[发明专利]一种兼容多框架的深度学习模型快速搭建系统

说明书

本发明公开了一种兼容多框架的深度学习模型快速搭建系统，包括：设备层、后端层以及用户层，设备层包含若干硬件模块，后端层包含若干深度学习框架，每个深度学习框架包含若干底层算子，每个底层算子具有统一的算子接口，用户层包含模型抽象模块，模型抽象模块包含各个深度学习框架对应的模型训练参数及计算逻辑，用户层用于调用后端层中的底层算子搭建深度学习模型，并通过设备层的硬件模块训练深度学习模型，其中，深度学习模型基于用户层提供的API搭建。本发明的搭建系统兼容不同深度学习框架和不同硬件，使得用户能快速、高效构建深度学习模型，减少繁琐的代码开发和切换不同深度学习框架的代码迁移工作。

技术领域

本发明涉及深度学习技术领域，尤其涉及的是一种兼容多框架的深度学习模型快速搭建系统。

背景技术

近年来，深度学习已经广泛地应用于语音识别，机器翻译，计算机视觉等领域，并取得了较好的效果。随着深度学习理论的兴起，多种深度学习的编程框架不断涌现。深度学习框架如TensorFlow，Pytorch，MindSpore等开源框架，由于算子API参数命名规则和使用规则各不相同，开发者在开发深度学习应用时，从一种框架迁移到另一种框架时需要耗费大量精力学习相应框架语言和重构代码。另外，像TensorFlow只提供较低级的算子API，使用起来较为复杂，学习成本高。

现有的开源框架Keras虽然能实现兼容多种深度学习框架，但其在实现兼容不同深度学习框架时，是将深度学习框架的算子API统一成相同的算子API函数接口，再通过高层次的接口调用底层算子API实现各个神经网络组件，最后通过Models包来将各个组件组装起来，这样两次封装对性能损耗较大，且统一接口API只能解决框架底层算子提供函数接口，像MindSpore底层提供的是类形式接口将无法兼容。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种兼容多框架的深度学习模型快速搭建系统，旨在解决现有模型搭建系统经过两次封装对性能损坏较大，且无法兼容类形式接口的深度学习框架的问题。

本发明解决问题所采用的技术方案如下：

本发明实施例提供一种兼容多框架的深度学习模型快速搭建系统，其中，包括：设备层、后端层以及用户层，所述设备层包含若干硬件模块，所述后端层包含若干深度学习框架，每个所述深度学习框架包含若干底层算子，每个所述底层算子具有统一的算子接口，所述用户层包含模型抽象模块，所述模型抽象模块包含各个所述深度学习框架对应的模型训练参数及计算逻辑，所述用户层用于调用所述后端层中的底层算子搭建深度学习模型，并通过所述设备层的硬件模块训练所述深度学习模型，其中，所述深度学习模型基于所述模型抽象模块中的模型训练参数及计算逻辑搭建。

所述的兼容多框架的深度学习模型快速搭建系统，其中，所述用户层还包含模型搭建模块、模型训练模块、参数配置模块以及数据处理模块；

所述模型搭建模块用于调用所述后端层中的底层算子搭建深度学习模型；

所述模型训练模块用于调用所述后端层中的底层算子确定用于训练所述深度学习模型的硬件模块；

所述模型参数配置模块用于调用所述后端层中的底层算子对所述深度学习模型进行参数配置；

所述数据处理模块用于调用所述后端层中的底层算子进行数据处理。

所述的兼容多框架的深度学习模型快速搭建系统，其中，所述模型搭建模块中包含用于搭建所述深度学习模型的模型搭建组件，所述模型搭建组件包括卷积层、池化层、全连接层、噪声层、量化层、合并层、扩展层、嵌入层以及Dropout层。

所述的兼容多框架的深度学习模型快速搭建系统，其中，所述模型抽象模块包含各个所述深度学习框架对应的模块基类，所述模型搭建算法继承至所述模块基类。