CN113934432A - 用于部署机器学习模型的方法、设备和存储介质 - Google Patents

Abstract

本公开的实施例涉及用于部署机器学习模型的方法、设备和存储介质。该方法包括：在第一计算设备处，确定第二计算设备的配置，其中所述第一计算设备的计算能力大于所述第二计算设备的计算能力并且所述第二计算设备的配置至少指示所述第二计算设备的处理器架构；获取与所述第二计算设备的配置对应的已训练的机器学习模型的程序代码，其中所述程序代码适配所述处理器架构；以及将所述机器学习模型的程序代码提供给所述第二计算设备，以将所述机器学习模型部署在所述第二计算设备上。

Description

用于部署机器学习模型的方法、设备和存储介质

技术领域

本公开的实施例一般地涉及计算机领域，并且更具体地，涉及用于部署机器学习模型的方法、设备和存储介质。

背景技术

近年来，随着计算机技术的发展，物联网已经越来越多地应用到人们生活中的各个方面。物联网技术中的一个核心是对于物联网设备(IoT)(例如，各种温度传感器、位置传感器、图像传感器、计量仪等)所获得的数据的分析，这些传感器数据可以有利地帮助人们进行预警或者预测等。然而，这样的传感器数据往往是海量的，因而传感器数据的传输和处理所需的资源开销也很大。目前随着人工智能技术的发展，提出了利用机器学习模型来实现更准确的数据分析。然而，如何针对物联网应用高效地部署和执行机器学习模型成为当前的一个关注焦点。

发明内容

本公开的实施例提供了一种用于部署机器学习模型的方案。

在本公开的第一方面中，提供了一种用于部署机器学习模型的方法。该方法包括：在第一计算设备处，确定第二计算设备的配置，其中所述第一计算设备的计算能力大于所述第二计算设备的计算能力并且所述第二计算设备的配置至少指示所述第二计算设备的处理器架构；获取与所述第二计算设备的配置对应的已训练的机器学习模型的程序代码，其中所述程序代码适配所述处理器架构；以及将所述机器学习模型的程序代码提供给所述第二计算设备，以将所述机器学习模型部署在所述第二计算设备上。

在本公开的第二方面中，提供了一种计算设备。该计算设备包括：至少一个处理器；以及存储有计算机程序指令的至少一个存储器，所述至少一个存储器和所述计算机程序指令被配置为，与所述至少一个处理器一起，使得所述计算设备执行动作，所述动作包括：确定另一计算设备的配置，其中所述计算设备的计算能力大于所述另一计算设备的计算能力并且所述另一计算设备的配置至少指示所述另一计算设备的处理器架构；获取与所述另一计算设备的配置对应的已训练的机器学习模型的程序代码，其中所述程序代码适配所述处理器架构；以及将所述机器学习模型的程序代码提供给所述另一计算设备，以将所述机器学习模型部署在所述另一计算设备上。

在本公开的第三方面中，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有机器可执行指令，当所述机器可执行指令在被至少一个处理器执行时，使得所述至少一个处理器实现根据第一方面所述的方法。

在本公开的第四方面中，提供了一种计算机程序产品。该计算机程序产品被有形地存储在非易失性计算机可读介质上并且包括机器可执行指令，机器可执行指令在被执行时使设备实现以上第一方面的方法。

提供发明内容部分是为了简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。

附图说明

通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。

图1示出了本公开实施例可以在其中被实施的环境的示意图；

图2示出了根据本公开的一些实施例的实现环境的示意图；

图3示出了根据本公开的一些实施例的实现环境的示意图；

图4示出了根据本公开的一些实施例的自动部署方法的示意图；

图5示出了根据本公开的一些实施例的用于部署机器学习模型的方法的流程图；以及

图6示出了可以用来实施本公开的实施例的示例设备的框图。

具体实施方式

下面将参考附图中示出的若干示例实施例来描述本公开的原理。虽然附图中显示了本公开的优选实施例，但应当理解，描述这些实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

机器学习主要可以划分为三个阶段，即训练阶段、测试阶段和应用阶段(也称为推理阶段)。在训练阶段，给定的机器学习模型可以使用大量的训练样本进行训练，不断迭代，直到机器学习模型能够从训练样本中获得一致的、与人类智慧所能够做出的推理类似的推理。机器学习模型通过训练，可以被认为能够从训练数据中学习从输入到输出之间的映射或关联关系。经过训练后，机器学习模型的参数集值被确定。在测试阶段，可以利用测试样本对已训练的机器学习模型进行测试，以确定机器学习模型的性能。在应用阶段，机器学习模型可以被用于基于训练得到的参数集值，对实际的输入数据进行处理，以给出对应的输出。

图1示出了本公开实施例可以在其中被实施的环境100的示意图。如图1所示，环境100包括一个或多个数据采集器105-1、105-2、…、105-N(单独地或统一称为数据采集器105，其中N是大于等于1的正整数)、计算设备120、云计算架构(也称“云端”)130以及提供在云计算架构130中的计算设备140。环境100可以被认为是物联网(IoT)。应当理解，图1中所示的设备的数目和布置仅是示意性的，而不应当被理解为对本申请方案的限制。

在一些实施例中，计算设备120可以是边缘计算节点，例如具有网关功能的计算节点(也称为边缘网关)。计算设备120可以与一个或多个数据采集器105有线或无线连接和通信，并且被配置为从一个或多个数据采集器105接收待分析数据110-1、110-2、…、110-N(单独地或统一称为待分析数据110)。待分析数据110的分析操作可以由环境100中具有计算能力的设备来实现。

数据采集器105可以是能够采集数据的任何设备，例如可以是各种类似的传感器。数据采集器105的示例包括图像传感器、运动传感器、温度传感器、位置传感器、照度传感器、湿度传感器、功率感测传感器、气体传感器、烟雾传感器、湿度传感器、压力传感器、定位传感器、加速度计、陀螺仪、计量仪、声音分贝传感器等等。在数据分析工作中，可能需要对待分析数据110执行异常数据检测，以便及时发现数据采集器105所部署的环境中出现的异常事件，提供异常事件预警，以便帮助后续处理动作。

云计算架构130被远程布置，以提供计算、软件、数据访问和存储服务。在云计算架构130中的处理可以称为“云计算”。在各种实现中，云计算使用适当的协议通过广域网(诸如因特网)提供服务。例如，云计算架构130提供商通过广域网提供应用，并且它们可以通过web浏览器或任何其他计算组件被访问。云计算架构130的软件或组件以及相应的数据可以被存储在远程位置处的服务器上。云计算架构130中的计算资源可以在远程数据中心位置处被合并或者它们可以被分散。云计算基础设施可以通过共享数据中心提供服务，即使它们表现为针对用户的单一访问点。因此，可以使用云计算架构130从远程位置处的服务提供商提供本文所描述的组件和功能。备选地，它们可以从常规服务器被提供，或者它们可以直接或以其他方式被安装在客户端设备上。虽然被示出为单个设备140，但应当理解计算设备140可以是云计算架构130中具有计算能力的任何部件。因此，计算设备140的各个部分可以分布在云计算架构130中。

在数据分析和异常性检测中，当前趋势是使用机器学习模型来实现。对数据的异常性检测可以被认为是机器学习模型要解决的分类问题。机器学习模型的训练和应用需要处理、存储等计算资源的支持。为了达到所要求的处理精度或者取决于所使用的模型类型，机器学习模型的尺寸可能非常大，因此对计算资源的要求可能更高。

在实际应用中，数据分析的需求和准则以及从数据源(即数据采集器)采集到的数据可能会随着时间而变化。例如，初始可能仅期望粗略判断数据是或者不是异常数据，之后可能期望更精确的判断异常数据的更细分的类型和/或正常数据的更细分的类型。数据采集器可能也会被增加或减少，导致要处理的数据类型和数据量等会发生变化。因此，在机器学习模型的训练和应用过程中，所面临的另一个挑战是模型如何演进。然而，相比于机器学习模型的应用而言，模型的训练将会消耗更多资源并且花费更长时间。

考虑到以上方面，如果将机器学习模型的更新和应用均部署在具有更强计算能力的云计算架构中，可能不需要担心计算资源问题，但会影响到数据分析的实时反馈，因为将待分析数据从数据采集器传输到云计算架构中并且再从云计算架构中返回分析结果，这个过程的延迟可能比较大，难以满足实时检测数据异常性的需求。例如，在利用速度传感器检测车辆运行状态的场景中，快速地检测异常速度以预测可能的车祸是一项非常重要的应用。

在另一种可能的实现中，如果将机器学习模型的更新和应用均部署在与数据源更近的计算设备，诸如IoT中的边缘计算节点处，可能可以降低异常性检测的延迟，但将会牺牲边缘计算节点的计算资源。这将会导致模型的更新和模型的应用过程的效率均更低。

图2示出了根据本公开的一些实施例的分布式模型应用和更新的示例环境的示意图。如图2所示，已训练的机器学习模型210被部署在计算设备120处。具有更强计算能力的计算设备140包括模型训练模块220，该模块被配置为对机器学习模型210进行更新。

计算设备140可以保存当前被部署在计算设备120处的机器学习模型210，然后根据模型更新的准则对机器学习模型210进行更新。计算设备140将经更新的机器学习模型210重新部署到计算设备120处。由此，计算设备120可以利用新的机器学习模型210来继续处理来自数据采集器105的待分析数据集110。

图3示出了根据本公开的一些实施例的实施环境300的示意图。在实施环境300中，用户302可以操作移动电话304、笔记本计算机306和/或其他边缘计算设备(简称“其他设备”)308，这些边缘计算设备也可以称为边缘计算节点。在图3所示的示例中，用户302操作笔记本计算机306，并将边缘计算设备的设备列表提供给平台310，其中平台310可以在云端实现。备选地，每个边缘计算设备也可以将各自的信息提供给平台310，从而平台310可以根据每个边缘计算设备提供的设备信息来提取边缘计算设备的设备列表。例如，边缘计算设备可以通过网络协议(IP)地址、介质访问控制(MAC)地址等标识符来标识。

用户302还可以向应用分析器312提供各个边缘计算设备要部署的机器学习模型的信息，例如，指定深度学习(DL)框架。图3示出了深度学习框架MXNet 322、TensorFlow324和其他深度学习框架326。用户302可以指定各个边缘计算设备所使用的深度学习框架，从而代码生成器314可以根据指定的深度学习框架来生成代码。在一些示例中，也可以仅提供一个深度学习框架，在这种情况下，用户无需指定深度学习框架。

应用分析器312可以存储边缘计算设备的设备列表，并分析设备列表中的边缘计算设备，例如，所有边缘计算设备。应用分析器312可以获取并记录设备信息，例如，边缘计算设备的配置，特别是处理器架构。不同的处理器架构通常使用不同的指令集，因此需要使用不同的代码来进行适配。例如，中央处理单元(CPU)、图形处理单元(GPU)、现场可编程门阵列(FPGA)等均使用不同的指令集，因此，需要部署不同的程序代码。在一个示例中，设备的信息还可以包含设备的类型、厂商、版本信息等。

代码生成器314可以从应用分析器312获取边缘计算设备的配置以及指定的深度学习框架，并且基于边缘计算设备的配置和指定的深度学习框架来自动生成机器学习模型，例如，机器学习模型的可执行文件。这些机器学习模型可以是已训练的机器学习模型，因此也称为推理程序。

软件管理器316可以从应用分析器312获取边缘计算设备的设备列表，以将代码生成器314生成的机器学习模型部署到边缘计算设备。由于边缘计算设备可能随时添加或者减少，软件管理器316可以获取新增加的边缘计算设备的信息，并且在历史机器学习模型中寻找与该边缘计算设备的配置对应的机器学习模型，并将该机器学习模型部署到该边缘计算设备中。

图4示出了根据本公开的一些实施例的部署方法400的示意图。在451，用户402可以通过客户端404配置机器学习模型(例如，推理程序)，例如，指定深度学习框架。另外，用户可以通过客户端404设置要部署推理程序的边缘计算设备的设备列表。

在452，客户端404将设备列表中的所有边缘计算设备的配置发送给平台，特别是应用分析器412。在453，应用分析器412可以存储接收到的设备列表，分析设备列表中的所有边缘计算设备的配置，即，配置清单。应用分析器412可以根据配置清单来获取推断程序，并将推断程序提供给与相应配置对应的边缘计算设备。例如，应用分析器412还可以对配置清单中的配置进行分类，其中同一类的配置可以使用相同的机器学习模型或推断程序。例如，可以将所有X86架构的边缘计算设备作为一类。

在454，应用分析器412将分析结果发送给代码生成器414。在455，代码生成器414基于边缘计算设备的配置和目标深度学习框架来生成机器学习模型的程序或代码，例如，可执行文件。

在456，软件管理器416从应用分析器412获取设备列表以及分析结果。在457，软件管理器416可以根据获取的设备列表与客户端404，边缘设备406、408等边缘计算设备建立连接，例如，远程过程调用(RPC)连接。通过RPC，该平台可以在边缘计算设备上远程部署运行时间库和代码，并且开始执行这些代码。

在一些示例中，软件管理器416可以通过与边缘计算设备的连接获取每个边缘计算设备的配置、类型等信息。备选地，软件管理器416也可以从应用分析器412中获取边缘计算设备的配置、类型等信息。在458，软件管理器416从代码生成器414生成的代码中选择每个边缘计算设备对应的机器学习模型，例如，机器学习模型的可执行文件。在459，软件管理器416将相应的机器学习模型(例如，可执行文件)部署到每个边缘计算设备上，并且开始运行这些可执行文件。

在一些示例中，在增加一个边缘计算设备时，该边缘计算设备可以将其配置发送给应用分析器412和/或软件管理器416。软件管理器416可以根据该边缘计算设备的配置从之前生成的代码中寻找与该边缘计算设备的配置匹配的代码。如果找到这种代码，则可以直接将这种代码部署到该边缘计算设备，从而降低了计算量。

例如，软件管理器416不仅负责自动部署和自动执行，而且还可以存储代码生成器414生成的机器学习模型的程序文件(例如，可执行文件)以及这些文件的信息(例如，DL框架、DL模型、目标设备配置或类型等)。例如，可以存储最近N个程序文件，N的数目可以预定义。在应用分析器412从客户端404获得配置信息之后，应用分析器412可以检查新的机器学习模型是否使用与存储的N个程序文件具有相同的配置。如果与N个程序文件中的一个程序文件具有相同的配置，则应用分析器412将不会触发代码生成器414执行代码生成，而是触发软件管理器416开始自动部署和执行。

在一些示例中，为了针对大规模的边缘计算设备来部署机器学习模型的推理程序，软件管理器416可以并行地开始对每个设备的自动部署，以提高自动部署过程的效率。

根据本公开的实施例，通过分析设备列表中的所有设备，代码生成器可以为目标设备的所有需求类型生成各种可执行文件。利用存储在应用分析器中的信息，软件管理器可以找到目标设备的相应可执行文件，并在目标设备上自动部署该可执行文件。通过自动部署DL推理程序，可以使DL推理程序易于部署在边缘计算设备上，而无需任何手动协助，特别是对于具有广泛覆盖范围的实施。通过自动执行功能，可以使在边缘计算设备上实施DL推理的维护更加方便。

图5示出了根据本公开的实施例的用于部署机器学习模型的方法500的流程图。方法500可以由图1的计算设备140或者云计算架构130来实现，并且可以在图2和图3的示例环境中实现。

在502，计算设备140(有时也称为第一计算设备)确定计算设备120(有时也称为第二计算设备)的配置。例如，第二计算设备的配置可以是第二计算设备的类型，例如，包括处理器架构等。第一计算设备的计算能力大于第二计算设备的计算能力，并且在一个示例中，第一计算设备是云端，第二计算设备是边缘计算设备。

在504，计算设备140获取与计算设备120的配置对应的已训练的机器学习模型，例如，推断程序，特别是可执行文件。

在506，计算设备140将获取的机器学习模型提供给计算设备120，以将该机器学习模型部署在计算设备120上。例如，可以将使机器学习模型的可执行文件在计算设备120上开始执行。

在一些示例中，计算设备120可以包括多个第二计算设备，例如，如图3-图4所示。方法500可以包括确定所述多个第二计算设备的配置清单；获取与所述配置清单中的相应配置对应的机器学习模型；以及将所述机器学习模型提供给所述多个第二计算设备中与所述相应配置对应的第二计算设备。通过根据不同的配置为基准来生成推断程序，对于具有相同配置的边缘计算设备可以仅生成一个推断程序，从而降低了生成推断程序时的计算量。

图6示出了一个可以用来实施本公开的实施例的设备600的示意性框图。如图6所示，设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

上文所描述的各个过程和处理，例如方法500，可由处理单元601执行。例如，在一些实施例中，方法500可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到RAM 603并由CPU 601执行时，可以执行上文描述的方法500的一个或多个步骤。

本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种用于部署机器学习模型的方法，包括：

在第一计算设备处，确定第二计算设备的配置，其中所述第一计算设备的计算能力大于所述第二计算设备的计算能力并且所述第二计算设备的配置至少指示所述第二计算设备的处理器架构；

获取与所述第二计算设备的配置对应的已训练的机器学习模型的程序代码，其中所述程序代码适配所述处理器架构；以及

将所述机器学习模型的程序代码提供给所述第二计算设备，以将所述机器学习模型部署在所述第二计算设备上。

2.根据权利要求1所述的方法，其中所述第二计算设备包括多个第二计算设备，并且所述方法还包括：

确定所述多个第二计算设备的配置清单；

获取与所述配置清单中的相应配置对应的机器学习模型；以及

将所述机器学习模型提供给所述多个第二计算设备中与所述相应配置对应的第二计算设备。

3.根据权利要求1所述的方法，其中获取所述机器学习模型的程序代码包括：

确定用于所述第二计算设备的深度学习框架；以及

基于所述深度学习框架以及所述第二计算设备的配置，生成所述机器学习模型的程序代码。

4.根据权利要求1所述的方法，其中所述第一计算设备为云端，并且所述第二计算设备为边缘计算设备。

5.根据权利要求1所述的方法，其中获取所述机器学习模型的程序代码包括获取所述机器学习模型的可执行文件，并且将所述机器学习模型的程序代码提供给所述第二计算设备包括将所述可执行文件发送至所述第二计算设备，以使所述第二计算设备开始执行所述可执行文件。

6.一种计算设备，包括：

至少一个处理器；以及

存储有计算机程序指令的至少一个存储器，所述至少一个存储器和所述计算机程序指令被配置为，与所述至少一个处理器一起，使得所述计算设备执行动作，所述动作包括：

确定另一计算设备的配置，其中所述计算设备的计算能力大于所述另一计算设备的计算能力并且所述另一计算设备的配置至少指示所述另一计算设备的处理器架构；

获取与所述另一计算设备的配置对应的已训练的机器学习模型的程序代码，其中所述程序代码适配所述处理器架构；以及

将所述机器学习模型的程序代码提供给所述另一计算设备，以将所述机器学习模型部署在所述另一计算设备上。

7.根据权利要求6所述的计算设备，其中所述另一计算设备包括多个另一计算设备，并且所述动作还包括：

确定所述多个另一计算设备的配置清单；

获取与所述配置清单中的相应配置对应的机器学习模型；以及

将所述机器学习模型提供给所述多个另一计算设备中与所述相应配置对应的另一计算设备。

8.根据权利要求6所述的计算设备，其中获取所述机器学习模型的程序代码包括：

确定用于所述另一计算设备的深度学习框架；以及

基于所述深度学习框架以及所述另一计算设备的配置，生成所述机器学习模型的程序代码。

9.根据权利要求6所述的计算设备，其中所述计算设备为云端，并且所述另一计算设备为边缘计算设备。

10.根据权利要求6所述的计算设备，其中获取所述机器学习模型的程序代码包括获取所述机器学习模型的可执行文件，并且将所述机器学习模型的程序代码提供给所述另一计算设备包括将所述可执行文件发送至所述另一计算设备，以使所述另一计算设备开始执行所述可执行文件。

11.一种计算机可读存储介质，所述计算机可读存储介质上存储有机器可执行指令，当所述机器可执行指令在被至少一个处理器执行时，使得所述至少一个处理器实现根据权利要求1-5中任一项所述的方法。

Images