[發明專利]機器學習模型的部署方法、裝置、電子設備及存儲介質

在審

• 申請號: 202110751595.4
• 申請日: 2021-07-02
• 公開（公告）號: CN113344218A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 劉凱
• 申請（專利權）人: 百融云創科技股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京鼎佳達知識產權代理事務所(普通合伙) 11348
• 代理人: 侯菲菲;劉鐵生

1.一種機器學習模型的部署方法，其特征在于，所述方法包括：

獲取線下訓練完成的特征工程和機器學習模型；

將所述特征工程和所述機器學習模型整理為pipeline形式；

將pipeline形式下的特征工程和機器學習模型存儲為proto文件；

將所述proto文件部署到線上。

2.根據權利要求1所述的方法，其特征在于，所述將pipeline形式下的特征工程和機器學習模型存儲為proto文件，包括：

在protobuf協議下，基于pipeline形式下的特征工程和機器學習模型，采用proto文件的數據結構定義算子；

將pipeline形式下的特征工程和機器學習模型采用定義的算子以proto數據結構表達；

將以proto數據結構表達的算子中的規則和/或系數轉換為二進制編碼；

將轉換為二進制編碼的算子存儲為proto文件。

3.根據權利要求1所述的方法，其特征在于，所述將所述特征工程和所述機器學習模型整理為pipeline形式，包括：

將所述特征工程和所述機器學習模型在sklearn庫的基礎上整理為pipeline形式。

4.根據權利要求3所述的方法，其特征在于，在所述將所述特征工程和所述機器學習模型在sklearn庫的基礎上整理為pipeline形式之前，所述方法還包括：

判斷所述特征工程和所述機器學習模型是否基于python語言獲得；

若是，則將所述特征工程和所述機器學習模型在sklearn庫的基礎上整理為pipeline形式；

若否，則將所述特征工程進行再訓練，以及將所述機器學習模型進行剪枝，進而將再訓練后的特征工程和剪枝后的機器學習模型轉換為python語言，并在sklearn庫的基礎上將轉換為python語言的特征工程和機器學習模型整理為pipeline形式。

5.根據權利要求1所述的方法，其特征在于，所述將所述proto文件部署到線上，包括：

解析所述proto文件，得到二進制編碼對應的算子的規則和/或系數；

將解析得到的算子的規則和/或系數組成算子實例，并將所述算子實例保存在線上部署的服務器的內存中。

6.根據權利要求5所述的方法，其特征在于，所述proto文件中包含有多個算子對應的二進制編碼；所述解析所述proto文件，得到二進制編碼對應的算子的規則和/或系數，包括：

獲取所述proto文件中的全部二進制編碼；

根據所述全部二進制編碼中各個二進制編碼的存儲地址或標識，確定各個算子對應的二進制編碼；

解析所述各個算子對應的二進制編碼，得到各個算子的規則和/或系數。

7.根據權利要求5所述的方法，其特征在于，在所述將所述算子實例保存在線上部署的服務器的內存中之后，所述方法還包括：

在獲取到輸入數據后，從所述內存中調用所述算子實例，所述輸入數據用于在線上進行預測；

將所述輸入數據代入所述算子實例中進行處理，得到預測打分結果。

8.一種機器學習模型的部署裝置，其特征在于，所述裝置包括：

存儲模塊，用于獲取線下訓練完成的特征工程和機器學習模型；將所述特征工程和所述機器學習模型整理為pipeline形式；將pipeline形式下的特征工程和機器學習模型存儲為proto文件；

部署模塊，用于將所述proto文件部署到線上。

9.一種電子設備，其特征在于，包括：處理器、存儲器、總線；

其中，所述處理器、所述存儲器通過所述總線完成相互間的通信；所述處理器用于調用所述存儲器中的程序指令，以執行如權利要求1至7中任一項所述的方法。

10.一種計算機可讀存儲介質，其特征在于，包括：存儲的程序；其中，在所述程序運行時控制所述存儲介質所在設備執行如權利要求1至7中任一項所述的方法。