CN109726232A - 一种模型可视化计算方法及系统 - Google Patents
一种模型可视化计算方法及系统 Download PDFInfo
- Publication number
- CN109726232A CN109726232A CN201811643474.2A CN201811643474A CN109726232A CN 109726232 A CN109726232 A CN 109726232A CN 201811643474 A CN201811643474 A CN 201811643474A CN 109726232 A CN109726232 A CN 109726232A
- Authority
- CN
- China
- Prior art keywords
- model
- model training
- industry pattern
- training
- industry
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种模型可视化计算方法，该方法包括：通过模型的可视化操作，建立数据源、算法、知识库之间的连接，得到工业模型的可视化视图；根据所述工业模型的可视化视图，得到所述工业模型的可视化视图对应的抽象数据模型，解析所述抽象数据模型中的模型节点，将所述抽象数据模型转换为系统可识别的所述工业模型的序列化数据；将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型。
Description
技术领域
本申请涉及工业模型领域，具体而言，涉及一种模型可视化计算方法及系统。
背景技术
随着工业互联网的发展，工业领域的知识库和模型库、机理模型、工艺流程等企业的数字化资产在成指数级增长。当前在企业中，主要靠各个鼓励的信息化系统去管理这是数字化资产，但是没有统一的体系就统一管理，各个业务系统数据彼此分离，更为关键的是，没有合适的方式让这些数字化的资产变成整个企业的技术传承和经验的迭代更新。同时，目前没有一个比较完善的方案将这些数字化资产进行商业化，变成可以自由交易或者转让的商业模式。如何通过便捷的方式，是的普通的企业IT人员可以很容易的方式实现企业模型的构建，实现企业的经验资产化，是企业面临的一大难点。本发明提供了一种可可视化的、面向大众IT人员的模型构建方法。
在现有技术中，传统的命令行控制台模式无法达到实时交互的要求，针对工业模型的训练无法给用户提供简单直观的操作体验，也无法在训练过程中对其使用的算法进行优化。
发明内容
有鉴于此，本申请的目的在于提供一种模型可视化计算方法及系统，用于解决现有技术中无法对工业模型训练进行动态优化及实时交互的问题。可以通过可视化的模型训练和测试工具，以及可视化的模型任务调度管理组件，可以方便的进行模型的训练过程监控、参数实时调整、业务场景预测方案的选择、预测准确性率的控制等功能，比常规的命令行训练测试要更加友好和便捷，同时实现了实时交互的功能。
第一方面，本申请实施例提供了一种模型可视化计算方法，该方法包括：
通过模型的可视化操作，建立数据源、算法、知识库之间的连接，得到工业模型的可视化视图；
根据所述工业模型的可视化视图，得到所述工业模型的可视化视图对应的抽象数据模型，解析所述抽象数据模型中的模型节点，将所述抽象数据模型转换为系统可识别的所述工业模型的序列化数据；
将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方案，其中，所述将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型，包括：
将所述工业模型的序列化数据发送至云服务器，所述云服务器的模型训练系统加载所述工业模型的序列化数据，进行所述模型训练；
在所述模型训练中，所述云服务器实时将所述工业模型的训练状况回传到本地；
所述模型训练结束之后，所述云服务器将所述工业模型的模型预测和模型训练报告会传到本地，同时，删除所述云服务器缓存的所述工业模型的序列化数据。
结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方案，其中，所述将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型，包括：
将所述工业模型的序列化数据加载本地服务器的模型训练系统中，进行所述模型训练；
在所述模型训练中，用户可以在可视化系统上看到实时训练状况；
所述模型训练结束之后，所述本地服务器的模型训练系统生成所述工业模型的模型预测和模型训练报告。
结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方案，其中，所述模型训练，包括：
在所述模型训练中，根据所述模型训练的实时结果的准确度和综合效率，动态匹配算法代码。
结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方案，其中，所述将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型之后，还包括：
将所述模型预测对应的目标工业模型序列化后上传至所述云服务器，并生成所述目标工业模型的管理ID，通过所述管理ID可以在任意存储介质上对所述目标工业模型进行数据还原。
第二方面，本申请实施例提供了一种模型可视化计算系统，该系统包括：
配置模块，用于通过模型的可视化操作，建立数据源、算法、知识库之间的连接，得到工业模型的可视化视图；
转换模块，用于根据所述工业模型的可视化视图，得到所述工业模型的可视化视图对应的抽象数据模型，解析所述抽象数据模型中的模型节点，将所述抽象数据模型转换为系统可识别的所述工业模型的序列化数据；
计算模块，用于将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型。
结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方案，其中，所述计算模块，包括：远程调用模块，用于将所述工业模型的序列化数据发送至云服务器，所述云服务器的模型训练系统加载所述工业模型的序列化数据，进行所述模型训练；
在所述模型训练中，所述云服务器实时将所述工业模型的训练状况回传到本地；
所述模型训练结束之后，所述云服务器将所述工业模型的模型预测和模型训练报告会传到本地，同时，删除所述云服务器缓存的所述工业模型的序列化数据。
结合第二方面，本申请实施例提供了第二方面的第二种可能的实施方案，其中，所述训练模块，包括：算法自匹配模块，用于在所述模型训练中，根据所述模型训练的实时结果的准确度和综合效率，动态匹配算法代码。
第三方面，本申请实施例提供了一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述第一方面至第一方面的第四种可能的实施方案中任一种所述的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述第一方面至第一方面的第四种可能的实施方案中任一种所述的方法的步骤。
本申请实施例提出的一种模型可视化计算方法及系统，通过可视化操作，建立工业模型的可视化视图，然后根据所述工业模型的可视化视图，经过数据处理得到系统可识别的所述工业模型的序列化数据，接着将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型预测。本申请实施例所提出的一种模型可视化计算方法及系统，通过可视化的模型训练和测试工具，以及可视化的模型任务调度管理组件，可以方便的进行模型的训练过程监控、参数实时调整、业务场景预测方案的选择、预测准确性率的控制等功能，比常规的命令行训练测试要更加友好和便捷，同时实现了实时交互的功能。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种模型可视化计算方法的流程示意图；
图2为本申请实施例提供的一种远程调用的模型调度方式的流程示意图；
图3为本申请实施例提供的一种本地调用的模型调度方式的流程示意图；
图4为本申请实施例提供的一种模型可视化计算系统的结构示意图；
图5为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域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，都属于本申请保护的范围。
本申请实施例提供了一种模型可视化计算方法，如图1所示，包括以下步骤S100-S102：
S100、通过模型的可视化操作，建立数据源、算法、知识库之间的连接，得到工业模型的可视化视图。
具体地，将数据源转化为工业语料模型，算法转化为工业算法模型，知识库转化为工业知识模型，通过可视化拖拽的工具将工业语料模型、工业算法模型、工业知识模型进行有序的连接，组合成工业模型的可视化视图。
S101、根据上述工业模型的可视化视图，得到上述工业模型的可视化视图对应的抽象数据模型，解析上述抽象数据模型中的模型节点，将上述抽象数据模型转换为系统可识别的上述工业模型的序列化数据。
具体地，通过对模型视图进行编码实现数据转化：将模型的视图内容、算法内容、数据模型、知识库配置通过模型数字化存储方式进行转化，形成具有架构化的模型数字信息，即抽象数据模型，在后台实现存储。
然后解析抽象数据模型各个模型节点，即工业语料模型、工业算法模型、工业知识模型，并对应到各子模型的UUID(通用唯一识别码，Universally Unique Identifier)，同时，也对将算法定位到工业算法模型的代码。
通过上述的解析步骤，将抽象数据模型转化为模型训练系统能够识别的工业模型的序列化数据。
S102、将上述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型。
具体地，将工业模型的序列化数据加载到模型训练系统中，系统运行，开始模型训练，得到模型训练之后的目标模型的运行结果，即模型预测。训练后的工业模型在云服务器关联的工业模型平台上发布之前，需要通过准确率测试，测试结果要求超过预设阈值，才能发布。优选地，为了保证发布的工业模型的价值，预设阈值设定为95％，对此本申请不予限制。
在一可选的实施例中，如图2所示，上述步骤S102，将上述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型，包括：
S1021、将上述工业模型的序列化数据发送至云服务器，上述云服务器的模型训练系统加载上述工业模型的序列化数据，进行上述模型训练。
具体地，当选择远程调用的工业模型的调度方式时，本地的模型训练系统自动将工业模型的序列化数据以加密的方式发送给云服务器，云服务器的模型训练系统读取该序列化数据进行模型训练。
模型的调度方式可以在构建工业模型时进行选择，也可以随时进行修改。
S1022、在上述模型训练中，上述云服务器实时将上述工业模型的训练状况回传到本地。
具体地，为了让用户能够实时对工业模型的训练状况进行监控，以及根据用户的意愿更改设定，云服务器将模型训练系统运行的实时状况加密后不断地会传到本地，供用户对工业模型的训练状况进行监控。
S1023、上述模型训练结束之后，上述云服务器将上述工业模型的模型预测和模型训练报告会传到本地，同时，删除上述云服务器缓存的上述工业模型的序列化数据。
具体地，在模型训练结束之后，云服务器会将模型预测和模型训练报告以加密的方式会传到本地，并为了减轻云服务器的存储负担，同时保证用户的模型训练使用的数据的保密性，将云服务器中缓存的该工业模型的序列化数据进行销毁处理。
在一可选的实施例中，如图3所示，上述步骤S102，上述将上述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型，包括：
S1024、将上述工业模型的序列化数据加载本地服务器的模型训练系统中，进行上述模型训练。
具体地，当选择本地调用的工业模型的调度方式时，本地服务器的模型训练系统读取上述工业模型的序列化数据进行模型训练。
S1025、在上述模型训练中，用户可以在可视化系统上看到实时训练状况。
具体地，本地服务器的模型训练系统将模型训练的实时训练状况可视化地展示给用户，以便用户对模型训练的实时状况进行监控。
S1026、上述模型训练结束之后，上述本地服务器的模型训练系统生成上述工业模型的模型预测和模型训练报告。
具体地，在模型训练结束后，本地服务器的模型训练系统生成工业模型的模型预测和模型训练报告展示给用户，以便用户对训练的结果进行评估。
在一可选的实施例中，上述步骤S102中，上述模型训练，包括：
在上述模型训练中，根据所述模型训练的实时结果的准确度和综合效率，动态匹配算法代码。
具体地，工业模型是通过算法进行编辑和集成得到的，在模型训练的时候系统根据工业模型的算法动态匹配对应的算法代码，并通过深度学习不断地优化和策略调整，最终选择最适合该工业模型的算法代码，也就是能够得到最佳准确度和综合效率的算法代码。
在一可选的实施例中，上述步骤S102，上述将上述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型之后，还包括步骤S103：
S103、将上述模型预测对应的目标工业模型序列化后上传至上述云服务器，并生成上述目标工业模型的管理ID，通过上述管理ID可以在任意存储介质上对上述目标工业模型进行数据还原。
具体地，将训练过后得到的目标工业模型进行序列化存储，取消数据存储的差异性，并生成该目标工业模型的管理ID交由该目标工业模型的所有者。
序列化存储的工业模型独立于操作系统和硬件环境，任何一个云平台或系统都可以通过管理ID在不同的存储介质上对管理ID对应的工业模型进行数据还原，将还原得到的数据进行整体解析，就能将该工业模型可视化展示在模型编辑器中。
本申请实施例又提供了一种模型可视化计算系统，如图4所示，具体包括以下结构：
配置模块30，用于通过模型的可视化操作，建立数据源、算法、知识库之间的连接，得到工业模型的可视化视图。
具体地，将数据源转化为工业语料模型，算法转化为工业算法模型，知识库转化为工业知识模型，通过可视化拖拽的工具将工业语料模型、工业算法模型、工业知识模型进行有序的连接，组合成工业模型的可视化视图。
转换模块31，用于根据上述工业模型的可视化视图，得到上述工业模型的可视化视图对应的抽象数据模型，解析上述抽象数据模型中的模型节点，将上述抽象数据模型转换为系统可识别的上述工业模型的序列化数据。
具体地，通过对模型视图进行编码实现数据转化：将模型的视图内容、算法内容、数据模型、知识库配置通过模型数字化存储方式进行转化，形成具有架构化的模型数字信息，即抽象数据模型，在后台实现存储。
然后解析抽象数据模型各个模型节点，即工业语料模型、工业算法模型、工业知识模型，并对应到各子模型的UUID，同时，也对将算法定位到工业算法模型的代码。
通过上述的解析步骤，将抽象数据模型转化为模型训练系统能够识别的工业模型的序列化数据。
计算模块32，用于将上述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型。
具体地，将工业模型的序列化数据加载到模型训练系统中，系统运行，开始模型训练，得到模型训练之后的目标模型的运行结果，即模型预测。训练后的工业模型在云服务器关联的工业模型平台上发布之前，需要通过准确率测试，测试结果要求超过预设阈值，才能发布。优选地，为了保证发布的工业模型的价值，预设阈值设定为95％，对此本申请不予限制。
在一可选的实施例中，上述计算模块32，包括：远程调用模块33，用于将上述工业模型的序列化数据发送至云服务器，上述云服务器的模型训练系统加载上述工业模型的序列化数据，进行上述模型训练。
具体地，当选择远程调用的工业模型的调度方式时，本地的模型训练系统自动将工业模型的序列化数据以加密的方式发送给云服务器，云服务器的模型训练系统读取该序列化数据进行模型训练。
模型的调度方式可以在构建工业模型时进行选择，也可以随时进行修改。
在上述模型训练中，上述云服务器实时将上述工业模型的训练状况回传到本地。
具体地，为了让用户能够实时对工业模型的训练状况进行监控，以及根据用户的意愿更改设定，云服务器将模型训练系统运行的实时状况加密后不断地会传到本地，供用户对工业模型的训练状况进行监控。
上述模型训练结束之后，上述云服务器将上述工业模型的模型预测和模型训练报告会传到本地，同时，删除上述云服务器缓存的上述工业模型的序列化数据。
具体地，在模型训练结束之后，云服务器会将模型预测和模型训练报告以加密的方式会传到本地，并为了减轻云服务器的存储负担，同时保证用户的模型训练使用的数据的保密性，将云服务器中缓存的该工业模型的序列化数据进行销毁处理。
在一可选的实施例中，上述训练模块32，包括：算法自匹配模块34，用于在上述模型训练中，根据所述模型训练的实时结果的准确度和综合效率，动态匹配算法代码。
具体地，工业模型是通过算法进行编辑和集成得到的，在模型训练的时候系统根据工业模型的算法动态匹配对应的算法代码，并通过深度学习不断地优化和策略调整，最终选择最适合该工业模型的算法代码，也就是能够得到最佳准确度和综合效率的算法代码。
对应于图1中的模型可视化计算方法，本申请实施例还提供了一种计算机设备400，如图5所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述模型可视化计算方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述模型可视化计算方法，解决了现有技术中无法对工业模型训练进行动态优化及实时交互的问题。
对应于图1中的模型可视化计算方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述模型可视化计算方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述模型可视化计算方法，解决了现有技术中无法对工业模型训练进行动态优化及实时交互的问题，本申请通过可视化操作，建立工业模型的可视化视图，然后根据所述工业模型的可视化视图，经过数据处理得到系统可识别的所述工业模型的序列化数据，接着将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型预测。这样，本申请通过可视化的模型训练和测试工具，以及可视化的模型任务调度管理组件，可以方便的进行模型的训练过程监控、参数实时调整、业务场景预测方案的选择、预测准确性率的控制等功能，比常规的命令行训练测试要更加友好和便捷，同时实现了实时交互的功能。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种模型可视化计算方法，其特征在于，包括：
通过模型的可视化操作，建立数据源、算法、知识库之间的连接，得到工业模型的可视化视图；
根据所述工业模型的可视化视图，得到所述工业模型的可视化视图对应的抽象数据模型，解析所述抽象数据模型中的模型节点，将所述抽象数据模型转换为系统可识别的所述工业模型的序列化数据；
将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型，包括：
将所述工业模型的序列化数据发送至云服务器，所述云服务器的模型训练系统加载所述工业模型的序列化数据，进行所述模型训练；
在所述模型训练中，所述云服务器实时将所述工业模型的训练状况回传到本地；
所述模型训练结束之后，所述云服务器将所述工业模型的模型预测和模型训练报告会传到本地，同时，删除所述云服务器缓存的所述工业模型的序列化数据。
3.根据权利要求1所述的方法，其特征在于，所述将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型，包括：
将所述工业模型的序列化数据加载本地服务器的模型训练系统中，进行所述模型训练；
在所述模型训练中，用户可以在可视化系统上看到实时训练状况；
所述模型训练结束之后，所述本地服务器的模型训练系统生成所述工业模型的模型预测和模型训练报告。
4.根据权利要求1所述的方法，其特征在于，所述模型训练，包括：
在所述模型训练中，根据所述模型训练的实时结果的准确度和综合效率，动态匹配算法代码。
5.根据权利要求1所述的方法，其特征在于，所述将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型之后，还包括：
将所述模型预测对应的目标工业模型序列化后上传至所述云服务器，并生成所述目标工业模型的管理ID，通过所述管理ID可以在任意存储介质上对所述目标工业模型进行数据还原。
6.一种模型可视化计算系统，其特征在于，包括：
配置模块，用于通过模型的可视化操作，建立数据源、算法、知识库之间的连接，得到工业模型的可视化视图；
转换模块，用于根据所述工业模型的可视化视图，得到所述工业模型的可视化视图对应的抽象数据模型，解析所述抽象数据模型中的模型节点，将所述抽象数据模型转换为系统可识别的所述工业模型的序列化数据；
计算模块，用于将所述工业模型的序列化数据加载到模型训练系统中，进行模型训练，得到模型训练的结果，将所述模型训练的结果确定为目标模型。
7.根据权利要求6所述的系统，其特征在于，所述计算模块，包括：远程调用模块，用于将所述工业模型的序列化数据发送至云服务器，所述云服务器的模型训练系统加载所述工业模型的序列化数据，进行所述模型训练；
在所述模型训练中，所述云服务器实时将所述工业模型的训练状况回传到本地；
所述模型训练结束之后，所述云服务器将所述工业模型的模型预测和模型训练报告会传到本地，同时，删除所述云服务器缓存的所述工业模型的序列化数据。
8.根据权利要求6所述的系统，其特征在于，所述训练模块，包括：算法自匹配模块，用于在所述模型训练中，根据所述模型训练的实时结果的准确度和综合效率，动态匹配算法代码。
9.一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811643474.2A CN109726232A (zh) | 2018-12-29 | 2018-12-29 | 一种模型可视化计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811643474.2A CN109726232A (zh) | 2018-12-29 | 2018-12-29 | 一种模型可视化计算方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109726232A true CN109726232A (zh) | 2019-05-07 |
Family
ID=66299524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811643474.2A Pending CN109726232A (zh) | 2018-12-29 | 2018-12-29 | 一种模型可视化计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726232A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111464596A (zh) * | 2020-03-17 | 2020-07-28 | 石化盈科信息技术有限责任公司 | 数据处理系统、方法、装置、计算机设备和存储介质 |
| CN112199345A (zh) * | 2020-10-28 | 2021-01-08 | 上海大学 | 深度学习训练实时可视化方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101458851A (zh) * | 2008-12-23 | 2009-06-17 | 浪潮齐鲁软件产业有限公司 | 一种对税控系统中宽行发票仿真模版的自定义方法 |
| CN107169575A (zh) * | 2017-06-27 | 2017-09-15 | 北京天机数测数据科技有限公司 | 一种可视化机器学习训练模型的建模系统和方法 |
| US20170286809A1 (en) * | 2016-04-04 | 2017-10-05 | International Business Machines Corporation | Visual object recognition |
| CN108228188A (zh) * | 2018-01-08 | 2018-06-29 | 武汉斗鱼网络科技有限公司 | 一种视图组件处理方法、电子设备及可读存储介质 |
-
2018
- 2018-12-29 CN CN201811643474.2A patent/CN109726232A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101458851A (zh) * | 2008-12-23 | 2009-06-17 | 浪潮齐鲁软件产业有限公司 | 一种对税控系统中宽行发票仿真模版的自定义方法 |
| US20170286809A1 (en) * | 2016-04-04 | 2017-10-05 | International Business Machines Corporation | Visual object recognition |
| CN107169575A (zh) * | 2017-06-27 | 2017-09-15 | 北京天机数测数据科技有限公司 | 一种可视化机器学习训练模型的建模系统和方法 |
| CN108228188A (zh) * | 2018-01-08 | 2018-06-29 | 武汉斗鱼网络科技有限公司 | 一种视图组件处理方法、电子设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 吴冬等: "基于WPF的船舶管网可视化建模软件的设计与开发", 《计算机与网络》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111464596A (zh) * | 2020-03-17 | 2020-07-28 | 石化盈科信息技术有限责任公司 | 数据处理系统、方法、装置、计算机设备和存储介质 |
| CN111464596B (zh) * | 2020-03-17 | 2023-08-25 | 石化盈科信息技术有限责任公司 | 数据处理系统、方法、装置、计算机设备和存储介质 |
| CN112199345A (zh) * | 2020-10-28 | 2021-01-08 | 上海大学 | 深度学习训练实时可视化方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6852748B2 (ja) | 情報処理方法および情報処理装置 | |
| JP6574942B2 (ja) | 情報処理方法および情報処理装置 | |
| US20190236485A1 (en) | Orchestration system for distributed machine learning engines | |
| US20180240062A1 (en) | Collaborative algorithm development, deployment, and tuning platform | |
| JP2022003576A (ja) | 制御パルス生成方法、装置、システム、電子デバイス、記憶媒体及びプログラム | |
| CN105051693B (zh) | 管理计算机服务器能力的方法、装置和系统 | |
| CN104731574B (zh) | 用于识别多级工作流处理中的资源瓶颈的方法和系统 | |
| EP3032442B1 (en) | Modeling and simulation of infrastructure architecture for big data | |
| US20190057309A1 (en) | Information processing apparatus and information processing method | |
| US20210209481A1 (en) | Methods and systems for dynamic service performance prediction using transfer learning | |
| US10051480B2 (en) | Visual representation of signal strength using machine learning models | |
| US11244258B2 (en) | Position-centric personnel assessment apparatus and method | |
| CN109726232A (zh) | 一种模型可视化计算方法及系统 | |
| US20180060452A1 (en) | System and Method for Generating System Testing Data | |
| EP3756095A1 (en) | Workload modeling for cloud systems | |
| WO2024068571A1 (en) | Supply chain optimization with reinforcement learning | |
| US20120078808A1 (en) | Prescriptive wellbeing utilizing an enterprise grid | |
| US20180005249A1 (en) | Optimize a resource allocation plan corresponding to a legacy software product sustenance | |
| Jambak et al. | The process mining method approach to analyze users’ behavior of internet in the Local Area Network of Sriwijaya University | |
| US20190197564A1 (en) | Product space representation mapping | |
| CN109804351A (zh) | 对异步计算作业的增强治理 | |
| US20240303060A1 (en) | Interoperable containerization for feature framework | |
| US20150262097A1 (en) | System and method for modelling and simulating a decision making process of an enterprise | |
| Bănică et al. | Softwarization Of The Production: The Industry 4.0 Approach | |
| CN104902220A (zh) | 基于改进gmm方法的设备运行状态云监控装置 |
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: 20190507 |