[发明专利]基于容器化技术的机器学习模型框架的开发方法与系统

权利要求书

1.一种基于容器化技术的机器学习模型框架的开发方法，其特征在于，包括：

机器学习模型开发：建立对应的机器学习模型，通过编程的方式构建模型并将对应的代码提交到代码仓库中；

模型交互式测试：挑选合适的测试数据对已开发的机器学习模型进行验证；

模型参数优化与监控：已经调试验证成功的机器学习模型及参数，可以被其他使用者直接调用，通过代码层面的参数调整来实现最优化的机器学习模型训练与结果监控，最终得到一个可以供部署使用的机器学习模型及参数。

2.如权利要求1所述的基于容器化技术的机器学习模型框架的开发方法，其特征在于，所述机器学习模型开发：通过持续集成系统将建模人员提交到代码仓库的原代码及相关机器学习框架依赖与环境依赖打包，构建成一个基于容器的镜像并发布到镜像管理仓库中。

3.如权利要求1所述的基于容器化技术的机器学习模型框架的开发方法，其特征在于，模型交互式测试中，通过构建的容器镜像，快速部署一个容器实例来运行镜像中的交互式开发工作簿、机器学习监控模块。

4.如权利要求3所述的基于容器化技术的机器学习模型框架的开发方法，其特征在于，部署后就是一个完整的容器运行着开发工作薄和机器学习监控。

5.如权利要求1所述的基于容器化技术的机器学习模型框架的开发方法，其特征在于，模型交互式测试中，模型的训练、测试的结果可被机器学习监控模块采集，此时用户登入机器学习监控即可对于模型的运行状态进行查看。

6.如权利要求1所述的基于容器化技术的机器学习模型框架的开发方法，其特征在于，模型参数优化与监控中，模型监控模块反应的模型运行表现，用户可以进一步在交互式开发工作簿中对模型的参数进行修改，并重新运行修改后的模型，机器学习监控模块同时也能够展示修改后的模型运行状态及结果报告。

7.如权利要求6所述的基于容器化技术的机器学习模型框架的开发方法，其特征在于，所谓优化就是通过训练集进行模型训练后，模型在测试集的表现逐步优化收敛到目标的过程。

8.如权利要求7所述的基于容器化技术的机器学习模型框架的开发方法，其特征在于，给定一个收敛终止条件时，终止条件的达成所得到的的模型即可评定为训练后得到的最优化模型。

9.如权利要求3所述的基于容器化技术的机器学习模型框架的开发方法，其特征在于，所述镜像为系统运行环境的一个快照，通过Docker容器化技术创建一个镜像，而将镜像具体运行在一台计算机上的过程，监控数据可以用来观测例如机器学习模型的训练收敛情况、验证集上的误差表现。

10.一种基于容器化技术的机器学习模型开发系统，其特征在于，包括：

机器学习模型开发模块：建立对应的机器学习模型，通过编程的方式构建模型并将对应的代码提交到代码仓库中；

模型交互式测试模块：挑选合适的测试数据对已开发的机器学习模型进行验证；

模型参数优化与监控模块：已经调试验证成功的机器学习模型及参数，可以被其他使用者直接调用，通过代码层面的参数调整来实现最优化的机器学习模型训练与结果监控，最终得到一个可以供部署使用的机器学习模型及参数。