一种深度学习向导装置和方法制造方法及图纸

本发明专利技术公开了一种深度学习向导装置和方法，所述装置至少包括图形化操作界面组件和后台逻辑处理组件；图形化操作界面组件在接收到用户上传的数据集的内容时，确定数据集在预设存储区域中的存储地址，接收用户在图形界面上对数据集的内容进行的数据标注操作；后台逻辑处理组件根据数据标注操作请求得到数据标注信息，并保存到存储地址对应的预设存储区域中，并基于数据集和数据标注信息进行模型训练，生成训练模型和深度学习结果评估报告，并将生成的训练模型和深度学习结果评估报告存储到预设存储区域；本发明专利技术的深度学习向导装置能够让深度学习领域的初学者或业务水平不高的业务人员能够方便快速地实现应用需求并开展自己基于人工智能的业务。

A deep learning guide device and method

【技术实现步骤摘要】
一种深度学习向导装置和方法
本专利技术属于计算机
，尤其涉及一种深度学习向导装置和方法。
技术介绍
深度学习(DL,DeepLearning)是机器学习(ML,MachineLearning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标—人工智能(AI,ArtificialIntelligence)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。近年来，深度学习技术高速发展，并已被诸多行业广泛应用。随着越来越多的深度学习项目产生，我们发现越来越多的问题与挑战出现。具体而言，这些问题包括：人工智能作业全生命周期复杂性太大。一个完整的人工智能作业从准备到实现再到应用，通常包含数据收集、数据上传、数据标注、算法编码、模型训练、超参调优、模型评估、模型部署、模型试用、数据推理等多个阶段的工作，不同阶段的工作还涉及到不同的工具和不同的人员需求，这使得一个传统的人工智能项目通常需要多个工种的多次配合才能完成，极大地拉长了开发周期、提高了开发成本。人工智能技术应用对专业性要求太高。在传统的人工智能技术应用的过程中，算法需要专业人员经过编码实现，并经过多次的测试和调优，才能产生一个高质量的模型，这使得既需要具备专业的编程能力，也需要深入地了解算法原理，还需要具备业务领域的知识背景，这对涉及到人工智能需求的项目人员的专业性提出了较高的要求，这使得普通业务人员无法快速方便的开展自己基于人工智能的业务。
技术实现思路
本专利技术的主要目的在于提供一种深度学习向导装置和方法，旨在解决如何提供一种装置能够让深度学习领域的初学者或业务水平普通的技术人员能够快速开展人工智能业务的技术问题。为实现上述目的，本专利技术提出一种深度学习向导装置，所述装置包括图形化操作界面组件和后台逻辑处理组件；所述图形化操作界面组件，用于在接收到用户上传的数据集的内容时，确定所述数据集在预设存储区域中的存储地址，并在图形界面中展示所述数据集的内容，其中，所述数据集用于模型训练；所述图形化操作界面组件，还用于在接收到用户在图形界面上对所述数据集的内容进行的数据标注操作时，将数据标注操作请求提交给所述后台逻辑处理组件；所述后台逻辑处理组件，用于根据所述数据标注操作请求得到数据标注信息，并保存到所述存储地址对应的预设存储区域中；所述后台逻辑处理组件，还用于基于所述数据集和所述数据标注信息进行模型训练，生成训练模型和深度学习结果评估报告；将所述训练模型和所述深度学习结果评估报告存储到所述预设存储区域。优选地，所述后台逻辑处理组件包括数据标注子组件和训练子组件；所述数据标注子组件，用于根据所述数据标注操作请求得到数据标注信息，并将数据标注信息保存到存储地址对应的预设存储区域中，以及将数据标注信息反馈至所述图形化操作界面组件；所述图形化操作界面组件，还用于对所述数据标注信息和所述数据集进行展示；所述图形化操作界面组件，还用于获取用户基于图形化操作界面选择的深度学习场景信息和训练模式信息；获取用户基于所述图形化操作界面输入的训练作业基本信息；根据所述深度学习场景信息、所述训练模式信息和所述训练作业基本信息创建训练作业创建信息；所述训练子组件，用于根据所述训练作业创建信息创建模型训练作业，并执行所述模型训练作业以生成训练模型和深度学习结果评估报告。优选地，所述后台逻辑处理组件还包括推理子组件，所述推理子组件分别与预设存储区域以及推理服务服务器交互；所述推理子组件，用于实现在线推理服务部署功能和在线推理服务请求处理功能。此外，为实现上述目的，本专利技术还提出一种深度学习向导方法，所述方法包括以下步骤：在接收到用户上传的数据集的内容时，确定所述数据集在预设存储区域中的存储地址，并在图形界面中展示所述数据集的内容，其中，所述数据集用于模型训练；在接收到用户在图形界面上对所述数据集的内容进行的数据标注操作时，根据所述数据标注操作请求得到数据标注信息，并保存到所述存储地址对应的预设存储区域中；基于所述数据集和所述数据标注信息进行模型训练，生成训练模型和深度学习结果评估报告；将所述训练模型和所述深度学习结果评估报告存储到所述预设存储区域。优选地，所述基于所述数据集和所述数据标注信息进行模型训练，生成训练模型和深度学习结果评估报告的步骤，具体包括：由所述图形化操作界面组件获取用户基于所述图形化操作界面选择的深度学习场景信息和训练模式信息；由所述图形化操作界面组件获取用户基于所述图形化操作界面输入的训练作业基本信息；由所述图形化操作界面组件根据所述深度学习场景信息、所述训练模式信息和所述训练作业基本信息组装成训练作业创建信息，并将所述训练作业创建信息提交至后台逻辑处理组件；由所述后台逻辑处理组件根据所述训练作业创建信息调用训练子组件完成模型训练，并将所述训练子组件返回的训练结果反馈至所述图形化操作界面组件；所述训练子组件根据所述训练作业创建信息创建模型训练作业，并执行所述模型训练作业以生成训练模型和深度学习结果评估报告。优选地，所述在接收到用户上传的数据集的内容时，确定所述数据集在预设存储区域中的存储地址的步骤，具体包括：由所述图形化操作界面组件接收用户上传的数据集的内容，获取所述数据集在预设存储区域中的存储地址；将所述存储地址提交至后台逻辑处理组件。优选地，所述在接收到用户在图形界面上对所述数据集的内容进行的数据标注操作时，根据所述数据标注操作请求得到数据标注信息的步骤，包括：所述图形化操作界面组件在接收到用户在图形界面上对所述数据集的内容进行的数据标注操作时，将数据标注操作请求提交给所述后台逻辑处理组件；所述后台逻辑处理组件在接收到所述数据标注操作请求和所述数据集的存储地址时，调用数据标注子组件，由所述数据标注子组件根据数据标注操作请求得到数据标注信息，并将所述数据标注子组件返回的数据标注信息反馈至所述图形化操作界面组件，并将数据标注信息保存到存储地址对应的预设存储区域中。优选地，所述由所述数据标注子组件根据数据标注操作请求得到数据标注信息，并将所述数据标注子组件返回的数据标注信息反馈至所述图形化操作界面组件的步骤，具体包括：由所述数据标注子组件根据所述存储地址获取所述数据集的内容，并对所述数据集的内容进行自动检测；若检测结果为所述数据集存在已标注的数据信息，本文档来自技高网...

【技术保护点】
1.一种深度学习向导装置，其特征在于，所述深度学习向导装置包括图形化操作界面组件和后台逻辑处理组件；/n所述图形化操作界面组件，用于在接收到用户上传的数据集的内容时，确定所述数据集在预设存储区域中的存储地址，并在图形界面中展示所述数据集的内容，其中，所述数据集用于模型训练；/n所述图形化操作界面组件，还用于在接收到用户在图形界面上对所述数据集的内容进行的数据标注操作时，将数据标注操作请求提交给所述后台逻辑处理组件；/n所述后台逻辑处理组件，用于根据所述数据标注操作请求得到数据标注信息，并保存到所述存储地址对应的预设存储区域中；/n所述后台逻辑处理组件，还用于基于所述数据集和所述数据标注信息进行模型训练，生成训练模型和深度学习结果评估报告；将所述训练模型和所述深度学习结果评估报告存储到所述预设存储区域。/n

【技术特征摘要】
1.一种深度学习向导装置，其特征在于，所述深度学习向导装置包括图形化操作界面组件和后台逻辑处理组件；
所述图形化操作界面组件，用于在接收到用户上传的数据集的内容时，确定所述数据集在预设存储区域中的存储地址，并在图形界面中展示所述数据集的内容，其中，所述数据集用于模型训练；
所述图形化操作界面组件，还用于在接收到用户在图形界面上对所述数据集的内容进行的数据标注操作时，将数据标注操作请求提交给所述后台逻辑处理组件；
所述后台逻辑处理组件，用于根据所述数据标注操作请求得到数据标注信息，并保存到所述存储地址对应的预设存储区域中；
所述后台逻辑处理组件，还用于基于所述数据集和所述数据标注信息进行模型训练，生成训练模型和深度学习结果评估报告；将所述训练模型和所述深度学习结果评估报告存储到所述预设存储区域。


2.如权利要求1所述的深度学习向导装置，其特征在于，所述后台逻辑处理组件包括数据标注子组件和训练子组件；
所述数据标注子组件，用于根据所述数据标注操作请求得到数据标注信息，并将数据标注信息保存到存储地址对应的预设存储区域中，以及将数据标注信息反馈至所述图形化操作界面组件；
所述图形化操作界面组件，还用于对所述数据标注信息和所述数据集进行展示；
所述图形化操作界面组件，还用于获取用户基于图形化操作界面选择的深度学习场景信息和训练模式信息；获取用户基于所述图形化操作界面输入的训练作业基本信息；根据所述深度学习场景信息、所述训练模式信息和所述训练作业基本信息创建训练作业创建信息；
所述训练子组件，用于根据所述训练作业创建信息创建模型训练作业，并执行所述模型训练作业以生成训练模型和深度学习结果评估报告。


3.如权利要求2所述的深度学习向导装置，其特征在于，所述后台逻辑处理组件还包括推理子组件，所述推理子组件分别与预设存储区域以及推理服务服务器交互；
所述推理子组件，用于实现在线推理服务部署功能和在线推理服务请求处理功能。


4.一种深度学习向导方法，其特征在于，所述方法包括以下步骤：
在接收到用户上传的数据集的内容时，确定所述数据集在预设存储区域中的存储地址，并在图形界面中展示所述数据集的内容，其中，所述数据集用于模型训练；
在接收到用户在图形界面上对所述数据集的内容进行的数据标注操作时，根据所述数据标注操作请求得到数据标注信息，并保存到所述存储地址对应的预设存储区域中；
基于所述数据集和所述数据标注信息进行模型训练，生成训练模型和深度学习结果评估报告；
将所述训练模型和所述深度学习结果评估报告存储到所述预设存储区域。


5.如权利要求4所述的方法，其特征在于，所述基于所述数据集和所述数据标注信息进行模型训练，生成训练模型和深度学习结果评估报告的步骤，具体包括：
由所述图形化操作界面组件获取用户基于所述图形化操作界面选择的深度学习场景信息和训练模式信息；
由所述图形化操作界面组件获取用户基于所述图形化操作界面输入的训练作业基本信息；
由所述图形化操作界面组件根据所述深度学习场景信息、所述训练模式信息和所述训练作业基本信息组装成训练作业创建信息，并将所述训练作业创建信息提交至后台逻辑处理组件；
由所述后台逻辑处理组件根据所述训练作业创建信息调用训练子组件完成模型训练，并将所述训练子组件返回的训练结果反馈至所述图形化操作界面组件；
所述训练子组件根据所述训练作业创建信息创建模型训练作业，并执行所述模型训练作业以生成训练模型和深度学习结果评估报告。


6.如权利要求4所述的方法，其特征在于，所述在接收到用户上传的数据集的内容时，确定所述数据集在预设存储区域中的存储地址的步骤，具体包括：
由所述图形化操作界面组件接收用户上传的数据集的内容，获取所述数据集在...

【专利技术属性】
技术研发人员：谢冬鸣，夏鲸，易秋晨，林健，
申请(专利权)人：东云睿连武汉计算技术有限公司，
类型：发明
国别省市：湖北;42