[发明专利]用于机器学习的实验图中的变型

说明书

执行图。方法包括标识图包括一个或多个节点，所述一个或多个节点具有被耦合到备选输入的输入端口。方法还包括标识输入的排列，其中每个排列使用备选输入中的一个备选输入。方法还包括针对所标识的排列中的每个排列来执行图。方法还包括针对图的针对排列中的每个排列的每次执行来标识度量。方法还包括向用户提供度量的指示。

技术领域

本公开的实施例涉及用于机器学习的实验图中的变型。

背景技术

计算机和计算系统已经影响现代生活的几乎每个方面。计算机通常被包含在工作、休闲、保健、交通、娱乐、家务管理等中。高功率计算系统已经使能所谓的机器学习。机器学习包括接收数据输入并且对数据输入执行各种操作的计算系统。机器学习系统可以从数据学习，并且对数据做出预测。例如，机器学习可以寻找数据中的模式并且然后利用未来数据中的那些模式。因此，机器学习系统做出数据驱动的预测而不是简单地对输入数据执行静态程序指令。

机器学习系统常常通过使用计算实验图实现。例如，图工具可以被用于自始至终控制过程。使用该工具，机器学习数据科学家可以将数据预处理节点应用到原始数据，使用机器学习算法对准备数据运行实验，并且测试结果模型。一旦找到有效模型，系统可以帮助其用户部署该模型。一个这样的工具是从华盛顿雷德蒙德的微软公司购得的Azure机器学习(ML)。

如一个人可以想象的，数据科学家可能希望利用不同的预处理节点、不同的实验节点和/或不同的测试节点做实验。备选地或者附加地，数据科学家可能希望用进入给定节点的不同的输入做实验。因此，针对数据科学家希望做实验的每个不同的节点和/或数据集，新图将需要利用该变型来创建。

管理机器学习计算图的不同的变型是相当困难的。当前，如果用户希望对图的变型做实验，则用户将把该图复制到新图，对图做出改变以实现期望的变型并且他或她自己对图的各种版本进行簿记。

本文要求保护的主题不限于解决任何缺点或者仅在诸如上文所描述的那些环境的环境中操作的缺点的实施例。相反，该背景技术仅被提供以图示其中可以实践本文所描述的一些实施例的一个示例性技术区域。

发明内容

本文所图示的一个实施例包括可以被实践在计算环境中的方法。方法包括用于执行图的动作。方法包括标识图包括一个或多个节点，该一个或多个节点具有被耦合到备选输入的输入端口。方法还包括标识输入的排列，其中每个排列使用备选输入中的一个备选输入。方法还包括针对所标识的排列中的每个排列来执行图。方法还包括针对图的针对排列中的每个排列的每次执行来标识度量。方法还包括向用户提供度量的指示。

提供本发明内容以简化形式介绍在下面具体实施方式中进一步描述的的概念的选择。本发明内容不旨在标识要求保护的主题的关键特征或基本特征，其也不旨在被用作辅助确定要求保护的主题的范围。

附加特征和优点将从下面的描述中阐述并且部分地将从描述显而易见或者可以由本文中的教导的实践学习。可以借助于在随附的权利要求书中特别地指出的仪器和组合实现和获得本发明的特征和优点。本发明的特征将从以下描述和随附的权利要求变得更充分地明显，或者可以通过如在下文中所阐述的本发明的实践被学习。

附图说明

为了描述可以获得上文记载的和其他优点和特征的方式，上文简要描述的主题的更特别的描述将通过参考在附图中图示的特定实施例提供。理解了这些附图仅描绘典型的实施例并且因此将不被认为是对范围的限制，将通过使用附图利用附加的特殊性和细节来描述和解释实施例，其中：

图1图示了允许用户将多个输入连接到图节点的输入端口的用户接口；

图2图示了用于创建并且运行图的系统；

图3图示了用于执行图的方法；以及

图4图示了提供与图的相互作用的方法。

具体实施方式