CN111813814A - 一种支持多种机器学习框架的通用模型管理方法和装置 - Google Patents
一种支持多种机器学习框架的通用模型管理方法和装置 Download PDFInfo
- Publication number
- CN111813814A CN111813814A CN202010751191.0A CN202010751191A CN111813814A CN 111813814 A CN111813814 A CN 111813814A CN 202010751191 A CN202010751191 A CN 202010751191A CN 111813814 A CN111813814 A CN 111813814A
- Authority
- CN
- China
- Prior art keywords
- model
- machine learning
- container
- information
- supporting multiple
- 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.)
- Withdrawn
Links
Images
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45562—Creating, deleting, cloning virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种支持多种机器学习框架的通用模型管理方法，包括：通过模型注册中心获取模型文件以及模型描述信息；解析模型描述信息以获取模型文件的运行信息，通过模型注册中心根据运行信息发布模型；根据运行信息创建容器镜像，并启动容器；通过模型注册中心提供的API网关基于该容器执行模型的推理预测请求，并反馈推理预测请求的结果。本发明还公开了一种相应的装置。通过本发明可以实现多种机器学习框架的支持，提高模型的加载速度以及执行效率。
Description
技术领域
本发明涉及人工智能技术领域，更具体地，特别是指一种支持多种机器学习框架的通用模型管理方法和装置。
背景技术
当前数据分析人员进行机器学习建模时通常会使用TensorFlow、Scikit-learn、SparkML、PyTorch、Keras、H2O.ai等多种机器学习框架。这些机器学习框架对运行环境、训练预测数据格式有不同的要求。使用这些机器学习框架生成的专有模型进行推理预测时，往往面临着运行环境部署门槛高、没有统一的输入输出数据规范、模型训练预测过程难以追踪记录等难题。
PMML预测模型标记语言是一种通用、开放的机器学习模型标记语言。现有的技术方案一般是将专有机器学习模型转换为PMML模型来执行推理预测。转换为通用模型文件的过程中，会损失部分原模型的参数信息以及无法利用原生框架的独有的优化。因此，这种方案的主要问题有：支持的机器学习框架有限、推理预测结果存在偏差、模型加载速度慢、执行效率低等问题。
发明内容
有鉴于此，本发明实施例的目的在于提供一种新型的机器学习模型描述和运行方法，以解决支持的机器学习框架有限、推理预测结果存在偏差、模型加载速度慢、执行效率低等问题。
基于上述目的，本发明一方面提供了一种支持多种机器学习框架的通用模型管理方法，该方法包括：
通过模型注册中心获取模型文件以及模型描述信息；
解析模型描述信息以获取模型文件的运行信息，通过模型注册中心根据运行信息发布模型；
根据运行信息创建容器镜像，并启动容器；
通过模型注册中心提供的API(Application Programming Interface应用程序接口)网关基于该容器执行模型的推理预测请求，并反馈推理预测请求的结果。
在本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式中，模型描述信息包括模型名称、模型功能、使用的机器学习框架、调用核心算法名。
在本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式中，方法还包括：
通过模型描述信息为模型的运行和信息参考提供依据。
在本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式中，方法还包括：
将模型发布为模型服务以及版本更新迭代。
在本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式中，通过模型注册中心提供的API网关执行模型的推理预测请求，并反馈推理预测请求的结果还包括：
将API网关配置为模型的服务入口，通过API网关将推理预测请求发送至相应的模型。
在本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式中，运行信息包括模型运行的依赖环境、使用的机器学习框架、调用核心算法名、模型文件的路径信息、模型启动执行的命令。
在本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式中，根据运行信息创建容器镜像，并启动容器还包括：
在容器中安装模型的依赖环境；
根据模型文件调用不同机器学习框架的引擎以启动模型；
将模型添加至模型注册中心。
在本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式中，方法还包括：
获取模型执行推理预测请求的过程中的预设参数日志，根据预设参数日志查询分布在各个容器中模型的运行状态信息。
本发明实施例的另一方面，还提供了一种支持多种机器学习框架的通用模型管理装置，该装置包括：
模型注册中心模块，模型注册中心模块配置为通过模型注册中心获取模型文件以及模型描述信息；
模型文件解析模块，模型文件解析模块配置为解析模型描述信息以获取模型文件的运行信息，通过模型注册中心根据运行信息发布模型；
模型运行环境管理模块，模型运行环境管理模块配置为根据运行信息创建容器镜像，并启动容器；
模型推理预测模块，模型推理预测模块配置为通过模型注册中心提供的API网关基于该容器执行模型的推理预测请求，并反馈推理预测请求的结果。
在本发明的支持多种机器学习框架的通用模型管理装置的一些实施方式中，装置还包括：
日志存储与索引模块，日志存储与索引模块配置为获取模型执行推理预测请求的过程中的预设参数日志，根据预设参数日志查询分布在各个容器中模型的运行状态信息。
本发明至少具有以下有益技术效果：
1、不对模型本身进行转换，可保障模型的预测结果最优，预测效率最高。
2、使用容器技术，模型部署成本低、资源消耗少、使用门槛低。
3、支持的机器学习框架多，能涵盖几乎所有主流机器学习框架。用户使用该系统无需对算法代码进行大规模重构。
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简单地介绍，显而易见地，下面描述中的附图仅仅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实施例。
图1示出了根据本发明的支持多种机器学习框架的通用模型管理方法的实施例的示意性框图；
图2示出了根据本发明的支持多种机器学习框架的通用模型管理方法的实施例的流程图；
图3示出了根据本发明的支持多种机器学习框架的通用模型管理装置的实施例的系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”和“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
基于上述目的，本发明实施例的第一个方面，提出了一种支持多种机器学习框架的通用模型管理方法的实施例。图1示出的是根据本发明的支持多种机器学习框架的通用模型管理方法的实施例的示意性框图。如图1所示的实施例中，该方法至少包括如下步骤：
S100、通过模型注册中心获取模型文件以及模型描述信息；
S200、解析模型描述信息以获取模型文件的运行信息，通过模型注册中心根据运行信息发布模型；
S300、根据运行信息创建容器镜像，并启动容器；
S400、通过模型注册中心提供的API网关基于该容器执行模型的推理预测请求，并反馈推理预测请求的结果。
在本发明的一些实施例中，图2示出的是根据本发明的支持多种机器学习框架的通用模型管理方法的实施例的流程图，如图2所示，使用注册中心对模型进行统一管理。所有模型使用标准的描述文件、输入数据格式、API接口。用户按照系统给出的模型描述规范提交模型文件及模型描述信息至模型注册中心。由模型文件解析模块解析运行模型的基本信息，即模型的运行信息，模型注册中心依据此运行信息发布模型。之后，运行模型，由模型运行环境管理模块依据解析获得的运行信息创建容器镜像，并启动容器。用户调用模型注册中心提供的API网关执行模型的推理预测请求的任务。系统通过同步返回或者异步回调的方式返回推理预测请求的结果。解决了使用不同框架生成模型带来的标准不统一问题。
根据本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式，模型描述信息包括模型名称、模型功能、使用的机器学习框架、调用核心算法名。
在本发明的一些实施例中，该方法所用到的系统分为模型注册中心模块、模型文件解析模块、模型运行环境管理模块三个模块。其中模型注册中心模块负责模型的提交、模型信息索引管理、模型的发布、模型版本更新、模型API网关调用等功能。模块提供界面和API网关，支持用户将模型文件、模型描述信息提交注册至模型管理系统。其中，模型描述信息包含模型名称、模型功能、使用的机器学习框架、调用核心算法名等信息。
根据本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式，方法还包括：
通过模型描述信息为模型的运行和信息参考提供依据。
在本发明的一些实施例中，模型描述信息是运行模型文件的依据，也可以通过模型描述信息为模型使用者提供参考帮助。在不改变原机器学习框架生成的模型文件基础上，附加必要的模型运行信息。这种做法可100％保留模型中的关键参数信息和框架优化内容，同时根据模型使用的框架调用该框架原生模型服务预测引擎，保证了模型运行效率和推理预测的结果最优。
根据本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式，方法还包括：
将模型发布为模型服务以及版本更新迭代。
在本发明的一些实施例中，支持用户将上传的模型对外发布为模型服务、以及版本更新迭代，其他用户可以使用已经发布的模型服务。
根据本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式，通过模型注册中心提供的API网关执行模型的推理预测请求，并反馈推理预测请求的结果还包括：
将API网关配置为模型的服务入口，通过API网关将推理预测请求发送至相应的模型。
在本发明的一些实施例中，注册中心提供的API网关是模型的服务的入口，API网关统一将推理预测请求分发至不同的模型的实例。
根据本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式，运行信息包括模型运行的依赖环境、使用的机器学习框架、调用核心算法名、模型文件的路径信息、模型启动执行的命令。
在本发明的一些实施例中，模型文件解析模块将用户提交模型中的关键信息，如模型运行的依赖环境、使用的机器学习框架、调用核心算法名、模型文件的路径信息、模型启动执行的命令等进行解析，以供模型运行使用。
根据本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式，根据运行信息创建容器镜像，并启动容器还包括：
在容器中安装模型的依赖环境；
根据模型文件调用不同机器学习框架的引擎以启动模型；
将模型添加至模型注册中心。
在本发明的一些实施例中，依据模型文件解析模块获得的运行信息，制作容器镜像，在容器中完成模型的依赖环境的自动安装、根据模型文件的类型自动调用不同框架的引擎启动模型的服务、将模型的服务的实例添加到模型注册中心等。根据该模型运行环境管理模块的步骤完成模型镜像的创建、启动、销毁等生命周期管理。使用容器技术统一管理模型运行环境，通过自动解析模型依赖环境，生成容器镜像。从而模型使用人员不再为部署环境和调试花费时间，真正做到了模型的开箱即用。其中，在一些其他实施例中，不使用容器技术，而使用虚拟机的方式部署模型。
根据本发明的支持多种机器学习框架的通用模型管理方法的一些实施方式，方法还包括：
获取模型执行推理预测请求的过程中的预设参数日志，根据预设参数日志查询分布在各个容器中模型的运行状态信息。
在本发明的一些实施例中，根据日志存储与索引模块，该方法还包括查看推理预测过程中记录的中间数据与日志。将模型在执行预测过程中的重要的预设参数日志统一收集，并提供查询索引界面。用户可以使用该日志存储与索引模块查询分布在各个容器中模型的运行状态信息。
本发明实施例的另一方面，提出了一种支持多种机器学习框架的通用模型管理装置的实施例。图3示出了根据本发明的支持多种机器学习框架的通用模型管理装置的实施例的系统结构图，如图3所示，该装置包括：
模型注册中心模块，模型注册中心模块配置为通过模型注册中心获取模型文件以及模型描述信息；
模型文件解析模块，模型文件解析模块配置为解析模型描述信息以获取模型文件的运行信息，通过模型注册中心根据运行信息发布模型；
模型运行环境管理模块，模型运行环境管理模块配置为根据运行信息创建容器镜像，并启动容器；
模型推理预测模块(未示出)，模型推理预测模块配置为通过模型注册中心提供的API网关基于该容器执行模型的推理预测请求，并反馈推理预测请求的结果。
根据本发明的支持多种机器学习框架的通用模型管理装置的一些实施方式，如图3所示，装置还包括：
日志存储与索引模块，日志存储与索引模块配置为获取模型执行推理预测请求的过程中的预设参数日志，根据预设参数日志查询分布在各个容器中模型的运行状态信息。
同样地，本领域技术人员应当理解，以上针对根据本发明的支持多种机器学习框架的通用模型管理方法阐述的所有实施方式、特征和优势同样地适用于根据本发明的装置。为了本公开的简洁起见，在此不再重复阐述。
需要特别指出的是，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，可以通过计算机程序来指令相关硬件来完成，支持多种机器学习框架的通用模型管理方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种支持多种机器学习框架的通用模型管理方法，其特征在于，所述方法包括：
通过模型注册中心获取模型文件以及模型描述信息；
解析所述模型描述信息以获取所述模型文件的运行信息，通过所述模型注册中心根据所述运行信息发布模型；
根据所述运行信息创建容器镜像，并启动容器；
通过所述模型注册中心提供的API网关基于所述容器执行所述模型的推理预测请求，并反馈所述推理预测请求的结果。
2.根据权利要求1所述的支持多种机器学习框架的通用模型管理方法，其特征在于，所述模型描述信息包括模型名称、模型功能、使用的机器学习框架、调用核心算法名。
3.根据权利要求1所述的支持多种机器学习框架的通用模型管理方法，其特征在于，所述方法还包括：
通过所述模型描述信息为所述模型的运行和信息参考提供依据。
4.根据权利要求1所述的支持多种机器学习框架的通用模型管理方法，其特征在于，所述方法还包括：
将所述模型发布为模型服务以及版本更新迭代。
5.根据权利要求1所述的支持多种机器学习框架的通用模型管理方法，其特征在于，所述通过所述模型注册中心提供的API网关执行所述模型的推理预测请求，并反馈所述推理预测请求的结果还包括：
将所述API网关配置为所述模型的服务入口，通过所述API网关将所述推理预测请求发送至相应的所述模型。
6.根据权利要求1所述的支持多种机器学习框架的通用模型管理方法，其特征在于，所述运行信息包括所述模型运行的依赖环境、使用的机器学习框架、调用核心算法名、所述模型文件的路径信息、所述模型启动执行的命令。
7.根据权利要求1所述的支持多种机器学习框架的通用模型管理方法，其特征在于，所述根据所述运行信息创建容器镜像，并启动容器还包括：
在所述容器中安装所述模型的依赖环境；
根据所述模型文件调用不同机器学习框架的引擎以启动所述模型；
将所述模型添加至所述模型注册中心。
8.根据权利要求1所述的支持多种机器学习框架的通用模型管理方法，其特征在于，所述方法还包括：
获取所述模型执行所述推理预测请求的过程中的预设参数日志，根据所述预设参数日志查询分布在各个所述容器中所述模型的运行状态信息。
9.一种支持多种机器学习框架的通用模型管理装置，其特征在于，所述装置包括：
模型注册中心模块，所述模型注册中心模块配置为通过模型注册中心获取模型文件以及模型描述信息；
模型文件解析模块，所述模型文件解析模块配置为解析所述模型描述信息以获取所述模型文件的运行信息，通过所述模型注册中心根据所述运行信息发布模型；
模型运行环境管理模块，所述模型运行环境管理模块配置为根据所述运行信息创建容器镜像，并启动容器；
模型推理预测模块，所述模型推理预测模块配置为通过所述模型注册中心提供的API网关基于所述容器执行所述模型的推理预测请求，并反馈所述推理预测请求的结果。
10.根据权利要求9所述的支持多种机器学习框架的通用模型管理装置，其特征在于，所述装置还包括：
日志存储与索引模块，所述日志存储与索引模块配置为获取所述模型执行所述推理预测请求的过程中的预设参数日志，根据所述预设参数日志查询分布在各个所述容器中所述模型的运行状态信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751191.0A CN111813814A (zh) | 2020-07-30 | 2020-07-30 | 一种支持多种机器学习框架的通用模型管理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751191.0A CN111813814A (zh) | 2020-07-30 | 2020-07-30 | 一种支持多种机器学习框架的通用模型管理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111813814A true CN111813814A (zh) | 2020-10-23 |
Family
ID=72863431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010751191.0A Withdrawn CN111813814A (zh) | 2020-07-30 | 2020-07-30 | 一种支持多种机器学习框架的通用模型管理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111813814A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112579149A (zh) * | 2020-12-24 | 2021-03-30 | 第四范式（北京）技术有限公司 | 模型训练程序镜像的生成方法、装置、设备及存储介质 |
| CN112667597A (zh) * | 2020-12-01 | 2021-04-16 | 北京晶派科技有限公司 | 一种算法模型全生命周期管理工具系统及其实现方法 |
| CN113139660A (zh) * | 2021-05-08 | 2021-07-20 | 北京首都在线科技股份有限公司 | 模型推理方法、装置、电子设备及存储介质 |
| CN114116051A (zh) * | 2021-11-17 | 2022-03-01 | 招联消费金融有限公司 | 基于神经网络模型的处理方法、装置、设备和存储介质 |
| CN115248692A (zh) * | 2022-09-21 | 2022-10-28 | 之江实验室 | 一种支持多种深度学习框架模型云端部署的装置及方法 |
-
2020
- 2020-07-30 CN CN202010751191.0A patent/CN111813814A/zh not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112667597A (zh) * | 2020-12-01 | 2021-04-16 | 北京晶派科技有限公司 | 一种算法模型全生命周期管理工具系统及其实现方法 |
| CN112667597B (zh) * | 2020-12-01 | 2024-05-14 | 北京晶泰科技有限公司 | 一种算法模型全生命周期管理工具系统及其实现方法 |
| CN112579149A (zh) * | 2020-12-24 | 2021-03-30 | 第四范式（北京）技术有限公司 | 模型训练程序镜像的生成方法、装置、设备及存储介质 |
| WO2022135592A1 (zh) * | 2020-12-24 | 2022-06-30 | 第四范式（北京）技术有限公司 | 模型训练程序镜像的生成方法、装置、设备及存储介质 |
| CN112579149B (zh) * | 2020-12-24 | 2024-01-30 | 第四范式（北京）技术有限公司 | 模型训练程序镜像的生成方法、装置、设备及存储介质 |
| CN113139660A (zh) * | 2021-05-08 | 2021-07-20 | 北京首都在线科技股份有限公司 | 模型推理方法、装置、电子设备及存储介质 |
| CN114116051A (zh) * | 2021-11-17 | 2022-03-01 | 招联消费金融有限公司 | 基于神经网络模型的处理方法、装置、设备和存储介质 |
| CN114116051B (zh) * | 2021-11-17 | 2024-03-22 | 招联消费金融股份有限公司 | 基于神经网络模型的处理方法、装置、设备和存储介质 |
| CN115248692A (zh) * | 2022-09-21 | 2022-10-28 | 之江实验室 | 一种支持多种深度学习框架模型云端部署的装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111813814A (zh) | 一种支持多种机器学习框架的通用模型管理方法和装置 | |
| US7823120B2 (en) | Device, system and method for accelerated modeling | |
| CN102663103B (zh) | 可配置的自动化生成数据库和数据访问的方法 | |
| CN110221815B (zh) | 一种基于本体的控制软件模型的自动生成方法 | |
| US10782935B2 (en) | Method and system to provide a generalized framework for dynamic creation of module analytic applications | |
| US20110197172A1 (en) | Design verification apparatus and design verification program | |
| CN110222318A (zh) | 基于xml的数据生成工具开发方法 | |
| Petrović et al. | Automating ETL processes using the domain-specific modeling approach | |
| CN105335161B (zh) | 一种从tasm时间抽象状态机到扩展nta自动机的转换方法 | |
| Zhang et al. | Automated extraction of grammar optimization rule configurations for metamodel-grammar co-evolution | |
| Lehner et al. | Towards a reference architecture for leveraging model repositories for digital twins | |
| JP2011515755A (ja) | 予約されたコンポーネントコンテナ基盤ソフトウェアの開発方法及び装置 | |
| CN115469860B (zh) | 基于指令集的需求到软件领域模型的自动生成方法及系统 | |
| Giachetti et al. | Integration of domain-specific modelling languages and UML through UML profile extension mechanism. | |
| CN115758789A (zh) | 一种复杂实时嵌入式系统的软件架构设计与架构传递方法 | |
| CN114168121A (zh) | 一种基于代码工厂模式开发软件系统、终端和存储介质 | |
| CN108304219A (zh) | 二次开发平台及方法 | |
| KR100576941B1 (ko) | 메타모델에 기반한 모델 변환 지원 시스템 | |
| Rodríguez-Echeverría et al. | Model-driven Generation of a REST API from a Legacy Web Application | |
| Chen et al. | A Services Development Approach for Smart Home Based on Natural Language Instructions. | |
| Tielin et al. | A model transformation platform design based on model driven architecture | |
| Mahfoudhi et al. | From UML/MARTE to RTDT: A model driven based method for scheduling analysis and HW/SW partitioning | |
| Mohan et al. | Agent Based Modelling for Migration of Industrial Control Systems | |
| CN117149152A (zh) | 一种编程式建模的数据分析方法 | |
| CN118034658A (zh) | 一种基于优化设计工作流中计算构件协同的建模方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201023 |