人工智能模型共享方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种人工智能模型共享方法、装置、计算机设备及存储介质，方法包括：采用单一终端进行人工智能模型训练；统一存储训练完成的人工智能模型；对存储的人工智能模型进行归类；根据需求将相应的人工智能模型下发至目标设备。本发明专利技术能够极大的提升了开发效率，更好的分别针对场景和模型进行管理，实现模型共享的效果。实现模型共享的效果。实现模型共享的效果。

【技术实现步骤摘要】
人工智能模型共享方法、装置、计算机设备及存储介质


[0001]本专利技术涉及数据处理
，更具体地说是人工智能模型共享方法、装置、计算机设备及存储介质。

技术介绍

[0002]传统的机器学习训练方式，都是让所有跟交换机相连接的前端机器自行学习，不断训练自己的模型，并且把模型保留在本地，不进行模型的分发，即自己学会自己用，不分享。这种方式的缺点是：多台机器同时训练增大了电量的消耗以及增大了服务器的压力，效率低下，与此同时，对模型缺乏管理，导致算法及运营人员对模型的功能定义不明确，导致算法人员在优化模型时需要花费时间去选择判断哪个模型是自己需要优化的，运营人员也可能因为模型功能定义不明确，导致模型下发时选择错误，耽误业务正常运作，整体缺乏一个统一模型管理以及数据下发的规范，大大降低了数据处理以及输出的效率。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供人工智能模型共享方法、装置、计算机设备及存储介质。
[0004]为实现上述目的，本专利技术采用以下技术方案：
[0005]第一方面，人工智能模型共享方法，包括：
[0006]采用单一终端进行人工智能模型训练；
[0007]统一存储训练完成的人工智能模型；
[0008]对存储的人工智能模型进行归类；
[0009]根据需求将相应的人工智能模型下发至目标设备。
[0010]其进一步技术方案为：所述对存储的人工智能模型进行归类，包括：
[0011]设定人工智能模型的应用场景；
[0012]按照应用场景的功能对人工智能模型进行分类；
[0013]将分类后的人工智能模型与对应的应用场景进行绑定。
[0014]其进一步技术方案为：所述根据需求将相应的人工智能模型下发至目标设备，包括：
[0015]监测人工智能模型下发状态；
[0016]将下发成功的人工智能模型与对应的目标设备进行绑定和任务关联；
[0017]为每一次绑定和任务关联创建版本管理号。
[0018]其进一步技术方案为：所述采用单一终端进行人工智能模型训练，包括：
[0019]设置训练节点；
[0020]对训练节点识别到的训练目标对象进行格式转换；
[0021]将格式转换的训练目标对象输入到训练模型中进行机器识别学习，以得到识别结果；
[0022]对识别结果中正确的结果进行反复机器学习，直至达到设定的训练程度；
[0023]将达到设定的训练程度时所输出的训练模型作为最终输出的人工智能模型。
[0024]第二方面，人工智能模型共享装置，包括训练单元、存储单元、归类单元以及下发单元；
[0025]所述训练单元，用于采用单一终端进行人工智能模型训练；
[0026]所述存储单元，用于统一存储训练完成的人工智能模型；
[0027]所述归类单元，用于对存储的人工智能模型进行归类；
[0028]所述下发单元，用于根据需求将相应的人工智能模型下发至目标设备。
[0029]其进一步技术方案为：所述归类单元包括设定模块、分类模块以及第一绑定模块；
[0030]所述设定模块，用于设定人工智能模型的应用场景；
[0031]所述分类模块，用于按照应用场景的功能对人工智能模型进行分类；
[0032]所述第一绑定模块，用于将分类后的人工智能模型与对应的应用场景进行绑定。
[0033]其进一步技术方案为：所述下发单元包括监测模块、第二绑定模块以及创建模块；
[0034]所述监测模块，用于监测人工智能模型下发状态；
[0035]所述第二绑定模块，用于将下发成功的人工智能模型与对应的目标设备进行绑定和任务关联；
[0036]所述创建模块，用于为每一次绑定和任务关联创建版本管理号。
[0037]其进一步技术方案为：所述训练单元包括设置模块、格式转换模块、识别模块、重复学习模块以及输出模块；
[0038]所述设置模块，用于设置训练节点；
[0039]所述格式转换模块，用于对训练节点识别到的训练目标对象进行格式转换；
[0040]所述识别模块，用于将格式转换的训练目标对象输入到训练模型中进行机器识别学习，以得到识别结果；
[0041]所述重复学习模块，用于对识别结果中正确的结果进行反复机器学习，直至达到设定的训练程度；
[0042]所述输出模块，用于将达到设定的训练程度时所输出的训练模型作为最终输出的人工智能模型。
[0043]第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的人工智能模型共享方法。
[0044]第四方面，一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，使得所述处理器执行如上述的人工智能模型共享方法。
[0045]本专利技术与现有技术相比的有益效果是：本专利技术通过采用单一终端进行人工智能模型训练；统一存储训练完成的人工智能模型；对存储的人工智能模型进行归类；根据需求将相应的人工智能模型下发至目标设备；能够极大的提升了开发效率，更好的分别针对场景和模型进行管理，实现模型共享的效果。
[0046]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术技术手段，可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征及优点能够更明
显易懂，以下特举较佳实施例，详细说明如下。
附图说明
[0047]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]图1为本专利技术具体实施例提供的人工智能模型共享方法的流程图；
[0049]图2为本专利技术具体实施例提供的人工智能模型共享装置的示意性框图；
[0050]图3为本专利技术具体实施例一种计算机设备的示意性框图。
具体实施方式
[0051]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0052]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0053]还应当理解，在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.人工智能模型共享方法，其特征在于，包括：采用单一终端进行人工智能模型训练；统一存储训练完成的人工智能模型；对存储的人工智能模型进行归类；根据需求将相应的人工智能模型下发至目标设备。2.根据权利要求1所述的人工智能模型共享方法，其特征在于，所述对存储的人工智能模型进行归类，包括：设定人工智能模型的应用场景；按照应用场景的功能对人工智能模型进行分类；将分类后的人工智能模型与对应的应用场景进行绑定。3.根据权利要求1所述的人工智能模型共享方法，其特征在于，所述根据需求将相应的人工智能模型下发至目标设备，包括：监测人工智能模型下发状态；将下发成功的人工智能模型与对应的目标设备进行绑定和任务关联；为每一次绑定和任务关联创建版本管理号。4.根据权利要求1所述的人工智能模型共享方法，其特征在于，所述采用单一终端进行人工智能模型训练，包括：设置训练节点；对训练节点识别到的训练目标对象进行格式转换；将格式转换的训练目标对象输入到训练模型中进行机器识别学习，以得到识别结果；对识别结果中正确的结果进行反复机器学习，直至达到设定的训练程度；将达到设定的训练程度时所输出的训练模型作为最终输出的人工智能模型。5.人工智能模型共享装置，其特征在于，包括训练单元、存储单元、归类单元以及下发单元；所述训练单元，用于采用单一终端进行人工智能模型训练；所述存储单元，用于统一存储训练完成的人工智能模型；所述归类单元，用于对存储的人工智能模型进行归类；所述下发单元，用于根据需求将相应的人工智能模型下发至目标设备。6.根据权利要求5所述的人工智能模型共享装置，其特征在于，所述归类单元包括设定模块、分类模块以及第...

【专利技术属性】
技术研发人员：覃国森，伍志君，蔡涛涛，胡冰涛，谢春梅，
申请(专利权)人：深圳市深传科技集团有限公司，
类型：发明
国别省市：