CN114924863A - 任务处理方法、装置和电子设备 - Google Patents

Abstract

本公开提供了一种任务处理方法、装置和电子设备，涉及人工智能技术领域，尤其涉及机器学习技术领域。实现方案为：从调用地址获取目标模型以及与所述目标模型相关的参数；对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型；以及基于与所述目标模型相关的参数，利用所述兼容模型执行任务处理。

Description

任务处理方法、装置和电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及机器学习技术领域，具体涉及一种任务处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

经过多年的发展，人工智能技术已广泛应用于各行各业，机器学习和深度学习便是其中的代表。作为示例，利用模型进行预测是机器学习和/或深度学习领域内的典型技术应用。模型预测主要分为离线预测和在线预测两类。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种任务处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种任务处理方法，包括：从调用地址获取目标模型以及与所述目标模型相关的参数；对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型；以及基于与所述目标模型相关的参数，利用所述兼容模型执行任务处理。

根据本公开的另一方面，提供了一种任务处理装置，包括：模型获取单元，所述模型获取单元被配置为从调用地址获取目标模型以及与所述目标模型相关的参数；模型转换单元，所述模型转换单元被配置为对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型；以及任务处理单元，所述任务处理单元被配置为基于与所述目标模型相关的参数，利用所述兼容模型执行任务处理。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与该至少一个处理器通信连接的存储器；其中存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行根据上述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使计算机执行根据上述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，该计算机程序在被处理器执行时实现根据上述的方法。

根据本公开的一个或多个实施例，可获得适用于不同模型框架的兼容模型，从而以统一方式对来自不同模型框架的模型进行部署和应用，免去了用户对个体模型进行适配和开发的代码成本。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的任务处理方法的流程图；

图3示出了根据本公开的实施例的可在其中实施本文描述的各种方法的示例性平台的示意图；

图4示出了根据本公开的实施例的任务处理装置的框图；以及

图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行任务处理方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来实现针对目标模型的任务处理。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件(在一些实施方式中，服务器120可以包括一个或多个应用程序，例如，基于图像、视频、语音、文本、数字信号等数据的预测、分类、目标检测与识别等服务的应用程序，以处理从客户端设备101、102、103、104、105和/或106接收的大数据预测、大数据分类、目标检测与识别等任务请求。服务器可以根据具体的机器学习或深度学习任务，利用训练样本训练神经网络模型，并且可以对神经网络模型的超网络模块中的各个子网络进行测试，根据各个子网络的测试结果，确定用于执行机器学习或深度学习任务的神经网络模型的结构和参数。可以将各种数据作为机器学习或深度学习任务的训练样本数据，如图像数据、音频数据、视频数据或文本数据等。在神经网络模型的训练完成后，服务器120还可以通过模型搜索技术自动搜索出最优模型结构来执行相应的任务。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

利用模型进行预测是机器学习和/或深度学习领域内的典型技术应用。模型预测主要分为离线预测和在线预测两类。

就离线预测而言，其通常具有较大规模的数据集。数据集可存放在诸如hdfs(Hadoop分布式文件系统)之类的大数据文件系统上。利用数据集进行预测的任务处理通常会在批处理作业中完成，且对于实时性要求不高。在整个预测过程中，上游可能会结合数据抽取、清洗、特征变换等操作。离线预测通常会设定为每日或每周或每月的定时任务。所使用的技术可能偏向于与大数据相关，例如spark、hive等。

相比而言，在线预测对于实时性的要求较高，这体现在当接收到用户请求之际，系统需要立即响应。模型通常会从调用方接收请求数据，并以实时或近实时的方式进行响应，比如预测外卖送达时间、根据用户浏览网页信息实时推送广告等。在线预测通常是流式处理，例如，当在诸如kafka之类的分布式流媒体平台上接收到数据之后，接入诸如flink或者spark streaming之类的批处理计算平台来进行实时处理。另外，在线预测根据使用方式又可以分为同步预测和异步预测。

随着人工智能技术的发展，当前机器学习或深度学习模型框架也是层出不穷，例如Scikit-Learn、PaddlePaddle、TensorFlow、PyTorch等。

图2示出了根据本公开的实施例的任务处理方法200的流程图。方法200可以在服务器(例如图1中所示的服务器120)处执行，也可以在客户端设备(例如图1中所示的任何客户端设备101-106)处执行。也即，方法200的各个步骤的执行主体可以是图1中所示的服务器120，也可以是图1中所示的客户端设备101、102、103、104、105和/或106。

如图2所示，方法200包括：

步骤S210：从调用地址获取目标模型以及与所述目标模型相关的参数；

步骤S220：对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型；以及

步骤S230：基于与所述目标模型相关的参数，利用所述兼容模型执行任务处理。

针对不同模型框架下训练出的模型之间存在显著区别且因而当用户使用这些模型执行任务处理时需要因模型而异地针对个体模型进行不同程度的适配以及改造等亟需解决的问题，上述方法能够提供适用于不同模型框架的兼容模型，从而使用户能够以统一方式对来自不同模型框架的模型进行部署和应用，免去了用户对个体模型进行适配和开发的代码成本。

在步骤S210中，从调用地址获取目标模型以及与所述目标模型相关的参数。

在一些实施例中，目标模型可以是机器学习模型或深度学习模型，具体取决于目标模型的模型框架、待处理的任务类型等。

在一些实施例中，与所述目标模型相关的参数可包括与所述模型的输入输出端口相关联的参数、与所述目标模型的预测方法(例如，模型预测时的主调用函数等)相关联的参数、与所述目标模型的源地址(例如，模型文件的存储地址)相关联的参数等等。

在一些实施例中，与所述目标模型相关的参数还可包括与所述目标模型的任务处理流水线的上下游操作相关联的参数。例如，任务处理流水线的上游操作可包括数据获取、数据缓存、数据预处理、处理资源调度、处理资源配置等。又例如，任务处理流水线的下游操作可包括数据存储、数据整合、处理资源释放等。

在一些实施例中，从调用地址获取多源模型框架中的与第一模型框架相应的目标模型以及与所述目标模型相关的参数，其中所述多源模型框架包括不同于第一模型框架的第二模型框架。

在步骤S220中，对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型。随着人工智能技术的发展，当前机器学习或深度学习模型框架也是层出不穷，比如Scikit-Learn、PaddlePaddle、TensorFlow、PyTorch等等。显见的是，根据各种不同的模型框架训练出的各种模型之间存在着显著差别。如果用户需要利用这些模型执行任务处理，则必需针对个体模型进行不同程度的适配以及改造。然而，这并非一劳永逸，例如，当用于预测任务的机器学习模型或深度学习模型发生改变(例如，由于模型框架的升级等因素导致)时，用户便需要修改或甚至重写代码以便能够继续利用模型来执行特定任务处理。利用模型进行预测是一种典型应用。以模型预测为例，归因于数据量的庞大和处理资源的限制，往往需要将用于预测任务的机器学习模型或深度学习模型部署到分布式环境中的各个分布式处理终端(例如，图1所示的任何客户端设备101-106或服务器120)，以便分摊工作负载并缩短预测任务的处理时间。在此情况下，当分布式处理终端发生改变(例如，由于分布式处理终端的硬件升级等因素导致)时，用户仍需要修改或甚至重写代码以便能够继续将模型恰适地部署到分布式处理终端并执行任务处理。在本申请的实施例中，借助于对目标模型进行转换以得到适用于多个模型框架的兼容模型，使用户能够专注于任务逻辑的开发，而无需因模型框架之间的差异、模型执行方法等因素而付出额外的代码劳动。

在一些实施例中，可基于与所述目标模型相关的参数对所述目标模型进行转换，以得到所述目标模型相应的兼容模型。

在步骤S230中，基于与所述目标模型相关的参数，利用所述兼容模型执行所述任务处理。在一些实施例中，任务处理可包括基于图像、视频、语音、文本、数字信号等数据的大数据/批量预测、大数据分类、目标检测与识别等等。

当前，业内已开发出许多针对机器学习模型或深度学习模型应用的产品(例如，mlflow、BentoML等)，然而此类产品仍需用户针对不同模型框架下的模型开发对应代码，因而并没有减轻利用模型执行任务处理的代码成本。此外，针对利用模型进行批处理任务的应用场景，当前缺少对将模型进行分布式便捷部署的支持，也因而导致批处理任务的运行时间较长。对此，上述方法200能够提供适用于多个模型框架的兼容模型，使用户能够以统一方式对来自不同模型框架的模型进行部署和应用。由此，用户能够专注于任务逻辑的开发，而不必付出对个体模型进行适配和开发的代码成本。

在本申请的实施例中，对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型包括：将所述目标模型封装为预设的兼容格式，以得到所述兼容模型。作为示例，可基于与所述目标模型相关的参数，生成具有预设的兼容格式的与所述目标模型相应的兼容模型。作为另一示例，可基于与所述目标模型相关的参数，将所述目标模型编码成具有预设的兼容格式的与所述目标模型相应的兼容模型。由此，能够获得对于多源模型框架中所有模型框架而言兼容的模型格式，从而使得来自多源模型框架的不同模型在封装之后能够以统一的用户交互方式呈现给具有不同编程水平和/或不同期望代码成本的用户以供进行模型的任务处理(例如，模型预测)。

在本申请的实施例中，所述兼容格式为mlflow模型框架的模型保存格式或者BentoML模型框架的模型保存格式。由此，通过结合与市面上广泛应用的开源平台相兼容的格式，使任务处理方法所针对的目标用户涵盖不同编程水平和代码成本的各类用户。

在本申请的实施例中，所述多个模型框架包括用于训练得到所述目标模型的第一模型框架，以及不同于所述第一模型框架的第二模型框架。

在本申请的实施例中，任务处理方法还包括配置执行任务处理所需的目标处理算法，所述基于与所述目标模型相关的参数，利用所述兼容模型执行任务处理，包括：基于与所述目标模型相关的参数和所述目标处理算法，利用所述兼容模型执行任务处理。作为示例，目标处理算法可包括与任务处理相关的主函数、子函数、库、例程、线程等等。由此，能够基于任务处理目标来有针对性地调整目标处理算法，从而使兼容模型的任务处理效率和性能得到提高。

在本申请的实施例中，利用所述兼容模型执行任务处理包括：将所述兼容模型部署至一个或多个终端，以使所述一个或多个终端中的每一者利用所述兼容模型执行所述任务处理。作为示例，一个或多个终端可以是spark平台中的各个个体执行器。在一些实施例中，将所述兼容模型部署至一个或多个终端包括将所述兼容模型与其输入数据分开地分发至一个或多个终端。这在任务处理例如为离线批量预测的情况下尤其有用，因为离线批量预测所涉及的数据集通常较为庞大。此类数据集通常从数据仓库被直接递送至终端，而不随兼容模型一起被部署至终端。由此，有效解决了模型预测的情况下数据集过大所导致的单机模型预测的费时和低效率问题。

在本申请的实施例中，将所述兼容模型部署至所述一个或多个终端还包括：对所述一个或多个终端进行配置操作，以使所述一个或多个终端中的每一者适于执行所述任务处理。由此，提高了将任务处理分摊至各个分布式处理终端后的任务处理效率。

在一些实施例中，对所述一个或多个终端进行配置操作，以使所述一个或多个终端中的每一者适于执行所述任务处理可包括基于代码文件配置所述一个或多个终端的运行所需的驱动程序、执行器内存资源、执行器CPU资源、执行器的数目等。代码文件可以在将所述目标模型封装为预设的兼容格式之前由用户来配置和/或提供。由此，能够对分布式环境中的终端执行器的软硬件资源进行恰当配置，从而使得终端执行器能够更好地利用兼容模型执行任务处理。

在本申请的实施例中，任务处理方法还包括以下步骤：校验所述调用地址；以及响应于所述调用地址通过校验，从所述调用地址获取所述目标模型。由此，通过提供校验步骤而有效地规避了因模型调用地址出错而导致的进程崩溃等问题。

在一些实施例中，响应于调用地址未能通过检验而发出报错提醒。

在本申请的实施例中，与所述目标模型相关的参数包括所述目标模型相应的目标输入数据结构和/或目标输出数据结构。此处，数据结构指的是对数据进行存储、组织等的方式等。由此，能够提供关于目标模型相应的任务处理的输入/输出数据的合规性要求，从而实现任务处理之前的预纠错机制。

在一些实施例中，与所述目标模型相关的所述参数可包括目标输入模式和目标输出模式，目标输入模式和目标输出模式分别指示所述兼容模型的输入数据和输出数据的数据结构。在一些实施例中，所述参数可由用户通过接口在调用地址处进行设置。以kubernetes为例，对于模型运行需要的资源和/或设置，kubernetes负责管理，用户只需要通过接口(例如，可视化界面)提供与目标模型的任务处理相关的参数即可，即，用户仅需专注于任务逻辑的开发而无需关心整个流水线的执行过程的代码开发细节。

在一些实施例中，所述目标输入数据结构和目标输出数据结构可基于模型所对应的任务处理、模型执行方法、分布式终端的协同模式等因素而有所不同。以目标输入数据结构为例，不同模型因所解决的实际问题不同而导致针对输入数据所提取的特征(例如，特征向量等)亦有所不同。就目标输出数据结构而言，在分布式终端协同执行模型所对应的任务处理时，目标输出数据结构可包括各分布式终端所对应的输出目录、缓冲队列定时等。

在一些实施例中，所述参数还包括代码文件，所述代码文件与对所述兼容模型的所述部署和所述任务处理相关。在一些实施例中，所述兼容模型的部署可包括将所述兼容模型部署至分布式终端。在一些实施例中，所述兼容模型的任务处理可涉及模型执行方法。换言之，代码文件可包括模型执行方法。在一些实施例中，模型执行方法可包括模型的任务处理(即，运行)所调用的主函数、子函数、自定义函数等。

在一些实施例中，与所述目标模型的任务处理相关的所述参数可包括若干字段，例如，配置字段、资源字段等。其中，配置字段可用于设置上述的目标输入数据结构和目标输出数据结构，而资源设置字段可用于设置上述的代码文件。

在本申请的实施例中，利用所述兼容模型执行所述任务处理还包括：获取待处理的初始数据；检测所述初始数据的数据结构是否符合所述目标输入数据结构；响应于所述初始数据的数据结构符合所述目标输入数据结构，基于所述初始数据获取所述兼容模型的输入数据；或，获取待处理的初始数据；检测所述初始数据的数据结构是否符合所述目标输入数据结构；响应于所述初始数据的数据结构不符合所述目标输入数据结构，将所述初始数据的数据结构转换为所述目标输入数据结构，并基于转换后的初始数据获取所述兼容模型的输入数据。在一些实施例中，基于所述初始数据或转换后的初始数据获取所述兼容模型的输入数据可包括数据清洗、特征提取、数据校验等。需要注意的是，上述的数据处理操作仅作为示例提出，并不旨在进行限制，且上述的数据处理操作无先后顺序之分。由此，能够在执行目标模型相应的任务处理之前按目标输入数据结构对初始数据进行合规性校验并对待输入到兼容模型中的从初始数据得到的输入数据进行必要的预处理，以便提高任务处理的效率。

在本申请的实施例中，利用所述兼容模型执行所述任务处理还包括：将输入数据输入所述兼容模型，以获取所述兼容模型的输出数据，所述输出数据采用所述目标输出数据结构。由此，能够按所指定的存储格式和存储位置来存放兼容模型的任务处理输出结果，便于后续使用。

在一些实施例中，所述目标模型包括所述不同模型框架下的现有模型和第三方模型。

在本申请的实施例中，所述模型框架包括：Scikit-Learn、PaddlePaddle、TensorFlow和PyTorch等等。

需要说明的是，在本公开的技术方案中，所涉及的数据和/或信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

图3示出了根据本公开的实施例的可在其中实施本文描述的各种方法的示例性平台300的示意图。

如图所示，示例性平台300包括数据仓库310-a，该数据仓库310-a存储如上所述的初始数据。

示例性平台300还包括模型中心320，该模型中心320存储已知的不同模型框架下的现有模型，这些现有模型可由用户在特定模型框架下创建，例如，框320-a和320-b所示的可视化建模和jupyter建模。附加地，示例性平台300还包括第三方模型320-c，该第三方模型320-c可以是定制的机器学习模型或深度学习模型。

示例性平台300还包括分布式终端330，该分布式终端330出于简便起见仅示出为一个框，然而实际的分布式任务处理可涉及多个分布式终端。

示例性平台300还包括任务处理结果340，该任务处理结果340存储如上所述的被部署至分布式终端的兼容模型所输出的处理结果(例如，输出数据)。附加地，示例性平台300还包括客户数据系统310-b，用于根据目标输出模式来接收兼容模型所输出的处理结果。

在图3中，箭头301所表示的操作可包括向分布式终端馈送初始数据。

需要注意的是，数据仓库310-a中所存储的数据也可用于训练用户在特定模型框架下创建的现有模型。

箭头302-a和302-b分别表示对来自模型中心320(即，现有模型)和来自第三方模型320-c(即，定制模型)的目标模型进行转换，以得到适用于不同模型框架的兼容模型，并进而将其部署至分布式终端330。

箭头303所表示的操作可包括分布式终端330利用所述兼容模型执行任务处理。

箭头304-a可表示将任务处理结果反馈至数据仓库310-a，这在例如任务处理涉及分类、目标检测等时尤其有用。

箭头304-c可表示将任务处理结果反馈至客户数据系统310-b，以便进行数据整合和分析。

借助于所示的示例性平台300，当训练完模型并且模型指标(如准确率、召回率等)符合用户要求后，可以将模型保存到模型中心，并且随后对模型进行转换以得到适用于不同模型框架的兼容模型并进而部署至分布式终端。如此，使用户能够以统一方式对来自不同模型框架的模型进行部署和应用。

图4示出了根据本公开实施例的针对目标模型的任务处理的装置400的框图。

如图所示，装置400包括：模型获取单元401，所述模型获取单元401被配置为从调用地址获取目标模型以及与所述目标模型相关的参数；模型转换单元402，所述模型转换单元402被配置为对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型；以及任务处理单元403，所述任务处理单元403被配置为基于与所述目标模型相关的参数，利用所述兼容模型执行任务处理。

针对不同模型框架下训练出的模型之间存在显著区别且因而当用户使用这些模型执行任务处理时需要因模型而异地针对个体模型进行不同程度的适配以及改造等亟需解决的问题，上述装置400能够提供适用于不同模型框架的兼容模型，从而使用户能够以统一方式对来自不同模型框架的模型进行部署和应用，免去了用户对个体模型进行适配和开发的代码成本。

根据本申请的实施例，还提供了一种能够实现上述方法中的任一者的电子设备、可读存储介质和计算机程序产品。

参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (12)

1.一种任务处理方法，包括：

从调用地址获取目标模型以及与所述目标模型相关的参数；

对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型；以及

基于与所述目标模型相关的参数，利用所述兼容模型执行任务处理。

2.根据权利要求1所述的方法，其中，对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型包括：

将所述目标模型封装为预设的兼容格式，以得到所述兼容模型。

3.根据权利要求1所述的方法，其中，所述多个模型框架包括用于训练得到所述目标模型的第一模型框架，以及不同于所述第一模型框架的第二模型框架。

4.根据权利要求1所述的方法，还包括：

配置执行任务处理所需的目标处理算法，

所述基于与所述目标模型相关的参数，利用所述兼容模型执行任务处理，包括：

基于与所述目标模型相关的参数和所述目标处理算法，利用所述兼容模型执行任务处理。

5.根据权利要求1-4中任一项所述的方法，还包括：

校验所述调用地址，

其中，响应于所述调用地址通过校验，从所述调用地址获取所述目标模型。

6.根据权利要求1-4中任一项所述的方法，其中，与所述目标模型相关的参数包括所述目标模型相应的目标输入数据结构和/或目标输出数据结构。

7.根据权利要求6所述的方法，其中，利用所述兼容模型执行任务处理包括：

获取待处理的初始数据；检测所述初始数据的数据结构是否符合所述目标输入数据结构；响应于所述初始数据的数据结构符合所述目标输入数据结构，基于所述初始数据获取所述兼容模型的输入数据；或，

获取待处理的初始数据；检测所述初始数据的数据结构是否符合所述目标输入数据结构；响应于所述初始数据的数据结构不符合所述目标输入数据结构，将所述初始数据的数据结构转换为所述目标输入数据结构，并基于转换后的初始数据获取所述兼容模型的输入数据。

8.根据权利要求6或7所述的方法，其中，利用所述兼容模型执行任务处理包括：

将输入数据输入所述兼容模型，以获取所述兼容模型的输出数据，所述输出数据采用所述目标输出数据结构。

9.一种任务处理装置，包括：

模型获取单元，所述模型获取单元被配置为从调用地址获取目标模型以及与所述目标模型相关的参数；

模型转换单元，所述模型转换单元被配置为对所述目标模型进行转换，以得到适用于多个模型框架的兼容模型；以及

任务处理单元，所述任务处理单元被配置为基于与所述目标模型相关的参数，利用所述兼容模型执行任务处理。

10.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-8中任一项所述的方法。

12.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。

Images