[发明专利]模型部署方法、装置、设备和存储介质

说明书

本发明提供一种模型部署方法、装置、设备和存储介质，方法包括：若接收到训练请求，基于所述训练请求携带的样本数据进行训练，得到训练模型；将所述训练模型部署到指定目录；将所述训练模型的标识和所述指定目录推送给模型服务器，以使所述模型服务器根据所述训练模型的标识和所述指定目录，加载所述训练模型，实现了在不重新启动模型服务器的情况下，自动部署训练模型，并且在部署训练模型过程中，不影响模型服务器的使用。采用本发明的技术方案，能够提高模型部署效率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种模型部署方法、装置、设备和存储介质。

背景技术

目前，Bert模型等机器学习模型在训练阶段和应用阶段是相互分离的状态，即在训练阶段用大量数据运算训练出需要的模型，在应用阶段则将训练的模型手动建立可执行的程序，重启模型服务器就可以加载训练的模型。例如，采用Bert训练代码去加载收集好的训练集一起跑一次模型训练，然后使用整理好的测试集进行模型验证，模型验证完成后，手动建立成可执行的程序，重启模型服务器就可以加载训练的模型，实现模型的新增、更新等。

但是，在新增、更新模型时，由于需要手动建立可执行的程序，并重新启动模型服务器，使得模型服务器无法使用，降低了模型部署效率。

发明内容

有鉴于此，本发明的目的在于提出一种模型部署方法、装置、设备和存储介质，以解决现有技术中模型部署效率较低的问题。

基于上述目的，本发明提供了一种模型部署方法，包括：

若接收到训练请求，基于所述训练请求携带的样本数据进行训练，得到训练模型；

将所述训练模型部署到指定目录；

将所述训练模型的标识和所述指定目录推送给模型服务器，以使所述模型服务器根据所述训练模型的标识和所述指定目录，加载所述训练模型。

进一步地，上述所述的模型部署方法中，所述基于所述训练请求携带的样本数据进行训练，得到训练模型，包括：

基于所述样本数据中的训练集的标识和第一存储目录，加载所述训练集；

对所述训练集进行训练，得到预训练模型；

基于所述样本数据中的测试集的标识和第二存储目录，加载所述测试集；

将所述测试集输入所述预训练模型，得到测试结果；

若所述测试结果满足预设的模型上线条件，将所述预训练模型作为所述训练模型。

进一步地，上述所述的模型部署方法中，所述指定目录设置在所述模型服务器中。

进一步地，上述所述的模型部署方法，还包括：

确定所述样本数据对应的意图信息；

基于预设的意图与训练算法的关联关系，确定所述意图信息对应的训练算法，以便利用所述训练算法进行训练。

本发明还提供一种模型部署装置，包括：

训练模块，用于若接收到训练请求，基于所述训练请求携带的样本数据进行训练，得到训练模型；

部署模块，用于将所述训练模型部署到指定目录；

推送模块，用于将所述训练模型的标识和所述指定目录推送给模型服务器，以使所述模型服务器根据所述训练模型的标识和所述指定目录，加载所述训练模型。

进一步地，上述所述的模型部署装置中，所述训练模块，具体用于：

基于所述样本数据中的训练集的标识和第一存储目录，加载所述训练集；

对所述训练集进行训练，得到预训练模型；