本说明书涉及机器学习领域，更具体地，涉及形成机器学习应用系统的方法、装置及电子设备。
背景技术：
在机器学习技术领域中，可以编写代码形成机器学习应用系统。利用机器学习应用系统，对目标机器学习处理模型进行训练，以生成适合需求的目标机器学习处理模型。通过目标机器学习处理模型，可以帮助人们处理数据。例如，通过这种方式，可以生成目标检测模型。可以利用目标检测模型检测证件中的信息、识别车辆号码等。
在形成机器学习应用的过程中需要编写大量代码，这增加了设计人员的工作负担。
因此，需要一种有效的形成机器学习应用系统的技术方案
技术实现要素：
本说明书的实施例提供形成机器学习应用系统的新技术方案。
根据本说明书的第一方面，提供了一种形成机器学习应用系统的方法，其中，通过所述机器学习应用系统生成机器学习处理模型，所述方法包括：获取用户对于机器学习应用系统的组件配置文件，其中，所述组件配置文件包括期望的组件及参数；获取机器学习应用系统的依赖树；以及基于所述组件配置文件和所述依赖树形成所述机器学习应用系统。
根据本说明书的第二方面，提供了一种生成机器学习处理模型的方法，包括：使用根据实施例的形成机器学习应用系统的方法，形成机器学习应用系统；获取训练数据；以及将训练数据输入所述机器学习应用系统，以产生目标机器学习处理模型。
根据本说明书的第三方面，提供了一种形成机器学习应用系统的装置，其中，通过所述机器学习应用系统生成机器学习处理模型，所述装置包括：第一获取模块，获取用户对于机器学习应用系统的组件配置文件，其中，所述组件配置文件包括期望的组件及参数；第二获取模块，获取机器学习应用的依赖树；以及形成模块，基于所述组件配置文件和所述依赖树形成所述机器学习应用系统。
根据本说明书的第四方面，提供了一种电子设备，包括处理器和存储器，存储器存储可执行指令，当运行电子设备时，可执行指令控制处理器执行根据实施例的形成机器学习应用系统的方法。
在不同实施例中，可以提高形成机器学习应用系统的效率。
通过以下参照附图对本说明书的示例性实施例的详细描述，本说明书的实施例的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了的实施例，并且连同其说明一起用于解释各个实施例的原理。
图1示出了根据一个实施例的形成机器学习应用系统的方法的示意性流程图。
图2示出了根据一个实施例的生成机器学习处理模型的方法的示意性流程图。
图3示出了根据一个实施例的形成机器学习应用系统的装置的示意性框图。
图4示出了根据一个实施例的电子设备的示意性框图。
图5示出了一个形成机器学习应用系统的实例。
图6示出了用于形成机器学习应用系统的处理系统的架构。
图7示出了生成和使用机器学习处理模型的流程。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
下面，参照附图描述本说明书的不同实施例和例子。
这里，可以提供一种处理系统。该处理系统可以基于用户的配置文件自动生成机器学习应用系统。通过所述机器学习应用系统生成机器学习处理模型。当生成机器学习处理模型之后，机器学习处理模型可以被加载到处理系统中。用户可以在处理系统中使用所加载的机器学习处理模型来处理数据。例如，所述机器学习处理模型是目标识别模型，可以利用该目标识别模型自动识别车牌号码、车辆类型等等。
图1示出了根据一个实施例的形成机器学习应用系统的方法的示意性流程图。可以通过所述机器学习应用系统生成机器学习处理模型。
如图1所示，在步骤s12获取用户对于机器学习应用系统的组件配置文件。所述组件配置文件包括期望的组件及参数。可以采用可视化的方式在屏幕上显示组件及参数供用户选择，并根据用户的选择，自动输出所述组件配置文件。
在步骤s14，获取机器学习应用系统的依赖树。所述依赖树可以是预先设计的，也可以是系统基于设计目标以及所述组件配置文件动态产生的，后者可以是二者的结合。
在步骤s16，基于所述组件配置文件和所述依赖树形成所述机器学习应用系统。
在这里，可以通过配置文件形成机器学习应用系统。这在一定程度上简化了设计人员的工作。
在一个例子中，可以预先准备所述组件。所述组件具有规范化的标准接口。这样可以方便组件之间的替换。
例如，所述组件之间的依赖关系由所述组件配置文件定义。所述组件之间是解耦的。通过这种方式，可以方便组件的组合。另外，对一个组件的修改可以不影响其他组件。设计人员在修改一个组件时可以不需要考虑其他组件的适应性修改。
例如，可以通过修改组件配置文件来更换期望的组件中的至少一个组件。这可以提高设计/修改机器学习应用系统的灵活性。
此外，也可以基于所述组件配置文件查找第一组件所依赖的至少一个第二组件和资源。
例如，所述机器学习处理模型是目标识别处理模型。
图2示出了根据一个实施例的生成机器学习处理模型的方法的示意性流程图。
如图2所示，在步骤s22，使用上面所述的形成机器学习应用系统的方法，形成机器学习应用系统。
在步骤s24，获取训练数据。例如，所述训练数据是希望获得处理模型的用户所提供的。
在步骤s26，将训练数据输入所述机器学习应用系统，以生产目标机器学习处理模型。
用户可以利用所述机器学习处理模型处理数据。例如，所获得的机器学习处理模型是目标检测模型。用户可以利用所述目标检测模型检测图片中的对象，例如，检测图像中的人脸、检测车牌等。
图3示出了根据一个实施例的形成机器学习应用系统的装置的示意性框图。可以通过机器学习应用系统生成机器学习处理模型。
如图3所示，形成机器学习应用系统的装置30包括：第一获取模块32、第二获取模块34、形成模块36。
第一获取模块32获取用户对于机器学习应用系统的组件配置文件。所述组件配置文件包括期望的组件及参数。
第二获取模块34获取机器学习应用系统的依赖树。
形成模块36基于所述组件配置文件和所述依赖树形成所述机器学习应用系统。
图3的形成机器学习应用系统的装置30可以实现图1的实施例中的方案，在这里省略重复的部分。
本说明书还提供一种电子设备。图4示出了电子设备400。
用户可以利用电子设备400形成机器学习应用系统，由此得到机器学习处理模型，例如，目标识别模型。
如图4所示，电子设备400包括处理器402、存储器404。电子设备400还可以包括显示屏410、用户接口412、摄像头414、音频/视频接口416、传感器418和通信部件420等。此外，电子设备400还可以还包括电源管理芯片406以及电池408等。电子设备400可以智能手机、平板电脑、笔记本电脑、台式机等。
处理器402可以是各种处理器。例如，它可以是arm架构的处理器，诸如，苹果公司的应用处理器、高通公司的处理器、华为公司的处理器等。
存储器404可以存储计算设备400运行所需的底层软件、系统软件、应用软件、数据等。存储器404可以包括多种形式的存储器，例如，rom、ram、flash等。
显示屏410可以是液晶显示屏、oled显示屏等。在一个例子中，显示屏410可以是触摸屏。用户可以通过显示屏210进行输入操作。此外，用户还可以通过触摸屏进行指纹识别等。
用户接口412可以包括usb接口、闪电接口、键盘等。
摄像头414可以是单摄像头，也可以是多摄像头。此外，摄像头414可以用于用户的面容识别。
音频/视频接口416例如可以包括扬声器接口、麦克风接口、诸如hdmi的视频传输接口等。
传感器418例如可以包括陀螺仪、加速度计、温度传感器、湿度传感器、压力传感器等等。例如，通过传感器可以确定计算设备周围的环境等。
通信部件420例如可以包括wifi通信部件、蓝牙通信部件、3g、4g和5g通信部件等。通过通信部件420，计算设备400可以被布置中网络中。
电源管理芯片406可以用于管理输入计算设备400电源功率，还可以对电池408进行管理，以保证较大的利用效率。电池408例如是锂离子电池等。
图4所示的电子设备仅是解释性的，并且决不是为了要限制本发明、其应用或用途。
电子设备400的存储器404可以存储可执行指令。当可执行指令被处理器402执行时实现上面所述的形成机器学习应用系统的方法。
在不同的例子中，可以在处理系统中集成机器学习应用系统。用户可以使用处理系统来形成机器学习应用系统，并使用机器学习应用系统所生成的机器学习处理模型来执行数据处理。可选地，机器学习应用系统可以是与处理系统分开的系统。下面，参照图5-7描述形成机器学习应用系统及利用所形成的机器学习处理模型的实例。
图5示出了一个形成机器学习应用系统的实例。例如，在这里要形成一个“预测”模型。在图5中，最上层的组件501的名称例如是“预测”。“预测”501依赖于“训练”组件502、“评估”组件507等。“训练”组件502依赖于“输入”组件503、“优化器”组件508。“输入”组件503依赖于“读取器”组件504。“读取器”组件504可以有两种实现，即，“目录读取器”505和“xml读取器”506。“优化器”组件508可以有两种实现，即，“adam”509和“sgd”510。
图5中的组件及名称仅仅是示例性的，用户可以根据需要进行改变。
由图5中的“预测”组件及其所依赖的组件可以得到一个依赖树520。
用户在设计时可以形成组件配置文件530。图5中的标号530的左侧示出了配置文件的一个片段的示例。在模块540，利用配置文件530和依赖树520，生成一个机器学习应用系统实例。
在这里，各个组件是解耦且可插拔的。这样，可以轻松替换单个组件。例如，可以把“目录读取器”505换成“xml读取器”506，而不需要考虑其他部分的兼容问题。
这里的组件可以具有规范化的标准接口，从而具有高可扩展性。用户可以实现自己设计的组件。
这里，用户可以通过维护配置文件来维护机器学习应用系统实例，从而令用户的维护操作简单/清晰/方便。
图6示出了用于形成机器学习应用系统的处理系统架构。通过图6所示的架构可以形成机器学习应用系统。在图6所示的架构中包括模型服务层、模型抽象层和组件抽象层。下面以目标检测模型为例说明架构中的各个层。
模型服务层是连接用户的接口，可以提供目标检测模型的训练操作以及使用目标检测模型的服务操作。所述训练操作例如可以保存模型。所述服务操作例如可以包括加载模型和使用目标检测模型的预测操作。
模型抽象层是基础的目标检测模型抽象，例如可以包括预测、损失、后处理三个接口。可以根据需要对模型抽象层中的项目进行定制。
组件抽象层向模型抽象层提供目标检测的基础组件。在实现具体的目标检测模型时，用户可以按照规范组合这些组件。例如，这些组件包括层、网、优化器、损失、度量、分类、检测等。
当用户进入训练操作模块后，处理系统可以向用户提供选项，供用户生成期望的模型。例如，如果用户期望生成“预测”模型，用户可以利用配置文件配置“预测”模型的组件，所述组件可以是组件抽象层中的组件。例如，用户可以通过图5所示的方式形成“预测”机器学习应用系统，然后，提供训练数据给所述“预测”机器学习应用系统，以通过高训练该机器学习应用系统而生成“预测”模型。接着，用户可以在处理系统中加载所述“预测”模型，并使用所述“预测”模型执行操作。
图7示出了生成和使用机器学习处理模型的流程。在图7中，示意性地示出了利用机器学习应用系统的过程。
如图7所示，首先，进行数据处理。例如，对用于训练目标识别模型的图片数据执行预处理，包括对所述图片数据进行读取、变换、数据增强等处理。
接着，进行模型定义。这里，定义目标识别模型的结构以及训练方式等。
然后，进行模型评估。模型评估处理可以包含gt(groundtruth)处理等。
下一步，进行模型导出。在这里，可以导出目标识别模型。所述模型可以是二进制形式的。此外，还可以导出模型对应的元数据和和对应预测器。
最后，可以将模型上线，提供模型预测服务。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
1.一种形成机器学习应用系统的方法，其中，通过所述机器学习应用系统生成机器学习处理模型，所述方法包括：
获取用户对于机器学习应用系统的组件配置文件，其中，所述组件配置文件包括期望的组件及参数；
获取机器学习应用系统的依赖树；以及
基于所述组件配置文件和所述依赖树形成所述机器学习应用系统。
2.根据权利要求1所述的方法，还包括：
预先准备所述组件，其中，所述组件具有规范化的标准接口。
3.根据权利要求1所述的方法，其中，通过所述组件配置文件定义组件之间的依赖关系。
4.根据权利要求3所述的方法，其中，所述组件之间是解耦的。
5.根据权利要求1所述的方法，还包括：
通过修改组件配置文件来更换期望的组件中的至少一个组件。
6.根据权利要求1所述的方法，其中，基于所述组件配置文件和所述依赖树形成所述机器学习应用系统包括：基于所述组件配置文件查找第一组件所依赖的至少一个第二组件和资源。
7.根据权利要求1所述的方法，其中，所述机器学习处理模型是目标识别处理模型。
8.一种生成机器学习处理模型的方法，包括：
使用根据权利要求1所述的方法，形成机器学习应用系统；
获取训练数据；以及
将训练数据输入所述机器学习应用系统，以产生目标机器学习处理模型。
9.一种形成机器学习应用系统的装置，其中，通过所述机器学习应用系统生成机器学习处理模型，所述装置包括：
第一获取模块，获取用户对于机器学习应用系统的组件配置文件，其中，所述组件配置文件包括期望的组件及参数；
第二获取模块，获取机器学习应用系统的依赖树；以及
形成模块，基于所述组件配置文件和所述依赖树形成所述机器学习应用系统。
10.一种电子设备，包括处理器和存储器，存储器存储可执行指令，当运行电子设备时，可执行指令控制处理器执行根据权利要求1-7中任何一项所述的方法。
技术总结