[发明专利]一种基于云架构的机器学习算法全过程训练方法及系统

说明书

本发明涉及一种基于云架构的机器学习算法全过程训练方法及系统，所述方法包括：通过web应用程序上传训练数据集和待求解问题数据集至云数据服务器，并选择预先建立的机器学习算法；云计算服务器通过云数据服务器获取训练数据集，利用训练数据集进行模型训练，获取训练模型；云计算服务器通过云数据服务器获取待求解问题数据集，根据待求解问题数据集利用训练模型获取求解结果，并将该求解结果返回至云数据服务器；云数据服务器将求解结果返回至web应用程序；本发明提供的技术方案将计算环境和计算资源部署在云端，帮助技术研究及开发人员高效快速地搭建机器学习算法模型并高效训练模型，减少时间成本和软硬件购置成本。

技术领域

本发明涉及机器学习软件系统技术领域，具体涉及一种基于云架构的机器学习算法全过程训练方法及系统。

背景技术

AlphaGo击败围棋高手、watson诊断出罕见病例、无人驾驶汽车上路，标志着人工智能，特别是机器学习技术正在走向主流。与此同时，电力系统承载着越来越多的可再生能源和电动汽车，正在发展成为能源互联网，不断产生着维度高、类型广、体量大的数据资源。然而，能源电力与机器学习，还远未实现深度融合。能源、电力相关领域的研究人员迫切需要针对性强的、使用价值高的系统和软件，帮助其开展能源、电力规划、建设、调控、运维、营销等诸多实际应用场景的机器学习技术研发。

当前，研究人员在开展相关机器学习研究时，往往需要把很多研究精力投入在软件架构分配和设置、数据收集、数据清理和标记，日志记录等与核心算法研究关系较小的工作上。对于相对复杂的训练模型，往往需要应对标签数据集的整理、数据集的训练算法、运行训练的系统架构、操作系统的选择与安装、GPU等资源和驱动程序的配置，以及与机器学习项目相关的基础框架的设置等，占据着研究人员的时间成本和软硬件购置成本。

发明内容

本发明提供一种基于云架构的机器学习算法全过程训练方法，其目的是帮助技术研究及开发人员高效快速地搭建、训练、托管机器学习算法和模型，减少研究时间成本和软硬件购置成本。

本发明的目的是采用下述技术方案实现的：

一种基于云架构的机器学习算法全过程训练方法，其改进之处在于，所述方法包括：

通过web应用程序选择或上传训练数据集和待求解问题数据集至云数据服务器，并选择预先建立的机器学习算法；

云计算服务器通过所述云数据服务器获取所述训练数据集，利用所述训练数据集进行模型训练，获取训练模型；

云计算服务器通过所述云数据服务器获取所述待求解问题数据集，根据所述待求解问题数据集利用所述训练模型获取求解结果，并将所述求解结果返回至所述云数据服务器；

所述云数据服务器将所述求解结果返回至所述web应用程序。

优选的，所述利用所述训练数据集进行模型训练，包括：

调用Docker容器，利用所述训练数据集在Docker容器中进行模型训练。

优选的，所述通过web应用程序上传训练数据集和待求解问题数据集至云数据服务器，并选择预先建立的机器学习算法之后，包括：

通过容器镜像设置所述机器学习算法的参数。

优选的，所述预先建立的机器学习算法的建立过程，包括：

选择程序语言通过web应用程序编写机器学习算法代码；

或通过web应用程序选择云计算服务器已有的机器学习算法代码；

或通过web应用程序选择云计算服务器已有的机器学习算法代码并基于该已有的机器学习算法代码编写用户需求的机器学习算法代码；

其中，所述机器学习算法代码在本地服务器的机器学习框架下可正确编译。