CN113610242A - 数据处理方法、装置和服务器 - Google Patents
数据处理方法、装置和服务器 Download PDFInfo
- Publication number
- CN113610242A CN113610242A CN202110912098.8A CN202110912098A CN113610242A CN 113610242 A CN113610242 A CN 113610242A CN 202110912098 A CN202110912098 A CN 202110912098A CN 113610242 A CN113610242 A CN 113610242A
- Authority
- CN
- China
- Prior art keywords
- preset
- operator
- user
- target
- data processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 131
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 101
- 238000010801 machine learning Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 60
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000012856 packing Methods 0.000 claims abstract description 20
- 238000003860 storage Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Stored Programmes (AREA)
Abstract
本说明书提供了数据处理方法、装置和服务器。基于该方法，用户可以在机器学习平台上自定义设置所需要的预设算子；相应的，服务器可以获取用户自定义的预设算子，以及用户基于预设的设置规则，针对预设算子设置的自定义参数；再将该自定义参数保存至预设的第一数据库表中，并建立自定义参数与预设算子之间的第一对应关系；同时，获取与该预设算子关联的预设脚本文件；并打包预设算子和预设脚本文件，得到对应的预设算法包；再将预设算法包上传并保存至机器学习平台的传输节点，以便后续用户可以在机器学习平台上调取和使用自定义的预设算子。从而可以有效地简化用户操作，使得用户可以在机器学习平台上便捷、高效地设置和使用自定义的算子。
Description
技术领域
本说明书属于人工智能技术领域，尤其涉及数据处理方法、装置和服务器。
背景技术
随着技术的发展，机器学习平台(Platform of Artificial Intelligence，PAI)作为一种能够为机器学习和深度学习提供一站式服务的平台系统，能够帮助用户较为方便、快速地训练得到所需要的模型。
但是，通常机器学习平台提供给用户、供用户直接使用的预置算子相对有限。而基于现有方法，如果用户想要在机器学习平台上设置并使用自定义的算子，操作过程较为繁琐、复杂，用户的使用体验相对较差。
针对上述问题目前尚未提出有效的解决方案。
发明内容
本说明书提供了一种数据处理方法、装置和服务器，以有效地简化用户操作，使得用户可以在机器学习平台上便捷、高效地设置和使用自定义算子。
本说明书提供了一种数据处理方法，应用于机器学习平台的服务器，包括：
获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；
将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；
获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；
打包所述预设算子和预设脚本文件，得到对应的预设算法包；
将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
在一些实施例中，预设算子的算子定义参数包括以下至少之一：预设算子的算子名、预设算子的算子标识、预设算子的描述文本。
在一些实施例中，预设算子的运行环境的环境定义参数包括以下至少之一：GPU使用参数、SPARK使用参数、Python版本标识。
在一些实施例中，打包所述预设算子和预设脚本文件，得到对应的预设算法包，所述方法还包括：
基于第一对应关系，查询第一数据库表，获取预设算子的算子定义参数和预设算子的运行环境的环境定义参数；
根据所述预设算子的算子定义参数，对预设算子进行参数校验；
根据预设算子的运行环境的环境定参数，构建测试环境容器；并利用所述测试环境容器，对所述预设算子和预设较脚本文件进行测试校验；
在确定参数校验通过，且测试校验通过的情况下，打包所述预设算子和预设脚本文件，得到对应的预设算法包。
在一些实施例中，所述预设算子包括：通过组合多个Python算子得到的组合算子。
在一些实施例中，在将所述预设算法包上传并保存至机器学习平台的传输节点之后，所述方法还包括：
获取用户发起的目标数据处理请求；其中，所述目标数据处理请求至少携带有用户选中的预设算子的标识信息，以及用户设置的运行参数；
根据所述目标数据处理请求，确定出用户选中的预设算子作为目标算子；并将所述运行参数保存至预设的第二数据库表中；
通过机器学习平台的传输节点，获取相应的目标算法包；其中，所述目标算法包包含有目标算子，以及与目标算子关联的目标脚本文件；
基于预设的第一数据库表、预设的第二数据库表，利用所述目标算法包，进行目标数据处理。
在一些实施例中，所述目标数据处理包括：对所接入的模型进行模型训练；或，对所接入的数据进行数据清洗；或，对所述接入的数据进行特征提取。
在一些实施例中，基于预设的第一数据库表、预设的第二数据库表，利用所述目标算法包，进行目标数据处理，包括：
解压目标算法包，获取目标算子和目标脚本文件；
根据所述预设的第一数据库表，配置与目标算子对应的运行环境容器；
在所述运行环境容器中，根据所述预设的第二数据库表，运行目标算子和目标脚本文件，进行目标数据处理；并根据所述预设的第二数据库表抽取相关的目标处理结果；
向用户反馈所述目标处理结果。
在一些实施例中，在根据所述预设的第二数据库表，运行目标算子和目标脚本文件，进行目标数据处理时，所述方法还包括：
根据所述预设的第二数据库表每间隔预设的时间段，获取运行目标算子和目标脚本文件时的执行日志；
根据所述执行日志，监控目标数据处理的处理进度。
在一些实施例中，根据所述执行日志，监控目标数据处理的处理进度，包括：
在根据所述执行日志，确定目标数据处理结束的情况下，关闭所述运行环境容器，并释放相应资源；
或，在根据所述执行日志，确定目标数据处理异常的情况下，暂停目标数据处理，向用户生成并反馈报错提示。
本说明书实施例还提供了一种数据处理装置，包括：
第一获取模块，用于获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；
保存模块，用于将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；
第二获取模块，用于获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；
打包模块，用于打包所述预设算子和预设脚本文件，得到对应的预设算法包；
上传模块，用于将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
本说明书实施例还提供了一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；打包所述预设算子和预设脚本文件，得到对应的预设算法包；将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
本说明书实施例还提供了一种计算机存储介质，其上存储有计算机指令，所述指令被执行时实现以下步骤：获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；打包所述预设算子和预设脚本文件，得到对应的预设算法包；将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
本说明书提供了一种数据处理方法、装置和服务器，基于该方法，用户可以在机器学习平台上自定义设置所需要的预设算子；相应的，服务器可以获取用户自定义的预设算子，以及用户基于预设的设置规则，针对该预设算子设置的包括算子定义参数和环境定义参数的自定义参数；再将该自定义参数保存至预设的第一数据库表中，并建立自定义参数与预设算子之间的第一对应关系；同时，获取用户设置的与该预设算子关联的预设脚本文件；并打包预设算子和预设脚本文件，得到对应的预设算法包；再将该预设算法包上传并保存至机器学习平台的传输节点，以便后续用户可以在机器学习平台上调取和使用上述自定义的预设算子。从而可以有效地简化用户操作，使得用户可以在机器学习平台上便捷、高效地设置和使用自定义算子，以满足用户多样化的处理需求，提高用户的使用体验。解决了基于现有方法，用户在机器学习平台设置和使用自定义算子时，操作过程繁琐、复杂，处理效率低，用户使用体验差的技术问题。
附图说明
为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，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是本说明书的一个实施例提供的数据处理方法的流程示意图；
图2是本说明书的一个实施例提供的服务器的结构组成示意图；
图3是本说明书的一个实施例提供的数据处理装置的结构组成示意图；
图4是在一个场景示例中，应用本说明书实施例提供的数据处理方法的一种实施例的示意图；
图5是在一个场景示例中，应用本说明书实施例提供的数据处理方法的一种实施例的示意图；
图6是在一个场景示例中，应用本说明书实施例提供的数据处理方法的一种实施例的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
参阅图1所示，本说明书实施例提供了一种数据处理方法。其中，该方法具体应用于机器学习平台的服务器一侧。具体实施时，该方法可以包括以下内容：
S101：获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；
S102：将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；
S103：获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；
S104：打包所述预设算子和预设脚本文件，得到对应的预设算法包；
S105：将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
通过上述实施例，可以有效地简化用户操作，使得用户可以根据具体情况和处理需求，在机器学习平台上便捷、高效地设置和使用除平台提供的预置算子外的其他自定义的算子，以满足用户的多样化需求，提高用户的使用体验。
在一些实施例中，本说明书实施例具体可以应用于器学习平台的服务器一侧。
其中，所述服务器具体可以包括一种应用于机器学习平台一侧的，能够实现数据传输、数据处理等功能的后台服务器。具体的，所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者，所述服务器也可以为运行于该电子设备中，为数据处理、存储和网络交互提供支持的软件程序。在本实施例中，并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器，也可以为几个服务器，或者，由若干服务器形成的服务器集群。
所述机器学习平台具体可以是一种改进后的，支持用户设置并使用自定义的预设算子、预设脚本文件的平台系统。具体的，上述机器学习平台还配置有诸如预设算子创建单元、预设脚本编写单元、算子运行单元等功能结构单元，以方便用户可以较为高效、便捷地设置并使用预设算子和预设脚本文件。
基于上述机器学习平台，用户可以通过上述预设算子创建单元，在机器学习平台上设置自定义的预设算子；相应的，服务器可以获取得到上述自定义的预设算子。用户可以通过上述预设脚本编写单元，在机器学习平台上编写与上述预设算子关联的预设脚本文件；相应的，服务器可以获取得到上述预设脚本文件。
在一些实施例中，上述预设算子具体可以理解为一种用户定制的、机器学习平台尚未提供的算子。
具体的，上述预设算子可以包括适用于大多数用户内部系统的Python算子。需要说明的是，上述预设算子可以是单个的Python算子；也可以是根据用户具体的处理需求，通过组合多个Python算子所得到的适用于某些复杂的应用场景的组合算子等。
通过上述实施例，用户可以较为自由、灵活地设置使用多种不同的预设算子，来应对处理较为复杂的应用场景。
在一些实施例中，用户在机器学习平台上设置自定义的预设算子同时，还可以在机器学习平台所提供的定义参数设置界面中基于预设的设置规则，设置针对该预设算子的自定义参数。相应的，服务器可以通过上述定义参数设置界面，获取用户设置的自定义参数。
在一些实施例中，上述自定义参数至少可以包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数。
在一些实施例中，上述预设算子的算子定义参数具体可以包括以下至少之一：预设算子的算子名、预设算子的算子标识、预设算子的描述文本等。当然，需要说明的是，上述所列举的算子定义参数只是一种示意性说明。具体实施时，根据具体情况和处理需求，上述算子定义参数还可以进一步包含其他用于表征预设算子特征的参数。对此，本说明书不作限定。
通过上述实施例，用户可以通过设置和使用多种算子定义参数，以精细地对所设置的预设算子进行定义。
在一些实施例中，上述预设算子的运行环境的环境定义参数具体可以包括以下至少之一：GPU使用参数、SPARK使用参数、Python版本标识等。当然，需要说明的是，上述所列举的环境定义参数只是一种示意性说明。具体实施时，根据具体情况和处理需求，上述环境定义参数还可以进一步包含其他用于表征预设算子的运行环境特征的参数。对此，本说明书不作限定。其中，SPARK具体可以是指专为大规模数据处理而设计的快速通用的计算引擎。
通过上述实施例，用户可以通过设置和使用多种环境定义参数，以精细、全面地对预设算子的运行环境进行定义。
在一些实施例中，服务器可以基于预设的设置规则，按照相应的格式，将上述自定义参数保存至预设的第一数据库表中；同时，还可以建立上述自定义参数与预设算子之间的第一对应关系。这样后续具体实施时，可以根据该第一对应关系查询第一数据库表，以快速找到所需要使用的预设算子，以及与该预设算子对应的自定义参数。
在一些实施例中，用户在机器学习平台上设置自定义的预设算子后，还可以通过机器学习平台的预设脚本编写单元，在该机器学习平台上便捷地编写与上述预设算子关联的预设脚本文件，以对关于使用给预设算子进行数据的数据处理规则进行配置。
在一些实施例中，上述预设脚本文件具体可以包括一种Python脚本。此外，上述预设的脚本文件中进一步还可以包含有用户设置的针对数据处理结果的分布式存储路径。例如，基于HDFS(Hadoop分布式文件系统)的存储路径。
在一些实施例中，上述打包所述预设算子和预设脚本文件，得到对应的预设算法包，所述方法具体实施时，还可以包括以下内容：
S1：基于第一对应关系，查询第一数据库表，获取预设算子的算子定义参数和预设算子的运行环境的环境定义参数；
S2：根据所述预设算子的算子定义参数，对预设算子进行参数校验；
S3：根据预设算子的运行环境的环境定参数，构建测试环境容器；并利用所述测试环境容器，对所述预设算子和预设较脚本文件进行测试校验；
S4：在确定参数校验通过，且测试校验通过的情况下，打包所述预设算子和预设脚本文件，得到对应的预设算法包。
通过上述实施例，在用户通过机器学习平台设置并提交自定义的预设算子和预设脚本文件后，服务器可以自动地获取并利用自定义参数对预设算子和预设脚本文件进行校验；在校验通过，确定用户自定义的预设算子和预设脚本文件符合机器学习平台的设置规范和要求的情况下，再自动将上述预设算子和预设脚本文件打包成对应的预设算法包进行上传；相反，在校验未通过，确定用户自定义的预设算子和预设脚本文件不符合机器学习平台的设置规范和要求的情况下，自动生成并向用户反馈提示信息，以提示用户检查并重新设置提供符合设置规范和要求的预设算子和/或预设脚本文件。
在一些实施例中，在得到包含有预设算子和预设脚本文件的预设算法包后，服务器可以先将该预设算法包以预设算子的算子名或算子标识作标识信息进行标记；再将标记后的预设算法包上传并保存至机器学习平台上相应的传输节点，以便该用户，或者有权限使用该预设算法包的其他用户可以高效、便捷地直接在机器学习平台上找到、调取和使用该预设算法包。
在一些实施例中，在将所述预设算法包上传并保存至机器学习平台的传输节点之后，所述方法具体实施时，还可以包括以下内容：将所述预设算法包映射到机器学习平台上的交互界面中对应的图案标识，这样用户后续可以通过在机器学习平台上的交互界面中使用有向无环图的方式来便捷地通过触发对应的图案标识，来调用多个预设算法包来实现复杂的数据处理。
具体的，例如，在机器学习平台上，用户可以通过点击触发对应的图案标识来选中所需要的预设算法。进一步，还可以根据具体的处理需求，将所需要的预设算法所对应的图案标识按照一定顺序连接组合起来，以完成较为复杂的数据处理。
在一些实施例中，在将所述预设算法包上传并保存至机器学习平台的传输节点之后，所述方法具体实施时，还可以包括以下内容：
S1：获取用户发起的目标数据处理请求；其中，所述目标数据处理请求至少携带有用户选中的预设算子的标识信息，以及用户设置的运行参数；
S2：根据所述目标数据处理请求，确定出用户选中的预设算子作为目标算子；并将所述运行参数保存至预设的第二数据库表中；
S3：通过机器学习平台的传输节点，获取相应的目标算法包；其中，所述目标算法包包含有目标算子，以及与目标算子关联的目标脚本文件；
S4：基于预设的第一数据库表、预设的第二数据库表，利用所述目标算法包，进行目标数据处理。
通过上述实施例，用户可以很便捷、高效在机器学习平台上选择和使用所需要的包含有自定义的预设算子和预设脚本文件的预设算法包，来进行具体的目标数据处理。
在一些实施例中，所述运行参数具体可以包括以下至少之一：任务标识、预设算子的算子标识、开始时间、提交时间、任务参数、执行日志的输出参数、输出数据指示参数等。当然，上述所列举的运行参数只是一种示意性说明。具体实施时，根据具体情况和处理需求，上述运行参数还可以包括其他类型的参数。对此，本说明书不作限定。
在一些实施例中，当用户需要进行目标数据处理时，可以在机器学习平台上，选中与所需要的预设算子的标识信息对应的图案标识，并进行连接组合；同时，在机器学习平台上设置相应的云翔参数，以生成至少携带有用户选中的预设算子(可以记为目标算子)的标识信息，以及用户设置的运行参数的目标数据处理请求。并将该目标数据处理请求发送至服务器，以触发在机器学习平台上进行上述目标数据处理。
在一些实施例中，所述目标数据处理具体可以包括：对所接入的模型进行模型训练；或，对所接入的数据进行数据清洗；或，对所述接入的数据进行特征提取等。
通过上述实施例，用户可以通过较为便捷、高效的方式发起，多种不同类型的目标数据处理，以满足用户多样化的处理需求。
在一些实施例中，用户可以根据所需要进行的目标数据处理，在机器学习平台的运行参数设置界面中，根据预设的设置规则，设置具体的运行参数。相应的，服务器可以通过上述运行参数设置界面，获取用户设置的运行参数。
在一些实施例中，服务器可以将获取的运行参数保存至预设的第二数据库表中，并建立目标算子与运行参数之间的第二对应关系。这样后续在具体运行时，可以根据第二对应关系查询预设的第二数据库表，以快速地找到并使用上述运行参数。
在一些实施例中，上述基于预设的第一数据库表、预设的第二数据库表，利用所述目标算法包，进行目标数据处理，具体实施时，可以包括以下内容：
S1：解压目标算法包，获取目标算子和目标脚本文件；
S2：根据所述预设的第一数据库表，配置与目标算子对应的运行环境容器；
S3：在所述运行环境容器中，根据所述预设的第二数据库表，运行目标算子和目标脚本文件，进行目标数据处理；并根据所述预设的第二数据库表抽取相关的目标处理结果；
S4：向用户反馈所述目标处理结果。
通过上述实施例，服务器可以基于预设的第一数据库表、预设的第二数据库表，利用所述目标算法包，在机器学习平台上实现用户所需要的目标数据处理，并及时地将目标处理结果反馈给用户。
在一些实施例中，上述目标处理结果具体可以包括目标数据处理过程中用户关注并在运行参数中指示的中间数据，也可以包括用户关注并指示参数中指示的结果数据。
在一些实施例中，服务器可以将目标处理结果以可视化的展现方式通过机器学习平台的结果展示界面(或者可视化展示单元)展示给用户，以进一步提高用户的使用体验。
在一些实施例中，在解压目标算法包，获取目标算子和目标脚本文件之后，所述方法具体实施时，还可以包括以下内容：基于预设的第一数据库表和预设的第二数据库表，生成并插入关于目标数据处理的任务记录。
在一些实施例中，在根据所述预设的第一数据库表，配置与目标算子对应的运行环境容器之前，所述方法具体实施时，还可以包括以下内容：
S1：根据预设的第一数据库表对当前用于构建运行环境容器的资源进行资源校验；
S2：根据预设的第一数据库表中的算子定义参数和环境定义参数，对预设的第二数据库表中的运行参数进行参数校验；
S3：在资源校验通过，且参数校验通过的情况下，根据所述预设的第一数据库表，配置与目标算子对应的运行环境容器。
通过上述实施例，服务器在资源校验以及参数校验都通过的情况下，才会构建配置对应的运行环境容器，以进行后续的目标数据处理，避免在当前可用资源不足，或运行参数与自定义参数不匹配的情况下，盲目地浪费处理资源和处理时间来进行目标数据处理。
在一些实施例中，在根据所述预设的第二数据库表，运行目标算子和目标脚本文件，进行目标数据处理时，所述方法具体实施时，还可以包括以下内容：
S1：根据所述预设的第二数据库表每间隔预设的时间段，获取运行目标算子和目标脚本文件时的执行日志；
S2：根据所述执行日志，监控目标数据处理的处理进度。
其中，上述预设的时间段可以为30秒，也可以为1分钟，还可以为1天等等。
通过上述实施例，服务器可以每间隔预设的时间段获取并根据相应的执行日志，对目标数据处理的处理进度、处理状态进行精准监控。
在一些实施例中，上述根据所述执行日志，监控目标数据处理的处理进度，具体实施时，可以包括以下内容：在根据所述执行日志，确定目标数据处理结束的情况下，关闭所述运行环境容器，并释放相应资源；或，在根据所述执行日志，确定目标数据处理异常的情况下，暂停目标数据处理，向用户生成并反馈报错提示。
通过上述实施例，服务器可以根据执行日志准确地确定出目标数据处理是否结束，并在确定目标数据处理结束的情况下，及时地释放运行环境容器所占用的资源，避免对资源的无效占用；同时，还可以根据执行日志准确地发现目标数据处理异常，并及时通过报错提示提醒用户，以进行检查调整，以保证目标数据处理的顺利执行。
由上可见，基于本说明书实施例提供的数据处理方法，用户可以在机器学习平台上自定义设置所需要的预设算子；相应的，服务器可以获取用户自定义的预设算子，以及用户基于预设的设置规则，针对预设算子设置的自定义参数；再将该自定义参数保存至预设的第一数据库表中，并建立自定义参数与预设算子之间的第一对应关系；同时，获取与该预设算子关联的预设脚本文件；并打包预设算子和预设脚本文件，得到对应的预设算法包；再将预设算法包上传并保存至机器学习平台的传输节点，以便后续用户可以在机器学习平台上调取和使用自定义的预设算子。从而可以有效地简化用户操作，使得用户可以在机器学习平台上便捷、高效地设置和使用自定义算子，以满足用户多样化的处理需求，提高了用户的使用体验。解决了基于现有方法，用户在机器学习平台设置和使用自定义算子时，操作过程繁琐、复杂，处理效率低，用户使用体验差的技术问题。
本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；打包所述预设算子和预设脚本文件，得到对应的预设算法包；将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
为了能够更加准确地完成上述指令，参阅图2所示，本说明书实施例还提供了另一种具体的服务器，其中，所述服务器包括网络通信端口201、处理器202以及存储器203，上述结构通过内部线缆相连，以便各个结构可以进行具体的数据交互。
其中，所述网络通信端口201，具体可以用于获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；还用于获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则。
所述处理器202，具体可以用于将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；打包所述预设算子和预设脚本文件，得到对应的预设算法包；将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
所述存储器203，具体可以用于存储相应的指令程序。
在本实施例中，所述网络通信端口201可以是与不同的通信协议进行绑定，从而可以发送或接收不同数据的虚拟端口。例如，所述网络通信端口可以是负责进行web数据通信的端口，也可以是负责进行FTP数据通信的端口，还可以是负责进行邮件数据通信的端口。此外，所述网络通信端口还可以是实体的通信接口或者通信芯片。例如，其可以为无线移动网络通信芯片，如GSM、CDMA等；其还可以为Wifi芯片；其还可以为蓝牙芯片。
在本实施例中，所述处理器202可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中，所述存储器203可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。
本说明书实施例还提供了一种基于上述数据处理方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现：获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；打包所述预设算子和预设脚本文件，得到对应的预设算法包；将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
在本实施例中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
在本实施例中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
参阅图3所示，在软件层面上，本说明书实施例还提供了一种数据处理装置，该装置具体可以包括以下的结构模块：
第一获取模块301，具体可以用于获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；
保存模块302，具体可以用于将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；
第二获取模块303，具体可以用于获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；
打包模块304，具体可以用于打包所述预设算子和预设脚本文件，得到对应的预设算法包；
上传模块305，具体可以用于将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
需要说明的是，上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
由上可见，基于本说明书实施例提供的数据处理装置，可以有效地简化用户操作，使得用户可以在机器学习平台上便捷、高效地设置和使用自定义算子，满足用户多样化的处理需求，提高了用户的使用体验。解决了用户在机器学习平台设置和使用自定义算子时，操作过程繁琐、复杂，处理效率低，用户使用体验差的技术问题。
在一个具体的场景示例中，可以应用本说明书实施例提供的数据处理方法来实现基于机器学习平台集成并使用自定义python(预设算子)。具体实施过程可以包括以下内容。
在本场景示例中，可以构建并利用机器学习平台集成自定义python。通过该平台，可以提供自定义python的运行环境，并支持将自定义python脚本(预设脚本文件)集成至机器学习平台的建模实验室，并以拖拉拽式嵌入模型的开发流程，以实现以下效果：提高机器学习平台自身能力，能支持不同场景的建模需求，支持数据科学家(用户)由开发建模，不局限于平台所提供的有限算法；支持将多个算子组合改造为更适合当前场景的一个算子，甚至实现原本无法实现的功能，提高模型准确性的同时降低资源消耗；能够与机器学习平台中各模块深度糅合，全面覆盖建模、模型运维、模型运营流程，使数据科学家专注于模型开发过程，节约模型运维、运营成本。
具体实施前，可以根据构建数据字典表1作为算法参数记录表，简记为数据库表1(预设的第一数据库表)，用于记录创建的运行环境及运行参数(自定义参数)。其中，数据字典表1可以参阅图4所示。同时，可以根据构建数据字典表2作为算法运行任务记录表，简记为数据库表2(预设的第二数据库表)，用于记录算法运行情况、返回信息等。其中，数据字典表如表2可以参阅图5所示。
具体实施时，参阅图6所示，在机器学习平台上集成有自定义python装置，包括：自定义python算子创建单元1(或称算子创建单元)、脚本编写单元2、算子运行单元3、结果可视化单元4。
其中，自定义python算子创建单元1，用于提供创建算子与定义算子参数的功能。包括算子运行环境设定单元11、算子参数定义单元12。基于数据、场景需求的不同，用户需要事先设定算子运行环境，包括但不限于python版本、是否需要使用GPU资源、是否需要使用spark资源等(例如，环境定义参数)。而对算法本身，为满足模型随数据、不同需求自迭代的需要，提供定义该算子运行的参数功能，参数可以包括但不限于分析数据的选取条件、运行结果存储路径、算法迭代次数等(例如，算子定义参数)。具体实施时，算子定义的参数及相关配置存至数据库表1中，并允许当前建模项目中所有DAG(有向无环图)对该算法进行引用。
脚本编写单元2，用于定义算法的运行逻辑。其中，运行逻辑包括：从该算子的输入路径获取数据；对数据进行一系列的处理：清理、筛选、分析等；针对处理好的数据进行训练；训练完成后将模型实体上传至指定的HDFS路径；以及训练失败需要回写至平台指定接口以保证运行状态的追踪等。其中，上述所列举的功能皆可作为独立算法或组合形成新算法在同一建模项目下复用或修改。
平台可以提供验证用户编写的python脚本的容器环境，用户可在该容器的可视化界面中进行编写及试运行。经验证后python脚本以项目-算法名为打包名的方式打包(得到预设算法包)当前容器环境中文件上传至平台文件传输节点。若用户需要修改脚本，启动新的编写python脚本容器，拉取文件传输节点的算法包并进行解压，用户修改完成后重新执行打包上传操作。规定算子输出结果的存储路径，以保证DAG中该算子的下层算子可获得输入源并保障整个DAG的顺畅运行。
算子运行单元3，用于实际运行用户定义的算法。包括运行前调配本次运行涉及资源、算法参数的填写，运行时状态的把控更新，运行后运行失败的日志回写，运行成功的运算结果查看。
具体运行时，算子运行时的相关信息存至数据库表2中，并将任务开始时间置为当前时间，状态置为0-算法执行任务创建中。创建完成后由调度节点获取到数据库中该条记录，对算法运行环境、参数进行校验。若调度节点无空闲资源处理该任务，置当前任务状态为1-任务提交中。依据用户选择的python版本、是否需要使用GPU资源、是否需要使用spark资源决定该算法的基础镜像，修改算法执行状态为10-任务提交中。环境与参数皆校验无误后创建容器，并拉取算法代码至容器中并解压，如需SPARK环境也会准备好相关环境并拉取用户密钥，做好登录工作。待容器启动完成后修改算法执行任务状态为2-任务执行中。30秒定时获取一次容器中日志至数据库表2的LOG中，以供用户查看算子运行状态，或运行失败时分析错误原因。
结果可视化单元4，用于对算子运行单元3形成的运算结果进行查询并可视化展示。
具体的，例如，为一般数据处理算子，可以提供查看算子输出结果存储路径的数据，大数据量情况下只提供查看前1000条数据，并提供输出结果路径的复制。如为模型训练类算法，支持模型评估算子接当前算子输出源，展现评估报告(ROC曲线、失败案例等)，辅助用户对算法进行分析评估，保障生产模型质量。
通过上述场景示例，验证了本说明书实施例所提供的数据处理方法，可以提高机器学习平台支持不同场景的建模需求的能力，提高模型准确性的同时降低资源消耗；并且能够与机器学习平台各模块深度糅合，全面覆盖建模、模型运维、模型运营流程，使数据科学家专注于模型开发过程，节约模型运维、运营成本。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施例的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (13)
1.一种数据处理方法，其特征在于，应用于机器学习平台的服务器，包括：
获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；
将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；
获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；
打包所述预设算子和预设脚本文件，得到对应的预设算法包；
将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
2.根据权利要求1所述的方法，其特征在于，预设算子的算子定义参数包括以下至少之一：预设算子的算子名、预设算子的算子标识、预设算子的描述文本。
3.根据权利要求1所述的方法，其特征在于，预设算子的运行环境的环境定义参数包括以下至少之一：GPU使用参数、SPARK使用参数、Python版本标识。
4.根据权利要求1所述的方法，其特征在于，打包所述预设算子和预设脚本文件，得到对应的预设算法包，所述方法还包括：
基于第一对应关系，查询第一数据库表，获取预设算子的算子定义参数和预设算子的运行环境的环境定义参数；
根据所述预设算子的算子定义参数，对预设算子进行参数校验；
根据预设算子的运行环境的环境定参数，构建测试环境容器；并利用所述测试环境容器，对所述预设算子和预设较脚本文件进行测试校验；
在确定参数校验通过，且测试校验通过的情况下，打包所述预设算子和预设脚本文件，得到对应的预设算法包。
5.根据权利要求1所述的方法，其特征在于，所述预设算子包括：通过组合多个Python算子得到的组合算子。
6.根据权利要求1所述的方法，其特征在于，在将所述预设算法包上传并保存至机器学习平台的传输节点之后，所述方法还包括：
获取用户发起的目标数据处理请求；其中，所述目标数据处理请求至少携带有用户选中的预设算子的标识信息，以及用户设置的运行参数；
根据所述目标数据处理请求，确定出用户选中的预设算子作为目标算子；并将所述运行参数保存至预设的第二数据库表中；
通过机器学习平台的传输节点，获取相应的目标算法包；其中，所述目标算法包包含有目标算子，以及与目标算子关联的目标脚本文件；
基于预设的第一数据库表、预设的第二数据库表，利用所述目标算法包，进行目标数据处理。
7.根据权利要求6所述的方法，其特征在于，所述目标数据处理包括：对所接入的模型进行模型训练；或，对所接入的数据进行数据清洗；或，对所述接入的数据进行特征提取。
8.根据权利要求6所述的方法，其特征在于，基于预设的第一数据库表、预设的第二数据库表，利用所述目标算法包，进行目标数据处理，包括：
解压目标算法包，获取目标算子和目标脚本文件；
根据所述预设的第一数据库表，配置与目标算子对应的运行环境容器；
在所述运行环境容器中，根据所述预设的第二数据库表，运行目标算子和目标脚本文件，进行目标数据处理；并根据所述预设的第二数据库表抽取相关的目标处理结果；
向用户反馈所述目标处理结果。
9.根据权利要求8所述的方法，其特征在于，在根据所述预设的第二数据库表，运行目标算子和目标脚本文件，进行目标数据处理时，所述方法还包括：
根据所述预设的第二数据库表每间隔预设的时间段，获取运行目标算子和目标脚本文件时的执行日志；
根据所述执行日志，监控目标数据处理的处理进度。
10.根据权利要求9所述的方法，其特征在于，根据所述执行日志，监控目标数据处理的处理进度，包括：
在根据所述执行日志，确定目标数据处理结束的情况下，关闭所述运行环境容器，并释放相应资源；
或，在根据所述执行日志，确定目标数据处理异常的情况下，暂停目标数据处理，向用户生成并反馈报错提示。
11.一种数据处理装置，其特征在于，包括：
第一获取模块，用于获取用户自定义的预设算子，以及用户基于预设的设置规则，针对所述预设算子设置的自定义参数；其中，所述自定义参数至少包括：预设算子的算子定义参数和预设算子的运行环境的环境定义参数；
保存模块，用于将所述自定义参数保存至预设的第一数据库表中，并建立所述自定义参数与预设算子之间的第一对应关系；
第二获取模块，用于获取与所述预设算子关联的预设脚本文件；其中，所述预设脚本文件至少包含有关于使用预设算子进行数据处理的数据处理规则；
打包模块，用于打包所述预设算子和预设脚本文件，得到对应的预设算法包；
上传模块，用于将所述预设算法包上传并保存至机器学习平台的传输节点，以便用户在机器学习平台上调取和使用预设算法包。
12.一种服务器，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至10中任一项所述方法的步骤。
13.一种计算机存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至10中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912098.8A CN113610242A (zh) | 2021-08-10 | 2021-08-10 | 数据处理方法、装置和服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110912098.8A CN113610242A (zh) | 2021-08-10 | 2021-08-10 | 数据处理方法、装置和服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113610242A true CN113610242A (zh) | 2021-11-05 |
Family
ID=78307875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110912098.8A Pending CN113610242A (zh) | 2021-08-10 | 2021-08-10 | 数据处理方法、装置和服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610242A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116360891A (zh) * | 2023-04-03 | 2023-06-30 | 北京柏睿数据技术股份有限公司 | 一种可视化人工智能建模的算子自定义的方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107943945A (zh) * | 2017-11-24 | 2018-04-20 | 清华大学 | 一种大数据分析开发平台中异构算子管理方法 |
| CN111784000A (zh) * | 2020-07-16 | 2020-10-16 | 矩阵元技术（深圳）有限公司 | 数据处理方法、装置和服务器 |
| CN112099800A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 代码数据的处理方法、装置和服务器 |
| WO2021088909A1 (zh) * | 2019-11-06 | 2021-05-14 | 第四范式（北京）技术有限公司 | 辅助算子开发的方法和系统 |
| CN112925514A (zh) * | 2021-02-25 | 2021-06-08 | 浪潮云信息技术股份公司 | 一种机器学习平台扩展自定义算法组件的方法 |
| WO2021109928A1 (zh) * | 2019-12-04 | 2021-06-10 | 第四范式（北京）技术有限公司 | 机器学习方案模板的创建方法、使用方法及装置 |
-
2021
- 2021-08-10 CN CN202110912098.8A patent/CN113610242A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107943945A (zh) * | 2017-11-24 | 2018-04-20 | 清华大学 | 一种大数据分析开发平台中异构算子管理方法 |
| WO2021088909A1 (zh) * | 2019-11-06 | 2021-05-14 | 第四范式（北京）技术有限公司 | 辅助算子开发的方法和系统 |
| WO2021109928A1 (zh) * | 2019-12-04 | 2021-06-10 | 第四范式（北京）技术有限公司 | 机器学习方案模板的创建方法、使用方法及装置 |
| CN111784000A (zh) * | 2020-07-16 | 2020-10-16 | 矩阵元技术（深圳）有限公司 | 数据处理方法、装置和服务器 |
| CN112099800A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 代码数据的处理方法、装置和服务器 |
| CN112925514A (zh) * | 2021-02-25 | 2021-06-08 | 浪潮云信息技术股份公司 | 一种机器学习平台扩展自定义算法组件的方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116360891A (zh) * | 2023-04-03 | 2023-06-30 | 北京柏睿数据技术股份有限公司 | 一种可视化人工智能建模的算子自定义的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109302522B (zh) | 测试方法、装置以及计算机系统和介质 | |
| US11934301B2 (en) | System and method for automated software testing | |
| CN109542791B (zh) | 一种基于容器技术的程序大规模并发评测方法 | |
| US20210081308A1 (en) | Generating automated tests based on user interaction with an application | |
| CN110046101B (zh) | 页面自动化测试方法、装置及计算机存储介质 | |
| US20130263090A1 (en) | System and method for automated testing | |
| CN109885624B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| US20150319071A1 (en) | System for providing test environments for executing and analysing test routines | |
| CN110347085B (zh) | 自动化测试系统、方法、车辆以及计算机可读介质 | |
| CN109977022B (zh) | 游戏资源的检查方法、装置、系统及存储介质 | |
| CN110750458A (zh) | 大数据平台测试方法、装置、可读存储介质及电子设备 | |
| CN113435608B (zh) | 联邦学习模型的生成方法、装置、计算机设备及存储介质 | |
| CN112241360A (zh) | 一种测试用例生成方法、装置、设备及存储介质 | |
| CN105045602A (zh) | 一种构建Hadoop应用开发框架的方法、装置及电子装置 | |
| CN111651352B (zh) | 一种仓库代码的合并方法及装置 | |
| CN117370203B (zh) | 自动化测试方法、系统、电子设备及存储介质 | |
| CN110647471A (zh) | 接口测试用例生成方法、电子装置及存储介质 | |
| CN112463588A (zh) | 一种自动化测试系统及方法、存储介质、计算设备 | |
| CN108460068A (zh) | 报表导入导出的方法、装置、存储介质及终端 | |
| WO2022140650A2 (en) | Systems and methods for building and deploying machine learning applications | |
| US10310962B2 (en) | Infrastructure rule generation | |
| CN113610242A (zh) | 数据处理方法、装置和服务器 | |
| CN114297961A (zh) | 一种芯片测试用例处理方法及相关装置 | |
| CN112433953A (zh) | 基于网络游戏客户端的嵌入式自动化测试方法、装置、设备及介质 | |
| US20130283238A1 (en) | Testing system for an integrated software system |
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 |