CN113805850A - 基于多种深度学习和机器学习框架的人工智能管理系统 - Google Patents
基于多种深度学习和机器学习框架的人工智能管理系统 Download PDFInfo
- Publication number
- CN113805850A CN113805850A CN202110922329.3A CN202110922329A CN113805850A CN 113805850 A CN113805850 A CN 113805850A CN 202110922329 A CN202110922329 A CN 202110922329A CN 113805850 A CN113805850 A CN 113805850A
- Authority
- CN
- China
- Prior art keywords
- module
- management
- submodule
- model
- data
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000007726 management method Methods 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000013523 data management Methods 0.000 claims abstract description 40
- 238000011161 development Methods 0.000 claims abstract description 23
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 abstract description 7
- 230000008676 import Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000002372 labelling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000003818 cinder Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/362—Software debugging
-
- 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
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to 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
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
-
- 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
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及AI服务开发技术领域,具体涉及一种基于多种深度学习和机器学习框架的人工智能管理系统;包括Notebook模块、数据管理模块、训练任务模块、模型管理模块、在线服务模块和资源管理模块,通过上模块,集数据导入、数据标注、算法开发、模型训练、模型评估、在线部署等功能于一体,可以显著的提升模型开发效率,支持团队快速打造智能业务;资源集中管理,用户一键式申请,完全免除用户搭建环境的时间,显著提升设备使用率以及降低运营成本。
Description
技术领域
本发明涉及AI服务开发技术领域,尤其涉及一种基于多种深度学习和机器学习框架的人工智能管理系统。
背景技术
AI服务开发涉及数据处理、算法开发、模型训练、模型评估、在线部署等多方面内容,如果开发团队只有几个开发人员,又或团队算法科学家居多而缺乏平台开发人员,就会面临因投入大量的工作来支持基础设施,从而分散他们的主要任务,为了提高模型开发效率,降低运营成本,一个针对AI/ML的管理平台也是必不可少的。
现有的AI服务开发的工具多而且分散,所涉及的技术差异大,开发人员需要运维和管理多种软硬件配置,明显降低了模型开发效率以及增加了运营成本。
发明内容
本发明的目的在于提供一种基于多种深度学习和机器学习框架的人工智能管理系统,旨在解决现有技术中AI服务开发的工具多而且分散,所涉及的技术差异大,开发人员需要运维和管理多种软硬件配置,明显降低了模型开发效率以及增加了运营成本的技术问题。
为实现上述目的,本发明提供了一种基于多种深度学习和机器学习框架的人工智能管理系统,所述基于多种深度学习和机器学习框架的人工智能管理系统包括Notebook模块、数据管理模块、训练任务模块、模型管理模块、在线服务模块和资源管理模块,所述Notebook模块用于开始开发机器的学习任务,所述数据管理模块与所述Notebook模块连接,并负责整个系统的文件存储与管理,所述训练任务模块与所述数据管理模块连接,并支持在线进行多种框架的模型训练,所述模型管理模块与所述训练任务模块连接,并用于模型集和模型文件的管理,所述在线服务模块与所述模型管理模块连接,并对模型管理中的模型进行服务化,所述资源管理模块与所述在线服务模块连接,并将物理资源传输至云端,且进行用户资源使用统计。
其中,所述Notebook模块包括第一前端UI子模块和JupyerLab子模块,所述第一前端UI子模块分别与所述数据管理模块和所述资源管理模块连接,所述第一前端UI子模块持用户基于web完成层的创建、查询、删除、修改、启动和停止,并将命令传输至所述数据管理模块和所述资源管理模块;所述JupyerLab子模块与所述数据管理模块连接,并提供基于web的在线开发能力。
其中,所述数据管理包括文件管理子模块和数据集管理子模块,所述文件管理子模块与所述第一前端UI子模块连接,所述文件管理子模块支持三种存储类型,分别为本地存储、对象存储和云硬盘;所述数据集管理子模块与所述文件管理子模块连接,所述数据集管理子模块支持数据集的创建和编辑。
其中,所述数据管理还包括团队标注子模块,所述团队标注子模块与所述文件管理子模块连接,所述团队标注子模块用于标注团队和标注任务的管理。
其中,所述训练任务模块包括第二前端UI子模块和MLNeuron子模块和Tensorboard子模块,所述第二前端UI子模块与所述数据管理模块连接,并用于输入训练任务的请求命令,以及提供训练任务的版本化管理;所述MLNeuron子模块与所述第二前端UI子模块连接,所述MLNeuron子模块根据请求命令构建mlneuron CRD并生成job;所述Tensorboard子模块与所述第二前端UI子模块连接,所述Tensorboard子模块根据请求命令将配置信息发送给所述资源管理模块,并创建训练任务对应的Tensorboard容器。
其中,所述模型管理模块包括模型集管理子模块和模型文件管理子模块,所述模型集管理子模块与所述训练任务模块连接,所述模型集管理子模块支持模型集的创建和编辑;所述模型文件管理子模块与所述训练任务模块连接,所述模型文件管理子模块获取数据管理或者训练任务输出的模型文件。
本发明的一种基于多种深度学习和机器学习框架的人工智能管理系统,集数据导入、数据标注、算法开发、模型训练、模型评估、在线部署等功能于一体,可以显著的提升模型开发效率,支持团队快速打造智能业务;资源集中管理,用户一键式申请,完全免除用户搭建环境的时间,显著提升设备使用率以及降低运营成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明提供的基于多种深度学习和机器学习框架的人工智能管理系统的运行原理图。
图2是本发明提供的Notebook模块的运行原理图。
图3是本发明提供的数据管理模块的运行原理图。
图4是本发明提供的模型管理模块的运行原理图。
图5是本发明提供的资源管理模块的运行原理图。
具体实施方式
请参阅图1至图5,本发明提供一种基于多种深度学习和机器学习框架的人工智能管理系统,所述基于多种深度学习和机器学习框架的人工智能管理系统包括Notebook模块、数据管理模块、训练任务模块、模型管理模块、在线服务模块和资源管理模块,所述Notebook模块用于开始开发机器的学习任务,所述数据管理模块与所述Notebook模块连接,并负责整个系统的文件存储与管理,所述训练任务模块与所述数据管理模块连接,并支持在线进行多种框架的模型训练,所述模型管理模块与所述训练任务模块连接,并用于模型集和模型文件的管理,所述在线服务模块与所述模型管理模块连接,并对模型管理中的模型进行服务化,所述资源管理模块与所述在线服务模块连接,并将物理资源传输至云端,且进行用户资源使用统计。
在本实施方式中,所述基于多种深度学习和机器学习框架的人工智能管理系统采用以下业务流程:
在线标注:用户上传数据集后,可以创建标注任务,支持多人协同完成数据集标注,支持的数据包括图像、声音、文本等
训练数据存储:用户可以将训练数据与脚本上传至平台,支持S3、Cinder、GlusterFS等多种本地存储与网络存储
在线调试:用户一键式申请Jupyter Lab环境,内置多种常用框架和算法,支持用户边调试边运行
模型训练:用户可一键发起训练任务,支持多种机器学习/深度学习框架。
通过所述Notebook模块、所述数据管理模块、所述训练任务模块、所述模型管理模块、所述在线服务模块和所述资源管理模块,形成的所述基于多种深度学习和机器学习框架的人工智能系统,集数据导入、数据标注、算法开发、模型训练、模型评估、在线部署等功能于一体,可以显著的提升模型开发效率,支持团队快速打造智能业务;资源集中管理,用户一键式申请,完全免除用户搭建环境的时间,显著提升设备使用率以及降低运营成本。
进一步的,所述Notebook模块包括第一前端UI子模块和JupyerLab子模块,所述第一前端UI子模块分别与所述数据管理模块和所述资源管理模块连接,所述第一前端UI子模块持用户基于web完成层的创建、查询、删除、修改、启动和停止,并将命令传输至所述数据管理模块和所述资源管理模块;所述JupyerLab子模块与所述数据管理模块连接,并提供基于web的在线开发能力。
在本实施方式中,所述第一前端UI子模块支持用户基于web完成层的创建、查询、删除、修改、启动、停止等操作,前端接收命令后将相关操作分别提交到所述资源管理模块与所述数据管理模块进行处理;所述JupyerLab子模块提供基于web的在线开发能力,用户可以选择所需的开发镜像并进行编码与调试工作,所产生的代码与数据均自动保存在所述数据管理模块中。
进一步的,所述数据管理包括文件管理子模块和数据集管理子模块,所述文件管理子模块与所述第一前端UI子模块连接,所述文件管理子模块支持三种存储类型,分别为本地存储、对象存储和云硬盘;所述数据集管理子模块与所述文件管理子模块连接,所述数据集管理子模块支持数据集的创建和编辑;所述数据管理还包括团队标注子模块,所述团队标注子模块与所述文件管理子模块连接,所述团队标注子模块用于标注团队和标注任务的管理。
在本实施方式中,所述文件管理子模块支持三种存储类型,分别为本地存储、对象存储和云硬盘;
本地存储:基于GlusterFS分布式文件系统提供的存储空间,为每个用户提供固定大小的存储空间,当达到阈值将禁止用户继续上传文件;
对象存储:支持基于S3协议的对象存储,用户需要配置访问所需要的AK/SK等信息;
硬盘:支持cinder协议的块存储,用户需要配置访问所需要认证信息;
所述数据集管理子模块支持数据集的创建、导入、标注、发布等功能;
数据集创建:根据数据集的名称、存储地址、标注场景(物体、音频、文本)、标注类型(图像分类、物体检测)、标签集等信息创建数据集;
数据集导入:支持从本地存储、对象存储、云硬盘等导入数据,以及支持manifest文件导入;
数据标注:支持根据场景进行在线数据的标注;
数据集发布:支持数据集按版本进行发布,包括数据文件以及标注信息。
所述团队标注子模块支持标注团队、标注任务的管理等功能:
标注团队管理:支持创建并管理标注团队成员;
标注任务管理:支持基于标注团队创建标注任务,多个用户可以协同完成标注任务并实时查看标注进度。
进一步的,所述训练任务模块包括第二前端UI子模块和MLNeuron子模块和Tensorboard子模块,所述第二前端UI子模块与所述数据管理模块连接,并用于输入训练任务的请求命令,以及提供训练任务的版本化管理;所述MLNeuron子模块与所述第二前端UI子模块连接,所述MLNeuron子模块根据请求命令构建mlneuron CRD并生成job;所述Tensorboard子模块与所述第二前端UI子模块连接,所述Tensorboard子模块根据请求命令将配置信息发送给所述资源管理模块,并创建训练任务对应的Tensorboard容器。
在本实施方式中,所述第二前端UI子模块提供训练任务的创建、修改、删除、停止等操作,以及提供训练任务的版本化管理;
基本信息:包括任务名称、版本编号、描述等信息;
任务配置:选择所需的计算框架包括tensorflow、pytorch、caffe、mxnet、sklearn、keras等,设置算法文件(从数据管理模块获取)、训练数据路径(从数据管理模块获取)、训练输出路径(从数据管理模块获取)、环境变量、启动命令等信息;
资源配置:选择对应框架使用的训练模式包括单机、multiworker、horovod、psWorker以及选择所需硬件资源规格;
所述MLNeuron子模块根据前端的请求参数构建mlneuron CRD并生成job(tfjob,pytorch-job,mpi-job等),之后由Kubeflow根据job配置调用对应的operator(tf-operator,pytorch-operator,mpi-operator),通过资源管理生成pod并运行任务;
所述Tensorboard子模块根据前端的请求,将配置信息发送给资源管理模块,创建Tensorflow训练任务对应的Tensorboard容器,用户可以通过所述第二前端UI子模块访问Tensorboard视图。
进一步的,所述模型管理模块包括模型集管理子模块和模型文件管理子模块,所述模型集管理子模块与所述训练任务模块连接,所述模型集管理子模块支持模型集的创建和编辑;所述模型文件管理子模块与所述训练任务模块连接,所述模型文件管理子模块获取数据管理或者训练任务输出的模型文件。
在本实施方式中,所述模型集管理子模块支持模型集的创建、修改、删除、查询等功能;
所述模型文件管理子模块分为以下三个功能:
模型导入:获取数据管理或者训练任务输出的模型文件并导入,支持的格式包括:SavedModel、ONNX等;
模型解析:用户导入模型文件后,对模型文件进行解析,生成manifest.json文件,该文件包含模型的name、input、output、framework、format、platform以及max_batch_size相关参数,对应的解析数据保存到数据管理中。
进一步的,所述在线服务包括第三前端UI模块和serving-controller子模块,所述第三前端UI模块与所述模型管理模块连接,所述第三前端UI模块用于配置启动在线服务所需要的参数,所述serving-controller子模块与所述第三前端UI模块连接,所述serving-controller子模块支持创建、删除、启动、停止、修改在线服务。
在本实施方式中,所述第三前端UI模块配置启动在线服务所需要的参数,包括服务名称、模型文件(从模型管理获取)、环境变量、资源规格、模型流量控制等;
所述serving-controller子模块支持创建、删除、启动、停止、修改在线服务;
所述创建在线服务:接收前端UI的请求参数,构建partition/scene/serving的crd,之后将配置下发到资源管理模块,根据partition配置生成namespaces,一个用户对应一个namespaces,根据serving配置生成pod,根据scene配置生成service并通过istio组件进行流量分发;
删除在线服务:根据在线服务ID查询对相应scene,并通知资源管理删除scene;
启动在线服务:根据在线服务ID查询对相应scene并通知资源管理更新对应的crd;
停止在线服务:根据在线服务ID查询对相应scene并通知资源管理删除该下的所有serving;
修改在线服务:根据在线服务ID查询对相应serving并通知资源管理进行增删改操作;
修改在线服务:根据在线服务ID查询对相应serving并通知资源管理进行增删改操作;
tensorrt inference server:nvidia提供的将模型服务化的工具;
istio组件:能够为微服务架构提供流量管理机制,结合Kubernete用于控制各个pod的流量比例。
进一步的,所述资源管理模块包括clever-admin子模块和计费管理子模块,所述clever-admin子模块与所述Notebook模块连接,用于接受资源申请命令;所述计费管理子模块与所述clever-admin子模块连接,并对用户的pod状态进行记录。
在本实施方式中,所述clever-admin子模块接收在线服务、NoteBook、训练任务等模块的资源申请,根据资源类型(公共资源、专属资源),根据参数转换为partition/scene/serving的crd配置,并下发到Kubernetes集群:
公共资源:部署Kubernetes集群已经部署的节点,作为公共的计算资源提供给所有用户使用
专属资源:用户申请的独立主机资源,由用户独占使用;
Kubernetes:容器管理平台,用于管理多个主机上的容器化的应用;
所述计费管理子模块每分钟根据用户,对所有pod进行分组,并且获取pod的状态,来计算该pod的运行时间,并且将pod的名称、运行时间、资源类型、任务类型、创建时间、更新时间等信息存入mysql数据库;
mysql数据库:关系型数据库管理系统,用于保存系统中的基于pod的资源使用数据。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (6)
1.一种基于多种深度学习和机器学习框架的人工智能管理系统,其特征在于,
所述基于多种深度学习和机器学习框架的人工智能管理系统包括Notebook模块、数据管理模块、训练任务模块、模型管理模块、在线服务模块和资源管理模块,所述Notebook模块用于开始开发机器的学习任务,所述数据管理模块与所述Notebook模块连接,并负责整个系统的文件存储与管理,所述训练任务模块与所述数据管理模块连接,并支持在线进行多种框架的模型训练,所述模型管理模块与所述训练任务模块连接,并用于模型集和模型文件的管理,所述在线服务模块与所述模型管理模块连接,并对模型管理中的模型进行服务化,所述资源管理模块与所述在线服务模块连接,并将物理资源传输至云端,且进行用户资源使用统计。
2.如权利要求1所述的基于多种深度学习和机器学习框架的人工智能管理系统,其特征在于,
所述Notebook模块包括第一前端UI子模块和JupyerLab子模块,所述第一前端UI子模块分别与所述数据管理模块和所述资源管理模块连接,所述第一前端UI子模块持用户基于web完成层的创建、查询、删除、修改、启动和停止,并将命令传输至所述数据管理模块和所述资源管理模块;所述JupyerLab子模块与所述数据管理模块连接,并提供基于web的在线开发能力。
3.如权利要求2所述的基于多种深度学习和机器学习框架的人工智能管理系统,其特征在于,
所述数据管理包括文件管理子模块和数据集管理子模块,所述文件管理子模块与所述第一前端UI子模块连接,所述文件管理子模块支持三种存储类型,分别为本地存储、对象存储和云硬盘;所述数据集管理子模块与所述文件管理子模块连接,所述数据集管理子模块支持数据集的创建和编辑。
4.如权利要求3所述的基于多种深度学习和机器学习框架的人工智能管理系统,其特征在于,
所述数据管理还包括团队标注子模块,所述团队标注子模块与所述文件管理子模块连接,所述团队标注子模块用于标注团队和标注任务的管理。
5.如权利要求4所述的基于多种深度学习和机器学习框架的人工智能管理系统,其特征在于,
所述训练任务模块包括第二前端UI子模块和MLNeuron子模块和Tensorboard子模块,所述第二前端UI子模块与所述数据管理模块连接,并用于输入训练任务的请求命令,以及提供训练任务的版本化管理;所述MLNeuron子模块与所述第二前端UI子模块连接,所述MLNeuron子模块根据请求命令构建mlneuron CRD并生成job;所述Tensorboard子模块与所述第二前端UI子模块连接,所述Tensorboard子模块根据请求命令将配置信息发送给所述资源管理模块,并创建训练任务对应的Tensorboard容器。
6.如权利要求5所述的基于多种深度学习和机器学习框架的人工智能管理系统,其特征在于,
所述模型管理模块包括模型集管理子模块和模型文件管理子模块,所述模型集管理子模块与所述训练任务模块连接,所述模型集管理子模块支持模型集的创建和编辑;所述模型文件管理子模块与所述训练任务模块连接,所述模型文件管理子模块获取数据管理或者训练任务输出的模型文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922329.3A CN113805850A (zh) | 2021-08-12 | 2021-08-12 | 基于多种深度学习和机器学习框架的人工智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922329.3A CN113805850A (zh) | 2021-08-12 | 2021-08-12 | 基于多种深度学习和机器学习框架的人工智能管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113805850A true CN113805850A (zh) | 2021-12-17 |
Family
ID=78942771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110922329.3A Pending CN113805850A (zh) | 2021-08-12 | 2021-08-12 | 基于多种深度学习和机器学习框架的人工智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113805850A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344356A (zh) * | 2022-10-18 | 2022-11-15 | 江苏智云天工科技有限公司 | 基于容器化实现分布式训练系统及其构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN111047190A (zh) * | 2019-12-12 | 2020-04-21 | 广西电网有限责任公司 | 一种基于交互式学习技术的多元化业务建模框架系统 |
CN111126232A (zh) * | 2019-12-18 | 2020-05-08 | 紫光云(南京)数字技术有限公司 | 一种基于深度学习的不良驾驶行为检测系统 |
CN112486475A (zh) * | 2020-12-03 | 2021-03-12 | 成都大数据产业技术研究院有限公司 | 基于大数据平台的可视化业务建模及模型管理系统 |
CN112667221A (zh) * | 2020-11-10 | 2021-04-16 | 中国科学院计算技术研究所 | 基于深度学习开发ide的深度学习模型构建方法及系统 |
US20210133162A1 (en) * | 2019-11-01 | 2021-05-06 | International Business Machines Corporation | Generation and management of an artificial intelligence (ai) model documentation throughout its life cycle |
-
2021
- 2021-08-12 CN CN202110922329.3A patent/CN113805850A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
US20210133162A1 (en) * | 2019-11-01 | 2021-05-06 | International Business Machines Corporation | Generation and management of an artificial intelligence (ai) model documentation throughout its life cycle |
CN111047190A (zh) * | 2019-12-12 | 2020-04-21 | 广西电网有限责任公司 | 一种基于交互式学习技术的多元化业务建模框架系统 |
CN111126232A (zh) * | 2019-12-18 | 2020-05-08 | 紫光云(南京)数字技术有限公司 | 一种基于深度学习的不良驾驶行为检测系统 |
CN112667221A (zh) * | 2020-11-10 | 2021-04-16 | 中国科学院计算技术研究所 | 基于深度学习开发ide的深度学习模型构建方法及系统 |
CN112486475A (zh) * | 2020-12-03 | 2021-03-12 | 成都大数据产业技术研究院有限公司 | 基于大数据平台的可视化业务建模及模型管理系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344356A (zh) * | 2022-10-18 | 2022-11-15 | 江苏智云天工科技有限公司 | 基于容器化实现分布式训练系统及其构建方法 |
CN115344356B (zh) * | 2022-10-18 | 2023-01-31 | 江苏智云天工科技有限公司 | 基于容器化实现分布式训练系统及其构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107370786B (zh) | 一种基于微服务架构的通用信息管理系统 | |
CN110740053B (zh) | 业务编排方法及装置 | |
CN114115852A (zh) | 可视化服务编排方法、装置、设备及介质 | |
CN102571420B (zh) | 一种网元数据管理方法及系统 | |
CN100547545C (zh) | 用于网络边缘计算的应用拆分的方法和系统 | |
CN112532415B (zh) | 一种配置变更的方法及相关装置 | |
WO2018036342A1 (zh) | 基于csar的模型文件的可视化设计方法及装置 | |
CN114625353A (zh) | 模型框架代码生成系统及方法 | |
CN112650475A (zh) | 一种结合中台架构理论的软件低代码开发系统及开发方法 | |
CN101324901A (zh) | 数据挖掘方法、平台和系统 | |
KR20200046769A (ko) | 보고서 자동 생성 기반의 업무 프로세스 관리 시스템 제공 방법 | |
US20230177363A1 (en) | Generation of query templates for knowledge-graph based question answering system | |
CN114265680A (zh) | 一种海量数据处理方法、装置、电子设备及存储介质 | |
US8874513B2 (en) | Transitioning application replication configurations in a networked computing environment | |
CN115857886A (zh) | 基层政务应用的低代码开发平台 | |
CN113805850A (zh) | 基于多种深度学习和机器学习框架的人工智能管理系统 | |
CN113703755A (zh) | 代码生成方法及代码生成装置 | |
CN115996230B (zh) | 跨云数据同步方法、装置、计算机设备及可读存储介质 | |
CN114265595B (zh) | 一种基于智能合约的云原生应用开发与部署系统和方法 | |
CN116033002A (zh) | 一种业务字段配置方法、装置、设备及可读存储介质 | |
US9059992B2 (en) | Distributed mobile enterprise application platform | |
CN115884235A (zh) | 一种5g网络数字孪生建模方法、装置、计算机设备和存储介质 | |
CN111782608B (zh) | 文件自动生成方法、装置、电子设备及存储介质 | |
CN111680337B (zh) | Pdm系统产品设计需求信息获取方法及系统 | |
CN114296698A (zh) | 基于bpm的业务需求流程系统的设计方法 |
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 |