CN112085217A - 部署人工智能服务的方法、装置、设备及计算机介质 - Google Patents

部署人工智能服务的方法、装置、设备及计算机介质 Download PDF

Info

Publication number
CN112085217A
CN112085217A CN202010935944.3A CN202010935944A CN112085217A CN 112085217 A CN112085217 A CN 112085217A CN 202010935944 A CN202010935944 A CN 202010935944A CN 112085217 A CN112085217 A CN 112085217A
Authority
CN
China
Prior art keywords
file
artificial intelligence
model
configuration data
configuration
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.)
Granted
Application number
CN202010935944.3A
Other languages
English (en)
Other versions
CN112085217B (zh
Inventor
张晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202010935944.3A priority Critical patent/CN112085217B/zh
Publication of CN112085217A publication Critical patent/CN112085217A/zh
Application granted granted Critical
Publication of CN112085217B publication Critical patent/CN112085217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/10—File systems; File servers
    • G06F16/14—Details of searching files based on file metadata
    • G06F16/148—File search processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • 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
    • G06F8/00—Arrangements for software engineering
    • G06F8/40—Transformation of program code
    • G06F8/41—Compilation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • 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
    • G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
    • G06F9/44526—Plug-ins; Add-ons
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种部署人工智能服务的方法，包括：获取机器学习模型的存储路径，利用存储路径调用机器学习模型的模型文件；获取模型文件的格式定义文件，利用编译插件将格式定义文件编译为模型文件的配置类；利用配置数据提取模型提取模型文件的配置数据，根据配置数据构造配置类的对象；对配置类的对象进行序列化处理，得到配置文件；将配置文件挂载至人工智能服务平台，根据所述配置文件在人工智能服务平台中部署人工智能服务。此外，本发明涉及区块链技术，模型文件可存储于区块链节点中。本发明还提出一种部署人工智能服务的装置、电子设备以及一种计算机可读存储介质。本发明可以提高人工智能服务部署的效率以及成功率。

Description

部署人工智能服务的方法、装置、设备及计算机介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种部署人工智能服务的方法、装置、电子设备及计算机可读存储介质。
背景技术
深度学习一般分为训练模型和部署模型人工智能服务的两个部分，模型部署是指将训练好的机器学习模型部署到线上，利用预设接口使得模型可以接受外部调用，进而使得大量用户可以自由使用该训练好的机器学习模型实现的人工智能服务。
现有技术中，在部署模型的人工智能服务时，需要提前准备复杂的软硬件环境及相关的计算资源，这对于模型提供者来说技术上存在一定程度的难度，使得部署需要花费较大的时间和精力，降低人工智能服务部署的效率。同时，由于开发人员在部署模型的人工智能服务时存在大量的人工操作，在这过程中容易出现错误使得模型无法正常运行，从而导致部署时成功率不高。因此，如何提高人工智能服务部署的效率以及成功率，成为了亟待解决的问题。
发明内容
本发明提供一种部署人工智能服务的方法、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人工智能服务部署的效率以及成功率。
为实现上述目的，本发明提供的一种部署人工智能服务的方法，包括：
获取机器学习模型的存储路径，利用所述存储路径调用所述机器学习模型的模型文件；
获取所述模型文件的格式定义文件，利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类；
利用配置数据提取模型提取所述模型文件中的配置数据，根据所述配置数据构造所述配置类的对象；
对所述配置类的对象进行序列化处理，得到配置文件；
将所述配置文件挂载至人工智能服务平台，根据所述配置文件在所述人工智能服务平台中部署人工智能服务。
可选地，所述根据所述配置文件在所述人工智能服务平台中部署人工智能服务，包括：
在所述人工智能服务平台中创建文件容器；
将所述配置文件写入所述文件容器；
将所述文件容器挂载至所述人工智能服务平台的服务进程中。
可选地，所述根据所述配置文件在所述人工智能服务平台中部署人工智能服务之后，所述方法还包括：
创建预设目标域名的域名解析地址，将所述域名解析地址添加至预先构建的负载均衡器中；
利用预设对应关系将所述负载均衡器指向Kubernetes集群中部署人工智能服务发布规则的节点；
根据Kubernetes集群中部署人工智能服务发布规则的节点上部署的人工智能服务发布规则将所述人工智能服务发布至所述域名解析地址，以通过所述域名解析地址调用所述人工智能服务。
可选地，所述人工智能服务平台为Tensorflow平台。
可选地，所述利用配置数据提取模型提取所述模型文件中的配置数据，包括：
步骤A：获取训练模型文件，以及所述训练模型文件对应的标准配置数据；
步骤B：利用预先构建的配置数据提取模型对所述训练模型文件进行配置数据提取，得到预测配置数据；
步骤C：计算所述预测配置数据和所述标准配置数据的差异值，若所述预测配置数据与所述标准配置数据的差异值大于预设误差，则调整所述配置数据提取模型的参数后返回步骤B再次进行配置数据提取；
步骤D：若所述预测配置数据与所述标准配置数据的差异值小于所述预设误差，则确认训练完成，生成训练完成的配置数据提取模型；
步骤E：利用训练完成的配置数据提取模型对所述模型文件进行配置数据提取，得到所述模型文件中的配置数据。
可选地，所述计算所述预测配置数据和所述标准配置数据的差异值，包括：
利用如下差异值算法计算所述预测配置数据和所述标准配置数据的差异值L(X，Y)
Figure BDA0002671925120000031
其中，L(X，Y)为所述差异值，X为所述标准配置数据，Yi为所述预测配置数据。
可选地，所述获取机器学习模型的存储路径，包括：
获取机器学习模型的名称；
根据所述机器学习模型的名称在预设模型数据库内检索，获取所述机器学习模型的存储路径。
为了解决上述问题，本发明还提供一种部署人工智能服务的装置，所述装置包括：
模型文件获取模块，用于获取机器学习模型的存储路径，利用所述存储路径调用所述机器学习模型的模型文件；
模型文件编译模块，用于获取所述模型文件的格式定义文件，利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类；
模型文件特征提取模块，用于利用配置数据提取模型提取所述模型文件中的配置数据，根据所述配置数据构造所述配置类的对象；
序列化处理模块，用于对所述配置类的对象进行序列化处理，得到配置文件；
人工智能服务部署模块，用于将所述配置文件挂载至人工智能服务平台，根据所述配置文件在所述人工智能服务平台中部署人工智能服务。
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部署人工智能服务的方法。
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部署人工智能服务的方法。
本发明实施例利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类，避免每次在将模型文件的格式定义文件编译成所述模型文件的配置类之前需要由开发人员手动重复编写代码，再将所述格式定义文件编译为所述模型文件的配置类，提高将格式定义文件编译成模型文件的配置类的效率，同时避免了重复编写代码时代码出错导致模型无法正常运行，提高了人工智能服务部署的成功率；利用配置数据提取模型提取所述模型文件中的配置数据，可提高配置数据提取的效率；将所述配置类和所述配置类相应的对象序列化为配置文件，可提高获取配置文件中的数据的效率，进而有利于提高人工智能服务的部署效率。因此本发明提出的部署人工智能服务的方法、装置及计算机可读存储介质，可以提高人工智能服务部署的效率以及成功率。
附图说明
图1为本发明一实施例提供的部署人工智能服务的方法的流程示意图；
图2为本发明一实施例提供的部署人工智能服务的装置的模块示意图；
图3为本发明一实施例提供的实现部署人工智能服务的方法的电子设备的内部结构示意图；
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部署人工智能服务的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，所述部署人工智能服务的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。
本发明提供一种部署人工智能服务的方法。参照图1所示，为本发明一实施例提供的部署人工智能服务的方法的流程示意图。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，部署人工智能服务的方法包括：
S1、获取机器学习模型的存储路径，利用所述存储路径调用所述机器学习模型的模型文件。
本发明实施例中，所述模型文件可以为任意深度学习网络模型的模型文件，该模型文件用于存储模型的配置数据及激活参数。
本发明实施例中，所述模型文件可存储在预设存储区域。
优选的，模型文件存储在由HDFS集群构成的语料平台上的区块链节点中。其中，所述HDFS集群是一个分布式系统，可用于存储海量数据，且HDFS集群支持实时、高效调用数据。因此，本实施例中，即使是数据含量较大的模型文件，也可利用区块链的高吞吐性做到高效地进行调用，提高调用模型文件的效率。
本发明一可选实施例中，所述获取机器学习模型的存储路径，包括：
获取机器学习模型的名称；
根据所述机器学习模型的名称在预设模型数据库内进行检索，获取所述机器学习模型的存储路径。
较佳地，所述模型名称可由部署人工智能服务的用户上传，所述模型名称用于唯一标识用户上传的机器学习模型。
S2、获取所述模型文件的格式定义文件，利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类。
本发明实施例中，可利用具有数据抓取功能的python语句从存储模型文件的格式定义文件的数据库中获取所述格式定义文件。
所述格式定义文件用于定义所述模型文件的配置格式。详细地，所述格式定义文件包括但不限于model_server_config.proto文件和session_bundle_config.proto文件。
进一步地，所述利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类，包括：
运行所述编译插件，通过所述编译插件将所述格式定义文件编译成所述模型文件的配置类。
较佳地，本发明实施例中，所述编译插件为protobuf-maven-plugin插件，使用所述protobuf-maven-plugin插件，可将所述model_server_config.proto、session_bundle_config.proto等格式定义文件编译成java配置类，所述配置类包括但不限于ModelServerConfig类及BatchingParameters类。
其中，所述ModelServerConfig对应要发布的机器学习模型的配置，ModelServerConfig包含模型名、模型文件路径等；BatchingParameters对应机器学习模型进行人工智能服务部署的相关配置，BatchingParameters包含处理请求数、允许的处理请求数、用于接受处理请求的线程数、允许在队列中等待的处理数量及处理等待超时等参数。
本发明实施例通过在部署模型的人工智能服务时，将格式定义文件编译为模型文件的配置类，以实现需要所述模型文件的配置类时可直接进行调用所述配置类，避免每次在将模型文件的格式定义文件编译成所述模型文件的配置类之前需要由开发人员手动重复编写代码，再将所述格式定义文件编译为所述模型文件的配置类，提高将格式定义文件编译成模型文件的配置类的效率，同时避免了重复编写代码时代码出错导致模型无法正常运行，提高了人工智能服务部署的成功率。
S3、利用配置数据提取模型提取所述模型文件中的配置数据，根据所述配置数据构造所述配置类的对象。
本发明实施例利用预先训练的配置数据提取模型提取所述模型文件中的配置数据。
详细地，所述利用配置数据提取模型提取所述模型文件中的配置数据，包括：
步骤A：获取训练模型文件，以及所述训练模型文件对应的标准配置数据；
步骤B：利用预先构建的配置数据提取模型对所述训练模型文件进行配置数据提取，得到预测配置数据；
步骤C：计算所述预测配置数据和所述标准配置数据的差异值，若所述预测配置数据与所述标准配置数据的差异值大于预设误差，则调整所述配置数据提取模型的参数后返回步骤B再次进行配置数据提取；
步骤D：若所述预测配置数据与所述标准配置数据的差异值小于所述预设误差，则确认训练完成，生成训练完成的配置数据提取模型；
步骤E：利用训练完成的配置数据提取模型对所述模型文件进行配置数据提取，得到所述模型文件中的配置数据。
具体地，所述计算所述预测配置数据和所述标准配置数据的差异值，包括：
利用如下差异值算法计算所述预测配置数据和所述标准配置数据的差异值L(X，Y)
Figure BDA0002671925120000071
其中，L(X，Y)为所述差异值，X为所述标准配置数据，Yi为所述预测配置数据。
本发明实施例利用预先训练的配置数据提取模型提取模型文件中的配置数据，可提高提取配置数据的效率以及精确度。
进一步地，所述根据所述配置数据构造所述配置类的对象，包括：
利用动态脚本对所述配置数据进行实例化处理，生成所述配置对象。
所述动态脚本包括但不限于：时间戳替换脚本、fat/uat/prd环境差异部署脚本，通过执行所述动态脚本，即可完成对所述配置数据进行实例化处理。
具体地，所述时间戳替换脚本用于更新配置数据中的时间戳，防止当用户需要对配置数据进行更新时，由于时间戳与历史版本的相同导致无法更新的问题。
所述fat/uat/prd环境差异部署脚本用于生成部署文件，所述部署文件用于在不同环境中执行动态脚本，利用所述fat/uat/prd环境差异部署脚本生成部署文件，而不需要人工部署相关的部署文件，可以提高构造配置类的对象的效率。
S4、对所述配置类的对象进行序列化处理，得到配置文件。
具体地，本发明实施例中，所述对所述配置类的对象进行序列化处理，包括：
获取writeExternal()函数和readExternal()函数；
将writeExternal()函数和readExternal()函数线性组合为构造函数；
利用所述构造函数构造Externalible接口；
利用所述Externalible接口对所述配置类的对象进行序列化处理。
详细地，所述writeExternal()函数和readExternal()函数是可将配置类的对象转化为数据流的java函数，Externalible接口可实现对java函数的聚合，使得不同的java函数可以同时组合使用。
本发明实施例中，所述序列化处理是将所述配置类的对象转化为数据流的形式。将所述配置类和所述配置类相应的对象序列化为配置文件，可提高数据检索效率，便于后续对所述配置文件中的数据进行利用，提高人工智能服务的部署效率。
S5、将所述配置文件挂载至人工智能服务平台，根据所述配置文件在所述人工智能服务平台中部署人工智能服务。
本发明实施例中，所述人工智能服务平台为Tensorflow平台。
详细地，所述根据所述配置文件在所述人工智能服务平台中部署人工智能服务，包括：
在所述人工智能服务平台中创建文件容器；
将所述配置文件写入所述文件容器；
将所述文件容器挂载至所述人工智能服务平台的服务进程中。
较佳地，本发明实施例利用Kubernetes集群创建文件容器，所述文件容器用于在人工智能服务平台上保存序列化处理后的配置文件。所述Kubernetes集群是一个开源的，用于管理人工智能平台中多个容器化的应用，本实施例中，利用Kubernetes集群可以提高人工智能服务的部署效率。
本发明实施例中，将所述配置文件写入所述文件容器，并将所述文件容器挂载至所述人工智能服务平台的服务进程中，所述服务进程包括一个或多个容器区，所述容器区为Kubernetes集群中用于管理容器的资源的区域，一个容器区中包含一个或多个容器。
进一步地，所述根据所述配置文件在所述人工智能服务平台中部署人工智能服务之后，所述方法还包括：
创建预设目标域名的域名解析地址，将所述域名解析地址添加至预先构建的负载均衡器中；
利用预设对应关系将所述负载均衡器指向Kubernetes集群中部署人工智能服务发布规则的节点；
根据Kubernetes集群中部署人工智能服务发布规则的节点上部署的人工智能服务发布规则将所述人工智能服务发布至所述域名解析地址，以通过所述域名解析地址调用所述人工智能服务。
详细地，所述目标域名为开发人员进行人工智能服务发布的域名。
本发明实施例中，通过所述域名解析地址将目标域名与预先构建的负载均衡器建立连接，从而实现将目标域名指向预先构建的负载均衡器，所述负载均衡器可实现自动负载均衡，提高所述人工智能服务发布时的效率。
较佳地，所述指向规则可以为预设的网址连接，利用所述网址连接将所述负载均衡器指向所述Kubernetes集群中部署人工智能服务发布规则的节点，以在用户需要调用所述人工智能服务时，可直接根据所述网址连接对所述人工智能服务进行调用。
本发明实施例利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类，避免每次在将模型文件的格式定义文件编译成所述模型文件的配置类之前需要由开发人员手动重复编写代码，再将所述格式定义文件编译为所述模型文件的配置类，提高将格式定义文件编译成模型文件的配置类的效率，同时避免了重复编写代码时代码出错导致模型无法正常运行，提高了人工智能服务部署的成功率；利用配置数据提取模型提取所述模型文件中的配置数据，可提高配置数据提取的效率；将所述配置类和所述配置类相应的对象序列化为配置文件，可提高获取配置文件中的数据的效率，进而有利于提高人工智能服务的部署效率。因此本发明提出的部署人工智能服务的方法可以提高人工智能服务部署的效率以及成功率。
如图2所示，是本发明部署人工智能服务的装置的模块示意图。
本发明所述部署人工智能服务的装置100可以安装于电子设备中。根据实现的功能，所述部署人工智能服务的装置可以包括模型文件获取模块101、模型文件编译模块102、模型文件特征提取模块103、序列化处理模块104和人工智能服务部署模块105。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：
所述模型文件获取模块101，用于获取机器学习模型的存储路径，利用所述存储路径调用所述机器学习模型的模型文件；
所述模型文件编译模块102，用于获取所述模型文件的格式定义文件，利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类；
所述模型文件特征提取模块103，用于利用配置数据提取模型提取所述模型文件中的配置数据，根据所述配置数据构造所述配置类的对象；
所述序列化处理模块104，用于对所述配置类的对象进行序列化处理，得到配置文件；
所述人工智能服务部署模块105，用于将所述配置文件挂载至人工智能服务平台，根据所述配置文件在所述人工智能服务平台中部署人工智能服务。
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：
所述模型文件获取模块101，用于获取机器学习模型的存储路径，利用所述存储路径调用所述机器学习模型的模型文件。
本发明实施例中，所述模型文件可以为任意深度学习网络模型的模型文件，该模型文件用于存储模型的配置数据及激活参数。
本发明实施例中，所述模型文件可存储在预设存储区域。
优选的，模型文件存储在由HDFS集群构成的语料平台上。其中，所述HDFS集群是一个分布式系统，可用于存储海量数据，且HDFS集群支持实时、高效调用数据。因此，本实施例中，即使是数据含量较大的模型文件，也可做到高效地进行调用，提高调用模型文件的效率。
本发明一可选实施例中，所述模型文件获取模块101具体用于：
获取机器学习模型的名称；
根据所述机器学习模型的名称在预设模型数据库内进行检索，获取所述机器学习模型的存储路径；
利用所述存储路径调用所述机器学习模型的模型文件。
较佳地，所述模型名称可由部署人工智能服务的用户上传，所述模型名称可用于唯一标识用户上传的机器学习模型。
所述模型文件编译模块102，用于获取所述模型文件的格式定义文件，利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类。
本发明实施例中，可利用具有数据抓取功能的python语句从存储模型文件的格式定义文件的数据库中获取所述格式定义文件。
所述格式定义文件用于定义所述模型文件的配置格式。详细地，所述格式定义文件包括但不限于model_server_config.proto文件和session_bundle_config.proto文件。
进一步地，所述模型文件编译模块102具体用于：
运行所述编译插件，通过所述编译插件将所述格式定义文件编译成所述模型文件的配置类。
较佳地，本发明实施例中，所述编译插件为protobuf-maven-plugin插件，使用所述protobuf-maven-plugin插件，可将所述model_server_config.proto、session_bundle_config.proto等格式定义文件编译成java配置类，所述配置类包括但不限于ModelServerConfig类及BatchingParameters类。
其中，所述ModelServerConfig对应要发布的机器学习模型的配置，其中包含模型名、模型文件路径等；BatchingParameters对应机器学习模型进行人工智能服务部署的相关配置，其中包含处理请求数、允许的处理请求数、用于接受处理请求的线程数、允许在队列中等待的处理数量及处理等待超时等参数。
本发明实施例通过在部署模型的人工智能服务时，将格式定义文件编译为模型文件的配置类，以实现需要所述模型文件的配置类时可直接进行调用所述配置类，避免每次在将模型文件的格式定义文件编译成所述模型文件的配置类之前需要由开发人员手动重复编写代码，再将所述格式定义文件编译为所述模型文件的配置类，提高将格式定义文件编译成模型文件的配置类的效率，同时避免了重复编写代码时代码出错导致模型无法正常运行，提高了人工智能服务部署的成功率。
所述模型文件特征提取模块103，用于利用配置数据提取模型提取所述模型文件中的配置数据，根据所述配置数据构造所述配置类的对象。
本发明实施例利用预先训练的配置数据提取模型提取所述模型文件中的配置数据。
详细地，所述模型文件特征提取模块103具体用于：
获取训练模型文件，以及所述训练模型文件对应的标准配置数据；
利用预先构建的配置数据提取模型对所述训练模型文件进行配置数据提取，得到预测配置数据；
计算所述预测配置数据和所述标准配置数据的差异值，若所述预测配置数据与所述标准配置数据的差异值大于预设误差，则调整所述配置数据提取模型的参数后利用预先构建的配置数据提取模型再次进行配置数据提取；
若所述预测配置数据与所述标准配置数据的差异值小于所述预设误差，则确认训练完成，生成训练完成的配置数据提取模型；
利用训练完成的配置数据提取模型对所述模型文件进行配置数据提取，得到所述模型文件中的配置数据；
根据所述配置数据构造所述配置类的对象。
具体地，所述计算所述预测配置数据和所述标准配置数据的差异值，包括：
利用如下差异值算法计算所述预测配置数据和所述标准配置数据的差异值L(X，Y)
Figure BDA0002671925120000121
其中，L(X，Y)为所述差异值，X为所述标准配置数据，Yi为所述预测配置数据。
本发明实施例利用预先训练的配置数据提取模型提取模型文件中的配置数据，可提高提取配置数据的效率以及精确度。
进一步地，所述模型文件特征提取模块103根据所述配置数据构造所述配置类的对象，包括：
利用动态脚本对所述配置数据进行实例化处理，生成所述配置对象。
所述动态脚本包括但不限于：时间戳替换脚本、fat/uat/prd环境差异部署脚本，通过执行所述动态脚本，即可完成对所述配置数据进行实例化处理。
具体地，所述时间戳替换脚本用于更新配置数据中的时间戳，防止当用户需要对配置数据进行更新时，由于时间戳与历史版本的相同导致无法更新的问题。
所述fat/uat/prd环境差异部署脚本用于生成部署文件，所述部署文件用于在不同环境中执行动态脚本，利用所述fat/uat/prd环境差异部署脚本生成部署文件，而不需要人工部署相关的部署文件，可以提高构造配置类的对象的效率。
所述序列化处理模块104，用于对所述配置类的对象进行序列化处理，得到配置文件。
具体地，本发明实施例中，所述序列化处理模块104具体用于：
获取writeExternal()函数和readExternal()函数；
将writeExternal()函数和readExternal()函数线性组合为构造函数；
利用所述构造函数构造Externalible接口；
利用所述Externalible接口对所述配置类的对象进行序列化处理，得到配置文件。
详细地，所述writeExternal()函数和readExternal()函数是可将配置类的对象转化为数据流的java函数，Externalible接口可实现对java函数的聚合，使得不同的java函数可以同时组合使用。
本发明实施例中，所述序列化处理是将所述配置类的对象转化为数据流的形式。将所述配置类和所述配置类相应的对象序列化为配置文件，可提高数据检索效率，便于后续对所述配置文件中的数据进行利用，提高人工智能服务的部署效率。
所述人工智能服务部署模块105，用于将所述配置文件挂载至人工智能服务平台，根据所述配置文件在所述人工智能服务平台中部署人工智能服务。
本发明实施例中，所述人工智能服务平台为Tensorflow平台。
详细地，所述人工智能服务部署模块105具体用于：
将所述配置文件挂载至人工智能服务平台；
在所述人工智能服务平台中创建文件容器；
将所述配置文件写入所述文件容器；
将所述文件容器挂载至所述人工智能服务平台的服务进程中。
较佳地，本发明实施例利用Kubernetes集群创建文件容器，所述文件容器用于在人工智能服务平台上保存序列化处理后的配置文件。所述Kubernetes集群是一个开源的，用于管理人工智能平台中多个容器化的应用，本实施例中，利用Kubernetes集群可以提高人工智能服务的部署效率。
本发明实施例中，将所述配置文件写入所述文件容器，并将所述文件容器挂载至所述人工智能服务平台的服务进程中，所述服务进程包括一个或多个容器区，所述容器区为Kubernetes集群中用于管理容器的资源的区域，一个容器区中包含一个或多个容器。
进一步地，所述装置还包括发布模块，用于：
根据所述配置文件在所述人工智能服务平台中部署人工智能服务之后，创建预设目标域名的域名解析地址，将所述域名解析地址添加至预先构建的负载均衡器中；
利用预设对应关系将所述负载均衡器指向Kubernetes集群中部署人工智能服务发布规则的节点；
根据Kubernetes集群中部署人工智能服务发布规则的节点上部署的人工智能服务发布规则将所述人工智能服务发布至所述域名解析地址，以通过所述域名解析地址调用所述人工智能服务。
详细地，所述目标域名为开发人员进行人工智能服务发布的域名。
本发明实施例中，通过所述域名解析地址将目标域名与预先构建的负载均衡器建立连接，从而实现将目标域名指向预先构建的负载均衡器，所述负载均衡器可实现自动负载均衡，提高所述人工智能服务发布时的效率。
较佳地，所述指向规则可以为预设的网址连接，利用所述网址连接将所述负载均衡器指向所述Kubernetes集群中部署人工智能服务发布规则的节点，以在用户需要调用所述人工智能服务时，可直接根据所述网址连接对所述人工智能服务进行调用。
本发明实施例利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类，避免每次在将模型文件的格式定义文件编译成所述模型文件的配置类之前需要由开发人员手动重复编写代码，再将所述格式定义文件编译为所述模型文件的配置类，提高将格式定义文件编译成模型文件的配置类的效率，同时避免了重复编写代码时代码出错导致模型无法正常运行，提高了人工智能服务部署的成功率；利用配置数据提取模型提取所述模型文件中的配置数据，可提高配置数据提取的效率；将所述配置类和所述配置类相应的对象序列化为配置文件，可提高获取配置文件中的数据的效率，进而有利于提高人工智能服务的部署效率。因此本发明提出的部署人工智能服务的装置，可以提高人工智能服务部署的效率以及成功率。
如图3所示，是本发明实现部署人工智能服务的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，如部署人工智能服务的程序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，例如部署人工智能服务的程序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(例如执行部署人工智能服务的程序等)，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存储的部署人工智能服务的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取机器学习模型的存储路径，利用所述存储路径调用所述机器学习模型的模型文件；
获取所述模型文件的格式定义文件，利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类；
利用配置数据提取模型提取所述模型文件中的配置数据，根据所述配置数据构造所述配置类的对象；
对所述配置类的对象进行序列化处理，得到配置文件；
将所述配置文件挂载至人工智能服务平台，根据所述配置文件在所述人工智能服务平台中部署人工智能服务。
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 (10)

1.一种部署人工智能服务的方法，其特征在于，所述方法包括：
获取机器学习模型的存储路径，利用所述存储路径调用所述机器学习模型的模型文件；
获取所述模型文件的格式定义文件，利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类；
利用配置数据提取模型提取所述模型文件中的配置数据，根据所述配置数据构造所述配置类的对象；
对所述配置类的对象进行序列化处理，得到配置文件；
将所述配置文件挂载至人工智能服务平台，根据所述配置文件在所述人工智能服务平台中部署人工智能服务。
2.如权利要求1所述的部署人工智能服务的方法，其特征在于，所述根据所述配置文件在所述人工智能服务平台中部署人工智能服务，包括：
在所述人工智能服务平台中创建文件容器；
将所述配置文件写入所述文件容器；
将所述文件容器挂载至所述人工智能服务平台的服务进程中。
3.如权利要求1所述的部署人工智能服务的方法，其特征在于，所述根据所述配置文件在所述人工智能服务平台中部署人工智能服务之后，所述方法还包括：
创建预设目标域名的域名解析地址，将所述域名解析地址添加至预先构建的负载均衡器中；
利用预设对应关系将所述负载均衡器指向Kubernetes集群中部署人工智能服务发布规则的节点；
根据Kubernetes集群中部署人工智能服务发布规则的节点上部署的人工智能服务发布规则将所述人工智能服务发布至所述域名解析地址，以通过所述域名解析地址调用所述人工智能服务。
4.如权利要求1至3中任一项所述的部署人工智能服务的方法，其特征在于，所述人工智能服务平台为Tensorflow平台。
5.如权利要求1至3中任一项所述的部署人工智能服务的方法，其特征在于，所述利用配置数据提取模型提取所述模型文件中的配置数据，包括：
步骤A：获取训练模型文件，以及所述训练模型文件对应的标准配置数据；
步骤B：利用预先构建的配置数据提取模型对所述训练模型文件进行配置数据提取，得到预测配置数据；
步骤C：计算所述预测配置数据和所述标准配置数据的差异值，若所述预测配置数据与所述标准配置数据的差异值大于预设误差，则调整所述配置数据提取模型的参数后返回步骤B再次进行配置数据提取；
步骤D：若所述预测配置数据与所述标准配置数据的差异值小于所述预设误差，则确认训练完成，生成训练完成的配置数据提取模型；
步骤E：利用训练完成的配置数据提取模型对所述模型文件进行配置数据提取，得到所述模型文件中的配置数据。
6.如权利要求5所述的部署人工智能服务的方法，其特征在于，所述计算所述预测配置数据和所述标准配置数据的差异值，包括：
利用如下差异值算法计算所述预测配置数据和所述标准配置数据的差异值L(X,Y)
Figure FDA0002671925110000021
其中，L(X,Y)为所述差异值，X为所述标准配置数据，Yi为所述预测配置数据。
7.如权利要求1至3中任一项所述的部署人工智能服务的方法，其特征在于，所述获取机器学习模型的存储路径，包括：
获取机器学习模型的名称；
根据所述机器学习模型的名称在预设模型数据库内检索，获取所述机器学习模型的存储路径。
8.一种部署人工智能服务的装置，其特征在于，所述装置包括：
模型文件获取模块，用于获取机器学习模型的存储路径，利用所述存储路径调用所述机器学习模型的模型文件；
模型文件编译模块，用于获取所述模型文件的格式定义文件，利用预设编译插件将所述格式定义文件编译为所述模型文件的配置类；
模型文件特征提取模块，用于利用配置数据提取模型提取所述模型文件中的配置数据，根据所述配置数据构造所述配置类的对象；
序列化处理模块，用于对所述配置类的对象进行序列化处理，得到配置文件；
人工智能服务部署模块，用于将所述配置文件挂载至人工智能服务平台，根据所述配置文件在所述人工智能服务平台中部署人工智能服务。
9.一种电子设备，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7中任一所述的部署人工智能服务的方法。
10.一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7中任一所述的部署人工智能服务的方法。
CN202010935944.3A 2020-09-08 2020-09-08 部署人工智能服务的方法、装置、设备及计算机介质 Active CN112085217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010935944.3A CN112085217B (zh) 2020-09-08 2020-09-08 部署人工智能服务的方法、装置、设备及计算机介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010935944.3A CN112085217B (zh) 2020-09-08 2020-09-08 部署人工智能服务的方法、装置、设备及计算机介质

Publications (2)

Publication Number Publication Date
CN112085217A true CN112085217A (zh) 2020-12-15
CN112085217B CN112085217B (zh) 2024-04-16

Family

ID=73732685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010935944.3A Active CN112085217B (zh) 2020-09-08 2020-09-08 部署人工智能服务的方法、装置、设备及计算机介质

Country Status (1)

Country Link
CN (1) CN112085217B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966604A (zh) * 2021-03-05 2021-06-15 上海深硅信息科技有限公司 一种多维度行为识别方法
CN113190877A (zh) * 2021-04-29 2021-07-30 网易（杭州）网络有限公司 一种模型加载方法、装置、可读存储介质及电子设备
CN113344218A (zh) * 2021-07-02 2021-09-03 百融云创科技股份有限公司 机器学习模型的部署方法、装置、电子设备及存储介质
CN113448594A (zh) * 2021-06-29 2021-09-28 京东科技控股股份有限公司 服务的处理方法、装置、计算机设备及存储介质
CN113988299A (zh) * 2021-09-27 2022-01-28 苏州浪潮智能科技有限公司 支持多模型多芯片的推理服务器的部署方法、系统及电子设备
CN114003248A (zh) * 2021-10-29 2022-02-01 深圳萨摩耶数字科技有限公司 一种模型管理方法、装置、电子设备及存储介质
CN114116236A (zh) * 2022-01-26 2022-03-01 中国电子科技集团公司第十五研究所 一种异构计算系统的构建方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106452879A (zh) * 2016-10-20 2017-02-22 国网青海省电力公司电力科学研究院 一种基于pb的scd跨平台解析方法
CN110290189A (zh) * 2019-06-17 2019-09-27 深圳前海微众银行股份有限公司 一种容器集群管理方法、装置及系统
CN111625316A (zh) * 2020-05-15 2020-09-04 苏州浪潮智能科技有限公司 一种环境部署方法、装置及电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106452879A (zh) * 2016-10-20 2017-02-22 国网青海省电力公司电力科学研究院 一种基于pb的scd跨平台解析方法
CN110290189A (zh) * 2019-06-17 2019-09-27 深圳前海微众银行股份有限公司 一种容器集群管理方法、装置及系统
CN111625316A (zh) * 2020-05-15 2020-09-04 苏州浪潮智能科技有限公司 一种环境部署方法、装置及电子设备和存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966604A (zh) * 2021-03-05 2021-06-15 上海深硅信息科技有限公司 一种多维度行为识别方法
CN112966604B (zh) * 2021-03-05 2022-08-26 上海深硅信息科技有限公司 一种多维度行为识别方法
CN113190877A (zh) * 2021-04-29 2021-07-30 网易（杭州）网络有限公司 一种模型加载方法、装置、可读存储介质及电子设备
CN113448594A (zh) * 2021-06-29 2021-09-28 京东科技控股股份有限公司 服务的处理方法、装置、计算机设备及存储介质
CN113344218A (zh) * 2021-07-02 2021-09-03 百融云创科技股份有限公司 机器学习模型的部署方法、装置、电子设备及存储介质
CN113344218B (zh) * 2021-07-02 2024-02-23 百融云创科技股份有限公司 机器学习模型的部署方法、装置、电子设备及存储介质
CN113988299A (zh) * 2021-09-27 2022-01-28 苏州浪潮智能科技有限公司 支持多模型多芯片的推理服务器的部署方法、系统及电子设备
CN113988299B (zh) * 2021-09-27 2024-01-23 苏州浪潮智能科技有限公司 支持多模型多芯片的推理服务器的部署方法、系统及电子设备
CN114003248A (zh) * 2021-10-29 2022-02-01 深圳萨摩耶数字科技有限公司 一种模型管理方法、装置、电子设备及存储介质
CN114003248B (zh) * 2021-10-29 2022-11-25 深圳萨摩耶数字科技有限公司 一种模型管理方法、装置、电子设备及存储介质
CN114116236A (zh) * 2022-01-26 2022-03-01 中国电子科技集团公司第十五研究所 一种异构计算系统的构建方法及系统

Also Published As

Publication number Publication date
CN112085217B (zh) 2024-04-16

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
CN105975261B (zh) 一种面向统一接口调用的运行时系统及运行方法
CN113238929B (zh) 基于Mock数据的代码测试方法、装置、电子设备及存储介质
CN111625252A (zh) 集群的升级维护方法、装置、电子设备及存储介质
US11893367B2 (en) Source code conversion from application program interface to policy document
CN114398194A (zh) 数据收集方法、装置、电子设备及可读存储介质
CN113704665A (zh) 动态服务发布方法、装置、电子设备及存储介质
CN113806434A (zh) 大数据处理方法、装置、设备及介质
CN113741909A (zh) 微服务部署方法、装置、电子设备及存储介质
CN115600644A (zh) 多任务处理方法、装置、电子设备及存储介质
CN115129753A (zh) 数据血缘关系分析方法、装置、电子设备及存储介质
CN113360139A (zh) 前端框架的集成方法、装置、电子设备及存储介质
CN112631903A (zh) 任务测试方法、装置、电子设备及存储介质
CN112541688A (zh) 业务数据校验方法、装置、电子设备及计算机存储介质
CN112214256A (zh) 机器学习的运行控制方法、装置、电子设备及存储介质
CN114625376A (zh) 数据传递方式转化方法、装置、电子设备及可读存储介质
CN115174541A (zh) H5资源加载方法、装置、电子设备及存储介质
CN114356379A (zh) 基于备份的服务升级方法、装置、设备及存储介质
CN114020414A (zh) Android系统与底层Linux共生方法、装置、电子设备及存储介质
CN114385497A (zh) 测试环境生成方法、装置、电子设备及存储介质
CN114398282A (zh) 测试脚本的生成方法、装置、设备及存储介质
CN112527443A (zh) 提示框显示方法、装置、电子设备及计算机可读存储介质
CN113918296A (zh) 模型训练任务调度执行方法、装置、电子设备及存储介质
CN113051171A (zh) 接口测试方法、装置、设备及存储介质
CN111680204A (zh) 数据采集方法、装置及计算机可读存储介

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