |
CN112148438A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 异常任务处理、任务调度方法、装置及计算机存储介质 |
CN110378463B (zh) * | 2019-07-15 | 2021-05-14 | 北京智能工场科技有限公司 | 一种人工智能模型标准化训练平台及自动化系统 |
CN110647985A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 一种基于人工智能模型库的众包数据标注方法 |
WO2021031137A1 (zh) * | 2019-08-21 | 2021-02-25 | 深圳鲲云信息科技有限公司 | 人工智能应用开发系统、计算机设备及存储介质 |
CN110659741A (zh) * | 2019-09-03 | 2020-01-07 | 浩鲸云计算科技股份有限公司 | 一种基于分片式自动学习的ai模型训练系统和方法 |
CN110674295A (zh) * | 2019-09-11 | 2020-01-10 | 成都数之联科技有限公司 | 一种基于深度学习的数据标注系统 |
CN110648568A (zh) * | 2019-09-17 | 2020-01-03 | 北京北科融智云计算科技有限公司 | 用于人工智能教学的实训平台 |
CN112529023A (zh) * | 2019-09-18 | 2021-03-19 | 上海钛空猫智能科技有限公司 | 一种配置化的人工智能场景应用研发方法和系统 |
CN110991649A (zh) * | 2019-10-28 | 2020-04-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 深度学习模型搭建方法、装置、设备和存储介质 |
CN110941421A (zh) * | 2019-11-29 | 2020-03-31 | 广西电网有限责任公司 | 一种开发机器学习装置及其使用方法 |
CN110942155A (zh) * | 2019-11-29 | 2020-03-31 | 广西电网有限责任公司 | 一种机器学习引擎的研究方法 |
CN111047293B (zh) * | 2019-12-12 | 2023-11-03 | 云南云电同方科技有限公司 | 图形数据资源管理的方法及其系统 |
CN111209931A (zh) * | 2019-12-23 | 2020-05-29 | 深圳智链物联科技有限公司 | 数据处理方法、平台、终端设备及存储介质 |
CN111190690A (zh) * | 2019-12-25 | 2020-05-22 | 中科曙光国际信息产业有限公司 | 基于容器编排工具的智能训练装置 |
CN111160569A (zh) * | 2019-12-30 | 2020-05-15 | 第四范式(北京)技术有限公司 | 基于机器学习模型的应用开发方法、装置及电子设备 |
CN111142866A (zh) * | 2019-12-31 | 2020-05-12 | 聚时科技(上海)有限公司 | 一种深度学习智能算法流程快速构建系统 |
US20230066178A1 (en) * | 2019-12-31 | 2023-03-02 | Asiainfo Technologies (China), Inc. | Ai intelligentialization based on signaling interaction |
CN111159095B (zh) * | 2020-01-02 | 2023-05-12 | 中国航空工业集团公司西安航空计算技术研究所 | 一种异构融合的嵌入式智能计算实现方法 |
CN111209013A (zh) * | 2020-01-15 | 2020-05-29 | 深圳市守行智能科技有限公司 | 一种高效的深度学习后端模型部署框架 |
CN111428895A (zh) * | 2020-03-27 | 2020-07-17 | 安徽数升数据科技有限公司 | 一种智能电表故障诊断支撑中心 |
CN111736463B (zh) * | 2020-05-09 | 2023-03-03 | 刘炜 | 一种基于运算平台的自适应深度学习控制方法 |
CN111612132A (zh) * | 2020-05-20 | 2020-09-01 | 广东电网有限责任公司 | 一种人工智能算法开发系统、训练方法、设备及介质 |
CN111695613B (zh) * | 2020-05-28 | 2023-01-24 | 平安科技(深圳)有限公司 | 数据标注系统、计算机可读存储介质及电子设备 |
CN113780038A (zh) * | 2020-06-10 | 2021-12-10 | 深信服科技股份有限公司 | 一种图片审计方法、装置、计算设备及存储介质 |
CN111767028B (zh) * | 2020-06-10 | 2023-09-19 | 中国人民解放军军事科学院国防科技创新研究院 | 一种认知资源管理架构及认知资源调用方法 |
CN111666524B (zh) * | 2020-06-16 | 2021-11-23 | 公安部交通管理科学研究所 | 面向交管业务多外设管理需求的浏览器及外设管理方法 |
CN111723746A (zh) * | 2020-06-22 | 2020-09-29 | 江苏云从曦和人工智能有限公司 | 场景识别模型生成方法、系统、平台、设备及介质 |
CN111917579A (zh) * | 2020-07-30 | 2020-11-10 | 云知声智能科技股份有限公司 | 分布式训练方法、装置、设备和存储介质 |
CN111897664A (zh) * | 2020-08-03 | 2020-11-06 | 中关村科学城城市大脑股份有限公司 | 应用于城市大脑的ai算法和ai模型的调配系统及方法 |
CN111897731A (zh) * | 2020-08-03 | 2020-11-06 | 中关村科学城城市大脑股份有限公司 | 应用于城市大脑的人工智能模型评测发布系统及方法 |
CN112085078A (zh) * | 2020-08-31 | 2020-12-15 | 深圳思谋信息科技有限公司 | 图像分类模型生成系统、方法、装置和计算机设备 |
CN112395100A (zh) * | 2020-10-10 | 2021-02-23 | 北京仿真中心 | 一种数据驱动的复杂产品云服务数据包调用方法及系统 |
CN112200465B (zh) * | 2020-10-14 | 2024-04-19 | 安徽继远软件有限公司 | 基于多媒体信息智能分析的电力ai方法及系统 |
CN112379869A (zh) * | 2020-11-13 | 2021-02-19 | 广东电科院能源技术有限责任公司 | 一种标准化开发训练平台 |
CN112416585B (zh) * | 2020-11-20 | 2024-03-15 | 南京大学 | 面向深度学习的gpu资源管理与智能化调度方法 |
CN112417358A (zh) * | 2020-12-03 | 2021-02-26 | 合肥中科类脑智能技术有限公司 | Ai模型训练在线实训学习系统及方法 |
EP4016295A1 (en) * | 2020-12-15 | 2022-06-22 | Aptiv Technologies Limited | Managing a machine learning environment |
CN112612481A (zh) * | 2020-12-23 | 2021-04-06 | 江苏苏州农村商业银行股份有限公司 | 一种智能中台的系统架构 |
CN112561376A (zh) * | 2020-12-23 | 2021-03-26 | 北京橙色云科技有限公司 | 对项目进行拆分的方法、装置以及存储介质 |
CN115794913B (zh) * | 2020-12-30 | 2024-03-15 | 华为技术有限公司 | 一种人工智能系统中数据处理方法及装置 |
CN112667594A (zh) * | 2021-01-14 | 2021-04-16 | 北京智源人工智能研究院 | 一种基于混合云资源的异构计算平台及模型训练方法 |
CN112734040A (zh) * | 2021-01-22 | 2021-04-30 | 中国人民解放军军事科学院国防科技创新研究院 | 一种嵌入式人工智能计算框架及应用方法 |
CN112836648A (zh) * | 2021-02-05 | 2021-05-25 | 湖南嘿哈猫网络科技有限公司 | 一种基于深度学习下用户行为分析模型构建及系统应用 |
CN113157252B (zh) * | 2021-04-13 | 2022-11-25 | 中国航天科工集团八五一一研究所 | 一种电磁信号通用分布式智能处理分析平台及方法 |
CN113313170B (zh) * | 2021-05-28 | 2024-02-27 | 中国人民解放军战略支援部队航天工程大学 | 基于人工智能的全时全域训练大数据平台 |
CN113707289B (zh) * | 2021-07-16 | 2023-11-10 | 联影智能医疗科技(北京)有限公司 | 医学人工智能平台及其搭建方法 |
CN113805850A (zh) * | 2021-08-12 | 2021-12-17 | 紫光云(南京)数字技术有限公司 | 基于多种深度学习和机器学习框架的人工智能管理系统 |
CN113706099A (zh) * | 2021-08-23 | 2021-11-26 | 中国电子科技集团公司第二十八研究所 | 一种数据标注、深度学习模型训练和服务发布系统 |
CN113760464A (zh) * | 2021-09-14 | 2021-12-07 | 中化现代农业有限公司 | 一种基于深度学习的人工智能模型开发平台 |
CN114385126B (zh) * | 2022-03-24 | 2022-06-21 | 山东省计算中心(国家超级计算济南中心) | 一种基于K8s的多租户深度学习模型研发系统及方法 |
CN114841345B (zh) * | 2022-03-28 | 2023-06-16 | 武汉理工大学 | 一种基于深度学习算法的分布式计算平台及其应用 |
DE202022104275U1 (de) | 2022-07-28 | 2022-08-25 | Ahmed Alemran | System für intelligentes Ressourcenmanagement für verteilte Maschinenlernaufgaben |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462612A (zh) * | 2014-07-01 | 2017-02-22 | 萨思学会有限公司 | 用于容错通信的系统和方法 |
CN107404473A (zh) * | 2017-06-06 | 2017-11-28 | 西安电子科技大学 | 基于Mshield机器学习多模式Web应用防护方法 |
CN108027809A (zh) * | 2015-07-31 | 2018-05-11 | 欧特克公司 | 基于深度学习的体设计的功能相关 |
CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
-
2018
- 2018-06-22 CN CN201810652252.0A patent/CN108881446B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462612A (zh) * | 2014-07-01 | 2017-02-22 | 萨思学会有限公司 | 用于容错通信的系统和方法 |
CN108027809A (zh) * | 2015-07-31 | 2018-05-11 | 欧特克公司 | 基于深度学习的体设计的功能相关 |
CN107404473A (zh) * | 2017-06-06 | 2017-11-28 | 西安电子科技大学 | 基于Mshield机器学习多模式Web应用防护方法 |
CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
Non-Patent Citations (1)
Title |
---|
通⽤⼤数据平台的六层架构模型;向永清_数字经济;《https://www.jianshu.com/p/0d6faf264f32》;20180514;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108881446A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108881446B (zh) | 一种基于深度学习的人工智能平台系统 | |
US10515002B2 (en) | Utilizing artificial intelligence to test cloud applications | |
CN110674295A (zh) | 一种基于深度学习的数据标注系统 | |
JP6376865B2 (ja) | 並列ツリー・ベースの予測のための、コンピュータにより実行される方法、ストレージ媒体、およびコンピュータ・システム | |
CN105095866A (zh) | 一种快速行为识别方法和系统 | |
CN108628597B (zh) | 一种机器视觉系统开发方法及装置 | |
US11934866B2 (en) | Operator operation scheduling method and apparatus to determine an optimal scheduling policy for an operator operation | |
CN113010598B (zh) | 面向遥感大数据处理的动态自适应分布式协同工作流系统 | |
CN115169810A (zh) | 一种面向电网调控的人工智能系统构建方法及装置 | |
CN106354729A (zh) | 一种图数据处理方法、装置和系统 | |
CN110249312A (zh) | 数据集成作业转换 | |
CN110309337B (zh) | 一种针对多种目标识别算法的特征值集中存储方法及装置 | |
CN113127203A (zh) | 面向云边计算的深度学习分布式编译器及构造方法 | |
CN107229234A (zh) | 面向航空电子数据的分布式挖掘系统及方法 | |
US11941519B2 (en) | Machine learning training platform | |
WO2020062277A1 (zh) | 神经网络中数据预处理阶段的计算资源的管理方法和装置 | |
CN115330200A (zh) | 用于运营人工智能模型的装置、系统及方法 | |
CN112182413B (zh) | 一种基于教学大数据的智能推荐方法及服务器 | |
CN114676002A (zh) | 基于phm技术的系统运维方法及装置 | |
Du et al. | OctopusKing: A TCT-aware task scheduling on spark platform | |
Ordonia | Detecting cars in a parking lot using deep learning | |
CN109981354A (zh) | 一种基于业务模型的智能布控预警方法 | |
Kalayci et al. | Object detection in driving datasets using a high-performance computing platform: A benchmark study | |
Li | Automatic production technology of data news based on machine learning model | |
TWI779654B (zh) | 以容器部署運行自動機器學習模型之系統、方法及電腦可讀媒介 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 203, Floor 2, Building 6, Qinghe Xisanqi East Road, Haidian District, Beijing 100,089 Patentee after: Beijing Shenzhi Hengji Technology Co.,Ltd. Address before: 0706-003, 113 Zhichun Road, Haidian District, Beijing 100086 Patentee before: SHENYUAN HENGJI TECHNOLOGY CO.,LTD. |