[發明專利]基于K8s集群建立的依圖寫詩系統的控制方法

有效

• 申請號: 201810643605.0
• 申請日: 2018-06-21
• 公開（公告）號: CN108874779B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 王方京;張巖峰;祝亞兵;陳晶晶;楊慧麗
• 申請（專利權）人: 東北大學
• 主分類號: G06F40/284
• 分類號: G06F40/284;G06F16/58;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李運萍

1.一種基于K8s集群建立的依圖寫詩系統的控制方法，其特征在于，包括以下步驟：

步驟1，采用Kubeadm方法，使用TensorFlow搭建Kubernetes集群，具體搭建方法為：

所述Kubernetes集群，簡稱K8s集群，搭建于N臺物理機上，選擇其中一臺物理機作為Master，其他N-1個物理機作為Node；所述物理機的系統程序采用Python2.7版本；

步驟2，對圖片識別模型進行遷移學習訓練，得到訓練后的圖片識別模型；所述圖片識別模型為google開源的inception_v3圖片識別模型，用于得出任意圖片的每一個多標簽所對應的概率值；

步驟3，通過Kubernetes集群對詩詞生成模型進行分布式訓練，獲得訓練后的詩詞生成模型；所述詩詞生成模型為encoder-decoder詩詞生成模型，用于根據所述概率值，生成與所述任意圖片相適應的詩詞；

步驟4，采用訓練后的圖片識別模型識別用戶的上傳圖片；

步驟4.1，用戶通過圖片輸入端將上傳圖片發送至所述訓練后的圖片識別模型；

步驟4.2，所述訓練后的圖片識別模型根據所述上傳圖片，得出上傳圖片的每一個多標簽所對應的概率值；

步驟5，通過連接程序連接所述訓練后的圖片識別模型和訓練后的詩詞生成模型；所述連接程序的連接過程，包括以下步驟：

步驟5.1，設置所述訓練后的圖片識別模型的閾值；

所述閾值用于限定所述概率值；所述多標簽對應的概率值大于所述閾值時，則保留，反之則不保留，得到由保留下來的多標簽形成的多標簽集合；

步驟5.2，根據步驟4.2中得到的所述訓練后的圖片識別模型得到的各所述多標簽的概率值，對每個所述多標簽對應的各子單標簽賦予相同的概率值，對各多標簽中相同的單標簽進行整合，即將相同的子單標簽的概率值進行疊加，得出各子單標簽的最終概率值并從大到小排序的；

步驟5.3，去除所述最終概率值小于所述閾值的類別，得到的子單標簽集合，其中子單標簽的類別數量為m；

步驟5.4，得到的子單標簽的類別數量m若大于等于4，則按照最終概率值從大到小的排序順序保留前4個類別，作為類別列表p，轉到步驟5.7；否則轉到步驟5.5；

步驟5.5，得到的子單標簽的類別數量m若大于0且小于4則重復最終概率值最高的子單標簽4-m遍，使得子標簽類別數量為4，按照最終概率值從大到小的排序順序保留這4個類別，作為類別列表p，轉到步驟5.7；否則轉到步驟5.6

步驟5.6，得到的子單標簽的類別數量m若為0，則重復之前緩存的得分最高的子單標簽3次，使得子標簽類別數量為4，保留這4個類別，作為類別列表p；

步驟5.7，將類別列表p按照中英文對照表將其中四項均轉為漢字，即得到4組關鍵詞；

步驟5.8，將4組所述關鍵詞輸入到訓練后的詩詞生成模型；

步驟6，采用所述訓練后的詩詞生成模型根據所述4組關鍵詞生成一首完整詩詞；

步驟7，通過詩詞輸出端向用戶展示所述上傳圖片和所述完整詩詞。

2.根據權利要求1所述的基于K8s集群建立的依圖寫詩系統的控制方法，其特征在于，步驟2中，所述遷移學習訓練具體包括以下步驟：

步驟2.1，建立圖片數據集，所述圖片數據集包含若干帶有多標簽的圖片；

步驟2.2，采用遷移學習方法，對所述圖片識別模型的參數進行調整，具體調整方法為：

修改所述圖片識別模型的最后一層，即softmax層以初步適應所述圖片數據集，然后采用遷移學習方法訓練所述最后一層的參數，獲得訓練后的圖片識別模型，以完全適應所述圖片數據集；

步驟2.3，保存所述訓練后的圖片識別模型。