[發(fā)明專利]一種機(jī)器學(xué)習(xí)引擎服務(wù)系統(tǒng)及模型訓(xùn)練方法和配置方法

有效

• 申請?zhí)枺?/td>: 202110897441.6
• 申請日: 2021-08-05
• 公開（公告）號: CN113505895B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計(jì)）人: 程戰(zhàn)戰(zhàn)
• 申請（專利權(quán)）人: 上海高德威智能交通系統(tǒng)有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06N3/0895;G06N3/091
• 代理公司: 北京柏杉松知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11413
• 代理人: 項(xiàng)京;馬敬

本發(fā)明實(shí)施例提供了一種機(jī)器學(xué)習(xí)引擎服務(wù)系統(tǒng)及模型訓(xùn)練方法和配置方法，該系統(tǒng)中，模型管理模塊基于使用用戶確定的目標(biāo)任務(wù)，獲取對應(yīng)的目標(biāo)配置信息，各配置信息中包含任務(wù)模型使用的網(wǎng)絡(luò)模型信息。然后基于目標(biāo)配置信息，按照目標(biāo)訓(xùn)練流程，調(diào)用模型訓(xùn)練引擎基于目標(biāo)數(shù)據(jù)集對模型進(jìn)行訓(xùn)練。本發(fā)明實(shí)施例提供的系統(tǒng)，任務(wù)模型的配置信息包含了該任務(wù)模型進(jìn)行訓(xùn)練時需要調(diào)用的相關(guān)信息，用戶使用該任務(wù)模型時，可以直接調(diào)用對應(yīng)的配置文件對模型進(jìn)行訓(xùn)練來得到想要的結(jié)果，并不需要進(jìn)行代碼遷移，從而降低了機(jī)器學(xué)習(xí)的門檻并提高了機(jī)器學(xué)習(xí)的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，特別是涉及一種機(jī)器學(xué)習(xí)引擎服務(wù)系統(tǒng)及模型訓(xùn)練方法和配置方法。

背景技術(shù)

目前，機(jī)器學(xué)習(xí)技術(shù)被廣泛應(yīng)用到各個技術(shù)領(lǐng)域中，例如：視頻監(jiān)控、行為分析、圖像處理等等技術(shù)領(lǐng)域。

為了實(shí)現(xiàn)機(jī)器學(xué)習(xí)，相關(guān)技術(shù)中，提供了一些深度學(xué)習(xí)框架，例如：Caffe(Convolutional?Architecture?for?Fast?Feature?Embedding，快速特征嵌入的卷積結(jié)構(gòu))、TensorFlow、Pytorch等等。

應(yīng)用這些深度學(xué)習(xí)框架，針對常見的機(jī)器學(xué)習(xí)模型，如神經(jīng)網(wǎng)絡(luò)模型，不需要研發(fā)人員從復(fù)雜的神經(jīng)網(wǎng)絡(luò)開始編代碼，可以根據(jù)需要選擇已有的模型，通過訓(xùn)練得到模型參數(shù)，也可以在已有模型的基礎(chǔ)上增加自己的層后，再進(jìn)行訓(xùn)練。

然而，當(dāng)需要使用新的算法的時候，就需要研發(fā)人員針對新的算法去編寫新的算法代碼，然后調(diào)用深度學(xué)習(xí)框架的函數(shù)接口使用研發(fā)人員自定義的新算法。

隨著人工智能技術(shù)的快速發(fā)展，出現(xiàn)了基于高級機(jī)器學(xué)習(xí)算法，例如：半監(jiān)督學(xué)習(xí)、主動學(xué)習(xí)等算法。高級機(jī)器學(xué)習(xí)算法被定義為：指一種機(jī)器學(xué)習(xí)思想或范式，通常經(jīng)過多個子算法組合實(shí)現(xiàn)，每種高級機(jī)器學(xué)習(xí)算法所使用的子算法也不固定，可以由開發(fā)人員根據(jù)實(shí)際需求進(jìn)行選擇。

在實(shí)際的算法開發(fā)中，針對每種高級機(jī)器學(xué)習(xí)算法，研發(fā)人員往往是先對需要使用的單個子算法進(jìn)行單點(diǎn)技術(shù)研發(fā)，然后再通過代碼遷移的方式將多個子算法拼接在一起，從而定義出新算法。

實(shí)際上有些單個子算法，可能被應(yīng)用到多種高級機(jī)器學(xué)習(xí)算法中。這種情況下，仍然需要針對每種高級機(jī)器學(xué)習(xí)算法對單個子算法分別遷移一遍，耗費(fèi)精力較大。

可見，針對高級機(jī)器學(xué)習(xí)算法，無法直接應(yīng)用相關(guān)技術(shù)中的深度學(xué)習(xí)框架，研發(fā)人員不僅需要進(jìn)行單個子算法的單點(diǎn)技術(shù)研發(fā)，還需要進(jìn)行代碼遷移，魯棒性較差。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例的目的在于提供一種機(jī)器學(xué)習(xí)引擎服務(wù)系統(tǒng)及模型訓(xùn)練方法，以提高機(jī)器學(xué)習(xí)的魯棒性。具體技術(shù)方案如下：

在本發(fā)明實(shí)施例的一方面，提供了一種機(jī)器學(xué)習(xí)引擎服務(wù)系統(tǒng)，所述系統(tǒng)包括：

模型管理模塊、數(shù)據(jù)管理模塊、模型訓(xùn)練引擎、配置信息存儲模塊和模型信息存儲模塊；

所述模型訓(xùn)練引擎，用于對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

所述配置信息存儲模塊，用于存儲所述系統(tǒng)提供的每種任務(wù)模型的配置信息；其中，每種任務(wù)模型的配置信息中，包含：該任務(wù)模型使用的網(wǎng)絡(luò)模型的結(jié)構(gòu)信息、該網(wǎng)絡(luò)模型的超參數(shù)和該任務(wù)模型使用的數(shù)據(jù)集的配置信息；

所述模型信息存儲模塊，用于存儲所述系統(tǒng)提供的每種網(wǎng)絡(luò)模型的模型數(shù)據(jù)；所述網(wǎng)絡(luò)模型的模型數(shù)據(jù)包括該網(wǎng)絡(luò)模型的程序代碼；