CN110647998B - 自动机器学习实现方法、系统、设备及存储介质 - Google Patents
自动机器学习实现方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN110647998B CN110647998B CN201910740428.2A CN201910740428A CN110647998B CN 110647998 B CN110647998 B CN 110647998B CN 201910740428 A CN201910740428 A CN 201910740428A CN 110647998 B CN110647998 B CN 110647998B
- Authority
- CN
- China
- Prior art keywords
- module
- machine learning
- parameter adjusting
- automatic parameter
- automatic
- 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
Images
Classifications
-
- 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
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Stored Programmes (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了自动机器学习实现方法、系统、设备及存储介质,其中方法可包括:代理模块分别与机器学习模块及自动调参模块进行交互,完成自动机器学习;其中,机器学习模块和自动调参模块位于不同设备上,机器学习模块将代理模块视为自动调参模块,自动调参模块将代理模块视为机器学习模块。应用本发明所述方案,可降低实现复杂度及降低升级成本等。
Description
【技术领域】
本发明涉及计算机应用技术,特别涉及自动机器学习实现方法、系统、设备及存储介质。
【背景技术】
机器学习近年来在互联网点击预估、计算机视觉、语音识别、自动驾驶等越来越多的领域发挥重要的作用。
自动机器学习(AuoML)的目的是让工程师在没有统计学、机器学习方面的广泛知识的情况下也能自动构建机器学习应用,减少对专家的需求,扩大机器学习在各个行业中的影响力。
自动机器学习涉及到机器学习模块和自动调参模块。机器学习模块使用训练数据进行训练,得出应用模型。自动调参模块获取机器学习模块训练过程中的中间结果,如模型评估指标等,指导模型下一轮的调整方向。
目前的自动机器学习可采用单机方案或多机方案。单机方案是指在一台机器节点上部署机器学习模块和自动调参模块。图1为现有多机方案的实现方式示意图,如图1所示,多机方案是指在多个机器节点上分别部署机器学习模块和自动调参模块,多个自动调参模块中分为主节点自动调参模块和非主节点自动调参模块,非主节点自动调参模块将中间结果内容汇总到主节点自动调参模块,主节点自动调参模块进行决策,并将决策结果分发到其它各机器节点,各机器学习模块之间互相通信,迭代更新模型,将模型评估指标提交到每个机器节点上的自动调参模块。在同等机器配置下,对比单机方案,多机方案能以几乎线性级别加快模型训练速度。
但无论是单机方案还是多机方案,均需要在每个机器节点上分别部署/安装自动调参模块,如果新增机器学习模块,还需要相应地新增自动调参模块,而且不同的集群环境需要不同的安装和使用方法,从而增加了实现复杂度。另外,机器学习模块和自动调参模块耦合性高,机器学习模块需要调用自动调参模块提供的接口,这样,一旦自动调参模块升级,也需要对机器学习模块进行相应的修改,从而增加了升级成本等。
【发明内容】
有鉴于此,本发明提供了自动机器学习实现方法、系统、设备及存储介质。
具体技术方案如下:
一种自动机器学习实现设备,包括:
代理模块,用于分别与机器学习模块及自动调参模块进行交互,完成自动机器学习;其中,所述机器学习模块和所述自动调参模块位于不同设备上,所述机器学习模块将所述代理模块视为自动调参模块,所述自动调参模块将所述代理模块视为机器学习模块。
根据本发明一优选实施例,当所述机器学习模块的个数大于一时,所述代理模块仅和其中的一个机器学习模块进行交互,各机器学习模块之间进行信息共享。
根据本发明一优选实施例,所述代理模块与其它模块之间基于超文本传输协议HTTP进行交互。
根据本发明一优选实施例,所述代理模块与所述机器学习模块之间的交互包括:获取所述机器学习模块上报的模型评估指标;获取所述机器学习模块上报的训练结束信号;终止所述机器学习模块中运行的机器学习任务;基于获取自所述自动调参模块的新一组模型超参启动新的机器学习任务;
所述代理模块与所述自动调参模块之间的交互包括:将获取自所述机器学习模块的模型评估指标发送给所述自动调参模块;将获取自所述机器学习模块的训练结束信号发送给所述自动调参模块;获取所述自动调参模块根据接收到的模型评估指标生成的新一组模型超参。
一种自动机器学习实现系统,包括:
机器学习模块、自动调参模块以及代理模块;所述机器学习模块和所述自动调参模块位于不同设备上;
所述机器学习模块,用于将所述代理模块视为自动调参模块,与所述代理模块进行交互;
所述自动调参模块,用于将所述代理模块视为机器学习模块,与所述代理模块进行交互;
所述代理模块,用于分别与所述机器学习模块及所述自动调参模块进行交互,完成自动机器学习。
根据本发明一优选实施例,所述机器学习模块的个数至少为一,每个机器学习模块分别位于机器学习集群中的不同机器节点上。
根据本发明一优选实施例,当所述机器学习模块的个数大于一时,所述代理模块仅和其中的一个机器学习模块进行交互,各机器学习模块之间进行信息共享。
根据本发明一优选实施例,所述代理模块与其它模块之间基于超文本传输协议HTTP进行交互。
一种自动机器学习实现方法,包括:
代理模块分别与机器学习模块及自动调参模块进行交互,完成自动机器学习;其中,所述机器学习模块和所述自动调参模块位于不同设备上,所述机器学习模块将所述代理模块视为自动调参模块,所述自动调参模块将所述代理模块视为机器学习模块。
根据本发明一优选实施例,当所述机器学习模块的个数大于一时,所述代理模块仅和其中的一个机器学习模块进行交互,各机器学习模块之间进行信息共享。
根据本发明一优选实施例,所述代理模块与其它模块之间基于超文本传输协议HTTP进行交互。
根据本发明一优选实施例,所述代理模块与所述机器学习模块之间的交互包括:获取所述机器学习模块上报的模型评估指标;获取所述机器学习模块上报的训练结束信号;终止所述机器学习模块中运行的机器学习任务;基于获取自所述自动调参模块的新一组模型超参启动新的机器学习任务;
所述代理模块与所述自动调参模块之间的交互包括:将获取自所述机器学习模块的模型评估指标发送给所述自动调参模块;将获取自所述机器学习模块的训练结束信号发送给所述自动调参模块;获取所述自动调参模块根据接收到的模型评估指标生成的新一组模型超参。
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,所述处理器执行所述程序时实现如以上所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出,采用本发明所述方案,机器学习模块和自动调参模块分开部署,借助于代理模块进行交互,即便新增机器学习模块,也无需相应的新增自动调参模块,从而降低了实现复杂度,而且,机器学习模块和自动调参模块解耦,使得自动调参模块的升级不会对机器学习模块产生影响,从而降低了升级成本等。
【附图说明】
图1为现有多机方案的实现方式示意图。
图2为现有自动机器学习实现过程示意图。
图3为本发明所述自动机器学习实现系统实施例的组成结构示意图。
图4为本发明所述自动机器学习实现过程示意图。
图5为本发明所述代理模块与机器学习模块的交互方式示意。
图6示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
【具体实施方式】
为了使本发明的技术方案更加清楚、明白,以下参照附图并举实施例,对本发明所述方案进行进一步说明。
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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图2为现有自动机器学习实现过程示意图。如图2所示,机器学习模块使用训练数据进行训练,得出应用模型,自动调参模块获取机器学习模块训练过程中的中间结果,如模型评估指标等,指导模型下一轮的调整方向。
其中,机器学习模块一侧的处理主要包括:
1)数据输入:即包含了模型目标的多条样本数据(即训练数据)输入,每一条样本数据包括数据特征和目标,可基于这些数据特征和目标,训练出用于预测的模型,比如,数字手写识别任务,一条样本数据的数据特征为手写图片,目标为手写图片代表的数字,训练出的模型就可以自动对手写数字进行识别。
2)模型初始化参数:即模型的超参,包括但不限于模型的学习率、更新方法、优化方法、目标函数、内部结构等,非专家可以通过自动调参模块基于一定策略尝试多组超参,从而达到较好的模型效果。
3)单步训练:即利用样本数据对模型进行调整的一步,模型进行多步的训练后逐渐收敛,达到准确率较高的效果。
4)模型评估指标计算:即计算模型的评估指标,如预测的准确度、预测值与真实值的差距等。
5)是否上报指标:即确定是否将模型评估指标上报给自动调参模块,可以设定每经过若干步单步训练进行一次上报。
6)是否训练结束:即确定模型是否达到预先设定的条件,如训练达到多少步、对训练数据完成多少轮的读入等,若达到条件则可停止训练,并可向自动调参模块发送训练结束信号等。
自动调参模块一侧的处理主要包括:
1)接收指标及信号:即接收机器学习模块发送来的模型评估指标及训练结束信号等。
2)记录数据,监听指标:即将接收到的模型评估指标记录到内存,并继续监听。
3)是否停止训练:即根据获取到的模型评估指标进行决策,确定是否提前终止模型训练。
4)计算下一组参数:即根据获取到的模型评估指标等,利用一定的策略生成下一组模型超参,发送给机器学习模块,进行下一组参数尝试,整个自动机器学习过程会进行多组参数尝试,选择模型指标最优的作为最终参数结果。
本发明所述方案中,在上述机器学习模块和自动调参模块的基础上,进一步引入了代理模块。
图3为本发明所述自动机器学习实现系统实施例的组成结构示意图。如图3所示,包括:机器学习模块301、自动调参模块302以及代理模块303;机器学习模块301和自动调参模块302分别位于不同设备上。
机器学习模块301可将代理模块303视为自动调参模块302,与代理模块303进行交互。自动调参模块302可将代理模块303视为机器学习模块301,与代理模块303进行交互。代理模块303可分别与机器学习模块301及自动调参模块302进行交互,完成自动机器学习。
基于图3所示系统,图4为本发明所述自动机器学习实现过程示意图。如图4所示,机器学习模块301和自动调参模块302的具体处理方式与图2所示现有过程中基本相同,区别在于机器学习模块301和自动调参模块302不再直接进行交互,而是借助于代理模块303进行交互。
其中,代理模块303与机器学习模块301之间的交互可包括:获取机器学习模块301上报的模型评估指标;获取机器学习模块301上报的训练结束信号;终止机器学习模块301中运行的机器学习任务(即训练任务);基于获取自自动调参模块302的新一组模型超参启动新的机器学习任务等。
代理模块303与自动调参模块302之间的交互可包括:将获取自机器学习模块301的模型评估指标发送给自动调参模块302;将获取自机器学习模块301的训练结束信号发送给自动调参模块302;获取自动调参模块302根据接收到的模型评估指标等生成的新一组模型超参等。
机器学习模块301与其它模块之间可基于超文本传输协议(HTTP,HyperTextTransfer Protocol)进行交互。相应地,代理模块303可创建一个网络服务如HTTP服务,可通过HTTP服务与其它模块进行交互。
代理模块303和自动调参模块302可位于同一设备上,也可位于不同设备上。
另外,代理模块303和自动调参模块302通常分别为一个,而机器学习模块301通常为多个,即机器学习模块301的个数至少为一,每个机器学习模块301可分别位于机器学习集群中的不同机器节点上。
可直接使用已经部署好的机器学习集群,如paddlepaddle、tensorflow等,不需要在部署了机器学习模块301的机器节点上同时部署自动调参模块302。而且,机器学习模块301不需要调用自动调参模块302提供的接口。
当机器学习模块301的个数大于一时,代理模块303可仅和其中的一个机器学习模块301进行交互,各机器学习模块301之间进行信息共享,如进行模型参数共享等,因此单个机器节点上每一步的模型评估指标,都会与全局的模型评估指标基本一致,因此代理模块303不需要和每个机器学习模块301均进行交互,只需和其中的一个进行交互即可,具体和哪个机器学习模块301进行交互可根据实际需要而定。
图5为本发明所述代理模块与机器学习模块的交互方式示意。如图5所示,代理模块303可与机器节点2中的机器学习模块301进行交互,各机器学习模块301之间进行信息共享。
本发明中同时公开了一种自动机器学习实现设备及一种自动机器学习实现方法。
其中,所述自动机器学习实现设备中可包括代理模块,代理模块可分别与机器学习模块及自动调参模块进行交互,完成自动机器学习;其中,机器学习模块和自动调参模块分别位于不同设备上,机器学习模块可将代理模块视为自动调参模块,自动调参模块可将代理模块视为机器学习模块。
其中,当机器学习模块的个数大于一时,代理模块可仅和其中的一个机器学习模块进行交互,各机器学习模块之间进行信息共享。
代理模块可与其它模块之间基于HTTP协议进行交互。
另外,代理模块与机器学习模块之间的交互可包括:获取机器学习模块上报的模型评估指标;获取机器学习模块上报的训练结束信号;终止机器学习模块中运行的机器学习任务;基于获取自自动调参模块的新一组模型超参启动新的机器学习任务等。
代理模块与自动调参模块之间的交互可包括:将获取自机器学习模块的模型评估指标发送给自动调参模块;将获取自机器学习模块的训练结束信号发送给自动调参模块;获取自动调参模块根据接收到的模型评估指标等生成的新一组模型超参等。
所述自动机器学习实现方法中,代理模块可分别与机器学习模块及自动调参模块进行交互,完成自动机器学习;其中,机器学习模块和自动调参模块位于不同设备上,机器学习模块将代理模块视为自动调参模块,自动调参模块将代理模块视为机器学习模块。
其中,当机器学习模块的个数大于一时,代理模块可仅和其中的一个机器学习模块进行交互,各机器学习模块之间进行信息共享。
代理模块可与其它模块之间基于HTTP协议进行交互。
另外,代理模块与机器学习模块之间的交互可包括:获取机器学习模块上报的模型评估指标;获取机器学习模块上报的训练结束信号;终止机器学习模块中运行的机器学习任务;基于获取自自动调参模块的新一组模型超参启动新的机器学习任务等。
代理模块与自动调参模块之间的交互可包括:将获取自机器学习模块的模型评估指标发送给自动调参模块;将获取自机器学习模块的训练结束信号发送给自动调参模块;获取自动调参模块根据接收到的模型评估指标等生成的新一组模型超参等。
在上述各实施例中,对各实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例中的相关描述。
总之,采用本发明所述方案,机器学习模块和自动调参模块分开部署,借助于代理模块进行交互,即便新增机器学习模块,也无需相应的新增自动调参模块,从而降低了实现复杂度,而且,机器学习模块和自动调参模块解耦,使得自动调参模块的升级不会对机器学习模块产生影响,从而降低了升级成本,且代理模块可使用成熟的网络协议如HTTP协议与其它模块进行交互,提高了程序的健壮性,代码的可维护性等,另外,代理模块可仅与多个机器学习模块中的一个机器学习模块进行交互,且机器学习模型训练通常需要较长时间(100ms以上)完成单步,因此对代理模块所在设备的压力不大,可同时支持多个机器学习任务,并可根据实际需要进行并行扩展等。
图6示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图6显示的计算机系统/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器(处理单元)16,存储器28,连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图6所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机系统/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现以上所述的方法。
本发明同时公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时将实现如以上所述的方法。
可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法等,可以通过其它的方式实现。例如,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。
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,在本发明各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。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。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (8)
1.一种自动机器学习实现设备,其特征在于,包括:
代理模块,用于分别与机器学习模块及自动调参模块进行交互,完成自动机器学习;其中,所述机器学习模块和所述自动调参模块位于不同设备上,所述机器学习模块将所述代理模块视为自动调参模块,所述自动调参模块将所述代理模块视为机器学习模块;
其中,当所述机器学习模块的个数大于一时,所述代理模块仅和其中的一个机器学习模块进行交互,各机器学习模块之间进行信息共享;
其中,所述机器学习模块和所述自动调参模块通过所述代理模块解耦,以使所述机器学习模块不需要调用所述自动调参模块提供的接口;
其中,所述代理模块中创建超文本传输协议HTTP服务,并通过HTTP服务与其它模块之间基于HTTP进行交互;
所述代理模块与所述机器学习模块之间的交互包括:获取所述机器学习模块上报的训练结束信号;终止所述机器学习模块中运行的机器学习任务;
所述代理模块与所述自动调参模块之间的交互包括:将获取自所述机器学习模块的训练结束信号发送给所述自动调参模块。
2.根据权利要求1所述的自动机器学习实现设备,其特征在于,
所述代理模块与所述机器学习模块之间的交互还包括:获取所述机器学习模块上报的模型评估指标;基于获取自所述自动调参模块的新一组模型超参启动新的机器学习任务;
所述代理模块与所述自动调参模块之间的交互还包括:将获取自所述机器学习模块的模型评估指标发送给所述自动调参模块;获取所述自动调参模块根据接收到的模型评估指标生成的新一组模型超参。
3.一种自动机器学习实现系统,其特征在于,包括:
机器学习模块、自动调参模块以及代理模块;所述机器学习模块和所述自动调参模块位于不同设备上;
所述机器学习模块,用于将所述代理模块视为自动调参模块,与所述代理模块进行交互;
所述自动调参模块,用于将所述代理模块视为机器学习模块,与所述代理模块进行交互;
所述代理模块,用于分别与所述机器学习模块及所述自动调参模块进行交互,完成自动机器学习;
其中,当所述机器学习模块的个数大于一时,所述代理模块仅和其中的一个机器学习模块进行交互,各机器学习模块之间进行信息共享;
其中,所述机器学习模块和所述自动调参模块通过所述代理模块解耦,以使所述机器学习模块不需要调用所述自动调参模块提供的接口;
其中,所述代理模块中创建超文本传输协议HTTP服务,并通过HTTP服务与其它模块之间基于HTTP进行交互;
所述代理模块与所述机器学习模块之间的交互包括:获取所述机器学习模块上报的训练结束信号;终止所述机器学习模块中运行的机器学习任务;
所述代理模块与所述自动调参模块之间的交互包括:将获取自所述机器学习模块的训练结束信号发送给所述自动调参模块。
4.根据权利要求3所述的系统,其特征在于,
所述机器学习模块的个数至少为一,每个机器学习模块分别位于机器学习集群中的不同机器节点上。
5.一种自动机器学习实现方法,其特征在于,包括:
代理模块分别与机器学习模块及自动调参模块进行交互,完成自动机器学习;其中,所述机器学习模块和所述自动调参模块位于不同设备上,所述机器学习模块将所述代理模块视为自动调参模块,所述自动调参模块将所述代理模块视为机器学习模块;
其中,当所述机器学习模块的个数大于一时,所述代理模块仅和其中的一个机器学习模块进行交互,各机器学习模块之间进行信息共享;
其中,所述机器学习模块和所述自动调参模块通过所述代理模块解耦,以使所述机器学习模块不需要调用所述自动调参模块提供的接口;
其中,所述代理模块中创建超文本传输协议HTTP服务,并通过HTTP服务与其它模块之间基于HTTP进行交互;
所述代理模块与所述机器学习模块之间的交互包括:获取所述机器学习模块上报的训练结束信号;终止所述机器学习模块中运行的机器学习任务;
所述代理模块与所述自动调参模块之间的交互包括:将获取自所述机器学习模块的训练结束信号发送给所述自动调参模块。
6.根据权利要求5所述的方法,其特征在于,
所述代理模块与所述机器学习模块之间的交互还包括:获取所述机器学习模块上报的模型评估指标;基于获取自所述自动调参模块的新一组模型超参启动新的机器学习任务;
所述代理模块与所述自动调参模块之间的交互还包括:将获取自所述机器学习模块的模型评估指标发送给所述自动调参模块;获取所述自动调参模块根据接收到的模型评估指标生成的新一组模型超参。
7.一种计算机设备,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程序时实现如权利要求5~6中任一项所述的方法。
8.一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,所述程序被处理器执行时实现如权利要求5~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740428.2A CN110647998B (zh) | 2019-08-12 | 2019-08-12 | 自动机器学习实现方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740428.2A CN110647998B (zh) | 2019-08-12 | 2019-08-12 | 自动机器学习实现方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647998A CN110647998A (zh) | 2020-01-03 |
CN110647998B true CN110647998B (zh) | 2022-11-25 |
Family
ID=69009437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740428.2A Active CN110647998B (zh) | 2019-08-12 | 2019-08-12 | 自动机器学习实现方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647998B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101601032A (zh) * | 2005-01-18 | 2009-12-09 | 雅虎公司 | 结合万维网搜索技术和万维网内容的被赞助搜索条目的匹配和排名 |
CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
CN107169573A (zh) * | 2017-05-05 | 2017-09-15 | 第四范式(北京)技术有限公司 | 利用复合机器学习模型来执行预测的方法及系统 |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
CN107844837A (zh) * | 2017-10-31 | 2018-03-27 | 第四范式(北京)技术有限公司 | 针对机器学习算法进行算法参数调优的方法及系统 |
CN108762763A (zh) * | 2018-05-16 | 2018-11-06 | 中山大学 | 面向大规模复杂数据应用领域的并行i/o优化方法 |
CN109447277A (zh) * | 2018-10-19 | 2019-03-08 | 厦门渊亭信息科技有限公司 | 一种通用的机器学习超参黑盒优化方法及系统 |
CN109543746A (zh) * | 2018-11-20 | 2019-03-29 | 河海大学 | 一种基于节点可靠性的传感器网络事件融合与决策方法 |
CN111460453A (zh) * | 2019-01-22 | 2020-07-28 | 百度在线网络技术(北京)有限公司 | 机器学习训练方法、控制器、装置、服务器、终端和介质 |
-
2019
- 2019-08-12 CN CN201910740428.2A patent/CN110647998B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101601032A (zh) * | 2005-01-18 | 2009-12-09 | 雅虎公司 | 结合万维网搜索技术和万维网内容的被赞助搜索条目的匹配和排名 |
CN106663224A (zh) * | 2014-06-30 | 2017-05-10 | 亚马逊科技公司 | 用于机器学习模型评估的交互式界面 |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
CN107169573A (zh) * | 2017-05-05 | 2017-09-15 | 第四范式(北京)技术有限公司 | 利用复合机器学习模型来执行预测的方法及系统 |
CN107844837A (zh) * | 2017-10-31 | 2018-03-27 | 第四范式(北京)技术有限公司 | 针对机器学习算法进行算法参数调优的方法及系统 |
CN108762763A (zh) * | 2018-05-16 | 2018-11-06 | 中山大学 | 面向大规模复杂数据应用领域的并行i/o优化方法 |
CN109447277A (zh) * | 2018-10-19 | 2019-03-08 | 厦门渊亭信息科技有限公司 | 一种通用的机器学习超参黑盒优化方法及系统 |
CN109543746A (zh) * | 2018-11-20 | 2019-03-29 | 河海大学 | 一种基于节点可靠性的传感器网络事件融合与决策方法 |
CN111460453A (zh) * | 2019-01-22 | 2020-07-28 | 百度在线网络技术(北京)有限公司 | 机器学习训练方法、控制器、装置、服务器、终端和介质 |
Non-Patent Citations (1)
Title |
---|
基于HPC环境的深度学习并行优化;陈孟强等;《计算机工程与科学》;20181130;第133-140页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110647998A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977268B (zh) | 人工智能的异构硬件的任务调度方法、装置及可读介质 | |
US11315034B2 (en) | Intelligent big data system, and method and apparatus for providing intelligent big data service | |
US11783227B2 (en) | Method, apparatus, device and readable medium for transfer learning in machine learning | |
US20200334544A1 (en) | Method, device and computer program product for processing machine learning model | |
US20200219494A1 (en) | Conversational agent generation | |
CN109947924B (zh) | 对话系统训练数据构建方法、装置、电子设备及存储介质 | |
US10831799B2 (en) | External action execution with conversational agent | |
US20230281515A1 (en) | Distributed learning model for fog computing | |
CN107240396B (zh) | 说话人自适应方法、装置、设备及存储介质 | |
CN110442402A (zh) | 数据处理方法、装置、设备及存储介质 | |
US11934287B2 (en) | Method, electronic device and computer program product for processing data | |
CN112685224A (zh) | 任务管理的方法、设备和计算机程序产品 | |
US8549498B2 (en) | Integration of trace selection and trace profiling in dynamic optimizers | |
CN113408070B (zh) | 发动机参数的确定方法、装置、设备及存储介质 | |
CN110647998B (zh) | 自动机器学习实现方法、系统、设备及存储介质 | |
US11740827B2 (en) | Method, electronic device, and computer program product for recovering data | |
CN110689137B (zh) | 参数确定方法、系统、介质和电子设备 | |
CN113806594A (zh) | 基于决策树的业务数据处理方法、装置、设备及存储介质 | |
CN115345600B (zh) | 一种rpa流程的生成方法和装置 | |
US20230025081A1 (en) | Model training method, failure determining method, electronic device, and program product | |
EP3923278A2 (en) | Method, apparatus, device, storage medium and program for determining displayed text recognized from speech | |
US20150154094A1 (en) | Method and system for optimizing testing efforts in system of systems testing | |
US10353928B2 (en) | Real-time clustering using multiple representatives from a cluster | |
CN111709513B (zh) | 长短期记忆网络lstm的训练系统、方法及电子设备 | |
US11892920B2 (en) | Method, electronic device, and program product for failure handling |
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 |