[发明专利]算法可视化开发的方法、装置、电子设备及存储介质

说明书

本发明提供一种算法可视化开发的方法、装置、电子设备及存储介质，该方法包括：基于不同的算法开发任务，确定需要的底层画布和基础算法的图形组件；基于所述算法的流程，确定所述算法的可视化编排；基于模型转换后的所述算法的可视化编排以及设置的校验条件，确定所述算法的校验结果；若校验结果是通过，则生成所述算法的可部署的算法容器，完成所述算法的可视化开发。本发明提供的算法可视化开发的方法、装置、电子设备及存储介质，通过将芯片和基础算法可视化，实现算法可视化编排，简单易上手，无代码开发。减少开发人员对底层平台约束限制，提高工作效率。

技术领域

本发明涉及人工智能领域，具体涉及一种算法可视化开发的方法、装置、电子设备及存储介质。

背景技术

端侧AI(Artificial Intelligence，人工智能)算法仓是为了方便端侧AI算法管理，构建的结合算法仓库管理+算法管理+多种AI算法能力，可实现多种智能算法的统一、灵活调度，提升计算资源的整体利用率的工具。AI算法能力要进入算法仓需要进行硬件适配、端侧算法研发、算法编排、模型转换和模型部署等阶段。

随着端侧AI软硬件生态不断创新，带有AI算法仓的端侧产品正逐步落地家居AIoT(Artificial IntelligenceInternet of Things，人工智能物联网)、移动机器人、工业制造和智慧城市等产业。但是当前AI落地场景的碎片化，导致需求的硬件的处理能力，以及占用的计算资源是不同的。同样，不同应用场景对联网的需求也是不一样的，需要传输的数据量不同，对于可靠性的要求、连接响应的时间都会不一样。因此产生了不同的AI芯片类型，而且每种芯片都有一套各自的生态环境，难以统一。

但是，这对端侧AI算法仓的构建非常不友好。由于国际环境的影响、应用场景的变换和芯片自身的迭代，经常需要下游厂商变换芯片平台和技术栈。从而导致端侧开发工程师对硬件架构、算法适配和模型迁移方法要重新学习，算法研发人员需要对算法重新设计和开发，这会需要比较长的时间。且如何在存储资源和计算资源都比较有限的硬件环境里满足业务对算法性能的要求，也是需要考量的事情。

现有解决上述问题的方案是建立一个系统，对上游屏蔽训练工具，对下游屏蔽芯片平台，把格式转换工作完成后，在Runtime里提供一套轻量级的封装，直接将数据结果输入业务层的代码即可。系统主要采用两个插件的结构，对不同的硬件平台，不同的软件引擎用插件的形式整合起来，放到大框架里面，为开发者提供生态。

如上所述架构是一个很好的畅想，但实际中仍存在很多问题：一是不同芯片厂商生产的AI芯片，其生态差异难以绕开，从服务器AI学习框架到AI芯片推理框架的模型映射，难有中间件可以解决。二是系统构架复杂，上手难度大，学习成本高。

发明内容

针对现有技术存在的问题，本发明提供一种算法可视化开发的方法、装置、电子设备及存储介质。

第一方面，本发明提供一种算法可视化开发的方法，包括：

基于不同的算法开发任务，确定需要的底层画布和基础算法的图形组件；

基于所述算法的流程，确定所述算法的可视化编排；

基于模型转换后的所述算法的可视化编排以及设置的校验条件，确定所述算法的校验结果；

若校验结果是通过，则生成所述算法的可部署的算法容器，完成所述算法的可视化开发；

其中，所述算法的可视化编排包括：所述基础算法的图形组件的编排方式，以及连接性组件和所述基础算法的图形组件的连接关系；所述底层画布与不同厂商的芯片可视化的结果一一对应；所述基础算法的图形组件与训练好的算法模型一一对应。

可选的，所述底层画布的确定方式包括：

基于不同芯片的公共属性，确定以厂商为单位的芯片对应的底层画布，以及所述底层画布支持的属性字典。