CN120162052B - 模型交付方法、模型交付平台、设备和存储介质 - Google Patents

模型交付方法、模型交付平台、设备和存储介质

Info

Publication number
CN120162052B
CN120162052B CN202510637620.4A CN202510637620A CN120162052B CN 120162052 B CN120162052 B CN 120162052B CN 202510637620 A CN202510637620 A CN 202510637620A CN 120162052 B CN120162052 B CN 120162052B
Authority
CN
China
Prior art keywords
model
machine learning
data
learning model
training
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
CN202510637620.4A
Other languages
English (en)
Other versions
CN120162052A (zh
Inventor
何家实
张雨
蔡高兴
廖立普
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.)
Shenzhen Yishi Huolala Technology Co Ltd
Original Assignee
Shenzhen Yishi Huolala Technology 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 Shenzhen Yishi Huolala Technology Co Ltd filed Critical Shenzhen Yishi Huolala Technology Co Ltd
Priority to CN202510637620.4A priority Critical patent/CN120162052B/zh
Publication of CN120162052A publication Critical patent/CN120162052A/zh
Application granted granted Critical
Publication of CN120162052B publication Critical patent/CN120162052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Stored Programmes (AREA)

Abstract

本申请提供了一种模型交付方法、模型交付平台、设备和存储介质，上述模型交付方法包括：获取模型元信息；解析模型元信息得到训练数据；基于训练数据对机器学习模型进行训练，得到训练完成的目标机器学习模型；解析模型元信息得到机器学习模型对应的模型环境；基于模型环境部署目标机器学习模型；在目标机器学习模型部署完成的情况下，启用目标机器学习模型。本申请实施例中，在模型训练过程中，通过模型元信息获取训练数据；在模型部署过程中，通过模型元信息获取模型环境，以此不需要跨平台即可实现模型训练和模型部署，提高了模型交付的效率。

Description

模型交付方法、模型交付平台、设备和存储介质
技术领域
本申请涉及机器学习技术领域，尤其涉及一种模型交付方法、模型交付平台、设备和存储介质。
背景技术
AI模型服务从需求提出，到模型开发训练，再到交付上线的大致流程为：数据处理师对训练数据进行数据处理，算法工程师进行机器学习模型的开发以及使用训练数据对机器学习模型进行训练，在机器学习模型训练完成后，运维工程师部署环境，并部署训练完成的机器学习模型，进而通过机器学习模型进行在线推理，实现模型的交付。
基于此，机器学习模型的开发和训练流程由算法工程师完成，机器学习模型的部署流程由维工程师完成，由于算法工程师和运维工程师通过各自的开发平台工作，即模型交付需要跨多个平台操作，这导致模型交付的效率较低。
发明内容
本申请的主要目的在于提供了一种模型交付方法、模型交付平台、设备和存储介质，旨在解决模型交付需要跨多个平台操作，这导致模型交付的效率较低的技术问题。
为实现上述目的，本申请提供一种模型交付方法，包括：
获取模型元信息；
解析所述模型元信息得到训练数据；
基于所述训练数据对机器学习模型进行训练，得到训练完成的目标机器学习模型；
解析所述模型元信息得到机器学习模型对应的模型环境；
基于所述模型环境部署所述目标机器学习模型；
在所述目标机器学习模型部署完成的情况下，启用所述目标机器学习模型。
可选地，所述获取模型元信息之前，所述方法包括：
导入数据集；所述数据集包括多个候选数据；
对每个候选数据进行数据标注；
删除所述多个候选数据中的异常数据，得到训练数据；所述异常数据对应的数据标注表征候选数据异常；
将所述训练数据存储至模型元信息。
可选地，所述获取模型元信息之前，所述方法包括：
获取模型开发代码；
编译所述模型开发代码生成机器学习模型；
获取模型环境代码；
基于所述模型环境代码调试所述机器学习模型对应的训练环境；
将所述模型开发代码和所述模型环境代码存储至模型元信息；
其中，所述模型开发代码用于编译所述机器学习模型，所述模型环境代码用于编译所述机器学习模型对应的模型环境。
可选地，所述基于所述模型环境部署所述目标机器学习模型，包括：
接收算力调整指令和容量调整指令；
响应于所述算力调整指令，在目标集群中重新分配所述目标机器学习模型对应的算力资源；所述目标集群为所述目标机器学习模型所部署的集群；
响应于所述容量调整指令，在所述目标集群中重新分配所述目标机器学习模型对应的存储资源；
在所述模型环境中部署重新分配算力资源和存储资源的目标机器学习模型。
可选地，所述方法还包括：
接收账号登录指令；所述账号登录指令携带有账号名称和账号密码；
响应于所述账号登录指令，对所述账号名称和所述账号密码进行验证；
在验证通过，且接收到读取指令的情况下，读取与所述账号名称相关联的模型元信息；
其中，所述模型元信息包括训练数据、模型开发代码和模型环境代码。
此外，为实现上述目的，本申请还提供一种模型交付平台，包括模型训练模块、模型部署模块和模型推理模块，所述模型训练模块与所述模型部署模块通信连接，所述模型部署模块与所述模型推理模块通信连接：
模型训练模块，用于获取模型元信息；
解析所述模型元信息得到训练数据；
基于所述训练数据对机器学习模型进行训练，得到训练完成的目标机器学习模型；
模型部署模块，用于解析所述模型元信息得到机器学习模型对应的模型环境；
基于所述模型环境部署所述目标机器学习模型；
模型推理模块，用于在所述目标机器学习模型部署完成的情况下，启用所述目标机器学习模型。
可选地，所述模型交付平台还包括：
数据处理模块，用于导入数据集；所述数据集包括多个候选数据；
对每个候选数据进行数据标注；
删除所述多个候选数据中的异常数据，得到训练数据；所述异常数据对应的数据标注表征候选数据异常；
将所述训练数据存储至模型元信息。
可选地，所述模型交付平台还包括：
模型开发模块，用于获取模型开发代码；
编译所述模型开发代码生成机器学习模型；
获取模型环境代码；
基于所述模型环境代码调试所述机器学习模型对应的训练环境；
将所述模型开发代码和所述模型环境代码存储至模型元信息；
其中，所述模型开发代码用于编译所述机器学习模型，所述模型环境代码用于编译所述机器学习模型对应的模型环境。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
所述计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例中提出的任一项所述的模型交付方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例中提出的任一项所述的模型交付方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请提供了一种模型交付方法、模型交付平台、设备和存储介质，上述模型交付方法包括：获取模型元信息；解析模型元信息得到训练数据；基于训练数据对机器学习模型进行训练，得到训练完成的目标机器学习模型；解析模型元信息得到机器学习模型对应的模型环境；基于模型环境部署目标机器学习模型；在目标机器学习模型部署完成的情况下，启用目标机器学习模型。本申请实施例中，在模型训练过程中，通过模型元信息获取训练数据；在模型部署过程中，通过模型元信息获取模型环境，以此不需要跨平台即可实现模型训练和模型部署，提高了模型交付的效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；
图2是本申请实施例提供的模型交付方法的流程图；
图3是本申请实施例提供的模型交付方法的应用场景示意图；
图4是本申请实施例提供的模型交付平台的结构示意图之一；
图5是本申请实施例提供的模型交付平台的结构示意图之二；
图6是本申请实施例提供的计算机设备基本结构框图。
具体实施方式
本申请实施例提供的模型交付方法应用于模型交付平台除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交线上平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的模型交付方法一般由服务器/终端设备执行，相应地，模型交付平台一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
请参考图2，示出了根据本申请提出的模型交付方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。
本申请实施例提供的模型交付方法应用于模型交付平台，模型交付平台包括数据处理模块、模型开发模块、模型训练模块、模型部署模块和模型推理模块。可选地，上述模型交付平台为机器学习平台。模型交付方法包括以下步骤：
S210，获取模型元信息。
S220，解析所述模型元信息得到训练数据。
需要说明的是，模型交付平台预先存储有模型元信息，上述模型元信息可以存储在模型交付平台的数据库中，模型交付平台也可以通过区块链技术获取模型元信息。
本步骤中，在获取到模型元信息之后，解析该模型元信息得到训练数据。
S230，基于所述训练数据对机器学习模型进行训练，得到训练完成的目标机器学习模型。
本步骤中，在得到训练数据之后，可以使用该训练数据对机器学习模型进行训练，进而得到训练完成的机器学习模型，将上述训练完成的机器学习模型称为目标机器学习模型。
可选地，上述模型元信息还包括模型开发代码，本步骤中，可以解析模型元信息得到模型开发代码，对模型开发代码进行编译得到机器学习模型。
S240，解析所述模型元信息得到机器学习模型对应的模型环境。
S250，基于所述模型环境部署所述目标机器学习模型。
本步骤中，可以解析模型元信息得到机器学习模型对应的模型环境，并将目标机器学习模型部署在模型环境中。
可选地，上述模型元信息还包括模型环境代码，本步骤中，可以解析模型元信息得到模型环境代码，对模型环境代码进行编译得到模型环境。
S260，在所述目标机器学习模型部署完成的情况下，启用所述目标机器学习模型。
本步骤中，在目标机器学习模型部署完成的情况下，可以上线该目标机器学习模型，启用该目标机器学习模型，可选地，可以应用目标机器学习模型对接收到的服务信息进行推理。
本申请实施例中，获取模型元信息；解析模型元信息得到训练数据；基于训练数据对机器学习模型进行训练，得到训练完成的目标机器学习模型；解析模型元信息得到机器学习模型对应的模型环境；基于模型环境部署目标机器学习模型；在目标机器学习模型部署完成的情况下，启用目标机器学习模型。本申请实施例中，在模型训练过程中，通过模型元信息获取训练数据；在模型部署过程中，通过模型元信息获取模型环境，以此不需要跨平台即可实现模型训练和模型部署，提高了模型交付的效率。
可选地，所述获取模型元信息之前，所述方法包括：
导入数据集；所述数据集包括多个候选数据；
对每个候选数据进行数据标注；
删除所述多个候选数据中的异常数据，得到训练数据；所述异常数据对应的数据标注表征候选数据异常；
将所述训练数据存储至模型元信息。
如上所述，模型交付平台包括数据处理模块。
本实施例中，数据处理模块响应于数据处理请求，导入数据集，其中，上述数据集可以是机器学习平台本地存储的数据，也可以是机器学习平台通过互联网获取的数据，也可以是机器学习平台与其他设备通信获取到的数据。
数据处理模块响应于数据标注指令，对数据集中的每个候选数据进行数据标注。
一种可选地实施方式为，人工对候选数据进行数据标注，这种实施方式下，数据处理模块向前端页面发送数据集包括的多个候选数据，数据处理师基于该候选数据，向数据处理模块发送数据标注指令，实现对多个候选数据的人工数据标注。
另一种可选地实施方式为，对候选数据进行自动的数据标注，这种实施方式下，数据处理模块对候选数据进行结构化处理得到结构数据，并基于预设的标注规则对多个候选数据的进行数据标注。
在对每个候选数据进行数据标注之后，基于每个候选数据对应的标注信息，删除多个候选数据中的异常数据，得到训练数据，并将训练数据存储至模型元信息。
本实施例中，通过数据处理模块导入数据，并对数据进行标注，得到训练数据，进而将训练数据存储至模型元信息中，由于模型元信息可以在模型开发模块、模型训练模块、模型部署模块和模型推理模块之间跨平台传输，因此在模型训练过程中，无需将数据处理模块生成的训练数据拷贝至模型训练模块，以此提高了模型交付的效率。
可选地，所述获取模型元信息之前，所述方法包括：
获取模型开发代码；
编译所述模型开发代码生成机器学习模型；
获取模型环境代码；
基于所述模型环境代码调试所述机器学习模型对应的训练环境；
将所述模型开发代码和所述模型环境代码存储至模型元信息；
其中，所述模型开发代码用于编译所述机器学习模型，所述模型环境代码用于编译所述机器学习模型对应的模型环境。
如上所述，模型交付平台包括模型开发模块和模型部署模块。
本实施例中，模型开发模块获取算法工程师输入的模型开发代码，对上述模型开发代码进行编译生成机器学习模型。模型部署模块获取算法工程师输入的模型环境代码，基于模型环境代码调试机器学习模型对应的训练环境。进一步的，将上述模型开发代码和模型环境代码存储至模型元信息。
本实施例中，将模型开发代码和模型环境代码存储至模型元信息，由于模型元信息可以在模型开发模块、模型训练模块、模型部署模块和模型推理模块之间跨平台传输，因此在模型部署过程中，无需重复搭建模型环境以及重复编译机器学习模型，以此提高了模型交付的效率。
为便于理解上述所有实施例阐述的技术方案，请参阅图3，图3示出的“数据准备”部分可以理解为本申请实施例中的数据处理模块，“模型开发”部分可以理解为本申请实施例中的模型开发模块，“模型训练”部分可以理解为本申请实施例中的模型训练模块，“模型部署”部分可以理解为本申请实施例中的模型部署模块，“推理”部分可以理解为本申请实施例中的模型推理模块。
如图3所示，数据处理模块响应数据处理师发送的指令，模型开发模块、模型训练模块、模型部署模块和模型推理模块响应算法工程师发送的指令，模型元信息可在模型处理模块、模型开发模块、模型训练模块、模型部署模块和模型推理模块之间传输。
在图3示出的应用场景中，模型训练和模型部署均由算法工程师完成，不需要跨平台即可实现模型训练和模型部署，提高了模型交付的效率。
可选地，所述基于所述模型环境部署所述目标机器学习模型，包括：
接收算力调整指令和容量调整指令；
响应于所述算力调整指令，在目标集群中重新分配所述目标机器学习模型对应的算力资源；所述目标集群为所述目标机器学习模型所部署的集群；
响应于所述容量调整指令，在所述目标集群中重新分配所述目标机器学习模型对应的存储资源；
在所述模型环境中部署重新分配算力资源和存储资源的目标机器学习模型。
在模型部署的过程中，若接收到算力调整指令，则基于该算力调整指令，重新分配目标机器学习模型对应的算力资源。具体而言，可以建立目标机器学习模型与目标集群中计算节点之间的映射关系，通过存在映射关系的计算节点对目标机器学习模型进行部署。
在模型部署的过程中，若接收到容量调整指令，则基于该容量调整指令，重新分配目标机器学习模型对应的存储资源。具体而言，可以对该目标机器学习模型进行扩容或者缩容。
本实施例中，在模型部署的过程中，通过算力调整指令和容量调整指令，调整目标机器学习模型的算力资源和存储资源，实现模型的一键部署，提高模型部署的便捷性。
可选地，所述方法还包括：
接收账号登录指令；所述账号登录指令携带有账号名称和账号密码；
响应于所述账号登录指令，对所述账号名称和所述账号密码进行验证；
在验证通过，且接收到读取指令的情况下，读取与所述账号名称相关联的模型元信息；
其中，所述模型元信息包括训练数据、模型开发代码和模型环境代码。
本实施例中，模型交付平台还可以设置个人账号，个人账号与模型元信息相关联，且不同账号关联不同的模型元信息。
可选地所述方式为，接收账号登录指令，解析该账号登录指令，得到账号名称和账号密码，并对该账号名称和账号密码进行验证。
一种可选地验证方式为，在预设的映射表中对账号名称进行查询，得到密码，若该密码与账号密码一致，则确定验证通过。其中，映射表存储有账号名称与密码之间的映射关系。
在验证通过的情况下，若接收到指示获取模型元信息的读取质量，则获取与账号名称相关联的模型元信息。
本实施例中，通过对账号进行验证，进而获得该账号对应的模型元信息，以此实现每个账号个人工作目录的定制化，丰富个性化模型交付流程。
请参阅图4，本申请实施例提供的一种模型交付平台400，模型交付平台400包括模型训练模块410、模型部署模块420和模型推理模块430，所述模型训练模块410与所述模型部署模块420通信连接，所述模型部署模块420与所述模型推理模块430通信连接：
模型训练模块410，用于获取模型元信息；
解析所述模型元信息得到训练数据；
基于所述训练数据对机器学习模型进行训练，得到训练完成的目标机器学习模型；
模型部署模块420，用于解析所述模型元信息得到机器学习模型对应的模型环境；
基于所述模型环境部署所述目标机器学习模型；
模型推理模块430，用于在所述目标机器学习模型部署完成的情况下，启用所述目标机器学习模型。
本申请实施例中，上述模型训练模块410、模型部署模块420和模型推理模块430可由算法工程师操作，即算法工程师只需在一个平台内即可实现模型训练、模型部署和模型推理的过程，以此不需要跨平台即可实现模型训练和模型部署，提高了模型交付的效率。
请参阅图5，本申请实施例提供的一种模型交付平台400，模型交付平台400，还包括：
数据处理模块440，用于导入数据集；所述数据集包括多个候选数据；
对每个候选数据进行数据标注；
删除所述多个候选数据中的异常数据，得到训练数据；所述异常数据对应的数据标注表征候选数据异常；
将所述训练数据存储至模型元信息。
请参阅图5，本申请实施例提供的一种模型交付平台400，模型交付平台400，还包括：
模型开发模块450，用于获取模型开发代码；
编译所述模型开发代码生成机器学习模型；
获取模型环境代码；
基于所述模型环境代码调试所述机器学习模型对应的训练环境；
将所述模型开发代码和所述模型环境代码存储至模型元信息；
其中，所述模型开发代码用于编译所述机器学习模型，所述模型环境代码用于编译所述机器学习模型对应的模型环境。
可选地，所述模型部署模块420，具体用于：
接收算力调整指令和容量调整指令；
响应于所述算力调整指令，在目标集群中重新分配所述目标机器学习模型对应的算力资源；所述目标集群为所述目标机器学习模型所部署的集群；
响应于所述容量调整指令，在所述目标集群中重新分配所述目标机器学习模型对应的存储资源；
在所述模型环境中部署重新分配算力资源和存储资源的目标机器学习模型。
可选地，所述模型交付平台400，还用于：
接收账号登录指令；所述账号登录指令携带有账号名称和账号密码；
响应于所述账号登录指令，对所述账号名称和所述账号密码进行验证；
在验证通过，且接收到读取指令的情况下，读取与所述账号名称相关联的模型元信息；
其中，所述模型元信息包括训练数据、模型开发代码和模型环境代码。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有存储器61、处理器62、网络接口63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如模型交付方法的程序代码等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据，例如运行所述模型交付方法的程序代码。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有所述模型交付程序，所述模型交付程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的模型交付方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件线上平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (7)

1.一种模型交付方法，其特征在于，包括：
获取模型元信息；
解析所述模型元信息得到训练数据；
基于所述训练数据对机器学习模型进行训练，得到训练完成的目标机器学习模型；
解析所述模型元信息得到机器学习模型对应的模型环境；
基于所述模型环境部署所述目标机器学习模型；
在所述目标机器学习模型部署完成的情况下，启用所述目标机器学习模型对接收到的服务信息进行推理；
其中，所述基于所述模型环境部署所述目标机器学习模型，包括：
接收算力调整指令和容量调整指令；
响应于所述算力调整指令，在目标集群中重新分配所述目标机器学习模型对应的算力资源；所述目标集群为所述目标机器学习模型所部署的集群；
响应于所述容量调整指令，在所述目标集群中重新分配所述目标机器学习模型对应的存储资源；
在所述模型环境中部署重新分配算力资源和存储资源的目标机器学习模型；
其中，所述获取模型元信息之前，所述方法包括：
获取模型开发代码；
编译所述模型开发代码生成机器学习模型；
获取模型环境代码；
基于所述模型环境代码调试所述机器学习模型对应的训练环境；
将所述模型开发代码和所述模型环境代码存储至模型元信息；
其中，所述模型开发代码用于编译所述机器学习模型，所述模型环境代码用于编译所述机器学习模型对应的模型环境。
2.根据权利要求1所述的方法，其特征在于，所述获取模型元信息之前，所述方法包括：
导入数据集，所述数据集包括多个候选数据；
对每个候选数据进行数据标注；
删除所述多个候选数据中的异常数据，得到训练数据；所述异常数据对应的数据标注表征候选数据异常；
将所述训练数据存储至模型元信息。
3.根据权利要求1-2中任一项所述的方法，其特征在于，所述方法还包括：
接收账号登录指令；所述账号登录指令携带有账号名称和账号密码；
响应于所述账号登录指令，对所述账号名称和所述账号密码进行验证；
在验证通过，且接收到读取指令的情况下，读取与所述账号名称相关联的模型元信息；
其中，所述模型元信息包括训练数据、模型开发代码和模型环境代码。
4.一种模型交付平台，其特征在于，包括模型训练模块、模型部署模块和模型推理模块，所述模型训练模块与所述模型部署模块通信连接，所述模型部署模块与所述模型推理模块通信连接：
模型训练模块，用于获取模型元信息；
解析所述模型元信息得到训练数据；
基于所述训练数据对机器学习模型进行训练，得到训练完成的目标机器学习模型；
模型部署模块，用于解析所述模型元信息得到机器学习模型对应的模型环境；
基于所述模型环境部署所述目标机器学习模型；
模型推理模块，用于在所述目标机器学习模型部署完成的情况下，启用所述目标机器学习模型对接收到的服务信息进行推理；
其中，模型部署模块，具体用于：
接收算力调整指令和容量调整指令；
响应于所述算力调整指令，在目标集群中重新分配所述目标机器学习模型对应的算力资源；所述目标集群为所述目标机器学习模型所部署的集群；
响应于所述容量调整指令，在所述目标集群中重新分配所述目标机器学习模型对应的存储资源；
在所述模型环境中部署重新分配算力资源和存储资源的目标机器学习模型；
所述模型交付平台还包括：
模型开发模块，用于获取模型开发代码；
编译所述模型开发代码生成机器学习模型；
获取模型环境代码；
基于所述模型环境代码调试所述机器学习模型对应的训练环境；
将所述模型开发代码和所述模型环境代码存储至模型元信息；
其中，所述模型开发代码用于编译所述机器学习模型，所述模型环境代码用于编译所述机器学习模型对应的模型环境。
5.根据权利要求4所述的模型交付平台，其特征在于，所述模型交付平台还包括：
数据处理模块，用于导入数据集；所述数据集包括多个候选数据；
对每个候选数据进行数据标注；
删除所述多个候选数据中的异常数据，得到训练数据；所述异常数据对应的数据标注表征候选数据异常；
将所述训练数据存储至模型元信息。
6.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的模型交付方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的模型交付方法的步骤。
CN202510637620.4A 2025-05-19 2025-05-19 模型交付方法、模型交付平台、设备和存储介质 Active CN120162052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510637620.4A CN120162052B (zh) 2025-05-19 2025-05-19 模型交付方法、模型交付平台、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510637620.4A CN120162052B (zh) 2025-05-19 2025-05-19 模型交付方法、模型交付平台、设备和存储介质

Publications (2)

Publication Number Publication Date
CN120162052A CN120162052A (zh) 2025-06-17
CN120162052B true CN120162052B (zh) 2025-11-07

Family

ID=96000054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510637620.4A Active CN120162052B (zh) 2025-05-19 2025-05-19 模型交付方法、模型交付平台、设备和存储介质

Country Status (1)

Country Link
CN (1) CN120162052B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976457A (zh) * 2023-04-27 2023-10-31 腾讯科技（深圳）有限公司 模型加载方法、推理系统、装置和计算机设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3122685C (en) * 2018-12-11 2024-01-09 Exxonmobil Upstream Research Company Automated seismic interpretation systems and methods for continual learning and inference of geological features
US20220413821A1 (en) * 2021-06-28 2022-12-29 International Business Machines Corporation Deploying a machine learning model
CN113988306B (zh) * 2021-09-28 2025-04-29 阿里巴巴（中国）有限公司 样例数据的处理方法、装置、设备和存储介质
CN114091687A (zh) * 2021-11-24 2022-02-25 中国银行股份有限公司 机器学习模型自动交付和部署的方法及装置
CN114398188A (zh) * 2022-01-14 2022-04-26 深圳市商汤科技有限公司 模型管理方法、模型管理服务、客户端及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976457A (zh) * 2023-04-27 2023-10-31 腾讯科技（深圳）有限公司 模型加载方法、推理系统、装置和计算机设备

Also Published As

Publication number Publication date
CN120162052A (zh) 2025-06-17

Similar Documents

Publication Publication Date Title
CN111414407B (zh) 数据库的数据查询方法、装置、计算机设备及存储介质
CN115564000B (zh) 二维码生成方法、装置、计算机设备及存储介质
CN112416458A (zh) 基于ReactNative的预加载方法、装置、计算机设备及存储介质
CN117033249A (zh) 一种测试用例生成方法、装置、计算机设备及存储介质
CN114626352B (zh) 报表自动化生成方法、装置、计算机设备及存储介质
CN115361162B (zh) 系统登录方法及其相关设备
CN115576837A (zh) 一种批量造数方法、装置、计算机设备及存储介质
CN117785181B (zh) 一种代码执行方法、装置、设备及其存储介质
CN120162052B (zh) 模型交付方法、模型交付平台、设备和存储介质
CN115222545B (zh) 报文模块化处理方法、装置、计算机设备及存储介质
CN118368317A (zh) 应用于服务系统的服务调用方法、装置和计算机设备
CN117499270A (zh) 一种流量处理方法、装置、计算机设备和存储介质
CN116661936A (zh) 页面数据的处理方法、装置、计算机设备及存储介质
CN116860644A (zh) 自动化测试方法、装置、计算机设备及存储介质
CN119538893B (zh) 一种文档生成方法、装置、设备及其存储介质
CN117112665B (zh) 链路数据的处理方法、装置、计算机设备及存储介质
CN115834685B (zh) 基于动态代理的屏幕适配方法及其相关设备
CN117290019A (zh) 一种接口调用方法、装置、计算机设备和存储介质
CN119984316A (zh) 导航测试方法、系统、设备和存储介质
CN117271635A (zh) 一种清单导出方法、装置、计算机设备及存储介质
CN119938058A (zh) 编译方法、装置、设备和存储介质
CN114936079A (zh) 流程化机器人任务的处理方法、装置、设备及存储介质
CN115080045A (zh) 链路生成方法、装置、计算机设备及存储介质
CN120144328A (zh) 资源分配方法、机器学习平台、设备和存储介质
CN120086459A (zh) 文档在线浏览方法、装置、设备和存储介质

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