本发明专利技术涉及机器学习技术领域，具体涉及机器学习工程的配置方法、装置、电子设备及存储介质，该方法包括响应于对目标机器学习工程的配置请求，显示机器学习工程的配置界面，配置界面包括算力资源选择区，算力资源选择区用于提供算力资源的选择，算力资源是通过对多个计算资源的算力进行纳管得到的；响应于对算力资源选择区中算力资源的选择操作，确定目标机器学习工程对应的目标算力资源；响应于对用于目标机器学习工程的算子核的配置操作确定目标算子核，并基于目标算力资源与目标算子核的对应关系确定目标机器学习工程，算子核包括数据输入、功能算子以及数据输出。该方法提高了该目标机器学习工程的处理效率。目标机器学习工程的处理效率。目标机器学习工程的处理效率。
【技术实现步骤摘要】
机器学习工程的配置方法、装置、电子设备及存储介质
[0001]本专利技术涉及机器学习
，具体涉及机器学习工程的配置方法、装置、电子设备及存储介质。
技术介绍
[0002]随着社会技术，人工智能的需要和实用场景逐渐增多，进行的数据采集、清理、计算也更加频繁。一些成熟算法、数据处理和结果分析等逐渐形成通用处理模块。其中，部分机器学习中常用的方式、方法被整合成规范的功能模块，形成积木式便捷操作的可行性。在汇集常用功能并形成标准之后，将这些特定功能模块构成计算所用的算子，即机器学习算子，简称算子。
[0003]同时随着机器学习工程复杂程度的增加，对于用于负责运行算子的计算资源的性能越来越高。若计算资源难以提供该机器学习工程的算力，那么就会导致该机器学习工程的处理效率较低。
技术实现思路
[0004]有鉴于此，本专利技术实施例提供了一种机器学习工程的配置方法、装置、电子设备及存储介质，以解决由于算力较低导致的机器学习工程的处理效率低的问题。
[0005]根据第一方面，本专利技术实施例提供了一种机器学习工程的配置方法，包括：
[0006]响应于对目标机器学习工程的配置请求，显示机器学习工程的配置界面，所述配置界面包括算力资源选择区，所述算力资源选择区用于提供算力资源的选择，所述算力资源是通过对多个计算资源的算力进行纳管得到的；
[0007]响应于对用于所述目标机器学习工程的所述算力资源选择区中算力资源的选择操作确定目标算子核，并基于所述目标算力资源与所述目标算子核的对应关系确定所述目标机器学习工程对应的目标算力资源；
[0008]响应于对用于所述目标机器学习工程的算子核的配置操作确定目标算子核，并基于所述目标算力资源与所述目标算子核的对应关系确定所述目标机器学习工程，所述算子核包括数据输入、功能算子以及数据输出。
[0009]本专利技术实施例提供的机器学习工程的配置方法，由于算力资源是通过对多个计算资源的算力进行纳管得到的，通过计算资源的统一管理实现资源调度，在创建机器学习工程时先进行算力资源的选择，即，确定用于向目标机器学习工程提供算力的目标算力资源，即，在目标算力资源中包括多个计算资源，使得该目标机器学习工程能够在多样性的计算资源的算力支持下运行，提高了该目标机器学习工程的处理效率。
[0010]结合第一方面，在第一方面第一实施方式中，所述算力资源的确定方法为：
[0011]获取预设配置资源，所述预设配置资源包括所述计算资源的用户级别资源权限或所述计算资源的主机资源；
[0012]基于所述预设配置资源对所述计算资源进行配置，确定可用计算资源；
[0013]响应于对所述可用计算资源的算力纳管操作，确定所述算力资源。
[0014]本专利技术实施例提供的机器学习工程的配置方法，预设配置资源用于对计算资源进行选择限制，使得算力纳管是在有条件限制的情况下处理的，保证了算力资源的可靠性。
[0015]结合第一方面第一实施方式，在第一方面第二实施方式中，当所述计算资源为计算集群资源时，所述响应于对所述可用计算资源的算力纳管操作，确定所述算力资源，包括：
[0016]显示计算集群资源纳管界面；
[0017]响应于对所述计算集群资源纳管界面中可用计算集群的选择操作，确定所述算力资源。
[0018]结合第一方面第一实施方式，在第一方面第三实施方式中，当所述计算资源为容器集群资源时，所述响应于对所述可用计算资源的算力纳管操作，确定所述算力资源，包括：
[0019]显示容器集群资源纳管界面；
[0020]响应于对所述容器集群资源纳管界面中可用容器集群的分区设置操作，确定所述算力资源。
[0021]结合第一方面第一实施方式，在第一方面第四实施方式中，所述方法还包括：
[0022]当所述目标算力资源不满足所述目标机器学习工程的算力资源需求时，发送目标资源配置的申请；
[0023]当所述申请通过时，基于所述目标资源配置对所述目标算力资源的预设配置资源进行更新，以更新所述目标算力资源。
[0024]本专利技术实施例提供的机器学习工程的配置方法，在目标算力资源的预设配置资源不满足需求的情况下，触发目标资源配置的申请，使得更新后的目标算力资源能够满足目标机器学习工程的资源需求。
[0025]结合第一方面，在第一方面第五实施方式中，所述响应于对用于所述目标机器学习工程的算子核的配置操作确定目标算子核，并基于所述目标算力资源与所述目标算子核的对应关系包括：
[0026]响应于对对用于所述目标机器学习工程的算力核的选择操作，确定所述目标算力核；
[0027]响应于对所述目标算力核的参数配置操作，确定所述目标算力核的目标参数；
[0028]基于所述目标算力资源与所述目标算子核的对应关系，确定所述目标机器学习工程。
[0029]本专利技术实施例提供的机器学习工程的配置方法，在算力资源配置的基础上，实现对算子核完整生命周期的支持，实现统一的配置与操作逻辑，对于用户而言并不感知算力核所支持的算力形式，实现算力支持的多样性，算子核的多样性和统一性的编排调度，更加便利使用与扩展。
[0030]结合第一方面，在第一方面第六实施方式中，所述方法还包括：
[0031]响应于对所述目标机器学习工程的启动操作，触发所述目标机器学习工程的运行；
[0032]获取所述目标算力资源中所述计算资源的运行状态；
[0033]基于所述运行状态，确定所述目标算力资源中实际用于向所述目标机器学习工程提供算力的计算资源。
[0034]本专利技术实施例提供的机器学习工程的配置方法，在目标机器学习工程的运行过程中，利用各个计算资源的运行状态动态调整实际用于向所述目标机器学习工程提供算力的计算资源，从而能够保证计算资源的最大化利用，使得目标机器学习工程能够在最大化算力下运行，提高了该目标机器学习工程的运行效率。
[0035]根据第二方面，本专利技术实施例还提供了一种机器学习工程的配置装置，包括：
[0036]显示模块，用于响应于对目标机器学习工程的配置请求，显示机器学习工程的配置界面，所述配置界面包括算力资源选择区，所述算力资源选择区用于提供算力资源的选择，所述算力资源是通过对多个计算资源的算力进行纳管得到的；
[0037]第一响应模块，用于响应于对所述算力资源选择区中算力资源的选择操作，确定所述目标机器学习工程对应的目标算力资源；
[0038]第二响应模块，用于响应于对用于所述目标机器学习工程的算子核的配置操作确定目标算子核，并基于所述目标算力资源与所述目标算子核的对应关系确定所述目标机器学习工程，所述算子核包括数据输入、功能算子以及数据输出。
[0039]根据第三方面，本专利技术实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种机器学习工程的配置方法，其特征在于，包括：响应于对目标机器学习工程的配置请求，显示机器学习工程的配置界面，所述配置界面包括算力资源选择区，所述算力资源选择区用于提供算力资源的选择，所述算力资源是通过对多个计算资源的算力进行纳管得到的；响应于对所述算力资源选择区中算力资源的选择操作，确定所述目标机器学习工程对应的目标算力资源；响应于对用于所述目标机器学习工程的算子核的配置操作确定目标算子核，并基于所述目标算力资源与所述目标算子核的对应关系确定所述目标机器学习工程，所述算子核包括数据输入、功能算子以及数据输出。2.根据权利要求1所述的方法，其特征在于，所述算力资源的确定方法为：获取预设配置资源，所述预设配置资源包括所述计算资源的用户级别资源权限或所述计算资源的主机资源；基于所述预设配置资源对所述计算资源进行配置，确定可用计算资源；响应于对所述可用计算资源的算力纳管操作，确定所述算力资源。3.根据权利要求2所述的方法，其特征在于，当所述计算资源为计算集群资源时，所述响应于对所述可用计算资源的算力纳管操作，确定所述算力资源，包括：显示计算集群资源纳管界面；响应于对所述计算集群资源纳管界面中可用计算集群的选择操作，确定所述算力资源。4.根据权利要求2所述的方法，其特征在于，当所述计算资源为容器集群资源时，所述响应于对所述可用计算资源的算力纳管操作，确定所述算力资源，包括：显示容器集群资源纳管界面；响应于对所述容器集群资源纳管界面中可用容器集群的分区设置操作，确定所述算力资源。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：当所述目标算力资源不满足所述目标机器学习工程的算力资源需求时，发送目标资源配置的申请；当所述申请通过时，基于所述目标资源配置对所述目标算力资源的预设配置资源进行更新，以更新所述目标算力资源。6.根据权利要求1所述的方法，其特征在于，所述响应于对用于所述目标...
【专利技术属性】
技术研发人员：郑羊城，
申请(专利权)人：新华三技术有限公司，
类型：发明
国别省市：
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。