[发明专利]算法模型接口化方法、装置、计算机设备及存储介质

说明书

本发明涉及算法模型接口化方法、装置、计算机设备及存储介质，该方法包括获取算法模型；对算法模型进行指定格式的保存，以形成中间模型；对所述中间模型进行加载处理，以得到目标模型；对目标模型进行接口化，以得到可调用接口；将可调用接口反馈至终端，以供终端通过可调用接口调取所述算法模型。本发明根据不同类型进行输入数据类型和输出数据类型的格式化处理，并进行加载，对加载后的模型进行接口化处理，便可通过该可调用接口的调用实现算法模型的调用，可通过直接传参调用算法模型的可调用接口便可得到所需的预测结果，可减少算法模型重复训练，增加算法模型的复用，提高开发效率，实现将算法模型接口化，不易造成资源浪费。

技术领域

本发明涉及模型接口化方法，更具体地说是指算法模型接口化方法、装置、计算机设备及存储介质。

背景技术

机器学习可以通过大量的数据训练生成不同的算法模型，但是不管是在特征工程还是预测模型中，模型的应用范围都比较局限，一般是谁训练谁使用，没有形成统一的、规范的调用接口，直接共享模型又涉及到模型的保密性问题。当其他计算过程需要引用到某一算法模型时，只能重新训练，导致计算机的工作量增大，且易造成资源浪费。

因此，有必要设计一种新的方法，实现将算法模型接口化，可直接通过接口传输所需数据，减少算法模型重复训练，增加模型的复用性，不易造成资源浪费。

发明内容

本发明的目的在于克服现有技术的缺陷，提供算法模型接口化方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：算法模型接口化方法，包括：

获取算法模型；

对算法模型进行指定格式的保存，以形成中间模型；

对所述中间模型进行加载处理，以得到目标模型；

对目标模型进行接口化，以得到可调用接口；

将可调用接口反馈至终端，以供终端通过可调用接口调取所述算法模型。

其进一步技术方案为：所述算法模型包括机器学习训练而成的模型。

其进一步技术方案为：所述对算法模型进行指定格式的保存，以形成中间模型，包括：

将所述算法模型按照指定格式保存为可加载模式；

对保存后的算法模型确定输入数据类型和输出数据类型，以形成中间模型。

其进一步技术方案为：所述指定格式包括.model格式、.pmml格式、.pb格式中至少一种。

其进一步技术方案为：所述对所述中间模型进行加载处理，以得到目标模型，包括：

判断所述中间模型的类型是否是分类模型；

若所述中间模型的类型是分类模型，则对中间模型的输入数据类型进行格式化，并使用XGBoost4j加载中间模型；

将格式化后的输入数据类型作为中间模型的输入值以获取所述中间模型的预测值，并将中间模型的预测值中概率最大的作为分类结果，以得到目标模型；

若所述中间模型的类型不是分类模型，则判断所述中间模型的类型是否是神经网络类型；

若所述中间模型的类型是神经网络类型，则将所述中间模型加载为TensorFlow的Graph数据结构的模型，通过格式化输入数据类型为Tensor数据类型进行结果的预测，以得到目标模型；

若所述中间模型的类型不是神经网络模型，则通过pmml进行中间模型的加载，将中间模型的参数格式化成Map，中间模型的加载成Evaluator格式以进行结果的预测，以得到目标模型。