[发明专利]基于容器技术的深度学习模型训练方法、设备及存储介质

权利要求书

1.一种基于容器技术的深度学习模型训练方法，其特征在于，包括以下步骤：

根据所述容器技术构建基础运行环境；

在所述基础运行环境中形成第一容器，在所述第一容器中构建第一深度学习模型；

输入第一训练数据至所述第一深度学习模型进行训练；

在所述基础运行环境中形成第二容器，将所述第一容器的数据迁移到所述第二容器，得到第二深度学习模型；

输入第二训练数据至第二深度学习模型进行训练，优化所述第二深度学习模型的输出层的参数。

2.根据权利要求1所述的一种基于容器技术的深度学习模型训练方法，其特征在于，

根据所述容器技术构建基础运行环境具体为：

在服务器上安装Docker；

获取深度学习框架的框架镜像；

建立训练指令与所述基础运行环境之间的调度关系，其中所述训练指令用于控制深度学习模型进行训练。

3.根据权利要求2所述的一种基于容器技术的深度学习模型训练方法，其特征在于，在所述基础运行环境中形成所述第一容器，在所述第一容器中构建所述第一深度学习模型的步骤具体为：

通过指令控制器发送激活指令到消息队列；

读取所述激活指令，激活所述框架镜像，形成所述第一容器；

将与深度学习模型对应的代码固化到所述第一容器形成所述第一深度学习模型。

4.根据权利要求3所述的一种基于容器技术的深度学习模型训练方法，其特征在于，

将所述第一训练数据输入至所述第一深度学习模型进行训练的步骤具体为：

将所述第一训练数据输入至所述第一容器；

通过指令控制器发送所述训练指令到消息队列；

读取所述训练指令的开始训练消息，使所述第一深度学习模型从文件系统拉取所述第一训练数据；

使所述第一训练数据对所述第一深度学习模型训练，形成第一模型文件。

5.根据权利要求4所述的一种基于容器技术的深度学习模型训练方法，其特征在于，在所述基础运行环境中形成所述第二容器，将所述第一容器的数据迁移到所述第二容器，得到所述第二深度学习模型，包括以下步骤：

通过指令控制器发送激活指令到消息队列；

读取所述激活指令，激活所述框架镜像，形成所述第二容器；

将与深度学习模型对应的代码固化到所述第二容器，将所述第一容器中的所述第一模型文件下载到所述第二容器中，进而得到所述第二深度学习模型。

6.根据权利要求5所述的一种基于容器技术的深度学习模型训练方法，其特征在于，

输入所述第二训练数据至所述第二深度学习模型进行训练，优化所述第二深度学习模型的输出层的参数的具体步骤为：

将所述第二训练数据输入至所述第二容器；

通过指令控制器发送所述训练指令到消息队列；

读取所述消息队列中的所述训练指令的开始训练消息后，使所述第二深度学习模型从文件系统拉取所述第二训练数据；

使所述第二训练数据对所述第二深度学习模型训练，形成第二模型文件，优化所述第二深度学习模型的输出层的参数，并形成第二模型文件。

7.根据权利要求2所述的一种基于容器技术的深度学习模型训练方法，其特征在于，所述深度学习模型包括至少以下之一：

卷积神经网络模型、递归神经网络模型、深度信念网络模型以及堆叠自动编码器模型；

所述卷积神经网络模型包括输入层、隐含层以及输出层；

所述隐含层包括卷积层、池化层以及全连接层；

所述卷积层用于对输入数据进行特征提取；

所述池化层用于对输出数据进行特征选择和信息过滤；

所述全连接层用于对提取的特征进行非线性组合以得到输出。

8.根据权利要求1所述的一种基于容器技术的深度学习模型训练方法，其特征在于，所述第一深度学习模型和所述第二深度学习模型用于识别电网中的线巡缺陷。