CN112084391B - 依赖包信息的获取方法、装置、设备及计算机介质 - Google Patents
依赖包信息的获取方法、装置、设备及计算机介质 Download PDFInfo
- Publication number
- CN112084391B CN112084391B CN202010934921.0A CN202010934921A CN112084391B CN 112084391 B CN112084391 B CN 112084391B CN 202010934921 A CN202010934921 A CN 202010934921A CN 112084391 B CN112084391 B CN 112084391B
- Authority
- CN
- China
- Prior art keywords
- information
- demand
- dependent
- feature
- key value
- 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
- 230000001419 dependent effect Effects 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 claims abstract description 75
- 238000000605 extraction Methods 0.000 claims abstract description 58
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 description 103
- 230000006870 function Effects 0.000 description 26
- 230000004913 activation Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/61—Installation
- G06F8/63—Image based installation; Cloning; Build to order
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
Abstract
本发明涉及人工智能技术领域,揭露了一种依赖包信息的获取方法,包括:获取深度学习平台的系统信息,根据系统信息生成镜像信息调用语句;通过执行镜像信息调用语句,获取深度学习平台的镜像中的依赖包信息;将依赖包信息以键值对形式保存至键值数据表;获取深度学习平台接收到的需求数据,利用特征提取网络提取需求数据的需求特征,得到需求特征集;将需求特征集进行特征优选,得到优选特征;在键值数据表中查询并获取与优选特征对应的依赖包信息。本发明还提出一种依赖包信息的获取装置、设备以及一种介质。此外,本发明还涉及区块链技术,键值数据表可存储于区块链节点中。本发明可以提高获取镜像中依赖包的信息的效率和精确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种依赖包信息的获取方法、装置、电子设备及计算机可读存储介质。
背景技术
人工智能模型的开发人员在使用深度学习平台提交人工智能模型的训练任务时,需要判断提交至深度学习平台的训练任务是否能够执行,通常,当训练任务所需的依赖包存在于深度学习平台的镜像中时,训练任务可以执行,当训练任务所需的依赖包不存在于深度学习平台的镜像中时,训练任务无法执行。
现有技术中,为了判断提交至深度学习平台的训练任务是否能够执行,方式一是由开发人员直接提交训练任务至深度学习平台,如训练任务中断,则根据深度学习平台产生的日志,获取缺失的依赖包,这种方式降低了模型训练的效率。方式二是由开发人员直接查看深度学习平台提供的镜像清单,如在镜像清单中能找到需要的依赖包,则可以执行训练任务。但这种方式由于深度学习平台提供的镜像清单无法实时更新,导致镜像清单中的依赖包信息不准确。因此,如何快速且精确地获取镜像中安装的依赖包的信息,以便根据依赖包的信息,成为一个亟待解决的问题。
发明内容
本发明提供一种依赖包信息的获取方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高获取镜像中依赖包的信息的效率和精确率。
为实现上述目的,本发明提供的一种依赖包信息的获取方法,包括:
获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句;
通过执行所述镜像信息调用语句,获取所述深度学习平台的镜像中存在的多个依赖包的依赖包信息;
将所述依赖包信息以键值对形式保存至键值数据表;
获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集;
将所述需求特征集进行特征优选,得到优选特征;
在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息。
可选地,所述利用特征提取网络提取所述需求数据的需求特征,得到需求特征集,包括:
利用所述特征提取网络中的网络层次描述所述需求数据的数据分布;
利用机器学习算法对所述数据分布进行特征提取,得到所述需求特征集。
可选地,所述机器学习算法为:
其中,h为所述需求特征,Y为所述需求数据的数据分布,w为所述特征提取网络的权值矩阵,b为所述特征提取网络的偏置向量。
可选地,所述系统信息包括所述深度平台中用于存储镜像的Docker容器的启动参数,所述根据所述系统信息生成镜像信息调用语句,包括:
利用编译器将所述启动参数编译为镜像信息调用语句。
可选地,所述将所述依赖包信息以键值对形式保存至键值数据表,包括:
获取所述依赖包信息中的依赖包名称和依赖包版本号;
将所述依赖包名称和所述依赖包版本号写入键值数据表,其中,所述依赖包名称为所述键值数据表的主键,所述依赖包名称的值为所述键值数据表的主键值,所述依赖包版本号为所述键值数据表的附属字段,所述依赖包版本号的值为所述键值数据表的主键值。
可选地,所述将所述需求特征集进行特征优选,得到优选特征,包括:
计算所述需求特征集中多个需求特征的特征权重;
选取所述特征权重大于权重阈值的多个需求特征,将所述多个目标特征汇集为所述优选特征。
可选地,所述在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息之后,所述方法还包括:
将所述依赖包信息转换为html数据流;
利用预设编译器将所述html数据流编译为web语句;
通过执行所述web语句生成包含所述依赖信息列表的web页面;
向目标用户推送所述web页面。
为了解决上述问题,本发明还提供一种依赖包信息的获取装置,所述装置包括:
调用语句生成模块,用于获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句;
依赖包信息抽取模块,用于通过执行所述镜像信息调用语句,获取所述深度学习平台的镜像中存在的多个依赖包的依赖包信息;
依赖包信息保存模块,用于将所述依赖包信息以键值对形式保存至键值数据表;
需求特征提取模块,用于获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集;
需求特征筛选模块,用于将所述需求特征集进行特征优选,得到优选特征;
依赖包信息查询模块,用于在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述中任意一项所述的依赖包信息的获取方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述中任意一项所述的依赖包信息的获取方法。
本发明实施例通过获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句,执行所述镜像信息调用语句,或取深度学习平台的镜像中多个依赖包的依赖包信息,提高获取所述依赖包信息的效率;将所述依赖包信息以键值对形式保存至键值数据表,提高对获得的依赖包信息进行调用与查询的效率;获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集,利用预先训练的特征提取网络可提高提取所述需求数据的需求特征的效率;将所述需求特征集进行特征优选,得到优选特征,筛选出更具有代表性的需求特征,以提高利用所述优选特征在所述键值数据表中查询并获取依赖包信息的精确性。因此本发明提出的依赖包信息的获取方法、装置及计算机可读存储介质,可以提高获取镜像中依赖包的信息的效率和精确率。
附图说明
图1为本发明一实施例提供的依赖包信息的获取方法的流程示意图;
图2为本发明一实施例提供的依赖包信息的获取装置的模块示意图;
图3为本发明一实施例提供的实现依赖包信息的获取方法的电子设备的内部结构示意图;
图4为本发明实施例中一种键值数据表的示例图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供的依赖包信息的获取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述依赖包信息的获取方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种依赖包信息的获取方法。参照图1所示,为本发明一实施例提供的依赖包信息的获取方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,依赖包信息的获取方法包括:
S1、获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句。
本发明实施例中,所述深度学习平台为任意可提供深度学习服务的平台,例如,PaddlePaddle平台,TensorFlow平台等。
具体地,本发明实施例通过具有数据抓取功能的python语句从深度学习平台的系统文件中抓取所述深度学习平台的系统信息。
进一步地,所述系统信息包括所述深度平台中用于存储镜像的Docker容器的启动参数,所述根据所述系统信息生成镜像信息调用语句,包括:利用编译器将所述启动参数编译为镜像信息调用语句。
其中,所述镜像用于存储依赖包的信息。所述Docker容器是一种开源的应用容器引擎,用于存储深度学习平台的镜像,所述Docker容器安装于深度学习平台。
详细地,本发明实施例中,利用具有参数提取功能的卷积神经网络提取从系统信息中提取该系统信息包含的Docker容器启动参数。
较佳地,所述编译器包括但不限于Microsoft Visual C++、Microsoft VisualStudio、DEV C++。
由于不同的深度学习平台的数据结构存在差异,因此,为了从不同的深度学习平台中调用镜像信息,需要根据不同的深度学习平台的系统信息,选择与系统信息相符合的编译器来生成镜像信息调用语句,以实现利用生成的镜像信息调用语句从深度学习平台中调用镜像信息。本发明实施例根据所述深度学习平台的系统信息生成所述深度学习平台中镜像的镜像信息调用语句,可以提高所述镜像信息调用语句的可用性。
S2、通过执行所述镜像信息调用语句,获取所述深度学习平台的镜像中存在的多个依赖包的依赖包信息。
具体实施时,可以通过执行所述镜像信息调用语句获取深度学习平台的镜像中所有的依赖包的依赖信息,或者部分依赖包的依赖信息。
S3、将所述依赖包信息以键值对形式保存至键值数据表。
本发明实施例中,所述将所述依赖包信息以键值对形式保存至键值数据表,包括:
获取所述依赖包信息中的依赖包名称和依赖包版本号;
将所述依赖包名称和所述依赖包版本号写入键值数据表,其中,所述依赖包名称为所述键值数据表的主键,所述依赖包名称的值为所述键值数据表的主键值,所述依赖包版本号为所述键值数据表的附属字段,所述依赖包版本号的值为所述键值数据表的主键值。
所述主键值是在数据表中进行数据存储时确定的具有唯一性的数据标记,如唯一序列号等。附属字段为对主键值进行详细说明或者限制的字段,附属字段有利于对主键值进行进一步说明。
请参考图4,图4为本发明实施例中一种键值数据表的示例图,在图4中不同的依赖包名称为主键值,可根据所述依赖包名称唯一找到对应的依赖包。不同的依赖包版本号为附属字段,通过该附属字段,可显示出依赖包中包含哪些具体的依赖包版本。
本发明实施例将依赖包信息以键值对形式保存至键值数据表,利用键值对中的主键值可提高后续检索键值数据表中数据的效率。
进一步地,本发明一可选实施例中,所述键值数据表可存储于区块链节点中,利用区块链的高吞吐性,可提高调用大量所述键值数据表的效率。
S4、获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集。
本发明实施例中,所述需求数据可由开发人员上传至所述深度学习平台。所述需求数据包括但不限于模型架构文件、模型训练数据、模型配置文件。
详细地,所述利用特征提取网络提取所述需求数据的需求特征,得到需求特征集,包括:
利用特征提取网络中的网络层次描述所述需求数据的数据分布;
利用机器学习算法对所述数据分布进行特征提取,得到所述需求特征集。
具体地,所述特征提取网络包括多个可视层和多个隐藏层,其中,所述可视层包含多个可视单元,所述隐藏层包含多个隐藏单元,且多个可视层和多个隐藏层的数目对应,多个可视单元与多个隐藏单元的数目对应。
详细地,在进行特征提取的过程中,通过特征提取网络的可视层中的每个可视单元描述所述需求数据中的数据分布,通过特征提取网络的隐藏层中的每个隐藏单元提取与所述需求特征,所述隐藏层中的每个隐藏单元基于机器学习算法提取与所述隐藏单元相匹配的可视单元描述的特征。
具体的,所述可视单元和所述隐藏单元的状态由布尔值进行表示,如,0和1,其中,0表示未激活状态,1表示激活状态。当所述可视单元和/或所述隐藏单元被激活函数激活后,才可将可视单元包含的数据传输至与所述可视单元相匹配的隐藏单元中。
具体地,所述可视单元和/或所述隐藏单元的激活函数如下:
其中,E(v,h,θ)为激活值,I为所述可视层中可视单元的数目,J为所述隐藏层中隐藏单元的数目,a为所述可视层的偏置向量,b为所述隐藏层的偏置向量,w为所述可视层与所述隐藏层直接的权值矩阵,v为所述可视层中任一可视单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数。
当所述激活函数的激活值大于激活阈值时,所述可视单元和/或所述隐藏单元被激活函数激活。在所述可视单元和/或所述隐藏单元被激活函数激活后,将所述可视单元和/或所述隐藏单元中包含的数据传输至与所述可视单元相匹配的隐藏单元中。
优选的,本发明实施例通过如下匹配算法将所述可视层中的可视单元与所述隐藏层中的隐藏单元进行匹配:
其中,P(v,h,θ)为匹配值,v为所述可视层中任一可视单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数,Z为所述特征提取网络的归一化因子,exp(-E(v,h,θ))为可视单元v与隐藏单元h匹配的期望。
较佳地,只有在所述可视层中的可视单元与所述隐藏层中的隐藏单元匹配完成后,被激活的可视层才可将数据传输给与所述可视层相匹配且已被激活的隐藏层。
进一步地,当给定所述可视层中的可视单元被激活后,对应的所述隐藏层中的隐藏单元也被激活的概率为P(vj=1|h;θ):
其中,vj为所述隐藏层中的第j个隐藏单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数,J为所述隐藏层中隐藏单元的数目,w为所述可视层与所述隐藏层直接的权值矩阵,b为所述隐藏层的偏置向量,δ为预设的概率系数。
当给定所述隐藏层中的隐藏单元被激活后,对应的所述可视层中的可视单元也被激活的概率为P(hi=1|v;θ):
其中,hi为所述可视层中的第i个可视单元,v为所述可视层中任一可视单元,θ为预设的误差参数,I为所述可视层中可视单元的数目,w为所述可视层与所述隐藏层直接的权值矩阵,a为所述可视层的偏置向量,δ为预设的概率系数。
本发明实施例中,当给定所述可视层/隐藏层中的可视单元/隐藏单元被激活后,只有当与所述可视单元/隐藏单元相匹配的隐藏单元/可视单元被激活的概率为1时,表明所述隐藏单元/可视单元被激活。
本发明实施例中,利用多个所述特征提取网络中的多个可视层和隐藏层进行叠加,以实现更加精准地对所述需求数据进行特征提取。
在本发明一较佳实施例中,所述机器学习算法为:
其中,h为所述需求特征,Y为所述需求数据的数据分布,w为所述特征提取网络的权值矩阵,b为所述特征提取网络的偏置向量。
本发明实施例通过训练所述特征提取模型对所述需求数据进行特征提取,提高了特征提取的效率及精确性。
S5、将所述需求特征集进行特征优选,得到优选特征。
本发明实施例中,所述将所述需求特征集进行特征优选,得到优选特征,包括:
计算所述需求特征集中多个需求特征的特征权重;
选取所述特征权重大于权重阈值的多个需求特征,将所述多个目标特征汇集为所述优选特征。
具体地,所述对所述需求特征集中的需求特征进行权重计算,得到特征权重,包括:
利用如下所述权重算法计算所述特征权重X:
其中,h为所述需求特征集中任一需求特征,为预先设定的权重系数,f为预设权重函数。
所述需求特征集在特征提取时,可能会提取出多个需求特征,然而并非所有的需求特征都具有代表性,本发明通过对所述需求特征集中的需求特征进行特征优选来选择出具有代表性的需求特征,从而减少需求特征的数据量,提高计算效率。
S6、在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息。
本发明实施例中,所述在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息,包括:
在所述键值数据表检索并返回与所述优选特征对应的依赖包信息。
本实施例中,主键值对应的附属字段是与主键值处于同一行的行数据,主键值对应的附属字段可以为一项也可以为多项。例如主键值为依赖包名称,附属字段为依赖包版本号。
例如,当所述优选特征中存在依赖包1,则在所述键值数据表中检索主键值为依赖包1的附属字段,将主键值为依赖包1的附属字段作为所述优选特征对应的依赖包信息。
进一步地,所述在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息之后,所述方法还包括:
将所述依赖包信息转换为html数据流;
利用预设编译器将所述html数据流编译为web语句;
通过执行所述web语句生成包含所述依赖信息列表的web页面;
向目标用户推送所述web页面。
较佳地,所述预设编译器为具有html数据编译功能的编译器,所述预设编译器包括但不限于Editplus编译器和notepad++编译器、Adobe Dreamweaver CS5编译器。
本发明实施例可利用网页推送的形式向目标用户推送所述web页面。
本发明实施例通过获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句,执行所述镜像信息调用语句,或取深度学习平台的镜像中多个依赖包的依赖包信息,提高获取所述依赖包信息的效率;将所述依赖包信息以键值对形式保存至键值数据表,提高对获得的依赖包信息进行调用与查询的效率;获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集,利用预先训练的特征提取网络可提高提取所述需求数据的需求特征的效率;将所述需求特征集进行特征优选,得到优选特征,筛选出更具有代表性的需求特征,以提高利用所述优选特征在所述键值数据表中查询并获取依赖包信息的精确性。因此本发明提出的依赖包信息的获取方法,可以提高获取镜像中多个依赖包的依赖包信息的效率和精确率。
如图2所示,是本发明依赖包信息的获取装置的模块示意图。
本发明所述依赖包信息的获取装置100可以安装于电子设备中。根据实现的功能,所述依赖包信息的获取装置可以包括调用语句生成模块101、依赖包信息抽取模块102、依赖包信息保存模块103、需求特征提取模块104、需求特征筛选模块105和依赖包信息查询模块106。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述调用语句生成模块101,用于获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句;
所述依赖包信息抽取模块102,用于通过执行所述镜像信息调用语句,获取所述深度学习平台的镜像中存在的多个依赖包的依赖包信息;
所述依赖包信息保存模块103,用于将所述依赖包信息以键值对形式保存至键值数据表;
所述需求特征提取模块104,用于获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集;
所述需求特征筛选模块105,用于将所述需求特征集进行特征优选,得到优选特征;
所述依赖包信息查询模块106,用于在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息。
详细地,所述图像中文本内容提取生成装置各模块的具体实施方式如下:
所述调用语句生成模块101,用于获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句。
本发明实施例中,所述深度学习平台为任意可提供深度学习服务的平台,例如,PaddlePaddle平台,TensorFlow平台等。
具体地,本发明实施例通过具有数据抓取功能的python语句从深度学习平台的系统文件中抓取所述深度学习平台的系统信息。
进一步地,所述系统信息包括所述深度平台中用于存储镜像的Docker容器的启动参数,所述调用语句生成模块101具体用于:利用编译器将所述启动参数编译为镜像信息调用语句。
其中,所述镜像用于存储依赖包的信息。所述Docker容器是一种开源的应用容器引擎,用于存储深度学习平台的镜像,所述Docker容器安装于深度学习平台。
详细地,本发明实施例中,利用具有参数提取功能的卷积神经网络提取从系统信息中提取该系统信息包含的Docker容器启动参数。
较佳地,所述编译器包括但不限于Microsoft Visual C++、Microsoft VisualStudio、DEV C++。
由于不同的深度学习平台的数据结构存在差异,因此,为了从不同的深度学习平台中调用镜像信息,需要根据不同的深度学习平台的系统信息,选择与系统信息相符合的编译器来生成镜像信息调用语句,以实现利用生成的镜像信息调用语句从深度学习平台中调用镜像信息。本发明实施例根据所述深度学习平台的系统信息生成所述深度学习平台中镜像的镜像信息调用语句,可以提高所述镜像信息调用语句的可用性。
所述依赖包信息抽取模块102,用于通过执行所述镜像信息调用语句,获取所述深度学习平台的镜像中存在的多个依赖包的依赖包信息。
具体实施时,可以通过执行所述镜像信息调用语句获取深度学习平台的镜像中所有的依赖包的依赖信息,或者部分依赖包的依赖信息。
所述依赖包信息保存模块103,用于将所述依赖包信息以键值对形式保存至键值数据表。
本发明实施例中,所述依赖包信息保存模块103具体用于:
获取所述依赖包信息中的依赖包名称和依赖包版本号;
将所述依赖包名称和所述依赖包版本号写入键值数据表,其中,所述依赖包名称为所述键值数据表的主键,所述依赖包名称的值为所述键值数据表的主键值,所述依赖包版本号为所述键值数据表的附属字段,所述依赖包版本号的值为所述键值数据表的主键值。
所述主键值是在数据表中进行数据存储时确定的具有唯一性的数据标记,如唯一序列号等。附属字段为对主键值进行详细说明或者限制的字段,附属字段有利于对主键值进行进一步说明。
请参考图4,图4为本发明实施例中一种键值数据表的示例图,在图4中不同的依赖包名称为主键值,可根据所述依赖包名称唯一找到对应的依赖包。不同的依赖包版本号为附属字段,通过该附属字段,可显示出依赖包中包含哪些具体的依赖包版本。
本发明实施例将依赖包信息以键值对形式保存至键值数据表,利用键值对中的主键值可提高后续检索键值数据表中数据的效率。
进一步地,本发明一可选实施例中,所述键值数据表可存储于区块链节点中,利用区块链的高吞吐性,可提高调用大量所述键值数据表的效率。
所述需求特征提取模块104,用于获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集。
本发明实施例中,所述需求数据可由开发人员上传至所述深度学习平台。所述需求数据包括但不限于模型架构文件、模型训练数据、模型配置文件。
详细地,所述需求特征提取模块104具体用于:
获取所述深度学习平台接收到的需求数据;
利用特征提取网络中的网络层次描述所述需求数据的数据分布;
利用机器学习算法对所述数据分布进行特征提取,得到所述需求特征集。
具体地,所述特征提取网络包括多个可视层和多个隐藏层,其中,所述可视层包含多个可视单元,所述隐藏层包含多个隐藏单元,且多个可视层和多个隐藏层的数目对应,多个可视单元与多个隐藏单元的数目对应。
详细地,在进行特征提取的过程中,通过特征提取网络的可视层中的每个可视单元描述所述需求数据中的数据分布,通过特征提取网络的隐藏层中的每个隐藏单元提取与所述需求特征,所述隐藏层中的每个隐藏单元基于机器学习算法提取与所述隐藏单元相匹配的可视单元描述的特征。
具体的,所述可视单元和所述隐藏单元的状态由布尔值进行表示,如,0和1,其中,0表示未激活状态,1表示激活状态。当所述可视单元和/或所述隐藏单元被激活函数激活后,才可将可视单元包含的数据传输至与所述可视单元相匹配的隐藏单元中。
具体地,所述可视单元和/或所述隐藏单元的激活函数如下:
其中,E(v,h,θ)为激活值,I为所述可视层中可视单元的数目,J为所述隐藏层中隐藏单元的数目,a为所述可视层的偏置向量,b为所述隐藏层的偏置向量,w为所述可视层与所述隐藏层直接的权值矩阵,v为所述可视层中任一可视单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数。
当所述激活函数的激活值大于激活阈值时,所述可视单元和/或所述隐藏单元被激活函数激活。在所述可视单元和/或所述隐藏单元被激活函数激活后,将所述可视单元和/或所述隐藏单元中包含的数据传输至与所述可视单元相匹配的隐藏单元中。
优选的,本发明实施例通过如下匹配算法将所述可视层中的可视单元与所述隐藏层中的隐藏单元进行匹配:
其中,P(v,h,θ)为匹配值,v为所述可视层中任一可视单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数,Z为所述特征提取网络的归一化因子,exp(-E(v,h,θ))为可视单元v与隐藏单元h匹配的期望。
较佳地,只有在所述可视层中的可视单元与所述隐藏层中的隐藏单元匹配完成后,被激活的可视层才可将数据传输给与所述可视层相匹配且已被激活的隐藏层。
进一步地,当给定所述可视层中的可视单元被激活后,对应的所述隐藏层中的隐藏单元也被激活的概率为P(vj=1|h;θ):
其中,vj为所述隐藏层中的第j个隐藏单元,h为所述隐藏层中任一隐藏单元,θ为预设的误差参数,J为所述隐藏层中隐藏单元的数目,w为所述可视层与所述隐藏层直接的权值矩阵,b为所述隐藏层的偏置向量,δ为预设的概率系数。
当给定所述隐藏层中的隐藏单元被激活后,对应的所述可视层中的可视单元也被激活的概率为P(hi=1|v;θ):
其中,hi为所述可视层中的第i个可视单元,v为所述可视层中任一可视单元,θ为预设的误差参数,I为所述可视层中可视单元的数目,w为所述可视层与所述隐藏层直接的权值矩阵,a为所述可视层的偏置向量,δ为预设的概率系数。
本发明实施例中,当给定所述可视层/隐藏层中的可视单元/隐藏单元被激活后,只有当与所述可视单元/隐藏单元相匹配的隐藏单元/可视单元被激活的概率为1时,表明所述隐藏单元/可视单元被激活。
本发明实施例中,利用多个所述特征提取网络中的多个可视层和隐藏层进行叠加,以实现更加精准地对所述需求数据进行特征提取。
在本发明一较佳实施例中,所述机器学习算法为:
其中,h为所述需求特征,Y为所述需求数据的数据分布,w为所述特征提取网络的权值矩阵,b为所述特征提取网络的偏置向量。
本发明实施例通过训练所述特征提取模型对所述需求数据进行特征提取,提高了特征提取的效率及精确性。
所述需求特征筛选模块105,用于将所述需求特征集进行特征优选,得到优选特征。
本发明实施例中,所述需求特征筛选模块105具体用于:
计算所述需求特征集中多个需求特征的特征权重;
选取所述特征权重大于权重阈值的多个需求特征,将所述多个目标特征汇集为所述优选特征。
具体地,所述对所述需求特征集中的需求特征进行权重计算,得到特征权重,包括:
利用如下所述权重算法计算所述特征权重X:
其中,h为所述需求特征集中任一需求特征,为预先设定的权重系数,f为预设权重函数。
所述需求特征集在特征提取时,可能会提取出多个需求特征,然而并非所有的需求特征都具有代表性,本发明通过对所述需求特征集中的需求特征进行特征优选来选择出具有代表性的需求特征,从而减少需求特征的数据量,提高计算效率。
所述依赖包信息查询模块106,用于在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息。
本发明实施例中,所述依赖包信息查询模块106具体用于:
在所述键值数据表检索并返回与所述优选特征对应的依赖包信息。
本实施例中,主键值对应的附属字段是与主键值处于同一行的行数据,主键值对应的附属字段可以为一项也可以为多项。例如主键值为依赖包名称,附属字段为依赖包版本号。
例如,当所述优选特征中存在依赖包1,则在所述键值数据表中检索主键值为依赖包1的附属字段,将主键值为依赖包1的附属字段作为所述优选特征对应的依赖包信息。
进一步地,所述在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息之后,所述方法还包括:
将所述依赖包信息转换为html数据流;
利用预设编译器将所述html数据流编译为web语句;
通过执行所述web语句生成包含所述依赖信息列表的web页面;
向目标用户推送所述web页面。
较佳地,所述预设编译器为具有html数据编译功能的编译器,所述预设编译器包括但不限于Editplus编译器和notepad++编译器、Adobe Dreamweaver CS5编译器。
本发明实施例可利用网页推送的形式向目标用户推送所述web页面。
本发明实施例通过通过获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句,执行所述镜像信息调用语句,或取深度学习平台的镜像中多个依赖包的依赖包信息,提高获取所述依赖包信息的效率;将所述依赖包信息以键值对形式保存至键值数据表,提高对获得的依赖包信息进行调用与查询的效率;获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集,利用预先训练的特征提取网络可提高提取所述需求数据的需求特征的效率;将所述需求特征集进行特征优选,得到优选特征,筛选出更具有代表性的需求特征,以提高利用所述优选特征在所述键值数据表中查询并获取依赖包信息的精确性。因此本发明提出的依赖包信息的获取装置,可以提高获取镜像中多个依赖包的依赖包信息的效率和精确率。
如图3所示,是本发明实现依赖包信息的获取方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如依赖包信息的获取程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如依赖包信息的获取程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行依赖包信息的获取程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的依赖包信息的获取程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句;
通过执行所述镜像信息调用语句,获取所述深度学习平台的镜像中存在的多个依赖包的依赖包信息;
将所述依赖包信息以键值对形式保存至键值数据表;
获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集;
将所述需求特征集进行特征优选,得到优选特征;
在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息。
进一步地,所述电子设备1集成的模块/单元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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,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,所述模块的划分,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模块可以是或者也可以不是物理上分开的,作为模块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模块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模块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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种依赖包信息的获取方法,其特征在于,所述方法包括:
获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句;
通过执行所述镜像信息调用语句,获取所述深度学习平台的镜像中存在的多个依赖包的依赖包信息;
将所述依赖包信息以键值对形式保存至键值数据表;
获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集;
将所述需求特征集进行特征优选,得到优选特征;
在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息;
其中,所述利用特征提取网络提取所述需求数据的需求特征,得到需求特征集,包括:利用所述特征提取网络中的网络层次描述所述需求数据的数据分布;利用机器学习算法对所述数据分布进行特征提取,得到所述需求特征集;
所述机器学习算法为:
其中,为所述需求特征,Y为所述需求数据的数据分布,w为所述特征提取网络的权值矩阵,/>为所述特征提取网络的偏置向量。
2.如权利要求1所述的依赖包信息的获取方法,其特征在于,所述系统信息包括所述深度学习平台中用于存储镜像的Docker容器的启动参数,所述根据所述系统信息生成镜像信息调用语句,包括:
利用编译器将所述启动参数编译为镜像信息调用语句。
3.如权利要求1所述的依赖包信息的获取方法,其特征在于,所述将所述依赖包信息以键值对形式保存至键值数据表,包括:
获取所述依赖包信息中的依赖包名称和依赖包版本号;
将所述依赖包名称和所述依赖包版本号写入键值数据表,其中,所述依赖包名称为所述键值数据表的主键,所述依赖包名称的值为所述键值数据表的主键值,所述依赖包版本号为所述键值数据表的附属字段,所述依赖包版本号的值为所述键值数据表的主键值。
4.如权利要求1至3中任一项所述的依赖包信息的获取方法,其特征在于,所述将所述需求特征集进行特征优选,得到优选特征,包括:
计算所述需求特征集中多个需求特征的特征权重;
选取所述特征权重大于权重阈值的多个需求特征,将所述多个需求特征汇集为所述优选特征。
5.如权利要求1至3中任一项所述的依赖包信息的获取方法,其特征在于,所述在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息之后,所述方法还包括:
将所述依赖包信息转换为html数据流;
利用预设编译器将所述html数据流编译为web语句;
通过执行所述web语句生成包含依赖信息列表的web页面;
向目标用户推送所述web页面。
6.一种依赖包信息的获取装置,用于实现如权利要求1至5中任一所述的依赖包信息的获取方法,其特征在于,所述装置包括:
调用语句生成模块,用于获取深度学习平台的系统信息,根据所述系统信息生成镜像信息调用语句;
依赖包信息抽取模块,用于通过执行所述镜像信息调用语句,获取所述深度学习平台的镜像中存在的多个依赖包的依赖包信息;
依赖包信息保存模块,用于将所述依赖包信息以键值对形式保存至键值数据表;
需求特征提取模块,用于获取所述深度学习平台接收到的需求数据,利用特征提取网络提取所述需求数据的需求特征,得到需求特征集;
需求特征筛选模块,用于将所述需求特征集进行特征优选,得到优选特征;
依赖包信息查询模块,用于在所述键值数据表中查询并获取与所述优选特征对应的依赖包信息。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任一所述的依赖包信息的获取方法。
8.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的依赖包信息的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934921.0A CN112084391B (zh) | 2020-09-08 | 2020-09-08 | 依赖包信息的获取方法、装置、设备及计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934921.0A CN112084391B (zh) | 2020-09-08 | 2020-09-08 | 依赖包信息的获取方法、装置、设备及计算机介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084391A CN112084391A (zh) | 2020-12-15 |
CN112084391B true CN112084391B (zh) | 2024-02-09 |
Family
ID=73732634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010934921.0A Active CN112084391B (zh) | 2020-09-08 | 2020-09-08 | 依赖包信息的获取方法、装置、设备及计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084391B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107733977A (zh) * | 2017-08-31 | 2018-02-23 | 北京百度网讯科技有限公司 | 一种基于Docker的集群管理方法及装置 |
CN109284125A (zh) * | 2018-08-14 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 大数据平台中的依赖包配置方法、装置、设备及介质 |
WO2019153829A1 (zh) * | 2018-02-12 | 2019-08-15 | 人和未来生物科技(长沙)有限公司 | 一种容器Dockerfile、容器镜像快速生成方法及系统 |
CN110928529A (zh) * | 2019-11-06 | 2020-03-27 | 第四范式(北京)技术有限公司 | 辅助算子开发的方法和系统 |
CN111459506A (zh) * | 2020-03-02 | 2020-07-28 | 平安科技(深圳)有限公司 | 深度学习平台集群的部署方法、装置、介质及电子设备 |
CN111507481A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种联邦学习系统 |
-
2020
- 2020-09-08 CN CN202010934921.0A patent/CN112084391B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107733977A (zh) * | 2017-08-31 | 2018-02-23 | 北京百度网讯科技有限公司 | 一种基于Docker的集群管理方法及装置 |
WO2019153829A1 (zh) * | 2018-02-12 | 2019-08-15 | 人和未来生物科技(长沙)有限公司 | 一种容器Dockerfile、容器镜像快速生成方法及系统 |
CN109284125A (zh) * | 2018-08-14 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 大数据平台中的依赖包配置方法、装置、设备及介质 |
CN110928529A (zh) * | 2019-11-06 | 2020-03-27 | 第四范式(北京)技术有限公司 | 辅助算子开发的方法和系统 |
CN111459506A (zh) * | 2020-03-02 | 2020-07-28 | 平安科技(深圳)有限公司 | 深度学习平台集群的部署方法、装置、介质及电子设备 |
CN111507481A (zh) * | 2020-04-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种联邦学习系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112084391A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085217B (zh) | 部署人工智能服务的方法、装置、设备及计算机介质 | |
CN114979120B (zh) | 数据上传方法、装置、设备及存储介质 | |
CN114398557B (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN113806434B (zh) | 大数据处理方法、装置、设备及介质 | |
CN113434542B (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN112084391B (zh) | 依赖包信息的获取方法、装置、设备及计算机介质 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN113419951B (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN113051171B (zh) | 接口测试方法、装置、设备及存储介质 | |
CN114518993A (zh) | 基于业务特征的系统性能监控方法、装置、设备及介质 | |
CN112597752B (zh) | 投诉文本的处理方法、装置、电子设备及存储介质 | |
CN112214556B (zh) | 标签生成方法、装置、电子设备及计算机可读存储介质 | |
CN113704616B (zh) | 信息推送方法、装置、电子设备及可读存储介质 | |
CN115905660B (zh) | 一种网络安全数据获取方法、装置、设备及存储介质 | |
CN113032168B (zh) | 数据传输速率动态调整方法、装置、电子设备及存储介质 | |
CN114185617B (zh) | 业务调用接口配置方法、装置、设备及存储介质 | |
CN117633738A (zh) | 基于场景信息的权限配置方法、装置、设备及介质 | |
CN116737878A (zh) | 疾病搜索排序方法、装置、设备及存储介质 | |
CN114519647A (zh) | 基于图分析的保险理赔方法、装置、设备及存储介质 | |
CN114610807A (zh) | 数据导入模板配置方法、装置、设备及存储介质 | |
CN113723114A (zh) | 基于多意图识别的语义分析方法、装置、设备及存储介质 | |
CN116070079A (zh) | 基于人工智能的数据核验方法、装置、电子设备及介质 | |
CN112417300A (zh) | 产品漏洞方案查询方法、装置、电子设备及存储介质 |
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 |