一种机器学习算法运行方法、装置、设备及介质制造方法及图纸

本申请公开了一种机器学习算法运行方法、装置、设备及介质，用以在同时运行多种机器学习算法的同时，还可以保证多种机器学习算法之间的数据安全及占用电子设备资源的合理性。由于本申请可以在电子设备的容器中运行机器学习算法及Conda基础镜像，从而不仅可以基于Conda基础镜像，激活不同机器学习算法依赖的运行环境，使多种机器学习算法可以同时运行；同时，还可以基于容器的沙箱机制，对电子设备中同时运行的不同机器学习算法的数据进行安全隔离，保证多种机器学习算法之间的数据安全；另外，还可以基于容器的沙箱机制，对当前运行的机器学习算法占用电子设备资源的大小进行限制，从而达到合理的占用电子设备资源的目的。的。的。

【技术实现步骤摘要】
一种机器学习算法运行方法、装置、设备及介质


[0001]本申请涉及机器学习算法
，尤其涉及一种机器学习算法运行方法、装置、设备及介质。

技术介绍

[0002]近年来，随着大数据产业链的逐渐成熟，各种各样的机器学习算法的使用逐渐成为现阶段解决很多大数据分析和人工智能问题的主流方法。机器学习作为一个独立的方向，正处于高速发展之中，很多基于机器学习算法，从事人工智能解决方案的企业也在蓬勃发展。
[0003]现阶段，主流的机器学习算法框架主要包括Pytorch和TensorFlow等。在实现各种各样的机器学习算法时，每种机器学习算法使用的算法框架可以不同。当每种机器学习算法使用的算法框架不同时，每种算法框架依赖的运行环境(基础环境)通常也不同。也就是说，针对每种机器学习算法，在运行该机器学习算法时通常需要部署该机器学习算法依赖的运行环境，否则，该机器学习算法将无法运行。例如，如果在服务器上只部署了Pytorch算法框架的运行环境，那么基于TensorFlow算法框架实现的机器学习算法将无法在该服务器中得以运行。
[0004]为了可以在服务器等电子设备中同时运行依赖不同运行环境的机器学习算法，相关技术中可以在服务器等电子设备中安装环境管理工具Conda，Conda可以激活不同机器学习算法依赖的运行环境，使多种机器学习算法可以同时运行。
[0005]然而，同时运行多种机器学习算法时，如何保证多种机器学习算法之间的数据安全及合理占用电子设备资源，是目前亟需解决的一个技术问题。

技术实现思路
r/>[0006]本申请提供了一种机器学习算法运行方法、装置、设备及介质，用以在同时运行多种机器学习算法的同时，还可以保证多种机器学习算法之间的数据安全及占用电子设备资源的合理性。
[0007]第一方面，本申请提供了一种机器学习算法运行方法，所述方法包括：
[0008]接收机器学习算法的算法压缩包及携带所述机器学习算法的运行环境的Conda环境压缩包；
[0009]将所述算法压缩包和所述Conda环境压缩包解压到设定的目录地址；获取所述算法压缩包携带的算法信息及所述Conda环境压缩包解压后的Conda环境包目录名称；
[0010]将所述算法信息、所述Conda环境包目录名称及容器的容器启动脚本名称，配置到预先创建的Conda基础镜像的系统环境变量中，其中所述Conda基础镜像能够运行所述机器学习算法，并且所述Conda基础镜像能够在所述容器中运行；
[0011]若接收到容器启动指令，通过所述容器启动脚本名称对应的容器启动脚本将所述目录地址挂载到所述容器中；根据所述Conda基础镜像的系统环境变量中的配置信息，激活
所述机器学习算法的运行环境，启动并运行所述机器学习算法。
[0012]第二方面，本申请提供了一种机器学习算法运行装置，所述装置包括：
[0013]接收模块，用于接收机器学习算法的算法压缩包及携带所述机器学习算法的运行环境的Conda环境压缩包；
[0014]获取模块，用于将所述算法压缩包和所述Conda环境压缩包解压到设定的目录地址；获取所述算法压缩包携带的算法信息及所述Conda环境压缩包解压后的Conda环境包目录名称；
[0015]配置模块，用于将所述算法信息、所述Conda环境包目录名称及容器的容器启动脚本名称，配置到预先创建的Conda基础镜像的系统环境变量中，其中所述Conda基础镜像能够运行所述机器学习算法，并且所述Conda基础镜像能够在所述容器中运行；
[0016]运行模块，用于若接收到容器启动指令，通过所述容器启动脚本名称对应的容器启动脚本将所述目录地址挂载到所述容器中；根据所述Conda基础镜像的系统环境变量中的配置信息，激活所述机器学习算法的运行环境，启动并运行所述机器学习算法。
[0017]第三方面，本申请提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述机器学习算法运行方法的步骤。
[0018]第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述机器学习算法运行方法的步骤。
[0019]由于本申请可以在电子设备的容器中运行机器学习算法及Conda基础镜像，从而不仅可以基于Conda基础镜像，激活不同机器学习算法依赖的运行环境，使多种机器学习算法可以同时运行；同时，还可以基于容器的沙箱机制，对电子设备中同时运行的不同机器学习算法的数据进行安全隔离，保证多种机器学习算法之间的数据安全；另外，还可以基于容器的沙箱机制，对当前运行的机器学习算法占用电子设备资源的大小进行限制，从而达到合理的占用电子设备资源的目的。
附图说明
[0020]为了更清楚地说明本申请实施例或相关技术中的实施方式，下面将对实施例或相关技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0021]图1示出了一些实施例提供的一种机器学习算法运行过程示意图；
[0022]图2示出了一些实施例提供的另一种机器学习算法运行过程示意图；
[0023]图3示出了一些实施例提供的一种机器学习算法运行装置示意图；
[0024]图4示出了一些实施例提供的一种电子设备结构示意图。
具体实施方式
[0025]为了可以在同时运行多种机器学习算法的同时，还可以保证多种机器学习算法之间的数据安全及占用电子设备资源的合理性，本申请实施例提供了一种机器学习算法运行方法、装置、设备及介质。
[0026]为使本申请的目的和实施方式更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
[0027]需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
[0028]本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
[0029]术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
[0030]术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
[0031]最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器学习算法运行方法，其特征在于，所述方法包括：接收机器学习算法的算法压缩包及携带所述机器学习算法的运行环境的Conda环境压缩包；将所述算法压缩包和所述Conda环境压缩包解压到设定的目录地址；获取所述算法压缩包携带的算法信息及所述Conda环境压缩包解压后的Conda环境包目录名称；将所述算法信息、所述Conda环境包目录名称及容器的容器启动脚本名称，配置到预先创建的Conda基础镜像的系统环境变量中，其中所述Conda基础镜像能够运行所述机器学习算法，并且所述Conda基础镜像能够在所述容器中运行；若接收到容器启动指令，通过所述容器启动脚本名称对应的容器启动脚本将所述目录地址挂载到所述容器中；根据所述Conda基础镜像的系统环境变量中的配置信息，激活所述机器学习算法的运行环境，启动并运行所述机器学习算法。2.根据权利要求1所述的方法，其特征在于，预先创建所述Conda基础镜像的过程包括：基于Linux内核基础镜像，安装Conda环境管理工具，以创建所述Conda基础镜像。3.根据权利要求2所述的方法，其特征在于，所述Linux内核基础镜像为社区企业操作系统CentOS。4.根据权利要求1所述的方法，其特征在于，所述通过所述容器启动脚本名称对应的容器启动脚本将所述目录地址挂载到所述容器中之后，所述根据所述Conda基础镜像的系统环境变量中的配置信息，激活所述机器学习算法的运行环境之前，所述方法还包括：触发预设的开始执行脚本，基于所述开始执行脚本，执行后续步骤。5.根据权利要求1
‑
4任一所述的方法，其特征在于，所述激活所述机器学习算法的运行环境之后，所述启动并运行所述机器学习算法之前，所述方法还包括：触发所述算法信息中的算法启动脚本，基于所述算法启动脚本，执行后续步骤。6.一种机器学习算法运行装置，其特征在于，所述装置包括：...

【专利技术属性】
技术研发人员：戴清良，王中伟，陈屹，李建伟，辛帅，孙永良，陈维强，
申请(专利权)人：青岛国创智慧云脑科技有限公司，
类型：发明
国别省市：