[發明專利]一種機器學習模型生命周期管理系統及方法

在審

• 申請號: 202010115125.4
• 申請日: 2020-02-25
• 公開（公告）號: CN111309378A
• 公開（公告）日: 2020-06-19
• 發明（設計）人: 陳波;左御丁;史特;孫孟凡
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F8/71
• 分類號: G06F8/71
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 陳選中

1.一種機器學習模型生命周期管理系統，其特征在于，包括依次連接的模板庫模塊、訓練模型模塊和上線模塊；

所述模板庫模塊用于實現模板導入、模板新建、模板修改、模板刪除和模板搜索；

所述訓練模型模塊用于實現導入模型、從模板庫新建模型、模型傳參運行、導出模型、修改模型和上線模型；

所述上線模塊用于實現模型運行、模型刪除和模型搜索。

2.根據權利要求1所述的機器學習模型生命周期管理系統，其特征在于，所述機器學習模型生命周期管理系統用于對機器學習模型進行生命周期管理；

所述機器學習模型對應于Zepplin中的note，且所述機器學習模型的代碼存儲于每個paragraph的text屬性中；

所述Zeppelin中的一個note包含至少一個paragraph，所述paragraph為Zepplin中的最小運行單元，且每個所述paragraph為一個代碼段；

所述Zeppelin單獨運行一個paragraph或運行對應的整個note，且當運行note時，note中的paragraph按順序運行，并繼承上下文關系。

3.一種機器學習模型生命周期管理方法，其特征在于，包括以下步驟：

S1、模型生成：通過模板庫模塊調用封裝好的數據預處理方法、特征工程方法和模式結構，構造對應的基礎機器學習模型；

S2、模型執行：通過訓練模型模塊選擇模板庫模塊中存儲的方法構成代碼塊或編輯修改新的功能代碼，將基礎機器學習模型形成可執行的機器學習模型，并通過訓練模型模塊傳參運行機器學習模型；

S3、模型優化：通過訓練模型模塊修改傳入的參數來進行超參數優化或改變機器學習模型的網絡結構、損失函數及梯度下降算法，實現對機器學習模型的調優進而形成訓練好的機器學習模型，并傳輸至上線模塊中；

S4、模型部署：將訓練好的機器學習模型封裝部署為上線模型并進行模型運行，提供模型推斷服務，實現機器學習模型生命周期管理。

4.根據權利要求3所述的機器學習模型生命周期管理方法，其特征在于，在機器學習模型的生命周期管理中，通過引入模型狀態機制來表示機器學習模型在不同階段時的狀態；

其中，步驟S1中構造的基礎機器學習模型的狀態為template；

步驟S2中模型生成過程中的形成的可執行的機器學習模型和步驟S3模型優化過程中的訓練好的機器學習模型的狀態均為train；

步驟S4中的模型部署過程中部署封裝好的機器學習模型的狀態為deploy。

5.根據權利要求3所述的機器學習模型生命周期管理方法，其特征在于，所述步驟S1具體為：

S11、文件導入：從本地選擇Zepplin note格式的json文件，并更新模板庫模塊中的模板庫列表；

S12、模型確定：確定需要新建的機器學習模型的類型和模型信息，并在Zepplin web頁面中根據模型類型和模型信息生成一個新的note；

S13、模型構造：對形成的新的note進行解釋器綁定和paragraphs代碼編寫，將其保存至模板庫模塊中并更新模板庫列表，完成基礎機器學習模型的構造。

6.根據權利要求5所述的機器學習模型生命周期管理方法，其特征在于，所述步驟S1中，在模型構造過程中，還包括對模板庫列表中的模型進行修改或刪除；

其中，對模型修改的方法具體為：進入Zeppelin web對應note，進行對應的配置和代碼修改并更新模板庫列表；

對模型刪除的方法具體為：在模板庫列表中直接刪除對應的模型并更新模板庫列表。