CN111242317B - 管理应用的方法、装置、计算机设备和存储介质 - Google Patents
管理应用的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111242317B CN111242317B CN202010022943.XA CN202010022943A CN111242317B CN 111242317 B CN111242317 B CN 111242317B CN 202010022943 A CN202010022943 A CN 202010022943A CN 111242317 B CN111242317 B CN 111242317B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- learning model
- application
- application data
- user account
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 253
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000002372 labelling Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 43
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Stored Programmes (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种管理应用的方法、装置、计算机设备和存储介质。方法包括：获取携带用户账号的操作指令；当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本；将应用数据样本输入机器学习模型进行模型训练，以调整机器学习模型的参数；根据调整参数后的机器学习模型构建对应的机器学习模型应用；获取应用数据，并将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率；当准确率达到阈值时，发布机器学习模型应用。根据应用数据样本训练机器学习模型，并将训练后的机器学习模型构建为机器学习模型应用，并进行发布，实现了对应用数据与机器学习模型应用的管理与共享。
Description
技术领域
本申请涉及电力系统技术领域，特别是涉及一种管理应用的方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展，电力设备的巡检及异常监控等管理工作运用了越来越多的智能化的机器学习模型应用。
传统技术中，由于已经开发完成的机器学习模型应用无法得到共享和充分利用，导致大量机器学习模型应用被重复性开发，造成资源浪费。
发明内容
基于此，有必要针对机器学习模型应用无法得到共享和充分利用，导致大量机器学习模型应用被重复性开发，造成资源浪费的技术问题，提供一种管理应用的方法、装置、计算机设备和存储介质。
一种管理应用的方法，所述方法包括：
获取携带用户账号的操作指令；
当所述用户账号的操作权限达到预设权限等级时，接收通过所述用户账号上传的应用数据样本；
将所述应用数据样本输入机器学习模型进行模型训练，以调整所述机器学习模型的参数；
根据调整参数后的所述机器学习模型构建对应的机器学习模型应用；
获取应用数据，并将所述应用数据输入所述机器学习模型应用进行测试，得到所述机器学习模型应用的准确率；
当所述准确率达到阈值时，发布所述机器学习模型应用。
在一个实施例中，所述方法还包括：
当所述用户账号的操作权限未达到预设权限等级时，接收通过所述用户账号向管理员账号发出的权限获取请求；获取所述管理员账号响应于所述权限获取请求的权限分配操作指令；根据所述权限分配操作指令更新所述用户账号的操作权限。
在一个实施例中，所述接收通过所述用户账号上传的应用数据样本之后，所述方法还包括：
获取各所述应用数据样本的参数；根据所述参数对各所述应用数据样本进行标注，得到标注数据；将所述应用数据样本输入机器学习模型进行模型训练，输出预测结果；计算所述预测结果与所述标注数据之间的差异；根据所述差异调整所述机器学习模型的参数。
在一个实施例中，所述将所述应用数据输入所述机器学习模型应用进行测试，得到所述机器学习模型应用的准确率，包括：
通过所述机器学习模型应用对所述应用数据进行计算，得到计算结果；将所述计算结果与所述应用数据对应的参考结果进行对比；根据对比所得的结果得到所述机器学习模型应用的准确率。
在一个实施例中，所述当所述准确率达到阈值时，发布所述机器学习模型应用，包括：
当所述准确率达到阈值时，接收应用发布请求；向管理员账号发送所述应用发布请求；获取所述管理员账号响应于所述应用发布请求的同意发布指令；根据所述同意发布指令，生成所述机器学习模型应用的描述信息；将所述机器学习模型应用和对应的描述信息发布至应用管理平台。
在一个实施例中，所述方法还包括：
接收用于下载所述机器学习模型应用的下载请求；响应于所述下载请求，获取所述机器学习模型应用存储路径；根据所述存储路径从对应的应用管理平台下载所述机器学习模型应用。
一种管理应用的装置，所述装置包括：
获取模块，用于获取携带用户账号的操作指令；
接收模块，用于当所述用户账号的操作权限达到预设权限等级时，接收通过所述用户账号上传的应用数据样本；
训练模块，用于将所述应用数据样本输入机器学习模型进行模型训练，以调整所述机器学习模型的参数；
构建模块，用于根据调整参数后的所述机器学习模型构建对应的机器学习模型应用；
测试模块，用于获取应用数据，并将所述应用数据输入所述机器学习模型应用进行测试，得到所述机器学习模型应用的准确率；
发布模块，用于当所述准确率达到阈值时，发布所述机器学习模型应用。
在一个实施例中，所述装置还包括：
分配模块，用于当所述用户账号的操作权限未达到预设权限等级时，接收通过所述用户账号向管理员账号发出的权限获取请求；获取所述管理员账号响应于所述权限获取请求的权限分配操作指令；根据所述权限分配操作指令更新所述用户账号的操作权限。
在一个实施例中，所述接收模块具体还用于：
获取各所述应用数据样本的参数；根据所述参数对各所述应用数据样本进行标注，得到标注数据：将所述应用数据样本输入机器学习模型进行模型训练，输出预测结果；计算所述预测结果与所述标注数据之间的差异；根据所述差异调整所述机器学习模型的参数。
在一个实施例中，所述测试模块具体还用于：
通过所述机器学习模型应用对所述应用数据进行计算，得到计算结果；将所述计算结果与所述应用数据对应的参考结果进行对比；根据对比所得的结果得到所述机器学习模型应用的准确率。
在一个实施例中，所述发布模块具体还用于：
当所述准确率达到阈值时，接收应用发布请求；向管理员账号发送所述应用发布请求；获取所述管理员账号响应于所述应用发布请求的同意发布指令；根据所述同意发布指令，生成所述机器学习模型应用的描述信息；将所述机器学习模型应用和对应的描述信息发布至应用管理平台。
在一个实施例中，所述装置还包括：
下载模块，用于接收用于下载所述机器学习模型应用的下载请求；响应于所述下载请求，获取所述机器学习模型应用存储路径；根据所述存储路径从对应的应用管理平台下载所述机器学习模型应用。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现管理应用的方法的步骤：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现管理应用的方法的步骤：
上述管理应用的方法、装置、计算机设备和存储介质，获取携带用户账号的操作指令；当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本；将应用数据样本输入机器学习模型进行模型训练，以调整机器学习模型的参数；根据调整参数后的机器学习模型构建对应的机器学习模型应用；获取应用数据，并将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率；当准确率达到阈值时，发布机器学习模型应用。根据应用数据样本训练机器学习模型，并将训练后的机器学习模型构建为机器学习模型应用，并进行发布，实现了对应用数据与机器学习模型应用的管理与共享。
附图说明
图1为一个实施例中管理应用的方法的应用环境图；
图2为一个实施例中管理应用的方法的流程示意图；
图3为一个实施例中管理应用的步骤的流程示意图；
图4为另一个实施例中管理应用的方法的流程示意图；
图5为一个实施例中管理应用的方法的界面示意图；
图6为一个实施例中管理应用的方法的界面示意图；
图7为一个实施例中管理应用的装置的结构框图；
图8为一个另实施例中管理应用的装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的管理应用的方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104获取携带用户账号的操作指令；当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本；将应用数据样本输入机器学习模型进行模型训练，以调整机器学习模型的参数；根据调整参数后的机器学习模型构建对应的机器学习模型应用；获取应用数据，并将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率；当准确率达到阈值时，发布机器学习模型应用。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种管理应用的方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S202，获取携带用户账号的操作指令。
在一个实施例中，操作指令包括管理用户账号、管理应用数据样本和管理机器学习模型应用等，其中，管理机器学习模型应用的操作指令包括发布机器学习模型应用、修改机器学习模型应用、更新机器学习模型应用等。
在一个实施例中，用户账号是用户在终端注册的、用于发布操作指令的身份标识，服务器接收通过用户账号发布的操作指令，可以实现对本用户账号的账号信息、其他用户账号的账号信息、应用数据样本和机器学习模型以及机器学习模型应用的管理。用户账号包括普通用户账号、审批员账号和管理员账号，管理员账号为操作权限高于普通用户账号，审批员账号是负责对普通用户账号的权限管理的用户账号，管理员账号与审批员账号可以是同一账号。
在一个实施例中，服务器接收通过用户账号发布的操作指令，可以实现对本用户账号的账号信息的查看和修改，还可以实现对其他用户账号的账号信息的查看。审批员用户账号，可以对普通用户账号进行权限分配、权限取消等权限管理。管理员用户账号，可以对其他用户账号的账号信息进行查看、修改、删除和添加，还可以对其他用户账号组成的用户群组进行查看、修改、删除和添加。
S204，当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本。
在一个实施例中，用户账号的操作指令为管理应用数据样本或管理机器学习模型应用时，服务器获取用户账号的操作权限，判断用户账号的操作权限是否达到预设权限等级。
例如，当一普通用户账号的操作指令为上传应用数据样本时，获取该普通用户账号的操作权限，当该普通用户账号的操作权限未达到预设上传应用数据样本的权限等级(即没有上传应用数据样本的操作权限)时，通过该普通用户账号无法上传应用数据样本。当该普通用户账号的操作权限达到预设上传应用数据样本的权限等级时，通过该普通用户账号可以上传应用数据样本。其中，应用数据样本是用于模型训练的数据，可以是图片、视频、音频、数据、文本等格式的数据。
在一个实施例中，当用户账号的操作权限未达到预设权限等级时，通过用户账号向管理员账号或审批员账号发出用于更新权限等级的权限获取请求，当获取到管理员账号或审批员账号响应于权限获取请求的权限分配操作指令时，根据权限分配操作指令更新对应的用户账号的操作权限。
例如，当一普通用户账号操作权限未达到预设上传应用数据样本的权限等级时，向管理员账号或审批员账号发出：用于更新其管理应用数据样本的操作权限等级的权限获取请求。其中，审批员账号与管理员账号可以为同一账号。管理员账号或审批员账号接收到权限获取请求时，可以通过权限分配操作指令，更新该普通用户账号管理应用数据样本的操作权限，使该普通用户账号能够上传应用数据样本。
S206，将应用数据样本输入机器学习模型进行模型训练，以调整机器学习模型的参数。
在一个实施例中，服务器获取各应用数据样本的参数，应用数据样本的参数包括应用数据样本的大小、格式和内容信息。根据应用数据样本的大小、格式和内容信息对各应用数据样本进行标注，得到标注数据。
例如，当应用数据样本为人脸图像样本时，获取各人脸图像样本中的人脸部分，对人脸部分进行框选并对框选内容进行注释(如：人物年龄为30岁)，将框选内容与注释作为标注，将携带标注的人脸图像样本作为标注数据。当应用数据样本为声音分贝样本时，获取各声音分贝样本中的高分贝数据，对高分贝数据进行标记，作为对声音分贝样本的标注，将标记出高分贝数据的各声音分贝样本作为标注数据。
在一个实施例中，服务器将应用数据样本输入机器学习模型，根据应用数据样本、机器学习模型训练的算法对机器学习模型进行训练，将训练得到的结果作为预测结果；利用平方差、损失函数等计算预测结果与标注数据之间的差异；根据差异不断调整机器学习模型的参数，直至预测结果与标注数据之间的差异为最小值。
例如，当应用数据样本为人脸图像样本、机器学习模型为述人脸识别模型时，将人脸图像样本输入人脸识别模型，通过人脸识别模型中的卷积模块对人脸图像样本进行人脸图像特征识别与提取等，得到人脸图像特征，根据人脸图像特征得到预测结果(如：预测人脸图像样本中的人物年龄为20岁)。将携带框选内容与注释(如：人物年龄为30岁)的人脸图像样本作为标注数据，利用损失函数计算预测结果和标注数据之间的差异。根据差异调整人脸识别模型的参数，直至预测结果和标注数据之间的差异最小。
S208，根据调整参数后的机器学习模型构建对应的机器学习模型应用。
在一个实施例中，服务器将调整参数后的机器学习模型的代码文件和库文件打包为压缩包，根据机器学习模型的应用框架创建一个机器学习模型应用的模型文件夹，将压缩包解压后复制到模型文件夹中，在模型文件夹中添加调用机器学习模型的类文件，将模型文件夹打包构建为机器学习模型应用。例如，将人脸识别模型的代码文件和库文件打包为后缀名为.tar的压缩包，根据人脸识别模型的应用框架(如TensorFlow、caffe)创建一个机器学习模型应用的model文件夹，将压缩包解压后的全部文件复制到model文件夹中，添加调用Classifier.java和TensorFlowImageClassifier.java类文件到model文件夹中，将人脸识别模型的参数初始化后，将model文件夹打包构建为人脸识别模型应用。
S210，获取应用数据，并将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率。
在一个实施例中，服务器实时获取应用数据，或调用应用数据样本中的部分应用数据样本作为应用数据，将应用数据输入机器学习模型应用进行计算，得到计算结果，将计算结果与应用数据对应的参考结果进行对比；根据对比得到计算结果与参考结果的差异值，根据差异值得到机器学习模型应用的准确率。其中，当应用数据为实时获取的应用数据时，应用数据对应的参考结果可以是根据用户实时标注得到的；当应用数据为应用数据样本中的部分应用数据样本时，应用数据对应的参考结果为标注数据。
例如，通过摄像头实时获取人脸图像作为应用数据，获取用户对应用数据中人脸部分的框选，将框选出的人脸部分图像作为参考结果，将应用数据输入人脸识别模型应用进行计算，得到人脸识别模型应用识别出的人脸图像特征预测图像，将人脸特征预测图像与参考结果进行对比，利用差值计算得到人脸特征预测图像与参考结果的相似度，将相似度作为人脸识别模型应用的准确率。
S212，当准确率达到阈值时，发布机器学习模型应用。
在一个实施例中，当机器学习模型应用的准确率达到发布阈值时，服务器接收用户账号的应用发布操作指令，获取用户账号的操作权限是否达到发布机器学习模型应用所需的预设权限等级，若未达到预设权限等级，接收通过用户账号向管理员账号或审批员账号发出的应用发布请求。获取管理员账号或审批员账号响应于应用发布请求的同意发布指令，根据同意发布指令，生成机器学习模型应用的描述信息。其中，机器学习模型应用的描述信息包括机器学习模型应用的名称、开发者、使用示例、准确率等。将机器学习模型应用和对应的描述信息发布至应用管理平台。
上述管理应用的方法中，获取携带用户账号的操作指令；当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本；将应用数据样本输入机器学习模型进行模型训练，以调整机器学习模型的参数；根据调整参数后的机器学习模型构建对应的机器学习模型应用；获取应用数据，并将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率；当准确率达到阈值时，发布机器学习模型应用。根据应用数据样本训练机器学习模型，并将训练后的机器学习模型构建为机器学习模型应用，并进行发布，实现了对应用数据样本与机器学习模型应用的管理与共享。
在一个实施例中，如图3所示，管理应用的方法还包括：
S302，接收用于下载机器学习模型应用的下载请求。
S304，响应于下载请求，获取机器学习模型应用存储路径。
S306，根据存储路径从对应的应用管理平台下载机器学习模型应用。
在一个实施例中，服务器接收普通用户账号、管理员账号和审批员账号等应用管理平台中已注册的用户账号发出的下载机器学习模型应用的下载请求，判断发出请求的用户账号是否有下载机器学习模型应用的权限，若无权限，则向管理员账号或审批员账号发出下载请求。获取管理员账号或审批员账号响应于下载请求的同意下载指令，根据同意下载指令获取机器学习模型应用存储路径，根据存储路径从对应的应用管理平台下载机器学习模型应用。
在一个实施例中，服务器接收用户账号发出的查看应用数据样本或查看机器学习模型应用的查看请求，判断发出查看请求的用户账号是否有查看应用数据样本或查看机器学习模型应用的权限，若无权限，则向管理员账号或审批员账号发出查看请求。获取管理员账号或审批员账号响应于查看请求的同意查看指令，根据同意查看指令获取应用数据样本或机器学习模型应用存储路径，根据存储路径在对应的应用管理平台查看应用数据样本或机器学习模型应用。
上述实施例中，通过接收用于下载机器学习模型应用的下载请求，响应于下载请求，获取机器学习模型应用存储路径，根据存储路径从对应的应用管理平台下载机器学习模型应用。实现了对应用数据与机器学习模型应用的管理与共享。
作为一个示例，传统技术中，由于已经开发完成的机器学习模型应用无法得到共享和充分利用，导致大量机器学习模型应用被重复性开发，造成资源浪费，为了解决上述技术问题，本实施例提出了一种管理应用的方法，如图4所示，该方法主要包括以下内容：
S402，获取携带用户账号的操作指令，当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本。
如图5所示，一种电力应用管理平台由终端设备节点、市级电网平台、省级电网平台和总部中心平台组成。电力应用管理平台采用分级结构，高级别系统平台的用户账号为低级别平台的用户账号的管理员。市级电网平台的用户账号可以是市级研究中心、变电站的工作人员，省级电网平台的用户账号可以是省级研发人员，总部中心平台的用户账号可以是电网总部的技术负责人等高技术人员。如图6所示，电力应用管理平台包括用户管理模块、数据管理模块、应用管理模块。
服务器利用用户管理模块负责对用户账号的管理，用户账号包括普通用户账号、审批员账号和管理员账号，分别由用户模块、审批员模块、管理员模块负责执行。管理员账号为操作权限高于普通用户账号，审批员账号是负责对普通用户账号的权限管理的用户账号，管理员账号与审批员账号可以是同一账号。服务器接收通过用户账号发布的操作指令，可以实现对本用户账号的账号信息的查看和修改，还可以实现对其他用户账号的账号信息的查看。审批员用户账号，可以对普通用户账号进行权限分配、权限取消等权限管理。管理员用户账号，可以对其他用户账号的账号信息进行查看、修改、删除和添加，对其他用户账号组成的用户群组进行查看、修改、删除和添加，还可以对电力应用管理平台中的应用数据样本和机器学习模型应用进行管理。
用户账号的操作指令包括管理用户账号、管理应用数据样本和管理机器学习模型应用等，获取用户账号的操作权限，判断用户账号的操作权限是否达到预设权限等级。当用户账号的操作权限未达到预设权限等级时，通过用户账号向管理员账号或审批员账号发出用于更新权限等级的权限获取请求，当获取到管理员账号或审批员账号响应于权限获取请求的权限分配操作指令时，根据权限分配操作指令更新对应的用户账号的操作权限，使该用户账号在操作权限更新后能够管理用户账号、管理应用数据样本和管理机器学习模型应用等，如上传应用数据样本。其中，当管理的权限为跨权限管理时，管理员账号或审批员账号为发起跨权限请求的用户账号发送私人秘钥，使发起跨权限请求的用户账号，能够临时管理对应的应用数据样本和机器学习模型应用。
S404，获取各应用数据样本的参数；根据参数对各应用数据样本进行标注，得到标注数据。
数据管理模块包括数据模块、标注模块、数据发布模块。应用数据样本是用于模型训练的数据，可以是图片、视频、音频、数据、文本等格式的数据。用户账号通过图6所示的数据模块对应用数据样本进行存储、删除、修改等管理。
应用数据样本的参数包括应用数据样本的大小、格式和内容信息。用户账号通过图6所示的标注模块、根据应用数据样本的大小、格式和内容信息对各应用数据样本进行标注，得到标注数据。
用户账号通过图6所示的数据发布模块对应用数据样本进行发布，使得通过各个用户账号均可以查看发布的应用数据样本。
S406，将应用数据样本输入机器学习模型进行模型训练，输出预测结果；计算预测结果与标注数据之间的差异；根据差异调整机器学习模型的参数。
如图6所示，应用管理模块包括模型数据模块、测试模块和应用发布模块。通过模型数据模块，将应用数据样本输入机器学习模型。
服务器利用测试模块根据应用数据样本、机器学习模型训练的算法对机器学习模型进行训练，将训练得到的结果作为预测结果；利用平方差、损失函数等计算预测结果与标注数据之间的差异；根据差异不断调整机器学习模型的参数，直至预测结果与标注数据之间的差异为最小值。根据调整参数后的机器学习模型构建对应的机器学习模型应用。
S408，获取应用数据，将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率。
服务器利用测试模块实时获取应用数据，或调用应用数据样本中的部分应用数据样本作为应用数据，将应用数据输入机器学习模型应用进行计算，得到计算结果，将计算结果与应用数据对应的参考结果进行对比；根据对比得到计算结果与参考结果的差异值，根据差异值得到机器学习模型应用的准确率。其中，当应用数据为实时获取的应用数据时，应用数据对应的参考结果可以是根据用户实时标注得到的；当应用数据为应用数据样本中的部分应用数据样本时，应用数据对应的参考结果为标注数据。
S410，当准确率达到阈值时，发布机器学习模型应用。
当机器学习模型应用的准确率达到发布阈值时，服务器通过如图6所示的应用发布模块，接收用户账号的应用发布操作指令，获取用户账号的操作权限是否达到发布机器学习模型应用所需的预设权限等级，若未达到预设权限等级，接收通过用户账号向管理员账号或审批员账号发出的应用发布请求。获取管理员账号或审批员账号响应于应用发布请求的同意发布指令，根据同意发布指令，生成机器学习模型应用的描述信息。其中，机器学习模型应用的描述信息包括机器学习模型应用的名称、开发者、使用示例、准确率等。将机器学习模型应用和对应的描述信息发布至应用管理平台。
上述管理应用的方法中，获取携带用户账号的操作指令，当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本。获取各应用数据样本的参数；根据参数对各应用数据样本进行标注，得到标注数据。将应用数据样本输入机器学习模型进行模型训练，输出预测结果；计算预测结果与标注数据之间的差异；根据差异调整机器学习模型的参数。获取应用数据，将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率。当准确率达到阈值时，发布机器学习模型应用。根据应用数据样本训练机器学习模型，并将训练后的机器学习模型构建为机器学习模型应用，并进行发布，实现了对应用数据样本与机器学习模型应用的管理与共享。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种管理应用的装置，包括：获取模块702、接收模块704、训练模块706、构建模块708、测试模块710和发布模块712，其中：
获取模块702，用于获取携带用户账号的操作指令；
接收模块704，用于当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本；
训练模块706，用于将应用数据样本输入机器学习模型进行模型训练，以调整机器学习模型的参数；
构建模块708，用于根据调整参数后的机器学习模型构建对应的机器学习模型应用；
测试模块710，用于获取应用数据，并将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率；
发布模块712，用于当准确率达到阈值时，发布机器学习模型应用。
在一个实施例中，如图8所示，管理应用的装置还包括：
分配模块714，用于当用户账号的操作权限未达到预设权限等级时，接收通过用户账号向管理员账号发出的权限获取请求；获取管理员账号响应于权限获取请求的权限分配操作指令；根据权限分配操作指令更新用户账号的操作权限。
在一个实施例中，如图8所示，管理应用的装置还包括：
下载模块716，用于接收用于下载机器学习模型应用的下载请求；响应于下载请求，获取机器学习模型应用存储路径；根据存储路径从对应的应用管理平台下载机器学习模型应用。
上述管理应用的装置中，获取携带用户账号的操作指令；当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本；将应用数据样本输入机器学习模型进行模型训练，以调整机器学习模型的参数；根据调整参数后的机器学习模型构建对应的机器学习模型应用；获取应用数据，并将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率；当准确率达到阈值时，发布机器学习模型应用。根据应用数据样本训练机器学习模型，并将训练后的机器学习模型构建为机器学习模型应用，并进行发布，实现了对应用数据样本与机器学习模型应用的管理与共享。
关于7-8装置的具体限定可以参见上文中对于管理应用的方法的限定，在此不再赘述。上述管理应用的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储管理应用的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种管理应用的方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取携带用户账号的操作指令；当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本；将应用数据样本输入机器学习模型进行模型训练，以调整机器学习模型的参数；根据调整参数后的机器学习模型构建对应的机器学习模型应用；获取应用数据，并将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率；当准确率达到阈值时，发布机器学习模型应用。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当用户账号的操作权限未达到预设权限等级时，接收通过用户账号向管理员账号发出的权限获取请求；获取管理员账号响应于权限获取请求的权限分配操作指令；根据权限分配操作指令更新用户账号的操作权限。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取各应用数据样本的参数；根据参数对各应用数据样本进行标注，得到标注数据；将应用数据样本输入机器学习模型进行模型训练，输出预测结果；计算预测结果与标注数据之间的差异；根据差异调整机器学习模型的参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过机器学习模型应用对应用数据进行计算，得到计算结果；将计算结果与应用数据对应的参考结果进行对比；根据对比所得的结果得到机器学习模型应用的准确率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当准确率达到阈值时，接收应用发布请求；向管理员账号发送应用发布请求；获取管理员账号响应于应用发布请求的同意发布指令；根据同意发布指令，生成机器学习模型应用的描述信息；将机器学习模型应用和对应的描述信息发布至应用管理平台。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收用于下载机器学习模型应用的下载请求；响应于下载请求，获取机器学习模型应用存储路径；根据存储路径从对应的应用管理平台下载机器学习模型应用。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取携带用户账号的操作指令；当用户账号的操作权限达到预设权限等级时，接收通过用户账号上传的应用数据样本；将应用数据样本输入机器学习模型进行模型训练，以调整机器学习模型的参数；根据调整参数后的机器学习模型构建对应的机器学习模型应用；获取应用数据，并将应用数据输入机器学习模型应用进行测试，得到机器学习模型应用的准确率；当准确率达到阈值时，发布机器学习模型应用。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当用户账号的操作权限未达到预设权限等级时，接收通过用户账号向管理员账号发出的权限获取请求；获取管理员账号响应于权限获取请求的权限分配操作指令；根据权限分配操作指令更新用户账号的操作权限。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取各应用数据样本的参数；根据参数对各应用数据样本进行标注，得到标注数据；将应用数据样本输入机器学习模型进行模型训练，输出预测结果；计算预测结果与标注数据之间的差异；根据差异调整机器学习模型的参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过机器学习模型应用对应用数据进行计算，得到计算结果；将计算结果与应用数据对应的参考结果进行对比；根据对比所得的结果得到机器学习模型应用的准确率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当准确率达到阈值时，接收应用发布请求；向管理员账号发送应用发布请求；获取管理员账号响应于应用发布请求的同意发布指令；根据同意发布指令，生成机器学习模型应用的描述信息；将机器学习模型应用和对应的描述信息发布至应用管理平台。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收用于下载机器学习模型应用的下载请求；响应于下载请求，获取机器学习模型应用存储路径；根据存储路径从对应的应用管理平台下载机器学习模型应用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种管理应用的方法，所述方法包括：
获取携带用户账号的操作指令；
当所述用户账号的操作权限达到预设权限等级时，接收通过所述用户账号上传的应用数据样本；
将所述应用数据样本输入机器学习模型进行模型训练，以调整所述机器学习模型的参数；
根据调整参数后的所述机器学习模型构建对应的机器学习模型应用；
获取应用数据，并将所述应用数据输入所述机器学习模型应用进行测试，得到所述机器学习模型应用的准确率；
当所述准确率达到阈值时，发布所述机器学习模型应用和所述机器学习模型应用对应的描述信息，所述描述信息包括所述机器学习模型应用的名称、开发者、使用示例、准确率；
其中，所述当所述用户账号的操作权限达到预设权限等级时，接收通过所述用户账号上传的应用数据样本之后，还包括：
获取各应用数据样本的参数，并根据所述参数对各应用数据样本进行标注；
将标注后的应用数据样本进行发布，以使各个用户账号能够查看发布的应用数据样本；
其中，所述方法还包括：
接收用户账号发出的查看请求，所述查看请求用于查看应用数据样本；当发出所述查看请求的用户账号未达到查看应用数据样本的权限时，接收通过用户账号向管理员账号发出的权限获取请求；
获取所述管理员账号响应于所述权限获取请求的同意查看指令，以使发出所述查看请求的用户账号查看应用数据样本。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述用户账号的操作权限未达到预设权限等级时，接收通过所述用户账号向管理员账号发出的权限获取请求；
获取所述管理员账号响应于所述权限获取请求的权限分配操作指令；
根据所述权限分配操作指令更新所述用户账号的操作权限。
3.根据权利要求1所述的方法，其特征在于，所述接收通过所述用户账号上传的应用数据样本之后，所述方法还包括：
获取各所述应用数据样本的参数；
根据所述参数对各所述应用数据样本进行标注，得到标注数据；
所述将所述应用数据样本输入机器学习模型进行模型训练，以调整所述机器学习模型的参数，包括：
将所述应用数据样本输入机器学习模型进行模型训练，输出预测结果；
计算所述预测结果与所述标注数据之间的差异；
根据所述差异调整所述机器学习模型的参数。
4.根据权利要求3所述的方法，其特征在于，所述将所述应用数据输入所述机器学习模型应用进行测试，得到所述机器学习模型应用的准确率，包括：
通过所述机器学习模型应用对所述应用数据进行计算，得到计算结果；
将所述计算结果与所述应用数据对应的参考结果进行对比；
根据对比所得的结果得到所述机器学习模型应用的准确率。
5.根据权利要求1所述的方法，其特征在于，所述当所述准确率达到阈值时，发布所述机器学习模型应用，包括：
当所述准确率达到阈值时，接收应用发布请求；
向管理员账号发送所述应用发布请求；
获取所述管理员账号响应于所述应用发布请求的同意发布指令；
根据所述同意发布指令，生成所述机器学习模型应用的描述信息；
将所述机器学习模型应用和对应的描述信息发布至应用管理平台。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收用于下载所述机器学习模型应用的下载请求；
响应于所述下载请求，获取所述机器学习模型应用存储路径；
根据所述存储路径从对应的应用管理平台下载所述机器学习模型应用。
7.一种管理应用的装置，其特征在于，所述装置包括：
获取模块，用于获取携带用户账号的操作指令；
接收模块，用于当所述用户账号的操作权限达到预设权限等级时，接收通过所述用户账号上传的应用数据样本；
训练模块，用于将所述应用数据样本输入机器学习模型进行模型训练，以调整所述机器学习模型的参数；
构建模块，用于根据调整参数后的所述机器学习模型构建对应的机器学习模型应用；
测试模块，用于获取应用数据，并将所述应用数据输入所述机器学习模型应用进行测试，得到所述机器学习模型应用的准确率；
发布模块，用于当所述准确率达到阈值时，发布所述机器学习模型应用和所述机器学习模型应用对应的描述信息，所述描述信息包括所述机器学习模型应用的名称、开发者、使用示例、准确率；
其中，所述接收模块在执行所述当所述用户账号的操作权限达到预设权限等级时，接收通过所述用户账号上传的应用数据样本之后，还用于：
获取各应用数据样本的参数，并根据所述参数对各应用数据样本进行标注；
将标注后的应用数据样本进行发布，以使各个用户账号能够查看发布的应用数据样本；
其中，所述接收模块还用于：
接收用户账号发出的查看请求，所述查看请求用于查看应用数据样本；当发出所述查看请求的用户账号未达到查看应用数据样本的权限时，接收通过用户账号向管理员账号发出的权限获取请求；
获取所述管理员账号响应于所述权限获取请求的同意查看指令，以使发出所述查看请求的用户账号查看应用数据样本。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
分配模块，用于当所述用户账号的操作权限未达到预设权限等级时，接收通过所述用户账号向管理员账号发出的权限获取请求；获取所述管理员账号响应于所述权限获取请求的权限分配操作指令；根据所述权限分配操作指令更新所述用户账号的操作权限。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
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权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010022943.XA CN111242317B (zh) | 2020-01-09 | 2020-01-09 | 管理应用的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010022943.XA CN111242317B (zh) | 2020-01-09 | 2020-01-09 | 管理应用的方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111242317A CN111242317A (zh) | 2020-06-05 |
| CN111242317B true CN111242317B (zh) | 2023-11-24 |
Family
ID=70874366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010022943.XA Active CN111242317B (zh) | 2020-01-09 | 2020-01-09 | 管理应用的方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111242317B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102263A (zh) * | 2020-08-31 | 2020-12-18 | 深圳思谋信息科技有限公司 | 缺陷检测模型生成系统、方法、装置和计算机设备 |
| CN112085019A (zh) * | 2020-08-31 | 2020-12-15 | 深圳思谋信息科技有限公司 | 字符识别模型生成系统、方法、装置和计算机设备 |
| 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 |
| CN112085027A (zh) * | 2020-08-31 | 2020-12-15 | 深圳思谋信息科技有限公司 | 图像分割模型生成系统、方法、装置和计算机设备 |
| CN114637977A (zh) * | 2022-01-26 | 2022-06-17 | 安徽点亮网络技术有限公司 | 一种基于指静脉验证的账户权限管理方法、系统及装置 |
| CN116664266B (zh) * | 2023-06-19 | 2024-01-30 | 北京惠朗时代科技有限公司 | 一种基于互联网的金融签章安全管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
| CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
| 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 |
-
2020
- 2020-01-09 CN CN202010022943.XA patent/CN111242317B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766940A (zh) * | 2017-11-20 | 2018-03-06 | 北京百度网讯科技有限公司 | 用于生成模型的方法和装置 |
| 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 |
| CN110554047A (zh) * | 2019-09-06 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111242317A (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111242317B (zh) | 管理应用的方法、装置、计算机设备和存储介质 | |
| CN111768001B (zh) | 语言模型的训练方法、装置和计算机设备 | |
| WO2020232883A1 (zh) | 脚本缺陷扫描方法、装置、计算机设备和存储介质 | |
| CN108563951A (zh) | 病毒检测方法及装置 | |
| US20210124575A1 (en) | Providing build avoidance without requiring local source code | |
| CN112199200B (zh) | 资源调度方法、装置、计算机设备和存储介质 | |
| CN111865927B (zh) | 基于系统的漏洞处理方法、装置、计算机设备和存储介质 | |
| CN113516251A (zh) | 一种机器学习系统及模型训练方法 | |
| CN116561003A (zh) | 测试数据生成方法、装置、计算机设备和存储介质 | |
| US20230177385A1 (en) | Federated machine learning based on partially secured spatio-temporal data | |
| CN111737090B (zh) | 日志仿真方法、装置、计算机设备和存储介质 | |
| CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| Karimibiuki et al. | Minicloud: A mini storage and query service for local heterogeneous iot devices | |
| US20170286195A1 (en) | Information object system | |
| US20200112621A1 (en) | Method and system for tracking chain of custody on unstructured data | |
| CN114546793A (zh) | 一种日志生成方法、装置和计算机可读存储介质 | |
| CN114721930A (zh) | 一种数据处理方法、装置、设备及介质 | |
| WO2019242112A1 (zh) | 审计字段信息获取方法、装置、计算机设备和存储介质 | |
| Qiao et al. | Research on Data Watermark Tracing System in Hadoop Environment | |
| CN113806372B (zh) | 新数据信息构建方法、装置、计算机设备及存储介质 | |
| Wang et al. | Single actor pooled steganalysis | |
| US20150331858A1 (en) | Method and Apparatus for Handling Digital Assets in an Assets-Based Workflow | |
| CN117851252A (zh) | 一种接口异常处理方法、装置、设备及其存储介质 | |
| CN112565030A (zh) | 基于消息队列遥测传输的边缘网关代理方法、装置 | |
| CN117196528A (zh) | 基于数字孪生的数据处理方法 |
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 |