【技术实现步骤摘要】
一种基于语义网的机器学习流程智能组装方法(面向深度学习)
本专利技术涉及机器学习与深度学习
，尤其是一种基于语义网的机器学习流程智能组装方法(面向深度学习)。
技术介绍
机器学习基础设施是大数据在各行业广泛应用和高效整合的核心前提。然而，机器学习算法框架的异构性、机器学习流程组装的多样性、软硬件资源管理的复杂性等，都给机器学习基础设施构建带来了极大挑战。
技术实现思路
本专利技术提出一种基于语义网的机器学习流程智能组装方法(面向深度学习)，能够有效地针对机器学习中深度学习的流程进行智能组装与自动探索。本专利技术采用以下技术方案。一种基于语义网的机器学习流程智能组装方法(面向深度学习)，可面向深度学习来生成机器学习模型，包括以下步骤；步骤S1：从不同机器学习算法框架所支持的预处理方法中任选几种作为图像数据的预处理方法，可采取自动或手动的方式；步骤S2：从不同机器学习算法框架所支持的模型结构中选取网络结构，可采取自动或手动的方式；步骤S3：从不同机器学习算法框架所...
【技术保护点】
1.一种基于语义网的机器学习流程智能组装方法(面向深度学习)，可面向深度学习来生成机器学习模型，其特征在于：包括以下步骤；/n步骤S1：从不同机器学习算法框架所支持的预处理方法中任选几种作为图像数据的预处理方法，可采取自动或手动的方式；/n步骤S2：从不同机器学习算法框架所支持的模型结构中选取网络结构，可采取自动或手动的方式；/n步骤S3：从不同机器学习算法框架所支持的优化器中选取训练过程中将要使用的优化器，可采取自动或手动的方式；/n步骤S4：基于语义网建立统一的语义模型，系统性描述上述三个步骤所选取的不同机器学习算法框架各算法模块的功能，面向神经网络学习流程进行组装，构...
【技术特征摘要】
1.一种基于语义网的机器学习流程智能组装方法(面向深度学习)，可面向深度学习来生成机器学习模型，其特征在于：包括以下步骤；
步骤S1：从不同机器学习算法框架所支持的预处理方法中任选几种作为图像数据的预处理方法，可采取自动或手动的方式；
步骤S2：从不同机器学习算法框架所支持的模型结构中选取网络结构，可采取自动或手动的方式；
步骤S3：从不同机器学习算法框架所支持的优化器中选取训练过程中将要使用的优化器，可采取自动或手动的方式；
步骤S4：基于语义网建立统一的语义模型，系统性描述上述三个步骤所选取的不同机器学习算法框架各算法模块的功能，面向神经网络学习流程进行组装，构建机器学习模型训练流程，进行模型的训练与结果的评估；所述流程的智能组装与训练评估流程可重复进行，并保留效果最好的模型作为最终模型。
2.根据权利要求1所述的一种基于语义网的机器学习流程智能组装方法(面向深度学习)，其特征在于：所述步骤S1包括以下步骤；
步骤S11：从包括但不局限于Pytorch、Tensorflow的深度学习框架所支持的预处理方法中采用代码自动生成或者手动选取的方式选取若干项作为图像数据的预处理方法；
步骤S12：通过整合封装不同框架的方法，来制定不同框架间通用的数据流格式，用于支持跨框架的数据处理流程；在数据处理流程的执行引擎运行期间，数据流在框架内的流动采用专有的格式，在框架间的流动采用规定的通用格式；
进一步地，步骤S1中，所述预处理包括但不限于：随机水平偏移、随机垂偏移、边缘填充、随机位置剪裁、中心剪裁、随机大小剪裁、改变大小、随机水平翻转、随机垂直翻转、亮度抖动、对比度抖动、色相抖动、饱和度抖动、随机旋转、灰度化、随机灰度化、归一化、随机擦除。
3.根据权利要求1所述的一种基于语义网的机器学习流程智能组装方法(面向深度学习)，其特征在于：所述步骤S2包括以下步骤；
步骤S21：从包括但不局限于Pytorch、Tensorflow的深度学习框架所支持的模型结构中采用代码自动生成或者手动选取的方式选取网络结构；
步骤S22：通过对不同框架模型的封装，将模型的输入输出统一为指定的通用格式；在神经网络训练流程运行期间，数据流在模型与预处理之间、模型与优化器之间的流动采用通用格式，在模型内的流动采用专有格式；
进一步地，步骤S2中，所述网络结构...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。