CN114444338A - Ai模型组合快速轻量级验证的方法、装置及存储介质 - Google Patents

Abstract

本申请实施例涉及人工智能领域，并提供一种AI模型组合快速轻量级验证的方法、装置及存储介质，方法包括：获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，及其中各AI算法模型名称分别对应的排列序号；获取各AI算法模型名称分别对应的AI模型；将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据；若确定初始组合模型通过模型组合验证，则根据初始组合模型数据确定目标AI模型组；获取待输入数据，将待输入数据输入至目标AI模型组得到输出结果。本方案能够在模型容器中快速选取AI模型并在画布容器中组合，无需编写AI模型的代码，降低了得到组合AI模型的难度，且模型组合效率得到了提升。

Description

AI模型组合快速轻量级验证的方法、装置及存储介质

技术领域

本申请实施例涉及人工智能技术领域，尤其涉及一种AI模型组合快速轻量级验证的方法、装置及存储介质。

背景技术

目前在CN201811090135.6这一专利中，公开了一种模型组合的方法及装置。其是根据现存问题的问题性质，将所述现存问题拆分为多个子问题；从模型数据库中获得与所述多个子问题中的每个子问题分别对应的AI模型；将多个所述AI模型进行组合，获得组合后的模型组。其是根据问题性质来对现存问题进行拆分，然后从模型数据库中获得AI模型，然后对AI模型进行组合，获得组合后的模型组。

但是，现有技术中将AI模型进行组合的出发点在于根据问题性质来对现存问题进行拆分，而且组合AI模型时，需要事先编写好各AI模型对应的代码，然后最终组合得到组合后的模型组。由于编写AI模型对应的代码对人员专业水平要求较高，而且编写费时较长，这就导致了现有的AI组合难度较大，且组合效率低下。由此可见，目前的AI模型组合方式中均无法同时保证模型组合效率和模型组合难易度。

发明内容

本申请实施例提供了一种AI模型组合快速轻量级验证的方法、装置及存储介质，能够提高AI模型组合快速轻量级验证的效率和安全性。

第一方面中，本申请实施例提供一种AI模型组合快速轻量级验证的方法，所述方法包括：

获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号；

获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型；

将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据；

若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组；

获取待输入数据，将所述待输入数据输入至所述目标AI模型组得到输出结果；其中，所述待输入数据为图像数据或文本数据。

一种可能的设计中，所述获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号之前，所述方法还包括：

获取模型验证场景类型；

若确定所述模型验证场景类型为图像模型验证场景类型，则获取与所述图像模型验证场景类型对应的模型容器；

若确定所述模型验证场景类型为文本模型验证场景类型，则获取与所述文本模型验证场景类型对应的模型容器。

一种可能的设计中，所述获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号之前，所述方法还包括：

获取用户类型；

若确定所述用户类型为技术用户类型，则获取与所述技术用户类型对应的模型容器；

若确定所述用户类型为非技术用户类型，则获取与所述非技术用户类型对应的模型容器。

一种可能的设计中，所述获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型，包括：

获取所述AI算法模型名称集中各AI算法模型名称对应的封装代码数据以及各封装代码数据对应的封装模型组件，将各封装模型组件作为各AI算法模型名称分别对应的AI模型。

一种可能的设计中，所述将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据之后，所述若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组之前，所述方法还包括：

获取预先存储的AI模型组合标准集；其中，所述AI模型组合标准集中包括多组AI模型的标准串联组合；

若确定所述初始组合模型数据对应的当前AI模型串联组合与所述AI模型组合标准集中其中一组标准串联组合相同，则判定所述初始组合模型通过模型组合验证。

一种可能的设计中，所述将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据之后，所述若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组之前，所述方法还包括：

获取预先存储的AI模型组合非标准集；其中，所述AI模型组合非标准集中包括多组AI模型的非标准串联组合；

获取所述初始组合模型数据中由至少两个相邻AI模型组成的模型组合结果，以组成模型组合结果集；

若确定所述模型组合结果集中不存在有模型组合结果与所述AI模型组合非标准集中任意一组非标准串联组合相同，则判定所述初始组合模型通过模型组合验证；

若确定所述模型组合结果集中存在有模型组合结果与所述AI模型组合非标准集中其中一组非标准串联组合相同，则判定所述初始组合模型未通过模型组合验证。

一种可能的设计中，所述获取所述初始组合模型数据中由至少两个相邻AI模型组成的模型组合结果，以组成模型组合结果集，包括：

确定所述初始组合模型数据中所包括AI模型的模型总个数；其中，将所述模型总个数记为N，N为大于1的正整数；

获取所述初始组合模型数据中i+1个连续相邻模型，组成第i类型模型组合结果；其中，i的初始值为1，且i的取值范围是[1，N-1]；

将i增1以更新i的取值；

若确定i未超出N-1，返回执行所述获取所述初始组合模型数据中i+1个连续相邻模型，组成第i类型模型组合结果的步骤；

若确定i超出N-1，获取第1类型模型组合结果至第N-1类型模型组合结果组成模型组合结果集。

第二方面中，本申请实施例提供一种用于AI模型组合快速轻量级验证的装置，具有实现对应于上述第一方面提供的AI模型组合快速轻量级验证的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。

一种可能的设计中，所述装置包括：

收发模块，用于获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号；

处理模块，用于获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型；

处理模块，还用于将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据；

处理模块，还用于若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组；

处理模块，还用于获取待输入数据，将所述待输入数据输入至所述目标AI模型组得到输出结果；其中，所述待输入数据为图像数据或文本数据。

本申请实施例又一方面提供了一种AI模型组合快速轻量级验证的装置，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中的计算机程序来执行上述第一方面、第一方面中的各种可能的设计中提供的方法。

本申请实施例又一方面提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述第一方面、第一方面中的各种可能的设计中提供的方法。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面、第一方面中的各种可能的设计中提供的方法。

相较于现有技术，本申请实施例提供的方案中，由于用户可以快速从模型容器中选定AI算法名称后调用相应的AI模型在画布容器中组合得到初始组合模型数据，且在初始组合模型数据通过验证后得到目标AI模型组，所得到的的目标AI模型可以用于对待输入数据进行处理得到输出结果。通过在模型容器中快速选取AI模型并在画布容器中组合，无需编写AI模型的代码，降低了得到组合AI模型的难度，且模型组合效率得到了提升。

附图说明

图1为本申请实施例中AI模型组合快速轻量级验证的方法的应用场景示意图；

图2为本申请实施例中AI模型组合快速轻量级验证的方法的一种流程示意图；

图3为本申请实施例中AI模型组合平台的示意图；

图4a为本申请实施例中AI模型组合平台的模型验证场景选择界面的示意图；

图4b为本申请实施例中AI模型组合平台的用户类型选择选择界面的示意图；

图5a为本申请实施例中AI模型组合平台的封装模型组件移动过程的示意图；

图5b为本申请实施例中AI模型组合平台的封装模型组件已移动至画布容器的示意图；

图6为本申请实施例中用于AI模型组合快速轻量级验证的装置的一种结构示意图；

图7为本申请实施例中服务器的一种结构示意图；

图8为本申请实施例中服务终端的一种结构示意图；

图9为本申请实施例中服务器的一种结构示意图。

具体实施方式

本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，在本申请实施例中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的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，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，在本申请实施例中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。

本申请实施例的方案可基于人工智能技术实现。人工智能(ArtificialIntelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例供了一种AI模型组合快速轻量级验证的方法、装置及存储介质，可用于在模型容器中快速选取AI模型并在画布容器中组合以进行模型组合及验证。本申请实施例主要以服务器为例，服务器侧部署了用于AI模型组合快速轻量级验证的装置，在本申请实施例中用于AI模型组合快速轻量级验证的装置可以是区块链系统中的节点。

一些实施方式中，该AI模型组合快速轻量级验证的方法应用于用户在AI模型组合平台中快速组合AI模型并验证模型效果时，主要涉及服务器和多个用户终端，如图1所示的一种通讯系统，该通讯系统包括服务器和多个用户终端，任意一个用户终端可以先操作登录AI模型组合平台，并对应生成登录请求。该AI模型组合平台的登录请求由用户终端经网络发送至服务器。服务器在接收到登录请求后，经过网络向用户终端发送AI模型组合平台的完整平台数据，以供用户在AI模型组合平台中快速组合AI模型并验证模型效果。

其中，需要特别说明的是，本申请实施例涉及的用户终端，可以是指向用户终端提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话（或称为“蜂窝”电话）和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通信业务（英文全称：Personal Communication Service，英文简称：PCS）电话、无绳电话、会话发起协议（SIP）话机、无线本地环路（Wireless LocalLoop，英文简称：WLL）站、个人数字助理（英文全称：Personal Digital Assistant，英文简称：PDA）等设备。

如图2所示，以下介绍本申请实施例所提供的一种AI模型组合快速轻量级验证的方法，本申请实施例包括：

201、获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号。

在本实施例中，当用户使用用户终端进行AI模型的组合操作时，可以先基于预先设定的登录网址打开AI模型组合平台或者是打开指定的小程序而打开AI模型组合平台，此时所打开的AI模型组合平台中具体可参照如图3所示的AI模型组合平台示意图。在左侧的模型容器中展示了多个AI算法模型名称，每一AI算法模型名称对应了一个封装模型组件（在该封装模型组件中封装了该AI算法模型名称对应的封装代码数据），而且每一AI算法模型名称对应一个唯一模型识别序号（可以理解为每一AI算法模型名称对应一个唯一模型ID）。当用户需要进行AI模型的快速组合时，此时先从模型容器中选定所需要的AI算法模型名称组成AI算法模型名称集，完成选定的AI算法模型名称的同时也获取到了AI算法模型名称分别对应的排列序号。可见，通过上述模型容器中预先容纳多个AI算法模型的方式，可以实现用户所选即所用的效果，无需用户针对所需的AI算法模型分别单独编写代码数据，降低了AI模型组合的难度，且提高了组合效率。

一些实施方式中，步骤201之前还包括：

获取模型验证场景类型；

若确定所述模型验证场景类型为图像模型验证场景类型，则获取与所述图像模型验证场景类型对应的模型容器；

若确定所述模型验证场景类型为文本模型验证场景类型，则获取与所述文本模型验证场景类型对应的模型容器。

在本实施例中，作为用户在进入AI模型组合平台之前的第一具体实施例，还可以提示用户先选定是进行何种技术场景的AI模型组合，例如是选择图像模型验证场景或是选择文本模型验证场景，具体实施时还有其他更多的验证场景，并不局限于上述2个验证场景，本申请中只是以人工智能技术领域最典型的用于图像处理的AI模型及用于文本处理的AI模型为例来说明。

其中，当用户在如图4a所示的模型验证场景选择界面下选择了图像模型验证场景类型，则进入与所述图像模型验证场景类型对应的AI模型组合平台。此时在图像模型验证场景下，获取与所述图像模型验证场景类型对应的模型容器，在该模型容器中容纳有如CNN（即卷积神经网络）、VGG16（是具有16层网络层数的卷积网络）、VGG19（具有19层网络层数的卷积网络）、ResNet50（是一种残差网络）、SSD（全称是Single Shot MultiBox Detector，即单镜头多盒检测器模型）等单个AI模型的名称，也有如VGG16+SSD等简单组合AI算法模型名称。

当用户在如图4a所示的模型验证场景选择界面下选择了文本模型验证场景类型，则进入与所述文本模型验证场景类型对应的AI模型组合平台。此时在文本模型验证场景下，获取与所述文本模型验证场景类型对应的模型容器，在该模型容器中容纳有Transformer模型（其是一种具有编码-解码结构的模型）、RNN（即循环神经网络）、N - gram模型（即多元模型）等单个AI模型的名称，也如RNN+Transformer等简单组合AI算法模型名称。

用户可以基于当前实际需求来选择模型验证场景类型，从而进行相应场景下的AI模型组合，通过模型验证场景类型来更快速的筛选出当前适用的AI模型，使得用户选取AI模型时更加高效。

一些实施方式中，步骤201之前还包括：

获取用户类型；

若确定所述用户类型为技术用户类型，则获取与所述技术用户类型对应的模型容器；

若确定所述用户类型为非技术用户类型，则获取与所述非技术用户类型对应的模型容器。

在本实施例中，作为用户在进入AI模型组合平台之前的第二具体实施例，还可以提示用户先选定是以何种用户身份进行AI模型组合，例如是技术用户类型或是非技术用户类型，具体实施时还有其他更多的用户身份类型，并不局限于上述2个用户身份类型，本申请中只是以技术用户身份及非技术用户身份是为例来说明。

其中，当用户在如图4b所示的用户类型选择界面下选择了技术用户类型，则进入与所述技术用户类型对应的AI模型组合平台。此时在技术用户的AI验证场景下，在模型容器中容纳有与其所承接研发相关相关的一些AI模型如CNN（即卷积神经网络）、VGG16+SSD、Transformer模型等AI模型的名称。

当用户在如图4b所示的用户类型选择界面下选择了非技术用户类型，则进入与所述非技术用户类型对应的AI模型组合平台。此时在非技术用户的AI验证场景下，一般用户的需求是选择所完成开发的AI模型并现场组合展示给其他用户观看（例如非技术人员是业务员时，为了更直观且更简单的向潜在客户展示本公司开发的AI模型时，可选定非技术用户类型），在模型容器中容纳有如CNN（即卷积神经网络）、VGG16（是具有16层网络层数的卷积网络）、VGG19（具有19层网络层数的卷积网络）、ResNet50这些常用的AI模型分别对应的名称。

用户可以基于当前实际用户身份来选定用户身份类型，从而进行相应用户身份场景下的AI模型组合，通过用户身份类型来更快速的筛选出当前适用的AI模型，使得用户选取AI模型时更加高效。

202、获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型。

在本实施例中，由于如图3所示左侧的模型容器中展示了多个AI算法模型名称，每一AI算法模型名称对应了一个封装模型组件（在该封装模型组件中封装了该AI算法模型名称对应的封装代码数据），而且每一AI算法模型名称对应一个排列序号，故在获取了所述AI算法模型名称集后，可以从本地数据库中调用各AI算法模型名称分别对应的AI模型。可见，基于各AI算法模型名称与AI模型的一一对应关系，可在模型容器中选取了AI算法模型名称后准确获取每一AI算法模型名称分别对应的AI模型。

一些实施方式中，步骤202包括：

获取所述AI算法模型名称集中各AI算法模型名称对应的封装代码数据以及各封装代码数据对应的封装模型组件，将各封装模型组件作为各AI算法模型名称分别对应的AI模型。

在本实施例中，当用户在如图3所示左侧的模型容器中选定了一个参与组合的AI算法模型名称后，则可及时获取到该AI算法模型名称对应的封装代码数据以及各封装代码数据对应的封装模型组件（每一个封装模型组件可以理解为一个包括有相应封装代码数据的功能组件），当获取到各AI算法模型名称对应的封装模型组件后可快速在如图3所示右侧的画布容器中进行模型组合。

其中，在获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型后，是将各AI模型缓存至后续所使用的画布容器对应的画布容器缓存区域。通过这一缓存AI模型的方式，可以提高后续在画布容器加载各AI模型的封装代码数据的速度，提升模型组合的效率。

203、将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据。

在本实施例中，由于已实现获取各AI算法模型名称分别对应的AI模型，且每一AI模型对应的封装代码数据也已获取，此时可以基于用户将各AI模型从模型容器拖拽移动至预先创建的画布容器中的排列序号进行模型组合。

将各AI模型根据对应的排列序号填充至预先创建的画布容器的过程中，若以其中一个AI算法模型名称对应的AI模型基于排列序号填充至画布容器为例，是先快速加载该AI算法模型名称对应的封装模型组件，并已经从本地数据库中获取到该AI算法模型名称对应的封装代码数据。在操作拖拽该封装模型组件至画布容器的过程中，该AI算法模型名称对应的封装代码数据被缓存至画布容器缓存区域。当将封装模型组件拖拽移动至画布容器中的其中一位置并固定不调整位置时，则从画布容器缓存区域获取到该AI算法模型名称对应的封装代码数据并存储在画布容器固定存储区域。如图5a所示，当将一个AI算法模型名称对应的封装模型组件放置于画布容器时，则已经完成了对该AI算法模型名称对应的封装代码数据的加载，可以随时与放置于画布容器中的其他AI算法模型名称对应的封装代码数据进行组合。其中，在图5a中仅仅展示了将若干个AI算法模型名称对应的封装模型组件从模型容器拖拽至画布容器中这一过程的最终显示结果，并未进一步展示对所选定的各AI模型建立连接关系这一过程的最终显示结果。之后用户可以基于选中每一个选定AI算法模型名称的排列序号将各封装模型组件建立连接关系。具体参见图5b，当用户最先选中AI模型N则其对应的排序序号是1，当用户第二个选中AI模型2则其对应的排序序号是2，当用户第三个选中AI模型1则其对应的排序序号是3，将上述3个AI模型对应的封装模型组件基于排序序号依序连接后，则得到了初始组合模型数据。可见，基于画布容器来加载各AI模型对应的封装模型组件，且将各封装模型组件对应的封装代码数据存储在画布容器固定存储区域，一方面是可以降低AI模型组合的操作难度，另一方面是提高各AI模型加载的效率。

此时所得到的初始组合模型数据各AI模型的封装代码数据也是按照排序序号依序串接，例如AI模型N相应封装代码数据的输出语句指向AI模型2的相应封装代码数据的输入语句，且AI模型2相应封装代码数据的输出语句指向AI模型1的相应封装代码数据的输入语句。可见，基于上述方式实现了在代码层面上将AI模型进行快速组合。

204、若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组。

在本实施例中，由于存在一些AI模型不能相互组合的情况，在得到了所述初始组合模型后，需要进一步确定所述初始组合模型中所包括的各AI模型是否能组合。此时可以基于预设的模型组合验证策略对所述初始组合模型进行模型组合验证，以用于判断所述初始组合模型中所包括的各AI模型组合起来是否满足组合条件。在确定所述初始组合模型通过模型组合验证后，即可直接以所述初始组合模型数据作为目标AI模型组。可见，对所述初始组合模型进行模型组合验证，可确保得到的目标AI模型组是合理且正确的AI模型组。

一些实施方式中，作为判端所述初始组合模型是否通过模型组合验证的第一具体实施例，步骤204之前还包括：

获取预先存储的AI模型组合标准集；其中，所述AI模型组合标准集中包括多组AI模型的标准串联组合；

若确定所述初始组合模型数据对应的当前AI模型串联组合与所述AI模型组合标准集中其中一组标准串联组合相同，则判定所述初始组合模型通过模型组合验证。

在本实施例中，预先存储的AI模型组合标准集包括多组AI模型的标准串联组合，上述多组AI模型的标准串联组合是经过验证合理的AI模型组，且每一组AI模型的标准串联组合是由多个AI模型名称依序串接组合得到。此时在获取所述初始组合模型数据对应的当前AI模型串联组合时，是获取其中所包括的各AI算法模型名称，并按照各AI算法模型名称分别对应的排列序号将各AI算法模型名称串接，得到如AI模型N+AI模型2+AI模型1形式的当前AI模型串联组合。为了快速确定当前AI模型串联组合的合理性，此时可以将所述当前AI模型串联组合与所述AI模型组合标准集中各组标准串联组合进行比较，若确定所述初始组合模型数据对应的当前AI模型串联组合与所述AI模型组合标准集中其中一组标准串联组合相同时，则表示所述初始组合模型通过模型组合验证，即可判定所述初始组合模型通过模型组合验证。可见，基于预设的AI模型组合标准集可以快速确定所述初始组合模型的模型组合正确性及合理性。

一些实施方式中，作为判端所述初始组合模型是否通过模型组合验证的第二具体实施例，步骤204之前还包括：

获取预先存储的AI模型组合非标准集；其中，所述AI模型组合非标准集中包括多组AI模型的非标准串联组合；

获取所述初始组合模型数据中由至少两个相邻AI模型组成的模型组合结果，以组成模型组合结果集；

若确定所述模型组合结果集中不存在有模型组合结果与所述AI模型组合非标准集中任意一组非标准串联组合相同，则判定所述初始组合模型通过模型组合验证；

若确定所述模型组合结果集中存在有模型组合结果与所述AI模型组合非标准集中其中一组非标准串联组合相同，则判定所述初始组合模型未通过模型组合验证。

在本实施例中，预先存储的AI模型组合非标准集包括多组AI模型的非标准串联组合，上述多组AI模型的非标准串联组合是经过验证不合理的AI模型组，且每一组AI模型的非标准串联组合是由多个AI模型名称依序串接组合得到。在已知了AI模型组合非标准集后，还需获取所述初始组合模型数据中由至少两个相邻AI模型组成的模型组合结果，以组成模型组合结果集。例如参见图5b所示的初始组合模型数据，其中由至少两个相邻AI模型组成的模型组合结果有AI模型N+AI模型2、AI模型2+AI模型1以及AI模型N+AI模型2+AI模型1，上述3个模型组合结果组成模型组合结果集。此时对所述初始组合模型数据进行合理性和正确性验证时，遵循的原则是若确定所述模型组合结果集中存在有模型组合结果与所述AI模型组合非标准集中其中一组非标准串联组合相同，则判定所述初始组合模型未通过模型组合验证；若确定所述模型组合结果集中不存在有模型组合结果与所述AI模型组合非标准集中任意一组非标准串联组合相同，则判定所述初始组合模型通过模型组合验证。也即只要模型组合结果集中有任意一个模型组合结果存在于所述AI模型组合非标准集中，则可快速判定所述初始组合模型未通过模型组合验证。可见，基于AI模型组合非标准集也可以快速确定所述初始组合模型的模型组合正确性及合理性。

一些实施方式中，所述获取所述初始组合模型数据中由至少两个相邻AI模型组成的模型组合结果，以组成模型组合结果集，包括：

确定所述初始组合模型数据中所包括AI模型的模型总个数；其中，将所述模型总个数记为N，N为大于1的正整数；

获取所述初始组合模型数据中i+1个连续相邻模型，组成第i类型模型组合结果；其中，i的初始值为1，且i的取值范围是[1，N-1]；

将i增1以更新i的取值；

若确定i未超出N-1，返回执行所述获取所述初始组合模型数据中i+1个连续相邻模型，组成第i类型模型组合结果的步骤；

若确定i超出N-1，获取第1类型模型组合结果至第N-1类型模型组合结果组成模型组合结果集。

在本实施例中，在获取与所述组合模型数据对应的模型组合结果集时，可以采用模型组合个数不断自增1的方式来轮流查找相应轮中的模型组合结果。例如先确定了初始组合模型数据中所包括AI模型的模型总个数为N（N为大于1的正整数），则第一轮的模型组合个数从2个开始，获取所述初始组合模型数据中2个连续相邻模型，组成第1类型模型组合结果（第1类型模型组合结果可以理解为第1轮查找结果）。之后第二轮的模型组合个数由2自增1变为3，获取所述初始组合模型数据中3个连续相邻模型，组成第2类型模型组合结果。以此类推，直至获取到所述初始组合模型数据中N个连续相邻模型组成第N-1类型模型组合结果，最终由第1类型模型组合结果至第N-1类型模型组合结果组成模型组合结果集。可见，基于这一轮询查找的方式，可以在每一轮更准确的查找该轮模型组合结果，从而最终组成查询结果准确的模型组合结果集。

205、获取待输入数据，将所述待输入数据输入至所述目标AI模型组得到输出结果；其中，所述待输入数据为图像数据或文本数据。

在本实施例中，为了及时验证所述目标AI模型组的模型组合效果，此时可以选定或编辑待输入数据，然后将所述待输入数据输入至所述目标AI模型组得到输出结果。例如，所述待输入数据是一张包括人脸的输入图片，此时可将该输入图片输入至所述目标AI模型组进行处理，即可得到相应的人脸识别结果。可见，基于上述方式可快速基于待输入数据验证所述目标AI模型组的合理性和准确率。

可见，通过本方案，在AI模型现场快速组合及验证场景中，可以实现快速在模型容器中选定多个AI算法模型名称以获取相应AI模型，所选定的AI模型可以填充至画布容器以组成初始组合模型数据，当初始组合模型数据通过验证时即可作为目标AI模型组对待输入数据进行处理得到输出结果。一方面，实现用户所选即所用的效果，无需用户针对所需的AI算法模型分别单独编写代码数据，降低了AI模型组合的难度，另一方面提高了AI模型组合效率。

在本申请实施例中，上述初始组合模型数据、目标AI模型组、待输入数据及输出结果均可保存在区块链中。其中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。

区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成（账户管理）、密钥管理以及用户真实身份和区块链地址对应关系维护（权限管理）等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置（风控审计）；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理（接口适配），然后通过共识算法将业务信息加密（共识管理），在加密之后完整一致的传输至共享账本上（网络通信），并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上（合约注册），根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。

在本申请实施例中执行AI模型组合快速轻量级验证的方法的装置（也可称作服务器、服务终端）可以是区块链系统中的节点。

图1至图5b中任一项所对应的实施例中所提及的任一技术特征也同样适用于在本申请实施例中的图6至图9所对应的实施例，后续类似之处不再赘述。

以上对本申请实施例中一种AI模型组合快速轻量级验证的方法进行说明，以下对执行上述AI模型组合快速轻量级验证的方法的AI模型组合快速轻量级验证的装置（例如服务器、服务终端）进行介绍。

参阅图6，如图6所示的一种AI模型组合快速轻量级验证的装置1的结构示意图，其可应用于服务器侧，用于根据用户在AI模型组合平台的模型容器中所选定AI算法名称在画布容器中快速组合和验证后得到可现场运行使用的目标AI模型组。在本申请实施例中的AI模型组合快速轻量级验证的装置能够实现对应于上述图1至图5b中任一所对应的实施例中所执行的AI模型组合快速轻量级验证的方法的步骤。AI模型组合快速轻量级验证的装置实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述AI模型组合快速轻量级验证的装置1可包括处理模块11、收发模块12和显示模块（图6中未标识出），所述处理模块11、所述收发模块12的功能实现可参考图2所对应的实施例中所执行的操作，此处不作赘述。例如，所述处理模块11可用于控制所述收发模块12的收发、获取等操作，以及控制所述显示模块的显示预设空间等操作。

一些实施方式中，所述收发模块12，用于获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号；

所述处理模块11，用于获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型；

所述处理模块11，还用于将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据；

所述处理模块11，还用于若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组；

所述处理模块11，还用于获取待输入数据，将所述待输入数据输入至所述目标AI模型组得到输出结果；其中，所述待输入数据为图像数据或文本数据。

一些实施方式中，所述处理模块11，还用于：

获取模型验证场景类型；

若确定所述模型验证场景类型为图像模型验证场景类型，则获取与所述图像模型验证场景类型对应的模型容器；

若确定所述模型验证场景类型为文本模型验证场景类型，则获取与所述文本模型验证场景类型对应的模型容器。

一些实施方式中，所述处理模块11，还用于：

获取用户类型；

若确定所述用户类型为技术用户类型，则获取与所述技术用户类型对应的模型容器；

若确定所述用户类型为非技术用户类型，则获取与所述非技术用户类型对应的模型容器。

一些实施方式中，所述收发模块12，还用于：

获取所述AI算法模型名称集中各AI算法模型名称对应的封装代码数据以及各封装代码数据对应的封装模型组件，将各封装模型组件作为各AI算法模型名称分别对应的AI模型。

一些实施方式中，所述收发模型12，还用于获取预先存储的AI模型组合标准集；其中，所述AI模型组合标准集中包括多组AI模型的标准串联组合；

所述处理模块11，还用于若确定所述初始组合模型数据对应的当前AI模型串联组合与所述AI模型组合标准集中其中一组标准串联组合相同，则判定所述初始组合模型通过模型组合验证。

一些实施方式中，所述收发模型12，还用于获取预先存储的AI模型组合非标准集；其中，所述AI模型组合非标准集中包括多组AI模型的非标准串联组合；

所述处理模块11，还用于获取所述初始组合模型数据中由至少两个相邻AI模型组成的模型组合结果，以组成模型组合结果集；

所述处理模块11，还用于若确定所述模型组合结果集中不存在有模型组合结果与所述AI模型组合非标准集中任意一组非标准串联组合相同，则判定所述初始组合模型通过模型组合验证；

所述处理模块11，还用于若确定所述模型组合结果集中存在有模型组合结果与所述AI模型组合非标准集中其中一组非标准串联组合相同，则判定所述初始组合模型未通过模型组合验证。

一些实施方式中，所述处理模块11，还用于：

确定所述初始组合模型数据中所包括AI模型的模型总个数；其中，将所述模型总个数记为N，N为大于1的正整数；

获取所述初始组合模型数据中i+1个连续相邻模型，组成第i类型模型组合结果；其中，i的初始值为1，且i的取值范围是[1，N-1]；

将i增1以更新i的取值；

若确定i未超出N-1，返回执行所述获取所述初始组合模型数据中i+1个连续相邻模型，组成第i类型模型组合结果的步骤；

若确定i超出N-1，获取第1类型模型组合结果至第N-1类型模型组合结果组成模型组合结果集。

上面从模块化功能实体的角度对本申请实施例中的AI模型组合快速轻量级验证的装置进行了描述，下面从硬件处理的角度分别对本申请实施例中的执行AI模型组合快速轻量级验证的方法的AI模型组合快速轻量级验证的装置（例如服务器、服务终端）进行描述。需要说明的是，在本申请实施例图6任一所示的实施例中的收发模块对应的实体设备可以为收发器、输入/输出单元、射频电路、通信模块和输出接口等，处理模块对应的实体设备可以为处理器。例如，图6所示的装置1可以具有如图7所示的结构，当图6所示的装置1具有如图7所示的结构时，图7中的处理器和收发器能够实现前述对应该装置1的装置实施例提供的处理模块11和收发模块12相同或相似的功能，图7中的存储器存储处理器执行上述AI模型组合快速轻量级验证的方法时需要调用的计算机程序。

图8是本申请实施例提供的一种服务器（也即服务终端）结构示意图，该服务器820可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（英文全称：central processing units，英文简称：CPU）822（例如，一个或一个以上处理器）和存储器832，一个或一个以上存储应用程序842或数据844的存储介质830（例如一个或一个以上海量存储设备）。其中，存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器822可以设置为与存储介质830通信，在服务器820上执行存储介质830中的一系列指令操作。

服务器820还可以包括一个或一个以上电源826，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口858，和/或，一个或一个以上操作系统841，例如Windows Server，Mac OS X，Unix, Linux，FreeBSD等等。

上述实施例中由服务器所执行的步骤可以基于该图8所示的服务器820的结构。例如上述实施例中由图6所示的装置1所执行的步骤可以基于该图8所示的服务器结构。例如，所述处理器822通过调用存储器832中的指令，执行以下操作：

通过输入输出接口858获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号；

获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型；

将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据；

若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组；

获取待输入数据，将所述待输入数据输入至所述目标AI模型组得到输出结果；其中，所述待输入数据为图像数据或文本数据。

本申请实施例还提供了另一种服务终端，如图9所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该服务终端可以为包括手机、平板电脑、个人数字助理（英文全称：Personal Digital Assistant，英文简称：PDA）、销售终端（英文全称：Point of Sales，英文简称：POS）、车载电脑等任意终端设备，以终端为手机为例：

图9示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图9，手机包括：射频（英文全称：Radio Frequency，英文简称：RF）电路914、存储器920、输入单元930、显示单元940、传感器950、音频电路960、无线保真（英文全称：wirelessfidelity，英文简称：WiFi）模块970、处理器980、以及电源990等部件。本领域技术人员可以理解，图9中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图9对手机的各个构成部件进行具体的介绍：

RF电路914可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器980处理；另外，将设计上行的数据发送给基站。通常，RF电路914包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器（英文全称：LowNoise Amplifier，英文简称：LNA）、双工器等。此外，RF电路914还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统 （英文全称：Global System of Mobile communication，英文简称：GSM）、通用分组无线服务（英文全称：General Packet Radio Service，英文简称：GPRS）、码分多址（英文全称：Code Division Multiple Access，英文简称：CDMA）、宽带码分多址（英文全称：Wideband Code Division Multiple Access, 英文简称：WCDMA）、长期演进 （英文全称：Long Term Evolution，英文简称：LTE）、电子邮件、短消息服务（英文全称：ShortMessaging Service，英文简称：SMS）等。

存储器920可用于存储软件程序以及模块，处理器980通过运行存储在存储器920的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器920可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器920可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元930可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元930可包括触控面板931以及其他输入设备932。触控面板931，也称为触摸屏，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板931上或在触控面板931附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触控面板931可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器980，并能接收处理器980发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板931。除了触控面板931，输入单元930还可以包括其他输入设备932。具体地，其他输入设备932可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元940可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元940可包括显示面板941，可选的，可以采用液晶显示器（英文全称：LiquidCrystal Display，英文简称：LCD）、有机发光二极管（英文全称：Organic Light-EmittingDiode, 英文简称：OLED）等形式来配置显示面板941。进一步的，触控面板931可覆盖显示面板941，当触控面板931检测到在其上或附近的触摸操作后，传送给处理器980以确定触摸事件的类型，随后处理器980根据触摸事件的类型在显示面板941上提供相应的视觉输出。虽然在图9中，触控面板931与显示面板941是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板931与显示面板941集成而实现手机的输入和输出功能。

手机还可包括至少一种传感器950，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板941的亮度，接近传感器可在手机移动到耳边时，关闭显示面板941和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等; 至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路960、扬声器961，传声器962可提供用户与手机之间的音频接口。音频电路960可将接收到的音频数据转换后的电信号，传输到扬声器961，由扬声器961转换为声音信号输出；另一方面，传声器962将收集的声音信号转换为电信号，由音频电路960接收后转换为音频数据，再将音频数据输出处理器980处理后，经RF电路914以发送给比如另一手机，或者将音频数据输出至存储器920以便进一步处理。

Wi-Fi属于短距离无线传输技术，手机通过Wi-Fi模块970可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图9示出了W-iFi模块970，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。

处理器980是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器920内的软件程序和/或模块，以及调用存储在存储器920内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器980可包括一个或多个处理单元；优选的，处理器980可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器980中。

手机还包括给各个部件供电的电源990（比如电池），电源可以通过电源管理系统与处理器980逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。

在在本申请实施例中，该手机所包括的处理器980还具有控制执行以上由图6所示的装置1执行的方法流程。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请实施例所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质（例如固态硬盘Solid State Disk(SSD)）等。

以上对本申请实施例所提供的技术方案进行了详细介绍，在本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请实施例的限制。

Claims (10)

1.一种AI模型组合快速轻量级验证的方法，其特征在于，所述方法包括：

获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号；

获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型；

将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据；

若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组；

获取待输入数据，将所述待输入数据输入至所述目标AI模型组得到输出结果；其中，所述待输入数据为图像数据或文本数据。

2.根据权利要求1所述的方法，其特征在于，所述获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号之前，所述方法还包括：

获取模型验证场景类型；

若确定所述模型验证场景类型为图像模型验证场景类型，则获取与所述图像模型验证场景类型对应的模型容器；

若确定所述模型验证场景类型为文本模型验证场景类型，则获取与所述文本模型验证场景类型对应的模型容器。

3.根据权利要求1所述的方法，其特征在于，所述获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号之前，所述方法还包括：

获取用户类型；

若确定所述用户类型为技术用户类型，则获取与所述技术用户类型对应的模型容器；

若确定所述用户类型为非技术用户类型，则获取与所述非技术用户类型对应的模型容器。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型，包括：

获取所述AI算法模型名称集中各AI算法模型名称对应的封装代码数据以及各封装代码数据对应的封装模型组件，将各封装模型组件作为各AI算法模型名称分别对应的AI模型。

5.根据权利要求4所述的方法，其特征在于，所述将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据之后，所述若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组之前，所述方法还包括：

获取预先存储的AI模型组合标准集；其中，所述AI模型组合标准集中包括多组AI模型的标准串联组合；

若确定所述初始组合模型数据对应的当前AI模型串联组合与所述AI模型组合标准集中其中一组标准串联组合相同，则判定所述初始组合模型通过模型组合验证。

6.根据权利要求4所述的方法，其特征在于，所述将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据之后，所述若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组之前，所述方法还包括：

获取预先存储的AI模型组合非标准集；其中，所述AI模型组合非标准集中包括多组AI模型的非标准串联组合；

获取所述初始组合模型数据中由至少两个相邻AI模型组成的模型组合结果，以组成模型组合结果集；

若确定所述模型组合结果集中不存在有模型组合结果与所述AI模型组合非标准集中任意一组非标准串联组合相同，则判定所述初始组合模型通过模型组合验证；

若确定所述模型组合结果集中存在有模型组合结果与所述AI模型组合非标准集中其中一组非标准串联组合相同，则判定所述初始组合模型未通过模型组合验证。

7.根据权利要求6所述的方法，其特征在于，所述获取所述初始组合模型数据中由至少两个相邻AI模型组成的模型组合结果，以组成模型组合结果集，包括：

确定所述初始组合模型数据中所包括AI模型的模型总个数；其中，将所述模型总个数记为N，N为大于1的正整数；

获取所述初始组合模型数据中i+1个连续相邻模型，组成第i类型模型组合结果；其中，i的初始值为1，且i的取值范围是[1，N-1]；

将i增1以更新i的取值；

若确定i未超出N-1，返回执行所述获取所述初始组合模型数据中i+1个连续相邻模型，组成第i类型模型组合结果的步骤；

若确定i超出N-1，获取第1类型模型组合结果至第N-1类型模型组合结果组成模型组合结果集。

8.一种用户AI模型组合快速轻量级验证的装置，其特征在于，所述装置包括：

收发模块，用于获取从模型容器中所选定AI算法模型名称组成的AI算法模型名称集，以及所述AI算法模型名称集中各AI算法模型名称分别对应的排列序号；

处理模块，用于获取所述AI算法模型名称集中各AI算法模型名称分别对应的AI模型；

处理模块，还用于将各AI模型根据对应的排列序号填充至预先创建的画布容器中，得到初始组合模型数据；

处理模块，还用于若确定所述初始组合模型通过模型组合验证，则根据所述初始组合模型数据确定目标AI模型组；

处理模块，还用于获取待输入数据，将所述待输入数据输入至所述目标AI模型组得到输出结果；其中，所述待输入数据为图像数据或文本数据。

9.一种用于AI模型组合快速轻量级验证的装置，其特征在于，所述装置包括：

至少一个处理器、存储器和收发器；

其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。

Images