[发明专利]提供机器学习服务的系统、方法、介质和设备

说明书

本发明公开了一种提供机器学习服务的系统、方法、介质和设备。该系统包括与镜像运行模块设置于同一载体的镜像构建模块；所述镜像构建模块，被配置为根据提供的配置信息构建机器学习镜像，并将构建完成的机器学习镜像传输至镜像仓库；所述镜像运行模块，被配置为基于接收到的指令从所述镜像仓库中拉取相应的机器学习镜像并运行。根据本发明提供的系统，机器学习镜像的整个构建和运行流程均可以在一个载体下完成，用户只需要关心依赖软件、数据、参数，不需要在不同载体之间来回切换。另外，在反复添加依赖、调试超参数、调试网络结构的情况下，和在物理机上开发调试的流程一致，屏蔽了所有和镜像相关的操作，摒弃了繁杂的操作和指令。

技术领域

本发明的实施方式涉及计算机技术领域，更具体地，本发明的实施方式涉及一种提供机器学习服务的系统、方法、介质和设备。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

机器学习指机器通过统计学算法，对大量的历史数据进行训练(学习)从而生成模型(经验)，利用模型预测相关问题的输出。机器学习是人工智能的一个分支。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。深度学习是当前最热门的机器学习技术，它通过构建多层神经网络的方法实现机器学习，它的最终目标是让机器能够像人一样具有分析学习能力，能够处理文字、图像、视频和声音等数据。当前流行的深度学习框架有TensorFlow、Keras、PyTorch、Caffe、CNTK、MXnet、PaddlePaddle等。

虚拟镜像技术（Docker），可以兼容复杂多变的软硬件环境。构造虚拟镜像，可以兼容各类机器学习框架及其依赖的环境，可解决机器学习开发、测试、运行过程中绝大部分问题，让算法工程师专注于机器学习本身，摆脱繁琐的环境依赖问题。

发明内容

在本上下文中，本发明的实施方式期望提供一种提供机器学习服务的系统、方法、介质和计算设备。

在本发明实施方式的第一方面中，提供了一种提供机器学习服务的系统，包括与镜像运行模块设置于同一载体的镜像构建模块；

所述镜像构建模块，被配置为根据提供的配置信息构建机器学习镜像，并将构建完成的机器学习镜像传输至镜像仓库；

所述镜像运行模块，被配置为基于接收到的指令从所述镜像仓库中拉取相应的机器学习镜像并运行。

在本实施方式的一个实施例中，所述镜像构建模块运行于特定的虚拟机，所述虚拟机运行于所述载体，且提供创建机器学习镜像所必须的资源。

在本实施方式的一个实施例中，所述资源包括权限资源和依赖资源。

在本实施方式的一个实施例中，还包括设置于所述载体的临时镜像仓库；

所述镜像构建模块还被配置为将构建完成的机器学习镜像传输至所述临时镜像仓库；

所述镜像运行模块还被配置为从所述临时镜像仓库中拉取相应的机器学习镜像。

在本实施方式的一个实施例中，所述临时镜像仓库，还被配置为响应于所述镜像构建模块对机器学习镜像的构建而建立；以及响应于所述临时镜像仓库中存储的机器学习镜像被所述镜像运行模块拉取完成或所述系统的服务终止而销毁。

在本发明实施方式的第二方面中，提供了一种提供机器学习服务的方法，应用于机器学习服务系统，所述机器学习服务系统包括与镜像运行模块设置于同一载体的镜像构建模块，该方法包括：

获取用于构建机器学习镜像的配置信息；

将所述配置信息传输至镜像构建模块，以使所述镜像构建模块根据所述配置信息构建机器学习镜像；