基于深度学习开发IDE的深度学习模型构建方法及系统技术方案

本发明专利技术提出一种基于深度学习开发IDE的深度学习模型构建方法及系统，本发明专利技术不仅支持多种不同的深度学习框架，可以让用户以简单的方式选择不同的框架进行模型的训练或推断而不引入额外的类似启动容器的开销；同时通过提供模型转换以支持不同框架模型的可视化，并支持以文本和可视化联调的方式实现实施模型结构的编辑。本发明专利技术的IDE较现有方法提供了更简单、方便且全面的开发环境。方便且全面的开发环境。方便且全面的开发环境。

【技术实现步骤摘要】
基于深度学习开发IDE的深度学习模型构建方法及系统


[0001]该专利技术创造属于深度学习领域，具体涉及一种面向深度学习开发的IDE框架实现方法及系统。

技术介绍

[0002]随着深度学习领域的发展，当前深度学习框架层出不穷，当前流行的框架主要包括Tensorflow、Pytorch、Caffe2、Mxnet等。在不同框架下实现的模型，其模型的表达算子以及支持的存储格式等各不相同，且绝大部分模型只能在当前框架中执行训练与推断任务，然而多数情况下需要不同框架模型之间的复用以及利用这些不同框架各自的优点。因此，如何在一个平台上屏蔽框架间差异以支持多种深度学习框架的模型是当前的研究热点之一。目前类似Amazon Sagemaker的主流实现方法是将不同的框架置于容器中服务化，即一种深度学习框架对应一种容器。在统一实现平台上，可以并发运行多种不同的容器，即支持不同的深度学习框架。在需要不同的框架训练或推断模型时选择相应的容器来执行该任务。这类方法的优势在于平台统一，可以支持不同的深度学习模型的训练与推断。其劣势在于通过容器化的方法也比较耗资源，同时操作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习开发IDE的深度学习模型构建方法，其特征在于，包括：步骤1、获取源框架下构建的深度学习模型，将该深度学习模型的每个源算子转换为模型中间表示层对应的中间算子，根据该中间算子之间的输入输出关系构建该深度学习模型的树形结构，通过编辑该中间算子和/或该树形结构得到待训练模型；步骤2、以python脚本为基础，构建用于运行指定执行引擎的虚拟环境，通过构建该源框架的python包，形成可运行的虚拟环境，并将其安装于此IDE中，从而得到在该源框架下用于模型训练和推断的运行环境，针对该运行环境的接口编写模型处理程序，将该待训练模型和训练数据输入至该模型处理程序完成对该待训练模型的训练，得到最终模型，并通过该处理程序将该最终模型运行于该运行环境进行推断，以执行相应深度学习任务。2.如权利要求1所述的基于深度学习开发IDE的深度学习模型构建方法，其特征在于，该步骤1包括：同时显示该中间算子和该树形结构，当编辑修改该中间算子和该树形结构其中之一者后，同步更新另一者的文本或结构。3.如权利要求1所述的基于深度学习开发IDE的深度学习模型构建方法，其特征在于，该步骤2包括：通过在多个执行框架中选择目标框架，得到该目标框架对应的python虚拟环境用于执行训练或推断任务，同时针对在该指定执行引擎执行训练和推断任务的程序生成相应的python程序，得到python执行包，将该python执行包在该python虚拟环境中运行安装，从而构成用于运行指定执行引擎的虚拟环境。4.如权利要求1所述的基于深度学习开发IDE的深度学习模型构建方法，其特征在于，该步骤1包括：根据中间算子的参数，得到各个算子之间的数据流信息，以得到该深度学习模型结构的可视化参数，将该中间算子表示为节点并根据该可视化参数，构成用于展示的该树形结构。5.一种基...

【专利技术属性】
技术研发人员：何文婷，程学旗，钟巧灵，张志斌，郭嘉丰，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：