[發明專利]基于深度學習預測部分的跨平臺實現架構及方法

有效

• 申請號: 201810145538.X
• 申請日: 2018-02-11
• 公開（公告）號: CN108279881B
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 劉振
• 申請（專利權）人: 深圳竹信科技有限公司
• 主分類號: G06F8/20
• 分類號: G06F8/20;G06F8/76;G06N20/00
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胡海國;晏波

本發明公開了一種基于深度學習預測部分的跨平臺實現架構，包括基礎層、接口層和開發層；基礎層包括集成操作內核、跨平臺編譯環境、預測代碼裁剪配置和人工神經網絡；基礎層用于封裝出深度學習預測部分統一接口；接口層包括所述深度學習預測部分統一接口及接口轉換工具；接口轉換工具用于將深度學習預測部分統一接口轉換成預設目標接口；開發層包括各類開發端，用于連接接口層，并調用與開發端支持接口類型對應的適用接口，以實現深度學習預測部分的跨平臺移植。本發明還公開了一種基于深度學習預測部分的跨平臺實現方法。本發明完善了深度學習開發框架基于深度學習預測部分的跨平臺實現，從而提高深度學習預測部分的產品化效率。

技術領域

本發明涉及機器學習的技術領域，尤其涉及基于深度學習預測部分的跨平臺實現架構及方法。

背景技術

機器學習作為一門多領域交叉學科，是人工智能的核心研究領域。而深度學習是機器學習的關鍵性技術，其越來越受到各國研究人員的關注和重視。

機器學習和深度學習領域有很多的開發框架，例如Tensorflow、Caffe、Theano。其中，Tensorflow是迄今為止應用最廣泛、具有優異表現的深度學習開發框架。谷歌公司在2015年開源了Tensorflow的首個版本；而且Tensorflow目前在深度學習開發框架中世界排名第一。

但是，目前深度學習開發框架更多是側重于云計算和在線預測，對于端側設備本地直接預測的場景都還有很大完善空間。另外，從用戶端速度體驗、離線預測方案需求、以及端側設備計算資源充分利用等角度來看，對深度學習的預測部分進行跨平臺、輕量級的實現是必要的，而且將會極大地提高深度學習預測部分的產品化效率。

以Tensorflow為例，在跨平臺預測的實現上，仍存在很多需要完善的方面，具體包括：

(1)Tensorflow接口不統一。對于不同平臺，提供的實現方案不同；對于不同的編程語言，支持的接口各異，導致用戶學習成本上升；不同端側實現相同業務的代碼迥異，開發和維護管理成本高，質量控制困難。

(2)Tensorflow應用層接口封裝方式不夠統一、變化較快，甚至造成部分業務在某些平臺上無法實現。

(3)Tensorflow官方發布支持平臺種類有限。例如官方沒有宣稱負責支持維護嵌入式設備。在移動端、嵌入式系統等端側設備的高效率移植、功能的實現、性能調優方面均有待完善。

(4)Tensorflow框架內核體量較大、使用應用層接口無法深入。由于搶占云計算研發入口的戰略等因素，Tensorflow整體傾向于云計算、在線預測。內核體量較大，包含了訓練和預測兩部分的代碼。多數開發者僅工作在應用層，無法深入Tensorflow底層進行裁剪。

發明內容

本發明主要目的在于提供一種基于深度學習預測部分的跨平臺實現架構及方法，旨在完善深度學習開發框架基于深度學習預測部分的跨平臺實現，從而提高深度學習預測部分的產品化效率。

為實現上述目的，本發明提供的一種基于深度學習預測部分的跨平臺實現架構，所述架構包括基礎層、接口層和開發層；其中，

所述基礎層包括集成操作內核、跨平臺編譯環境、預測代碼裁剪配置和人工神經網絡；所述基礎層用于封裝出深度學習預測部分統一接口；

所述接口層包括所述深度學習預測部分統一接口及接口轉換工具；其中，所述接口轉換工具用于將所述深度學習預測部分統一接口轉換成預設目標接口；

所述開發層包括開發端，用于連接所述接口層，并調用與開發端支持接口類型對應的適用接口，以實現深度學習預測部分的跨平臺移植；

其中，所述適用接口為所述深度學習預測部分統一接口或者所述預設目標接口。

優選地，所述集成操作內核為Tensorflow框架內核。