CN113657597B - Ai训练测试网站架构系统及ai训练测试方法 - Google Patents

Ai训练测试网站架构系统及ai训练测试方法 Download PDF

Info

Publication number
CN113657597B
CN113657597B CN202110798254.2A CN202110798254A CN113657597B CN 113657597 B CN113657597 B CN 113657597B CN 202110798254 A CN202110798254 A CN 202110798254A CN 113657597 B CN113657597 B CN 113657597B
Authority
CN
China
Prior art keywords
platform
file
model
module
algorithm
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
Application number
CN202110798254.2A
Other languages
English (en)
Other versions
CN113657597A (zh
Inventor
李龙龙
萧文远
谈加西
陈朋芳
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.)
Bouffalo Lab Nanjing Co ltd
Original Assignee
Bouffalo Lab Nanjing Co 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 Bouffalo Lab Nanjing Co ltd filed Critical Bouffalo Lab Nanjing Co ltd
Priority to CN202110798254.2A priority Critical patent/CN113657597B/zh
Publication of CN113657597A publication Critical patent/CN113657597A/zh
Application granted granted Critical
Publication of CN113657597B publication Critical patent/CN113657597B/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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G06N3/105—Shells for specifying net layout
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3664—Environments for testing or debugging software
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • G06F9/544—Buffers; Shared memory; Pipes
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5018—Thread allocation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明揭示了一种AI训练测试网站架构系统及AI训练测试方法，所述AI训练测试网站架构系统包括前端及后端；所述前端包含模型网络结构展示模块、AI平台转通用平台模块、算法优化器、网络结构和算法验证模块；所述后端包含文件接收模块、文件处理模块、模型网络结构生成模块、AI平台模型转通用平台模型模块、算法优化模块、模型及算法运行验证模块。本发明提出的AI训练测试网站架构系统及AI训练测试方法，可提高生产效率，节约成本。

Description

AI训练测试网站架构系统及AI训练测试方法
技术领域
本发明属于人工智能技术领域，涉及一种人工智能训练测试系统，尤其涉及一种AI训练测试网站架构系统及AI训练测试方法。
背景技术
在AI(人工智能，Artificial Intelligence)越来越重要的时代，各个领域都趋于智能化。然而，对于应用人员的技术要求比较高，且AI平台种类多，各平台间转换复杂，运行资源成本高。
对于初学者而言，难点在于建立模型，在当下的AI平台中，必须了解选择的AI平台操作方式才能以代码方式建立或修改模型。如今缺少一个既可以降低应用人员技术要求又可以支持多AI平台转换，同时可以支持算法优化的平台。
有鉴于此，如今迫切需要设计一种新的AI平台，以便克服现有AI平台存在的上述至少部分缺陷。
发明内容
本发明提供一种AI训练测试网站架构系统及AI训练测试方法，可提高生产效率，节约成本。
为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：
一种AI训练测试网站架构系统，所述AI训练测试网站架构系统包括：前端及后端；
所述前端包含模型网络结构展示模块、AI平台转通用平台模块、算法优化器、网络结构和算法验证模块；
所述后端包含文件接收模块、文件处理模块、模型网络结构生成模块、AI平台模型转通用平台模型模块、算法优化模块、模型及算法运行验证模块；
所述模型网络结构展示模块用于将神经网络相关文件内容的网络结构可视化展示在前端；所述模型网络结构展示模块属于前端的功能模块，包含AI平台选择、神经网络文件上传、启动可视化展示功能、神经网络文件模型可视化页面功能；模型网络结构展示模块经过与后端的交互，获得后端模型网络结构服务的启停状态，从而主动访问实现网络结构可视化；
所述AI平台转通用平台模块用于将各AI平台神经网络相关文件转化为通用平台相关文件；所述AI平台转通用平台模块属于前端的功能模块，包含AI平台选择、神经网络文件上传、启动选中平台相关文件转通用平台文件功能、启动通用平台文件可视化展示功能、神经网络文件模型可视化页面、通用平台文件下载功能；AI平台转通用平台模块将相关文件传送给后端后发送转化指令，等待接收后端的转化状态，直至转化成功后，开启下载转化后通用平台模型文件功能；在上传的神经网络模型文件中，通过神经网络文件模型可视化页面，用户可以通过移动、修改、删除、增加可视化页面中模型的部分，来达到修改神经网络模型的目的，使得用户能快速实现模型的改变；
所述算法优化器用于将神经网络相关文件运行时的算法进行优化；所述算法优化器属于前端的功能模块，包含AI平台选择、神经网络文件上传、启动不同模式优化算法入口、优化过程和进度展示功能；算法优化器上传文件后，主动发送优化指令给后端，并启动监控窗口，实时监控后端算法优化过程及状态；
所述网络结构和算法验证模块用于验证神经网络相关文件的运行结果；所述网络结构和算法验证模块属于前端的功能模块，包含AI平台选择、神经网络文件上传、验证文件上传、启动不同模式验证入口、运行状态过程监听功能；网络结构和算法验证模块启动后，主动启动监控窗口，实时监控后端模型运行的过程，并实时获取返回信息，进度条实时显示后端模型运行进度，直至运行结束，监控窗口即时显示运行后的结果；修改后的神经网络模型文件，经过BLAI平台原有的或上传的数据集训练测试，并在该模块中运行验证，将大幅度减少AI修改神经网络模型文件的门槛；
所述文件接收模块用于接收前端上传的文件；所述文件接收模块属于后端的功能模块，包含文件接收功能；
所述文件处理模块用于处理前端上传的文件；所述文件处理模块属于后端的功能模块，根据前端选中的不同平台和功能对文件进行处理，包含文件处理、文件存储功能；文件处理模块获取用户的登录账号、平台类型等信息，根据前端发送的不同指令处理文化并根据获取的信息存储在相应位置；
所述模型网络结构生成模块用于将文件转化为可视化网络结构；所述模型网络结构生成模块属于后端的功能模块，主要包含启动模型网络结构服务、文件转可视化网络结构功能；
所述AI平台模型转通用平台模型模块用于将选中的AI平台相关文件转换为通用平台的文件格式；所述AI平台模型转通用平台模型模块属于后端的功能模块，主要包含AI平台识别、AI平台转换功能；AI平台模型转通用平台模型模块中，后端接收前端发送的参数，包含AI平台类型、AI平台模型文件类型、转换后通用模型命名等参数，后端根据获得的参数将相关文件调用不同的转换模块转换，再通过获取的转特定平台参数将转换后的通用模型转换成特定平台的模型；
所述算法优化模块用于优化运行AI相关文件时的算法，提升运行速度；所述算法优化模块属于后端的功能模块，主要包含算法优化功能；在算法优化模块中，支持三种优化算法，包含常规优化算法和自研的算法，模型在运行验证模块之前经过算法优化模块实现模型精度的优化，从而提高模型的精度和运行的速度；
所述模型及算法运行验证模块用于验证上传的神经网络相关文件；所述模型及算法运行验证模块属于后端的功能模块，主要包含启动基层运行平台、参数传递、结果反馈功能；在模型及算法运行验证模块，支持模型及算法运行过程的实时监听及与前端相应模块的实时交互，运行结束后生成的结果实时反馈给前端相应模块，使得前端能准确监控运行过程，提高互动性。
作为本发明的一种实施方式，前端及后端交互采用三次握手和websocket架构，实时交互主要采用websocket架构。
作为本发明的一种实施方式，采用三次握手的架构能够确保后端收到并处理了相关文件后再启动websocket，采用websocket架构主要能够实现前后端全双工模式实时通信，解决后端服务不能主动向前端反馈实时信息的问题，确保用户实时监控运行信息。
根据本发明的另一个方面，采用如下技术方案：一种AI训练测试方法，所述AI训练测试方法包括：
步骤A、模型网络结构展示步骤，包括：
步骤A1：前端选择平台上传神经网络相关文件传送给后端；
步骤A2：后端接收文件后保存并启动模型网络结构可视化服务；
步骤A3：后端返回启动状态给前端，前端地址重定向访问模型网络结构可视化服务，从而实现模型网络结构展示；
步骤B、AI平台转通用平台步骤，包括：
步骤B1：前端选择平台上传神经网络相关文件；
步骤B2：修改神经网络模型文件；
步骤B3：传送给后端，后端接收文件后保存；
步骤B4：后端获取转化参数；
步骤B5：将该AI平台的相关文件转化为通用平台的相关文件，返回状态给前端；
步骤B6：前端接收状态后提供下载功能模块；
步骤B7：前端选择转化特定平台模型；
步骤B8：后端获取前端发送的信号将通用平台模型文件转化为特定平台模型文件，返回状态给前端；
步骤B9：前端接收状态后提供下载特定平台模型文件功能模块；
步骤C、算法优化步骤，包括：
步骤C1：前端选择平台上传神经网络相关文件传送给后端；
步骤C2：后端接收文件后保存并返回状态给前端；
步骤C3：前端接收状态后启动全双工通信模式websocket并根据实际精度或速度需求选择不同的优化算法发送选定算法的运行标识；
步骤C4：后端接收运行标识后启动基层运行优化器，前后端通过三次握手的方式建立全双工通道通信，根据前端传递的算法优化标识，选择不同的优化算法运行，通过websocket实时通信监控运行状态，进度条实时显示后端算法优化进度；
步骤D、网络结构和算法验证步骤，包括：
步骤D1：前端选择平台上传神经网络相关文件传送给后端；
步骤D2：后端接收文件后保存并返回状态给前端；
步骤D3：前端接收状态后启动全双工通信模式websocket并发送运行标识及其他运行参数；
步骤D4：后端接收运行标识和运行参数，根据接收到的运行参数后端启动基层运行网络结构和算法验证器，前后端通过三次握手的方式建立全双工通道通信，运行过程中实时将运行状态通过websocket传送给前端，前端进度条实时显示后端基层算法验证进度信息，运行结束后将产生的运行结果实时返回前端进行展示。
作为本发明的一种实施方式，上述AI训练测试网站架构方法，前后端通过三次握手的方式建立全双工通信通道，实现运行过程与结果实时化显示，后端使用分布式多线程架构，可以实现多用户同时访问AI验证网站运行AI验证展示功能；
通过这种架构，实现网站展示神经网络算法模型可视化网络结构和神经网络算法实时运行过程的监控及运行结果的验证展示。
根据本发明的又一个方面，采用如下技术方案：一种AI训练测试网站架构系统，所述AI训练测试网站架构系统包括：前端及后端；
所述前端包含模型网络结构展示模块、AI平台转通用平台模块、算法优化器、网络结构和算法验证模块；
所述后端包含文件接收模块、文件处理模块、模型网络结构生成模块、AI平台模型转通用平台模型模块、算法优化模块、模型及算法运行验证模块；
所述模型网络结构展示模块用于将神经网络相关文件内容的网络结构可视化展示在前端；
所述AI平台转通用平台模块用于将各AI平台神经网络相关文件转化为通用平台相关文件；
所述算法优化器用于将神经网络相关文件运行时的算法进行优化；
所述网络结构和算法验证模块用于验证神经网络相关文件的运行结果；
所述文件接收模块用于接收前端上传的文件；
所述文件处理模块用于处理前端上传的文件；
所述模型网络结构生成模块用于将文件转化为可视化网络结构；
所述AI平台模型转通用平台模型模块用于将选中的AI平台相关文件转换为通用平台的文件格式；
所述算法优化模块用于优化运行AI相关文件时的算法，提升运行速度；
所述模型及算法运行验证模块用于验证上传的神经网络相关文件。
根据本发明的又一个方面，采用如下技术方案：一种AI训练测试方法，所述AI训练测试方法包括：
步骤A、模型网络结构展示步骤；将神经网络相关文件内容的网络结构进行可视化展示；
步骤B、AI平台转通用平台步骤；将该AI平台的相关文件转化为通用平台的相关文件；
步骤C、算法优化步骤；将神经网络相关文件运行时的算法进行优化；
步骤D、网络结构和算法验证步骤；验证神经网络相关文件的运行结果。
作为本发明的一种实施方式，所述步骤A包括：
步骤A1：前端选择平台上传神经网络相关文件传送给后端；
步骤A2：后端接收文件后保存并启动模型网络结构可视化服务；
步骤A3：后端返回启动状态给前端，前端地址重定向访问模型网络结构可视化服务，从而实现模型网络结构展示；
所述步骤B包括：
步骤B1：前端选择平台上传神经网络相关文件；
步骤B2：修改神经网络模型文件；
步骤B3：传送给后端，后端接收文件后保存；
步骤B4：后端获取转化参数；
步骤B5：将该AI平台的相关文件转化为通用平台的相关文件，返回状态给前端；
步骤B6：前端接收状态后提供下载功能模块；
步骤B7：前端选择转化特定平台模型；
步骤B8：后端获取前端发送的信号将通用平台模型文件转化为特定平台模型文件，返回状态给前端；
步骤B9：前端接收状态后提供下载特定平台模型文件功能模块。
作为本发明的一种实施方式，所述步骤C包括：
步骤C1：前端选择平台上传神经网络相关文件传送给后端；
步骤C2：后端接收文件后保存并返回状态给前端；
步骤C3：前端接收状态后启动全双工通信模式websocket并根据实际精度或速度需求选择不同的优化算法发送选定算法的运行标识；
步骤C4：后端接收运行标识后启动基层运行优化器，前后端通过三次握手的方式建立全双工通道通信，根据前端传递的算法优化标识，选择不同的优化算法运行，通过websocket实时通信监控运行状态，进度条实时显示后端算法优化进度；
所述步骤D包括：
步骤D1：前端选择平台上传神经网络相关文件传送给后端；
步骤D2：后端接收文件后保存并返回状态给前端；
步骤D3：前端接收状态后启动全双工通信模式websocket并发送运行标识及其他运行参数；
步骤D4：后端接收运行标识和运行参数，根据接收到的运行参数后端启动基层运行网络结构和算法验证器，前后端通过三次握手的方式建立全双工通道通信，运行过程中实时将运行状态通过websocket传送给前端，前端进度条实时显示后端基层算法验证进度信息，运行结束后将产生的运行结果实时返回前端进行展示。
根据本发明的又一个方面，采用如下技术方案：一种AI训练测试网站架构系统，所述AI训练测试网站架构系统包括：前端及后端；
所述前端包含模型网络结构展示模块、AI平台转通用平台模块、算法优化器、网络结构和算法验证模块；
所述后端包含文件接收模块、文件处理模块、模型网络结构生成模块、AI平台模型转通用平台模型模块、算法优化模块、模型及算法运行验证模块。
本发明的有益效果在于：本发明提出的AI训练测试网站架构系统及AI训练测试方法，可提高生产效率，节约成本。
本发明中后台部署在高性能服务器上，解决了小客户或者个人自己部署服务器成本较高的问题，可以使得小客户或个人实现低成本实现AI算法验证。本发明针对于应用人员较高技术要求的问题，实现了对应用人员技术要求的降低，促进AI人才的发展。
本发明实现了多种AI平台转化通用平台格式，降低了客户AI平台迁移其他AI平台成本。本发明可以有效实现对神经网络算法训练后的结果的验证，省时省力，提高生产效率，节约成本。相比于现有的tengine convert tool工具，BLAI增加了算法优化与执行的部分、运行过程与结果的监听部分，形成了一套完整的集模型转化、模型执行等过程的完整体系，可部署在多操作系统上，不受操作系统的局限。BLAI可以将多种模型最终转化为BLAI独有的模型文件，运行过程中可大大加快运算过程，提升运算准确率。
附图说明
图1为本发明一实施例中AI训练测试网站架构系统的组成示意图。
图2为本发明一实施例中AI训练测试网站架构系统的组成示意图。
图3为本发明一实施例中AI训练测试方法的流程图。
图4为本发明一实施例中AI训练测试网站架构方法的流程示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例，本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
说明书中各个实施例中的步骤的表述只是为了方便说明，本申请的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接，也包含间接连接。
本发明揭示了一种AI训练测试网站架构系统，图1、图2为本发明一实施例中AI训练测试网站架构系统的组成示意图；请参阅图1、图2，所述AI训练测试网站架构系统包括：前端1及后端2。所述前端1包含模型网络结构展示模块101、AI平台转通用平台模块102、算法优化器103、网络结构和算法验证模块104；所述后端2包含文件接收模块201、文件处理模块202、模型网络结构生成模块203、AI平台模型转通用平台模型模块204、算法优化模块205、模型及算法运行验证模块206。
所述模型网络结构展示模块101用于将神经网络相关文件内容的网络结构可视化展示在前端；所述模型网络结构展示模块101属于前端的功能模块，包含AI平台选择、神经网络文件上传、启动可视化展示功能、神经网络文件模型可视化页面功能。模型网络结构展示模块经过与后端的交互，获得后端模型网络结构服务的启停状态，从而主动访问实现网络结构可视化。
所述AI平台转通用平台模块102用于将各AI平台神经网络相关文件转化为通用平台相关文件；所述AI平台转通用平台模块102属于前端的功能模块，包含AI平台选择、神经网络文件上传、启动选中平台相关文件转通用平台文件功能、启动通用平台文件可视化展示功能、神经网络文件模型可视化页面、通用平台文件下载功能。AI平台转通用平台模块将相关文件传送给后端后发送转化指令，等待接收后端的转化状态，直至转化成功后，开启下载转化后通用平台模型文件功能。在上传的神经网络模型文件中，通过神经网络文件模型可视化页面，用户可以通过移动、修改、删除、增加可视化页面中模型的部分，来达到修改神经网络模型的目的，使得用户能快速实现模型的改变。
所述算法优化器103用于将神经网络相关文件运行时的算法进行优化；所述算法优化器属于前端的功能模块，包含AI平台选择、神经网络文件上传、启动不同模式优化算法入口、优化过程和进度展示功能。算法优化器上传文件后，主动发送优化指令给后端，并启动监控窗口，实时监控后端算法优化过程及状态。
所述网络结构和算法验证模块104用于验证神经网络相关文件的运行结果；所述网络结构和算法验证模块104属于前端的功能模块，包含AI平台选择、神经网络文件上传、验证文件上传、启动不同模式验证入口、运行状态过程监听功能。网络结构和算法验证模块104启动后，主动启动监控窗口，实时监控后端模型运行的过程，并实时获取返回信息，进度条实时显示后端模型运行进度，直至运行结束，监控窗口即时显示运行后的结果。修改后的神经网络模型文件，经过BLAI平台原有的或上传的数据集训练测试，并在该模块中运行验证，将大幅度减少AI修改神经网络模型文件的门槛。
所述文件接收模块201用于接收前端上传的文件；所述文件接收模块属于后端的功能模块，包含文件接收功能。
所述文件处理模块202用于处理前端上传的文件；所述文件处理模块属于后端的功能模块，根据前端选中的不同平台和功能对文件进行处理，包含文件处理、文件存储功能。文件处理模块202获取用户的登录账号、平台类型等信息，根据前端发送的不同指令处理文化并根据获取的信息存储在相应位置。
所述模型网络结构生成模块203用于将文件转化为可视化网络结构；所述模型网络结构生成模块属于后端的功能模块，主要包含启动模型网络结构服务、文件转可视化网络结构功能。
所述AI平台模型转通用平台模型模块204用于将选中的AI平台相关文件转换为通用平台的文件格式；所述AI平台模型转通用平台模型模块属于后端的功能模块，主要包含AI平台识别、AI平台转换功能。AI平台模型转通用平台模型模块204中，后端接收前端发送的参数，包含AI平台类型、AI平台模型文件类型、转换后通用模型命名等参数，后端根据获得的参数将相关文件调用不同的转换模块转换，再通过获取的转特定平台参数将转换后的通用模型转换成特定平台的模型。
所述算法优化模块205用于优化运行AI相关文件时的算法，提升运行速度；所述算法优化模块属于后端的功能模块，主要包含算法优化功能。在算法优化模块205中，支持三种优化算法，包含常规优化算法和自研的算法，模型在运行验证模块之前经过算法优化模块实现模型精度的优化，从而提高模型的精度和运行的速度。
所述模型及算法运行验证模块206用于验证上传的神经网络相关文件；所述模型及算法运行验证模块206属于后端的功能模块，主要包含启动基层运行平台、参数传递、结果反馈功能。模型及算法运行验证模块206支持模型及算法运行过程的实时监听及与前端相应模块的实时交互，运行结束后生成的结果实时反馈给前端相应模块，使得前端能准确监控运行过程，提高互动性。
在本发明的一实施例中，前端及后端交互采用三次握手和websocket架构，实时交互主要采用websocket架构。
在本发明的一实施例中，采用三次握手的架构能够确保后端收到并处理了相关文件后再启动websocket，采用websocket架构主要能够实现前后端全双工模式实时通信，解决后端服务不能主动向前端反馈实时信息的问题，确保用户实时监控运行信息。
本发明还揭示一种AI训练测试方法，图3、图4揭示了本发明一实施例中AI训练测试方法的流程；请参阅图3、图4，所述AI训练测试方法包括：
【步骤A】模型网络结构展示步骤；将神经网络相关文件内容的网络结构进行可视化展示。
在一实施例中，所述步骤A包括：
步骤A1：前端选择平台上传神经网络相关文件传送给后端；
步骤A2：后端接收文件后保存并启动模型网络结构可视化服务；
步骤A3：后端返回启动状态给前端，前端地址重定向访问模型网络结构可视化服务，从而实现模型网络结构展示；
【步骤B】AI平台转通用平台步骤；将该AI平台的相关文件转化为通用平台的相关文件。
在一实施例中，所述步骤B包括：
步骤B1：前端选择平台上传神经网络相关文件传送给后端；
步骤B2：修改神经网络模型文件；
步骤B3：后端接收文件后保存；
步骤B4：后端获取转化参数；
步骤B5：将该AI平台的相关文件转化为通用平台的相关文件，返回状态给前端；
步骤B6：前端接收状态后提供下载功能模块；
步骤B7：前端选择转化特定平台模型；
步骤B8：后端获取前端发送的信号将通用平台模型文件转化为特定平台模型文件，返回状态给前端；
步骤B9：前端接收状态后提供下载特定平台模型文件功能模块；
【步骤C】算法优化步骤；将神经网络相关文件运行时的算法进行优化。
在一实施例中，所述步骤C包括：
步骤C1：前端选择平台上传神经网络相关文件传送给后端；
步骤C2：后端接收文件后保存并返回状态给前端；
步骤C3：前端接收状态后启动全双工通信模式websocket并根据实际精度或速度需求选择不同的优化算法发送选定算法的运行标识；
步骤C4：后端接收运行标识后启动基层运行优化器，前后端通过三次握手的方式建立全双工通道通信，根据前端传递的算法优化标识，选择不同的优化算法运行，通过websocket实时通信监控运行状态，进度条实时显示后端算法优化进度；
【步骤D】网络结构和算法验证步骤；验证神经网络相关文件的运行结果。
在一实施例中，所述步骤D包括：
步骤D1：前端选择平台上传神经网络相关文件传送给后端；
步骤D2：后端接收文件后保存并返回状态给前端；
步骤D3：前端接收状态后启动全双工通信模式websocket并发送运行标识及其他运行参数；
步骤D4：后端接收运行标识和运行参数，根据接收到的运行参数后端启动基层运行网络结构和算法验证器，前后端通过三次握手的方式建立全双工通道通信，运行过程中实时将运行状态通过websocket传送给前端，前端进度条实时显示后端基层算法验证进度信息，运行结束后将产生的运行结果实时返回前端进行展示。
在本发明的一实施例中，前后端通过三次握手的方式建立全双工通信通道，实现运行过程与结果实时化显示，后端使用分布式多线程架构，可以实现多用户同时访问AI验证网站运行AI验证展示功能。通过这种架构，实现网站展示神经网络算法模型可视化网络结构和神经网络算法实时运行过程的监控及运行结果的验证展示。
在本发明的另一实施例中，所述AI训练测试方法包括：
模型网络结构展示步骤，前端选择平台上传神经网络相关文件传送给后端，后端接收文件后保存并启动模型网络结构可视化服务，后端返回启动状态给前端，前端地址重定向访问模型网络结构可视化服务，从而实现模型网络结构展示；
AI平台转通用平台步骤，前端选择平台上传神经网络相关文件传送给后端，后端接收文件后保存并将该AI平台的相关文件转化为通用平台的相关文件，返回状态给前端，前端接收状态后提供下载功能模块；
算法优化步骤，前端选择平台上传神经网络相关文件传送给后端，后端接收文件后保存并返回状态给前端，前端接收状态后启动全双工通信模式websocket并发送运行标识，后端接收运行标识后启动基层运行优化器，前后端通过三次握手的方式建立全双工通道通信，通过websocket实时通信监控运行状态；
网络结构和算法验证步骤，前端选择平台上传神经网络相关文件传送给后端，后端接收文件后保存并返回状态给前端，前端接收状态后启动全双工通信模式websocket并发送运行标识后端接收运行标识后启动基层运行网络结构和算法验证器，前后端通过三次握手的方式建立全双工通道通信，运行过程中实时将运行状态通过websocket传送给前端，运行结束后将产生的运行结果返回前端进行展示。
AI训练测试网站平台技术原理是，前端页面上传神经网络相关文件，经过数据发送方法发送文件数据，从而后台接收并存储文件数据，并在启动服务后返回状态，前端接收状态后访问服务或启动全双工模式访问后台，后台实时返回运行过程与验证结果，后台采用分布式技术。
AI训练测试平台实现了模型网络结构展示、多种AI平台转通用平台、算法运行性能优化、网络结构和算法功能验证等功能，使用三次握手和实时化通信结构实现了网络展示、平台格式转化、算法优化和运行的有机结合。一个典型的AI训练测试网站架构应用场景是验证测试AI训练结果。
综上所述，本发明提出的AI训练测试网站架构系统及AI训练测试方法，可提高生产效率，节约成本。
本发明中后台部署在高性能服务器上，解决了小客户或者个人自己部署服务器成本较高的问题，可以使得小客户或个人实现低成本实现AI算法验证。本发明针对于应用人员较高技术要求的问题，实现了对应用人员技术要求的降低，促进AI人才的发展。本发明实现了多种AI平台转化通用平台格式，降低了客户AI平台迁移其他AI平台成本。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施；例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中；例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现；例如，作为与处理器配合从而执行各个步骤或功能的电路。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现，对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (5)

1.一种AI训练测试网站架构系统，其特征在于，所述AI训练测试网站架构系统包括：前端及后端；
所述前端包含模型网络结构展示模块、AI平台转通用平台模块、算法优化器、网络结构和算法验证模块；
所述后端包含文件接收模块、文件处理模块、模型网络结构生成模块、AI平台模型转通用平台模型模块、算法优化模块、模型及算法运行验证模块；
所述模型网络结构展示模块用于将神经网络相关文件内容的网络结构可视化展示在前端；所述模型网络结构展示模块属于前端的功能模块，包含AI平台选择、神经网络文件上传、启动可视化展示功能、神经网络文件模型可视化页面功能；模型网络结构展示模块经过与后端的交互，获得后端模型网络结构服务的启停状态，从而主动访问实现网络结构可视化；
所述AI平台转通用平台模块用于将各AI平台神经网络相关文件转化为通用平台相关文件；所述AI平台转通用平台模块属于前端的功能模块，包含AI平台选择、神经网络文件上传、启动选中平台相关文件转通用平台文件功能、启动通用平台文件可视化展示功能、神经网络文件模型可视化页面、通用平台文件下载功能；AI平台转通用平台模块将相关文件传送给后端后发送转化指令，等待接收后端的转化状态，直至转化成功后，开启下载转化后通用平台模型文件功能；在上传的神经网络模型文件中，通过神经网络文件模型可视化页面，用户能通过移动、修改、删除、增加可视化页面中模型的部分，来达到修改神经网络模型的目的，使得用户能快速实现模型的改变；
所述算法优化器用于将神经网络相关文件运行时的算法进行优化；所述算法优化器属于前端的功能模块，包含AI平台选择、神经网络文件上传、启动不同模式优化算法入口、优化过程和进度展示功能；算法优化器上传文件后，主动发送优化指令给后端，并启动监控窗口，实时监控后端算法优化过程及状态；
所述网络结构和算法验证模块用于验证神经网络相关文件的运行结果；所述网络结构和算法验证模块属于前端的功能模块，包含AI平台选择、神经网络文件上传、验证文件上传、启动不同模式验证入口、运行状态过程监听功能；网络结构和算法验证模块启动后，主动启动监控窗口，实时监控后端模型运行的过程，并实时获取返回信息，进度条实时显示后端模型运行进度，直至运行结束，监控窗口即时显示运行后的结果；修改后的神经网络模型文件，经过BLAI平台原有的或上传的数据集训练测试，并在该模块中运行验证，将大幅度减少AI修改神经网络模型文件的门槛；
所述文件接收模块用于接收前端上传的文件；所述文件接收模块属于后端的功能模块，包含文件接收功能；
所述文件处理模块用于处理前端上传的文件；所述文件处理模块属于后端的功能模块，根据前端选中的不同平台和功能对文件进行处理，包含文件处理、文件存储功能；文件处理模块获取用户的登录账号、平台类型等信息，根据前端发送的不同指令处理文化并根据获取的信息存储在相应位置；
所述模型网络结构生成模块用于将文件转化为可视化网络结构；所述模型网络结构生成模块属于后端的功能模块，主要包含启动模型网络结构服务、文件转可视化网络结构功能；
所述AI平台模型转通用平台模型模块用于将选中的AI平台相关文件转换为通用平台的文件格式；所述AI平台模型转通用平台模型模块属于后端的功能模块，主要包含AI平台识别、AI平台转换功能；AI平台模型转通用平台模型模块中，后端接收前端发送的参数，包含AI平台类型、AI平台模型文件类型、转换后通用模型命名等参数，后端根据获得的参数将相关文件调用不同的转换模块转换，再通过获取的转特定平台参数将转换后的通用模型转换成特定平台的模型；
所述算法优化模块用于优化运行AI相关文件时的算法，提升运行速度；所述算法优化模块属于后端的功能模块，主要包含算法优化功能；在算法优化模块中，支持三种优化算法，包含常规优化算法和自研的算法，模型在运行验证模块之前经过算法优化模块实现模型精度的优化，从而提高模型的精度和运行的速度；
所述模型及算法运行验证模块用于验证上传的神经网络相关文件；所述模型及算法运行验证模块属于后端的功能模块，主要包含启动基层运行平台、参数传递、结果反馈功能；在模型及算法运行验证模块，支持模型及算法运行过程的实时监听及与前端相应模块的实时交互，运行结束后生成的结果实时反馈给前端相应模块，使得前端能准确监控运行过程，提高互动性。
2.根据权利要求1所述的AI训练测试网站架构系统，其特征在于：
前端及后端交互采用三次握手和websocket架构，实时交互主要采用websocket架构。
3.根据权利要求1所述的AI训练测试网站架构系统，其特征在于：
采用三次握手的架构能够确保后端收到并处理了相关文件后再启动websocket，采用websocket架构主要能够实现前后端全双工模式实时通信，解决后端服务不能主动向前端反馈实时信息的问题，确保用户实时监控运行信息。
4.一种AI训练测试方法，其特征在于，所述AI训练测试方法包括：
步骤A、模型网络结构展示步骤，包括：
步骤A1：前端选择平台上传神经网络相关文件传送给后端；
步骤A2：后端接收文件后保存并启动模型网络结构可视化服务；
步骤A3：后端返回启动状态给前端，前端地址重定向访问模型网络结构可视化服务，从而实现模型网络结构展示；
步骤B、AI平台转通用平台步骤，包括：
步骤B1：前端选择平台上传神经网络相关文件；
步骤B2：修改神经网络模型文件；
步骤B3：传送给后端，后端接收文件后保存；
步骤B4：后端获取转化参数；
步骤B5：将该AI平台的相关文件转化为通用平台的相关文件，返回状态给前端；
步骤B6：前端接收状态后提供下载功能模块；
步骤B7：前端选择转化特定平台模型；
步骤B8：后端获取前端发送的信号将通用平台模型文件转化为特定平台模型文件，返回状态给前端；
步骤B9：前端接收状态后提供下载特定平台模型文件功能模块；
步骤C、算法优化步骤，包括：
步骤C1：前端选择平台上传神经网络相关文件传送给后端；
步骤C2：后端接收文件后保存并返回状态给前端；
步骤C3：前端接收状态后启动全双工通信模式websocket并根据实际精度或速度需求选择不同的优化算法发送选定算法的运行标识；
步骤C4：后端接收运行标识后启动基层运行优化器，前后端通过三次握手的方式建立全双工通道通信，根据前端传递的算法优化标识，选择不同的优化算法运行，通过websocket实时通信监控运行状态，进度条实时显示后端算法优化进度；
步骤D、网络结构和算法验证步骤，包括：
步骤D1：前端选择平台上传神经网络相关文件传送给后端；
步骤D2：后端接收文件后保存并返回状态给前端；
步骤D3：前端接收状态后启动全双工通信模式websocket并发送运行标识及其他运行参数；
步骤D4：后端接收运行标识和运行参数，根据接收到的运行参数后端启动基层运行网络结构和算法验证器，前后端通过三次握手的方式建立全双工通道通信，运行过程中实时将运行状态通过websocket传送给前端，前端进度条实时显示后端基层算法验证进度信息，运行结束后将产生的运行结果实时返回前端进行展示。
5.根据权利要求4所述的AI训练测试方法，其特征在于：
上述AI训练测试网站架构方法，前后端通过三次握手的方式建立全双工通信通道，实现运行过程与结果实时化显示，后端使用分布式多线程架构，可以实现多用户同时访问AI验证网站运行AI验证展示功能；
通过这种架构，实现网站展示神经网络算法模型可视化网络结构和神经网络算法实时运行过程的监控及运行结果的验证展示。
CN202110798254.2A 2021-07-15 2021-07-15 Ai训练测试网站架构系统及ai训练测试方法 Active CN113657597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110798254.2A CN113657597B (zh) 2021-07-15 2021-07-15 Ai训练测试网站架构系统及ai训练测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110798254.2A CN113657597B (zh) 2021-07-15 2021-07-15 Ai训练测试网站架构系统及ai训练测试方法

Publications (2)

Publication Number Publication Date
CN113657597A CN113657597A (zh) 2021-11-16
CN113657597B true CN113657597B (zh) 2023-07-11

Family

ID=78477414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110798254.2A Active CN113657597B (zh) 2021-07-15 2021-07-15 Ai训练测试网站架构系统及ai训练测试方法

Country Status (1)

Country Link
CN (1) CN113657597B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3671571A1 (en) * 2018-12-20 2020-06-24 Siemens Aktiengesellschaft A method and system for generating an artificial intelligence model
CN112529167A (zh) * 2020-12-25 2021-03-19 东云睿连(武汉)计算技术有限公司 一种神经网络交互式自动训练系统和方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3671571A1 (en) * 2018-12-20 2020-06-24 Siemens Aktiengesellschaft A method and system for generating an artificial intelligence model
CN112529167A (zh) * 2020-12-25 2021-03-19 东云睿连(武汉)计算技术有限公司 一种神经网络交互式自动训练系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
人工智能基础软硬件架构的关键技术研究;杨建;傅明驹;徐国强;;信息技术与网络安全(第03期);全文 *

Also Published As

Publication number Publication date
CN113657597A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN109831506A (zh) 文件上传方法、装置、终端、服务器及可读存储介质
CN113489805B (zh) 一种云桌面系统的对接方法、装置、设备及存储介质
CN1976322A (zh) 一种实现多媒体即时通讯的方法、系统和控制流程
CN108877804A (zh) 语音服务方法、系统、电子设备及存储介质
CN105653597A (zh) 多端同步播放文件的方法和装置
CN102118397B (zh) 一种基于手机的远程会议通信方法和系统
CN110198335A (zh) 消息同步方法及装置、电子设备及存储介质
CN111131487B (zh) 一种深度学习平台容器镜像获取、共享方法及系统
US11803606B2 (en) Device augmentation of real time communications
CN103049244B (zh) 一种传输操作指令的方法及装置
CN113657597B (zh) Ai训练测试网站架构系统及ai训练测试方法
CN116634100B (zh) 一种基于ipc的信息交互方法及系统
CN111143017B (zh) 云操作系统交互处理方法、客户端及云操作系统
CN109286684A (zh) 一种通信连接的处理方法、装置、代理服务器及存储介质
CN103580951B (zh) 多个信息系统的输出比较方法、测试迁移辅助方法及系统
US20220231980A1 (en) Enhancing a social media post with content that is relevant to the audience of the post
CN106911662B (zh) 一种恶意样本养殖高交互转化低交互的系统及方法
CN101336425B (zh) 用于在网络中产生任务的方法和设备
CN105306337A (zh) 基于即时通讯的多人会话文件共享方法、装置和系统
CN111258902B (zh) 基于SockJS服务器的性能测试方法和性能测试系统
CN113114506A (zh) 网络优化方法、服务器及系统
CN107566212B (zh) 一种资源监控管理方法和装置
CN117245645B (zh) 机器人及其控制方法、装置、存储介质
WO2015122194A1 (ja) リアルタイム通信システム、リアルタイム通信装置、リアルタイム通信方法および記録媒体
CN110351105B (zh) 一种抽样配置方法及装置

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