CN113553159A - 基于可视化的模型调度方法、设备和存储介质 - Google Patents
基于可视化的模型调度方法、设备和存储介质 Download PDFInfo
- Publication number
- CN113553159A CN113553159A CN202110876433.3A CN202110876433A CN113553159A CN 113553159 A CN113553159 A CN 113553159A CN 202110876433 A CN202110876433 A CN 202110876433A CN 113553159 A CN113553159 A CN 113553159A
- Authority
- CN
- China
- Prior art keywords
- model
- scheduling
- algorithm
- scheduled
- visualization
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/34—Graphical or visual programming
-
- 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
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请提供了一种基于可视化的模型调度方法、设备和存储介质,该方法通过显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图;解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息;根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图;根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。不仅降低了AI模型的使用难度,且能够使得AI模型的应用更加灵活,实现复杂业务场景下的问题处理。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于可视化的模型调度方法、设备和存储介质。
背景技术
随着人工智能技术的发展,AI模型的应用越来越广泛。但是,由于AI模型的开发过程需要专业人员,相对门槛较高,使得AI模型的使用受到了很大的阻力。
目前,为了降低AI模型的使用门槛,很多企业开发了开源AI模型,用户可以在线获取开源AI模型进行使用。但是,由于不同的业务场景需要的AI模型不同,甚至在有些场景中可能需要多个AI模型的组合。导致现有的开源AI模型无法满足复杂业务场景的问题处理。
发明内容
本申请提供了一种基于可视化的模型调度方法、系统、终端和存储介质,旨在提供一种可视化的模型编排方式,在降低AI模型使用难度的同时,能够满足复杂业务场景下的问题处理。
第一方面,本申请实施例提供了一种基于可视化的模型调度方法,包括:
显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图;
解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息;
根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图;
根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。
第二方面,本申请实施例提供了一种基于可视化的模型调度设备,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如上第一方面所述的基于可视化的模型调度方法的步骤。
第三方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上第一方面所述的基于可视化的模型调度方法的步骤。
本申请实施例提供了一种基于可视化的模型调度方法、设备和存储介质,首先,通过显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图;然后,解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息;其次,根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图;最后,根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。通过显示供用户可编辑的模型编排操作界面,供用户进行模型节点控件编排,生成模型有向图,并解析模型有向图,确定待调度的各个AI模型之间的逻辑关系图,实现根据所述逻辑关系图分别调度各个AI模型进行业务处理,不仅降低了AI模型的使用难度,且能够使得AI模型的应用更加灵活,实现复杂业务场景下的问题处理。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请实施例的公开内容。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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附图。
图1是本申请一实施例提供的基于可视化的模型调度方法的实现流程示意图;
图2是本申请一实施例提供的模型编排操作界面的示意图;
图3是图1中S103的具体实现流程图;
图4是本申请实施例提供的消费式回馈处理机制的流程示意图;
图5是本申请另一实施例提供的基于可视化的模型调度方法的实现流程示意图;
图6是本申请实施例提供的基于可视化的模型调度方法应用于工地着装检测的示意图;
图7是本申请实施例提供的基于可视化的模型调度设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
请参阅图1所示,图1是本申请一实施例提供的基于可视化的模型调度方法的实现流程示意图。本实施例提供的基于可视化的模型调度方法可以由基于可视化的模型调度设备执行,所述基于可视化的模型调度设备可以是终端或服务器。所述终端可以是智能手机、平板电脑、笔记本电脑和台式电脑等用户使用的电子设备。所述服务器可以是单个服务器或者服务器集群。如图1所示,本实施例提供的基于可视化的模型调度方法包括S101至S104。详述如下:
S101,显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图。
其中,所述模型编排操作界面可以是由基于可视化的模型调度设备提供的网页等人机交互界面,所述模型编排操作界面用于供用户根据业务需求对模型编排操作界面上的模型节点控件进行编排,进而使得基于可视化的模型调度设备根据编排结果,生成模型有向图。
示例性地,如图2所示,图2是本申请一实施例提供的模型编排操作界面的示意图。由图2可知,在本实施例中,模型编排操作界面201包括第一显示区域2011和编排区域2012。其中,第一显示区域2011用于显示模型节点控件和各个模型节点控件各自对应的AI模型的功能介绍,编排区域2012用于供用户对选择的各个模型节点控件进行编排操作,并显示根据编排结果生成的模型有向图。
示例性地,各个模型节点控件可以是,例如人脸识别模型节点控件、人脸检测模型节点控件、检测模型节点控件、分类模型节点控件、肢体检测模型节点控件,和人像分割模型节点控件等;其中,人脸识别模型节点控件对应的AI模型的功能介绍为能够把人脸转化为数据向量,通过人脸数据库后得到具体的人脸识别结果;人脸检测模型节点控件对应的AI模型的功能介绍为检测图片上的人脸,以及进行人脸关键点检测;检测模型节点控件对应的AI模型的功介绍为能够检测图片中的特定物体;分类模型节点控件对应的AI模型的功能介绍为能够确定图片的分类;肢体检测模型节点控件对应的AI模型的功能介绍为能够检测出人员的肢体,能够用预设的人体结构(如火柴人)方式表达出人的肢体;人像分割模型节点控件对应的AI模型的功能介绍为能够剔除人的背景等。需要说明的是,图2中仅示例性地示出了部分模型节点控件。
此外,在一些实施例中,所述模型编排操作界面201上还设置有开始节点控件和结束节点控件(在图2中未示出)。需要说明的是,开始节点控件和结束节点控件可以设置在第一显示区域2011中,也可以设置在编排区域2012中。开始节点控件通常供用户编排在模型有向图的起点位置,结束节点控件通常供用户编排在模型有向图的末尾位置。
其中,用户在编排区域2021中对选择的各个模型节点控件通过有向线进行有向编排之后,终端或者服务器基于用户的编排结果,生成模型有向图。
可选地,模型编排操作界面201还可以包括第二显示区域2013,用于显示预先封装的公用逻辑节点控件,该公用逻辑节点控件对应的AI算法是可以公用的算法。例如,双合并节点控件、分类合并节点控件、抠图节点控件、人脸库节点控件、稳态节点控件、滤波节点控件和肢体合并节点控件等;其中,双合并节点控件对应的AI算法可以将两个AI模型的输出结果进行合并;分类合并节点控件对应的AI算法可以将分类检测结果进行合并;抠图节点控件对应的AI算法可以将检测模型节点对应的AI模型的输出图片进行处理,抠出图像内容;人脸库节点控件对应的AI算法可以通过匹配人脸识别的结果,达到识别人脸的目的;稳态节点控件对应的AI算法可以让检测的框稳定,不发生检测框方向或者大小变动;滤波节点控件对应的AI算法可以过滤一些短暂性出现的框体,例如需要连续识别10个,只出现了一个,则为算法误差情况,可以通过该滤波节点控件对应的AI算法进行识别过滤;肢体合并节点控件对应的AI算法可以将肢体的检测结果进行合并等。可以理解地,图2中仅示例性地示出了部分公用逻辑节点。
此外,第一显示区域2011、编排区域2012和第二显示区域2013在模型编排操作节点201上所处的位置以及相互之间的位置关系可以由开发人员预先任意设置,在此不做任何限制。
可选地,开始节点控件和结束节点控件可以是设置在编排区域2012上的可移动节点控件,开始节点控件连接有数据输出有向线,该数据输出有向线指向起始的模型节点,代表从起始的模型节点开始执行业务逻辑;结束节点控件连接有数据输人有向线,该数据输入有向线指向结束节点,代表整个业务逻辑的结束。
可以理解地,图2仅是示例性地显示了部分模型节点控件和公用逻辑节点控件,在实际使用中,可以预先封装具有各种不同功能的模型节点控件以及公用逻辑节点控件,以提高AI模型的灵活使用,使得模型编排界面的功能更加完善。具体地,模型节点控件的数量和功能,以及公用逻辑节点控件的数量和功能,在此不做具体限制。
需要说明的是,公用逻辑节点控件可以由用户对选择的各个模型节点进行编排时,为了保证模型有向图对应的数据结构满足预设的数据结构,选择性地插入各选择的模型节点之间,以提高模型有向图的准确性。
在一实施例中,用户可以在模型编排操作界面201的第一显示区域2011根据各个模型节点控件各自对应的AI模型的功能介绍,选择解决当前业务场景对应的问题所需的各个AI模型对应的模型节点控件,并选择开始节点控件和结束节点控件。在模型编排操作界面201的编排区域2012将选择的各个模型节点控件,开始节点控件和结束节点控件,通过有向线进行连接,完成模型节点的编排。基于可视化的模型调度设备在检测到用户在模型编排操作界面201的编排区域2012对模型节点控件通过有向线进行编排之后,根据编排结果生成模型有向图。在本实施例,用户对模型节点控件的编排结果称为模型节点控件之间的连接关系图。基于可视化的模型调度设备中预先存储有模型节点控件之间的连接关系图与模型有向图之间的映射关系,根据该映射关系,可以直接根据编排结果生成模型有向图。通过显示模型编排操作界面,供用户选择模型节点控件,并在模型编排操作界面的编排区借助于有向线进行模型节点的编排,实现了用户无需了解AI模型的开发原理选择需要的AI模型,降低了AI模型的使用难度。
S102,解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息。
其中,所述模型有向图包括模型节点控件和各个所述模型节点控件之间的有向连接线;需要说明的是,任意两个模型节点控件之间应仅有一条有向连接线,且每条有向连接线所代表的数据流向信息之间不能出现矛盾。在本申请的实施例中,为了防止用户在编排过程中出现错误,可以在对所述模型有向图进行解析之前,对模型有向图进行有限性校验,具体地,可以将模型有向图的数据结构与预设的数据结构进行比较,实现对模型有向图的有效性校验,以保证避免出现模型节点控件之间的有向连接线出现重合或者方向错误等而导致的死循环问题。
其中,预设的数据结构可以是预先根据模型节点控件和模型节点控件之间的有向连接线组成的无死循环的树形数据结构、闭环数据结构或者是条件闭环数据结构等数据结构形式。具体地,关于树形数据结构、闭环数据结构或者条件闭环数据结构形式在此不再详述,可以参见现有的关于树形数据结构、闭环数据结构以及条件闭环数据结构形式的描述。
示例性地,所述解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型数据流向信息,可以包括:解析所述模型有向图,确定所述模型有向图中各个模型节点控件分别对应的AI模型节点;根据各个所述模型节点控件之间的有向线,确定各个所述模型节点控件分别对应的所述AI模型节点的数据流向信息;根据确定的各个AI模型节点和各个所述AI模型节点的数据流向信息,确定待调度的各个所述AI模型以及各个所述AI模型的数据流向信息。
S103,根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图。
其中,所述AI模型的所述数据流向信息包括:所述AI模型的第一标识信息和与所述AI模型相邻的下一个AI模型的第二标识信息;根据待调度的任意所述AI模型和所述AI模型的数据流向信息,可以确定待调度的所述AI模型和与待调度的所述AI模型相邻的下一个AI模型之间的调度顺序,根据确定的相邻AI模型之间的调度顺序,生成待调度的所述AI模型和与待调度的所述AI模型相邻的下一个AI模型之间的逻辑关系;根据各个待调度的所述AI模型和与各个待调度的所述AI模型相邻的下一个AI模型之间的逻辑关系,可以得到调度各个所述AI模型的逻辑关系图。
例如,待调度的任意AI模型的数据流向信息表明,该AI模型的第一标识信息为A,与该AI模型相邻的下一个AI模型的第二标识信息为B,可以根据该任意AI模型的数据流向信息确定,调度第一标识信息为A的AI模型和调度第二标识信息为B的AI模型之间的逻辑关系为,首先调度第一标识信息为A的AI模型,再调度第二标识信息为B的AI模型。也就是说,对应第一标识信息为A的AI模型输出的数据可以作为对应第二标识信息为B的AI模型的输入数据。
示例性地,如图3所示,图3是图1中S103的具体实现流程图。由图3可知,S103包括S1031至S1033,详述如下:
S1031,针对当前待调度的所述AI模型,根据该AI模型的所述数据流向信息,确定与该AI模型相邻的下一个AI模型的第二标识信息。
S1032,根据该AI模型的第一标识信息和与该AI模型相邻的下一个AI模型的第二标识信息,得到该AI模型和与该AI模型相邻的下一个AI模型之间的调度逻辑关系。
S1033,分别根据确定的各个所述AI模型和与各个所述AI模型分别相邻的下一个AI模型之间的调度逻辑关系,生成调度各个所述AI模型的逻辑关系图。
其中,针对任意模型节点控件(该任意模型节点控件可以是与开始节点控件相连的起始模型节点控件,也可以是中间模型节点控件,或者还可以是与结束节点控件相连的终止模型节点控件),解析得到该模型节点控件对应的AI模型的第一标识信息和与该模型节点控件对应的AI模型相邻的下一个AI模型的第二标识信息后,就可以快速的确定该模型节点控件对应的AI模型和与该模型节点控件对应的AI模型相邻的下一个模型节点控件对应的AI模型之间的业务逻辑关系,提高调度各个AI模型的效率。
可以理解地,当该任意模型节点控件为与开始节点控件相连的起始模型节点控件时,仅需确定该模型节点控件对应的AI模型和与该模型节点控件对应的AI模型相邻的下一个AI模型之间的调度逻辑关系;当该任意模型节点控件为中间模型节点控件时,该模型节点控件对应的AI模型与上一个模型节点控件对应的AI模型之间的调度逻辑关系可以由上一个模型节点控件包含的AI模型的数据流向信息确定。需要说明的是,当该任意模型节点控件为终止模型节点控件时,可以检测到该模型节点控件对应的AI模型的数据流向信息仅包括该AI模型的第一标识信息,此时,不再需要确定与该模型节点控件相邻的下一个AI模型。
在本实施例中,针对任意待调度的AI模型,在该任意AI模型对应的数据流向信息中,引入与该任意AI模型相邻的下一个AI模型的第二标识信息,实现根据各个AI模型的第一标识信息和与各个AI模型相邻的下一个AI模型的第二标识信息,可以快速地调度各个AI模型,高效地完成业务逻辑处理。
S104,根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。
示例性地,在一实施例中,所述逻辑关系图包括调度各个相邻AI模型之间的顺序关系。所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理,包括:根据调度各个所述AI模型的逻辑关系图,调度当前待调度的所述AI模型进行业务处理;若检测到当前调度的所述AI模型进行业务处理并输出预设类型的识别结果数据,则将所述预设类型的识别结果数据存储至预设的消息队列中;通过所述消息队列将所述预设类型的识别结果数据传送至与当前调度的所述AI模型相邻的下一个AI模型,以指示与当前调度的所述AI模型相邻的下一个AI模型进行业务处理,重复执行根据调度各个所述AI模型的逻辑关系图,调度当前待调度的所述AI模型进行业务处理的步骤,直至调度完成所述逻辑关系图中的各个所述AI模型。在本申请的实施例中,通过设置消息队列可以降低模型调度过程中对网络的依赖性,实现在应用内内部完成模型的调度,提高模型调度的效率。
可选地,各个AI模型可以预先存储在模型库中,所述模型库可以设置在所述基于可视化的模型调度设备上。所述AI模型可以由具有较强算力的计算设备预先进行训练完成,完成之后存储在所述模型库中,供基于可视化的模型调度设备基于调度各个AI模型的逻辑关系图进行调度使用。也就是说各个AI模型的训练过程与调度过程可以分阶段进行,实现了AI模型算法与业务逻辑的解耦,可以降低AI模型使用难度的同时,提高AI模型使用的灵活性。
需要说明的是,在本申请的实施例中,通过模型节点控件的设计,能够将AI模型的开发过程与业务逻辑处理过程进行解耦。使得基于可视化的模型调度设备可以仅根据AI模型节点控件之间的数据流向信息,确定调度各个AI模型的逻辑关系图,进而可以根据AI模型之间的逻辑关系图,调度预先训练完成并存储的各个AI模型。实现了对AI模型的独立开发,并将开发完成的AI模型进行封装。
通过上述实施例可知,本申请实施例提供的基于可视化的模型调度方法,首先,通过显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图;然后,解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息;其次,根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图;最后,根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。通过显示供用户可编辑的模型编排操作界面,供用户进行模型节点控件编排,生成模型有向图,并解析模型有向图,确定待调度的各个AI模型之间的逻辑关系图,实现根据所述逻辑关系图分别调度各个AI模型进行业务处理,不仅降低了AI模型的使用难度,且能够使得AI模型的应用更加灵活,实现复杂业务场景下的问题处理。
可选地,由于在调度各个模型节点控件各自对应的AI模型的过程中,均需要占用系统资源,如果同时需要连续的处理多个数据,例如对视频帧包含的所有图像进行识别时,相当于连续输入多个图像数据,且需要将对多个连输输入的图像数据进行处理之后,输入下一个AI模型,这就相当于同时调度多个AI模型,在这种情况下可能会导致系统资源占用过多,出现性能不足的问题。在本申请的实施例中,为了避免上述问题,可以通过消费式回馈处理机制依次调度各个AI模型进行业务数据处理,以实现降低系统资源的占用,进而保证AI模型调度的效率。
其中,消费式回馈处理机制指的是根据逻辑关系图调用的各个AI模型,在对数据处理完成之后,均会产生回馈信息,各个AI模型输出回馈信息至预设的消息回馈机制,通过预设的消息回馈机制分别通知与各个AI模型相邻的上一个AI模型。
具体地,所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理,可以包括:根据所述逻辑关系图确定当前调度的所述AI模型;向与当前调度的所述AI模型相邻的上一个AI模型发送数据处理指令,以指示所述上一个AI模型进行数据处理,以产生供当前调度的所述AI模型处理的数据;若检测到与当前调度的所述AI模型相邻的下一个AI模型完成业务处理,则指示当前调度的所述AI模型进行数据处理,以产生供所述下一个AI模型进行业务处理的数据。
示例性地,请参阅图4所示,图4是本申请实施例提供的消费式回馈处理机制的流程示意图。由图4可知,在本实施例中,假设终端根据业务逻辑关系,可以确定依次需要调度AI模型A、AI模型B和AI模型C,进行业务处理。其中,假设AI模型A为起始调用的AI模型,AI模型B为AI模型A的子节点模型(与AI模型A相邻的下一个AI模型),AI模型C对应为AI模型B的子节点模型(与AI模型B相邻的下一个AI模型)。假设根据所述逻辑关系图确定当前调度的所述AI模型为AI模型B,则向与当前调度的AI模型B相邻的上一个AI模型A发送数据处理指令,以指示AI模型A进行数据处理,以产生供当前调度的AI模型B处理的数据;若检测到与当前调度的AI模型B相邻的下一个AI模型C完成业务处理,则指示当前调度的AI模型B进行数据处理,以产生供AI模型C进行业务处理的数据。
可以理解地,若当前调度的AI模型为起始AI模型(本实施例中为AI模型A),则需获取初始输入数据。在基于消费式回馈方式生成处理机制,通过起始AI模型A进行输入数据处理,在起始AI模型A对输入数据进行处理完成之后,将处理之后的数据输入AI模型B进行进一步处理,在检测到AI模型B对数据处理完成,并输出数据至AI模型C之后,生成回馈信息并发送至AI模型A,以通知AI模型节点A进行数据处理以产生供AI模型B进行处理的数据。这样可以有效防止AI模型A连续产生大量供AI模型B处理的数据,导致大量待处理数据输入至AI模型B,在AI模型B处产生大量数据堆叠的情况,进而出现基于可视化的模型调度设备性能不足的问题。
同理,AI模型C在对输入数据处理完成后,会生成回馈信息发送至AI模型B,以通知AI模型B开始产生数据供其对应的子节点模型(AI模型C)处理,循环上述数据处理以及生成回馈信息的过程,直至完成业务处理,得到最后处理结果。本实施例通过消费式回馈生产处理机制可以有效地防止在对若干个数据处理时,同时调用多个AI模型处理多个数据的问题,能够降低系统资源占用率,提高系统性能。
需要说明的是,通过消费式回馈生产机制还可以提高业务处理的效率。例如,假设AI模型A处理数据所消耗的时长为10MS,AI模型B处理数据所消耗的时长为100MS,AI模型C处理数据所消耗的时长为10MS,可以理解地,不通过消费式回馈生产机制调用各个AI模型进行数据处理,执行数据处理流程的总耗费时长为120MS,若通过消费式回馈生产机制调用各个AI模型进行数据处理,则在调用AI模型B处理完成数据向与AI模型B相邻的下一个AI模型C发送后输入数据时,向与AI模型B相邻的上一个AI模型A发送回馈信息,以指示AI模型A进行数据处理。这样在AI模型C完成数据处理之后,AI模型B可以直接对AI模型A生成的数据进行处理,也就是说,在本实施例中,AI模型A与AI模型C同时进行数据处理,下一次执行流程中节省了AI模型A处理数据的时长,使得执行数据处理流程的总耗费时长减少了10MS。即通过消费式回馈生成机制调用各个AI模型进行数据处理,可以提高数据处理流程的效率。
请参阅图5所示,图5是本申请另一实施例提供的基于可视化的模型调度方法的实现流程示意图。本实施例与图1所示实施例相比,S502至S505与S101至S104的具体实现过程相同,不同之处在于,在S502之前还包括S501。详述如下:
S501,若检测到携带有所述AI模型的第一标识信息的更新指令,则基于所述第一标识信息获取待更新的所述AI模型的模型算法,对所述模型算法基于预设类型的更新算法进行更新操作。
示例性地,所述预设类型的更新算法包括并行关联规则增量更新算法;所述对所述模型算法基于预设类型的更新算法进行更新操作,可以包括:根据预设的算法分类规则,将所述模型算法进行分类,得到所述模型算法的算法类别;根据所述算法类别,构建所述模型算法的映射数据库;利用并行关联规则从所述模型算法中挖掘出频繁项集并保存至所述映射数据库中;在所述映射数据库中,对所述频繁项集进行并行更新。
其中,所述预设的算法分类规则包括根据模型算法的入参以及超参数的选择,将所述模型算法进行分类。例如,若模型算法无超参数,则将该模型算法分类为朴素贝叶斯算法;若模型算法需要主观决定最近邻参数k,则将该模型算法分类为KNN算法;若模型算法需要的超参数包括学习率、冲量、层数和动量,且为每个超参数设定了取值范围,则将该模型算法分类为神经网络模型等。
其中,根据所述算法类别,构建所述模型算法的映射数据库,包括:根据所述算法类别,分别为每类模型算法构建对应的数据库,每类模型算法分别与各自对应的数据库之间存在映射关系。因此,构建的每类模型算法的数据库可以称为映射数据库。
其中,所述频繁项集包括:对模型算法收敛的支持度大于或等于最小支持度的网络层;所述利用并行关联规则从所述模型算法中挖掘出频繁项集并保存至所述映射数据库中,可以包括:利用并行关联规则从所述模型算法中挖掘出对模型算法收敛的支持度大于或等于最小支持度的网络层,并保存至所述映射数据库中。
其中,并行关联规则主要是围绕频繁项集的递推方式进行,其核心是从各个模型算法中分别检测出对模型算法收敛的支持度大于或等于最小支持度的网络层,具体可以通过连接步骤和剪枝步骤从各个模型算法中分别检测出对模型算法收敛的支持度大于或等于最小支持度的网络层。
其中,通过连接步骤和剪枝步骤从各个模型算法中分别检测出对模型算法收敛的支持度大于或等于最小支持度的网络层,包括:针对任意模型算法,假设存在第一网络层LK对该模型算法收敛的支持度大于或等于最小支持度,则通过其它第二网络层LK-i与第一网络层LK进行连接;若有第二网络层LK-i与第一网络层LK产生关联连接关系,则将该第二网络层放入候选频繁项集CK,作为候选项;扫描候选频繁项集中的所有候选项,并进行对模型算法的支持度标记,从所述候选项中确定出对模型算法的支持度大于或等于最小支持度的候选项,由对模型算法的支持度大于或等于最小支持度的候选项组成所述频繁项集。在得到频繁项集后,将频繁项集保存至映射数据库中;在映射数据库中,对频繁项集中的各个频繁项进行并行更新。
通过上述分析可知,在本实施例中,各个模型节点控件各自对应的AI模型可以实现独立的更新,这是由于每个模型节点控件各自对应的AI模型算法是相互独立的,且都可以支持更新体系。需要说明的是,虽然上述各个AI模型的更新过程是在各个模型节点控件各自对应的AI模型运行之前进行的,但是并不够成对各个AI模型更新时间的限制,也就是说,各个AI模型可以在运行结束之后,也可以在更新过程中根据预设需求提示用户选择是否进行更新。这更有利于各个模型节点控件各自对应的AI模型的管理以及运维,无需综合考虑各个模型节点控件各自对应的AI模型的相互影响。
S502,显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图。
S503,解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息。
S504,根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图。
S505,根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。
通过上述实施例可知,本申请实施例提供的基于可视化的模型调度方法,首先,通过显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图;然后,解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息;其次,根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图;最后,根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。通过显示供用户可编辑的模型编排操作界面,供用户进行模型节点控件编排,生成模型有向图,并解析模型有向图,确定待调度的各个AI模型之间的逻辑关系图,实现根据所述逻辑关系图分别调度各个AI模型进行业务处理,不仅降低了AI模型的使用难度,且能够使得AI模型的应用更加灵活,实现复杂业务场景下的问题处理。
请参阅图6所示,图6是本申请实施例提供的基于可视化的模型调度方法应用于工地着装检测的示意图。在本实施例中,用户为了实现工地工作人员的着装检测(主要是是否佩戴安全帽的检测),可以通过基于可视化的模型调度设备600显示的模型编排操作界面201的第一显示区域2011上选择对应的模型节点控件,并在编排区域2012对选择的模型节点控件进行编排操作,以使基于可视化的模型调度设备600根据用户的编排结果,生成模型有向图。例如,用户在第一显示区域2011选择的模型节点控件包括着装检测模型节点控件、抠图节点控件、人脸检测模型节点控件和人脸识别模型节点控件;可以理解地,在模型编排操作界面201上还可以显示各个模型节点控件各自对应的功能介绍,以方便用户在选择模型节点控件时,根据各个模型节点控件各自对应的功能介绍,理解各个模型节点控件的作用,继而选择出满足当前业务场景的模型节点控件,并进行合理的编排。其中,各个模型节点控件各自对应的功能介绍可以显示在模型编排操作界面201的任何区域内,在此不做限定。
在本实施例中,基于可视化的模型调度设备600根据用户的编排结果,生成如图6中所示的模型有向图601,进一步地,基于可视化的模型调度设备600解析模型有向图601,确定调度用户选择的各个模型节点控件各自对应的AI模型的数据流向信息。具体地,着装检测模型节点控件对应的AI模型为用于着装检测的模型,抠图节点控件对应的AI模型为用于抠图的模型,人脸检测模型节点控件对应的AI模型为用于人脸检测的模型,人脸识别模型节点控件对应的AI模型为用于人脸识别的模型。
在本申请的实施例中,AI模型的数据流向信息包括当前AI模型的第一标识信息和与当前AI模型相邻的下一个AI模型的第二标识信息;根据各个AI模型的数据流程信息,可以分别确定调度各个AI模型的逻辑关系图。具体地,确定的调度各个AI模型的逻辑关系图如图6中602所示,需要说明的是,在图6中所示的调度各个AI模型的逻辑关系图602中除了包括用户选择的各个模型节点控件各自对应的AI模型之外,还加入了调用人脸库的流程,这是由于在用于人脸识别的模型输出人脸识别信息后,还需要将人脸识别信息与人脸库中的人脸信息进行比对,以确认检测到的不符合工地着装要求的人员是否为公司人员。由本实施例可以看出,在整个过程中,用户无需理解AI模型的专业知识,甚至对AI模型如何处理数据的过程也无需理解,只需要根据模型编排操作界面进行简单的模型节点编排即可,降低了AI模型应用的门槛,且使得AI模型具有更灵活的应用,提高AI模型解决复杂问题的能力。
通过上述实施例可知,本申请实施例提供的基于可视化的模型调度方法,在实际应用中,用户仅需根据可视化的模型编排操作界面就可以选择满足当前应用场景的模型节点控件,实现用户在无需理解AI模型开发过程以及AI模型算法逻辑的情况下,完成对应的业务处理。降低AI模型应用难度的同时,提高了AI模型应用的灵活性,使得AI模型的应用能够满足更复杂的业务场景。
请结合上述实施例参阅图7,图7是本申请实施例提供的基于可视化的模型调度设备的示意性框图。
示例性的,基于可视化的模型调度设备600可以是终端或者服务器,所述终端包括手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等用户的电子设备,所述服务器可以是单个服务器或者服务器集群。
所述基于可视化的模型调度设备600包括处理器701和存储器702。
示例性的,处理器701和存储器702通过总线703连接,所述总线703比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器701可以是微控制单元(Micro-controller Unit,MCU)、中央处理单元(Central Processing Unit,CPU)或数字信号处理器(Digital Signal Processor,DSP)等。
具体地,存储器702可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中,所述处理器701用于运行存储在存储器702中的计算机程序,并在执行所述计算机程序时实现上述基于可视化的模型调度方法的步骤。
示例性的,所述处理器701用于运行存储在存储器702中的计算机程序,并在执行所述计算机程序时实现如下步骤:
显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图;
解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息;
根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图;
根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。
在一实施例中,所述AI模型的所述数据流向信息包括:所述AI模型的第一标识信息和与所述AI模型相邻的下一个AI模型的第二标识信息;
所述根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图,包括:
针对当前待调度的所述AI模型,根据该AI模型的所述数据流向信息,确定与该AI模型相邻的下一个AI模型的第二标识信息;
根据该AI模型的第一标识信息和与该AI模型相邻的下一个AI模型的第二标识信息,得到该AI模型和与该AI模型相邻的下一个AI模型之间的调度逻辑关系;
分别根据确定的各个所述AI模型和与各个所述AI模型分别相邻的下一个AI模型之间的调度逻辑关系,生成调度各个所述AI模型的逻辑关系图。
在一实施例中,所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理,包括:
根据调度各个所述AI模型的逻辑关系图,调度当前待调度的所述AI模型进行业务处理;
若检测到当前调度的所述AI模型进行业务处理并输出预设类型的识别结果数据,则将所述预设类型的识别结果数据存储至预设的消息队列中;
通过所述消息队列将所述预设类型的识别结果数据传送至与当前调度的所述AI模型相邻的下一个AI模型,以指示与当前调度的所述AI模型相邻的下一个AI模型进行业务处理,重复执行根据调度各个所述AI模型的逻辑关系图,调度当前待调度的所述AI模型进行业务处理的步骤,直至调度完成所述逻辑关系图中的各个所述AI模型。
在一实施例中,所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理,包括:
根据所述逻辑关系图确定当前调度的所述AI模型;
向与当前调度的所述AI模型相邻的上一个AI模型发送数据处理指令,以指示所述上一个AI模型进行数据处理,以产生供当前调度的所述AI模型处理的数据;
若检测到与当前调度的所述AI模型相邻的下一个AI模型完成业务处理,则指示当前调度的所述AI模型进行数据处理,以产生供所述下一个AI模型进行业务处理的数据。
在一实施例中,在所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理之前,还包括:
若检测到携带有所述AI模型的第一标识信息的更新指令,则基于所述第一标识信息获取待更新的所述AI模型的模型算法,对所述模型算法基于预设类型的更新算法进行更新操作。
在一实施例中,所述预设类型的更新算法包括并行关联规则增量更新算法;所述对所述模型算法基于预设类型的更新算法进行更新操作,包括:
根据预设的算法分类规则,将所述模型算法进行分类,得到所述模型算法的算法类别;
根据所述算法类别,构建所述模型算法的映射数据库;
利用并行关联规则从所述模型算法中挖掘出频繁项集并保存至所述映射数据库中;
在所述映射数据库中,对所述频繁项集进行并行更新。
在一实施例中,所述频繁项集包括:对模型算法收敛的支持度大于或等于最小支持度的网络层;所述利用并行关联规则从所述模型算法中挖掘出频繁项集并保存至所述映射数据库中,包括:
利用并行关联规则从所述模型算法中挖掘出对模型算法收敛的支持度大于或等于最小支持度的网络层,并保存至所述映射数据库中。
在一实施例中,所述模型有向图包括模型节点控件和各个所述模型节点控件之间的有向连接线;
所述解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型数据流向信息,包括:
解析所述模型有向图,确定所述模型有向图中各个模型节点控件分别对应的AI模型节点;
根据各个所述模型节点控件之间的有向线,确定各个所述模型节点控件分别对应的所述AI模型节点的数据流向信息;
根据确定的各个AI模型节点和各个所述AI模型节点的数据流向信息,确定待调度的各个所述AI模型以及各个所述AI模型的数据流向信息。
其中,上述各步骤的具体实现过程与本申请提供的基于可视化的模型调度方法实施例中的具体实现过程相同,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如下步骤:
显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图;
解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息;
根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图;
根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。
在一实施例中,所述AI模型的所述数据流向信息包括:所述AI模型的第一标识信息和与所述AI模型相邻的下一个AI模型的第二标识信息;
所述根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图,包括:
针对当前待调度的所述AI模型,根据该AI模型的所述数据流向信息,确定与该AI模型相邻的下一个AI模型的第二标识信息;
根据该AI模型的第一标识信息和与该AI模型相邻的下一个AI模型的第二标识信息,得到该AI模型和与该AI模型相邻的下一个AI模型之间的调度逻辑关系;
分别根据确定的各个所述AI模型和与各个所述AI模型分别相邻的下一个AI模型之间的调度逻辑关系,生成调度各个所述AI模型的逻辑关系图。
在一实施例中,所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理,包括:
根据调度各个所述AI模型的逻辑关系图,调度当前待调度的所述AI模型进行业务处理;
若检测到当前调度的所述AI模型进行业务处理并输出预设类型的识别结果数据,则将所述预设类型的识别结果数据存储至预设的消息队列中;
通过所述消息队列将所述预设类型的识别结果数据传送至与当前调度的所述AI模型相邻的下一个AI模型,以指示与当前调度的所述AI模型相邻的下一个AI模型进行业务处理,重复执行根据调度各个所述AI模型的逻辑关系图,调度当前待调度的所述AI模型进行业务处理的步骤,直至调度完成所述逻辑关系图中的各个所述AI模型。
在一实施例中,所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理,包括:
根据所述逻辑关系图确定当前调度的所述AI模型;
向与当前调度的所述AI模型相邻的上一个AI模型发送数据处理指令,以指示所述上一个AI模型进行数据处理,以产生供当前调度的所述AI模型处理的数据;
若检测到与当前调度的所述AI模型相邻的下一个AI模型完成业务处理,则指示当前调度的所述AI模型进行数据处理,以产生供所述下一个AI模型进行业务处理的数据。
在一实施例中,在所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理之前,还包括:
若检测到携带有所述AI模型的第一标识信息的更新指令,则基于所述第一标识信息获取待更新的所述AI模型的模型算法,对所述模型算法基于预设类型的更新算法进行更新操作。
在一实施例中,所述预设类型的更新算法包括并行关联规则增量更新算法;所述对所述模型算法基于预设类型的更新算法进行更新操作,包括:
根据预设的算法分类规则,将所述模型算法进行分类,得到所述模型算法的算法类别;
根据所述算法类别,构建所述模型算法的映射数据库;
利用并行关联规则从所述模型算法中挖掘出频繁项集并保存至所述映射数据库中;
在所述映射数据库中,对所述频繁项集进行并行更新。
在一实施例中,所述频繁项集包括:对模型算法收敛的支持度大于或等于最小支持度的网络层;所述利用并行关联规则从所述模型算法中挖掘出频繁项集并保存至所述映射数据库中,包括:
利用并行关联规则从所述模型算法中挖掘出对模型算法收敛的支持度大于或等于最小支持度的网络层,并保存至所述映射数据库中。
在一实施例中,所述模型有向图包括模型节点控件和各个所述模型节点控件之间的有向连接线;
所述解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型数据流向信息,包括:
解析所述模型有向图,确定所述模型有向图中各个模型节点控件分别对应的AI模型节点;
根据各个所述模型节点控件之间的有向线,确定各个所述模型节点控件分别对应的所述AI模型节点的数据流向信息;
根据确定的各个AI模型节点和各个所述AI模型节点的数据流向信息,确定待调度的各个所述AI模型以及各个所述AI模型的数据流向信息。
其中,上述各步骤的具体实现过程与本申请提供的基于可视化的模型调度方法实施例中的具体实现过程相同,在此不再赘述。
其中,所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元,例如所述终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
应当理解,在此本申请中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。
还应当理解,在本申请和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于可视化的模型调度方法,其特征在于,包括:
显示预设的模型编排操作界面,基于用户在所述模型编排操作界面对各个模型节点控件的编排结果,生成模型有向图;
解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型的数据流向信息;
根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图;
根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理。
2.根据权利要求1所述的基于可视化的模型调度方法,其特征在于,所述AI模型的所述数据流向信息包括:所述AI模型的第一标识信息和与所述AI模型相邻的下一个AI模型的第二标识信息;
所述根据待调度的各个所述AI模型以及各个所述AI模型的数据流向信息,确定调度各个所述AI模型的逻辑关系图,包括:
针对当前待调度的所述AI模型,根据该AI模型的所述数据流向信息,确定与该AI模型相邻的下一个AI模型的第二标识信息;
根据该AI模型的第一标识信息和与该AI模型相邻的下一个AI模型的第二标识信息,得到该AI模型和与该AI模型相邻的下一个AI模型之间的调度逻辑关系;
分别根据确定的各个所述AI模型和与各个所述AI模型分别相邻的下一个AI模型之间的调度逻辑关系,生成调度各个所述AI模型的逻辑关系图。
3.根据权利要求2所述的基于可视化的模型调度方法,其特征在于,所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理,包括:
根据调度各个所述AI模型的逻辑关系图,调度当前待调度的所述AI模型进行业务处理;
若检测到当前调度的所述AI模型进行业务处理并输出预设类型的识别结果数据,则将所述预设类型的识别结果数据存储至预设的消息队列中;
通过所述消息队列将所述预设类型的识别结果数据传送至与当前调度的所述AI模型相邻的下一个AI模型,以指示与当前调度的所述AI模型相邻的下一个AI模型进行业务处理,重复执行根据调度各个所述AI模型的逻辑关系图,调度当前待调度的所述AI模型进行业务处理的步骤,直至调度完成所述逻辑关系图中的各个所述AI模型。
4.根据权利要求1所述的基于可视化的模型调度方法,其特征在于,所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理,包括:
根据所述逻辑关系图确定当前调度的所述AI模型;
向与当前调度的所述AI模型相邻的上一个AI模型发送数据处理指令,以指示所述上一个AI模型进行数据处理,以产生供当前调度的所述AI模型处理的数据;
若检测到与当前调度的所述AI模型相邻的下一个AI模型完成业务处理,则指示当前调度的所述AI模型进行数据处理,以产生供所述下一个AI模型进行业务处理的数据。
5.根据权利要求1至4任一项所述的基于可视化的模型调度方法,其特征在于,在所述根据调度各个所述AI模型的逻辑关系图,分别调度各个所述AI模型进行业务处理之前,还包括:
若检测到携带有所述AI模型的第一标识信息的更新指令,则基于所述第一标识信息获取待更新的所述AI模型的模型算法,对所述模型算法基于预设类型的更新算法进行更新操作。
6.根据权利要求5所述的基于可视化的模型调度方法,其特征在于,所述预设类型的更新算法包括并行关联规则增量更新算法;所述对所述模型算法基于预设类型的更新算法进行更新操作,包括:
根据预设的算法分类规则,将所述模型算法进行分类,得到所述模型算法的算法类别;
根据所述算法类别,构建所述模型算法的映射数据库;
利用并行关联规则从所述模型算法中挖掘出频繁项集并保存至所述映射数据库中;
在所述映射数据库中,对所述频繁项集进行并行更新。
7.根据权利要求6所述的基于可视化的模型调度方法,其特征在于,所述频繁项集包括:对模型算法收敛的支持度大于或等于最小支持度的网络层;所述利用并行关联规则从所述模型算法中挖掘出频繁项集并保存至所述映射数据库中,包括:
利用并行关联规则从所述模型算法中挖掘出对模型算法收敛的支持度大于或等于最小支持度的网络层,并保存至所述映射数据库中。
8.根据权利要求1所述的基于可视化的模型调度方法,其特征在于,所述模型有向图包括模型节点控件和各个所述模型节点控件之间的有向连接线;
所述解析所述模型有向图,确定待调度的各个AI模型以及各个所述AI模型数据流向信息,包括:
解析所述模型有向图,确定所述模型有向图中各个模型节点控件分别对应的AI模型节点;
根据各个所述模型节点控件之间的有向线,确定各个所述模型节点控件分别对应的所述AI模型节点的数据流向信息;
根据确定的各个AI模型节点和各个所述AI模型节点的数据流向信息,确定待调度的各个所述AI模型以及各个所述AI模型的数据流向信息。
9.一种基于可视化的模型调度设备,其特征在于,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时,实现如权利要求1至8中任一项所述的基于可视化的模型调度方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利阿瑶1至8任一项所述基于可视化的模型调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110876433.3A CN113553159A (zh) | 2021-07-29 | 2021-07-29 | 基于可视化的模型调度方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110876433.3A CN113553159A (zh) | 2021-07-29 | 2021-07-29 | 基于可视化的模型调度方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113553159A true CN113553159A (zh) | 2021-10-26 |
Family
ID=78105152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110876433.3A Pending CN113553159A (zh) | 2021-07-29 | 2021-07-29 | 基于可视化的模型调度方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553159A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444338A (zh) * | 2022-04-11 | 2022-05-06 | 北京瑞莱智慧科技有限公司 | Ai模型组合快速轻量级验证的方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108432208A (zh) * | 2016-12-15 | 2018-08-21 | 华为技术有限公司 | 一种业务编排方法、装置及服务器 |
CN110956269A (zh) * | 2019-10-12 | 2020-04-03 | 平安科技(深圳)有限公司 | 数据模型的生成方法、装置、设备以及计算机存储介质 |
WO2020215681A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技(深圳)有限公司 | 指示信息生成方法、装置、终端及存储介质 |
CN113065656A (zh) * | 2021-03-26 | 2021-07-02 | 龙马智芯(珠海横琴)科技有限公司 | 一种规则引擎配置方法、装置、服务器及可读存储介质 |
-
2021
- 2021-07-29 CN CN202110876433.3A patent/CN113553159A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108432208A (zh) * | 2016-12-15 | 2018-08-21 | 华为技术有限公司 | 一种业务编排方法、装置及服务器 |
WO2020215681A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技(深圳)有限公司 | 指示信息生成方法、装置、终端及存储介质 |
CN110956269A (zh) * | 2019-10-12 | 2020-04-03 | 平安科技(深圳)有限公司 | 数据模型的生成方法、装置、设备以及计算机存储介质 |
CN113065656A (zh) * | 2021-03-26 | 2021-07-02 | 龙马智芯(珠海横琴)科技有限公司 | 一种规则引擎配置方法、装置、服务器及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444338A (zh) * | 2022-04-11 | 2022-05-06 | 北京瑞莱智慧科技有限公司 | Ai模型组合快速轻量级验证的方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021136365A1 (zh) | 基于机器学习模型的应用开发方法、装置及电子设备 | |
EP3961441A1 (en) | Identity verification method and apparatus, computer device and storage medium | |
CN111488211A (zh) | 基于深度学习框架的任务处理方法、装置、设备及介质 | |
CN112070416B (zh) | 基于ai的rpa流程的生成方法、装置、设备及介质 | |
JP2014139734A (ja) | 情報処理装置および方法、並びにプログラム | |
US20220207807A1 (en) | Modifying an appearance of hair | |
WO2020151170A1 (zh) | 一种岗位画像设置方法、岗位画像设置装置及终端设备 | |
CN112148926A (zh) | 一种图数据流的处理方法、处理装置和存储介质 | |
CN113342489A (zh) | 任务处理方法及装置、电子设备和存储介质 | |
CN113553159A (zh) | 基于可视化的模型调度方法、设备和存储介质 | |
CN111524043A (zh) | 诉讼风险评估问卷自动生成的方法和装置 | |
CN112214397B (zh) | 用户界面测试方法、装置、计算机设备和存储介质 | |
CN115345600B (zh) | 一种rpa流程的生成方法和装置 | |
CN109977011A (zh) | 测试脚本的自动生成方法、装置、存储介质及电子设备 | |
CN112070487B (zh) | 基于ai的rpa流程的生成方法、装置、设备及介质 | |
Cheng et al. | Edge4emotion: An edge computing based multi-source emotion recognition platform for human-centric software engineering | |
WO2021068529A1 (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN114880015A (zh) | 任务配置方法、装置、设备及存储介质 | |
Bossek | Performance assessment of multi-objective evolutionary algorithms with the R package ecr | |
US11537394B2 (en) | Systems and methods for analyzing computational architectures | |
CN103593532A (zh) | 用于制图的数据处理方法和装置 | |
KR102527900B1 (ko) | 스케치 이미지에 대한 자동 채색 모델 관리 방법 및 그 장치 | |
Zhou et al. | Image-of-Thought Prompting for Visual Reasoning Refinement in Multimodal Large Language Models | |
US20230316108A1 (en) | Non-transitory computer-readable recording medium storing rule update program, rule update method, and rule update device | |
US20240062431A1 (en) | Generating and Propagating Personal Masking Edits |
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 |