[发明专利]一种基于语义网的深度学习流程智能组装方法

权利要求书

1.一种基于语义网的深度学习流程智能组装方法，面向深度学习来生成机器学习模型，其特征在于：包括以下步骤；

步骤S1：从不同机器学习算法框架所支持的预处理方法中任选几种作为图像数据的预处理方法，采取自动或手动的方式；

步骤S2：从不同机器学习算法框架所支持的模型结构中选取网络结构，采取自动或手动的方式；

步骤S3：从不同机器学习算法框架所支持的优化器中选取训练过程中将要使用的优化器，采取自动或手动的方式；

步骤S4：基于语义网建立统一的语义模型，系统性描述上述三个步骤所选取的不同机器学习算法框架各算法模块的功能，面向神经网络学习流程进行组装，构建机器学习模型训练流程，进行模型的训练与结果的评估；所述流程的智能组装与训练评估流程重复进行，并保留效果最好的模型作为最终模型；

所述步骤S1包括以下步骤；

步骤S11：从包括Pytorch、Tensorflow的深度学习框架所支持的预处理方法中采用代码自动生成或者手动选取的方式选取若干项作为图像数据的预处理方法；

步骤S12：通过整合封装不同框架的方法，来制定不同框架间通用的数据流格式，用于支持跨框架的数据处理流程；在数据处理流程的执行引擎运行期间，数据流在框架内的流动采用专有的格式，在框架间的流动采用规定的通用格式；

进一步地，步骤S1中，所述预处理包括：随机水平偏移、随机垂偏移、边缘填充、随机位置剪裁、中心剪裁、随机大小剪裁、改变大小、随机水平翻转、随机垂直翻转、亮度抖动、对比度抖动、色相抖动、饱和度抖动、随机旋转、灰度化、随机灰度化、归一化、随机擦除。

2.根据权利要求1所述的一种基于语义网的深度学习流程智能组装方法，其特征在于：所述步骤S2包括以下步骤；

步骤S21：从包括Pytorch、Tensorflow的深度学习框架所支持的模型结构中采用代码自动生成或者手动选取的方式选取网络结构；

步骤S22：通过对不同框架模型的封装，将模型的输入输出统一为指定的通用格式；在神经网络训练流程运行期间，数据流在模型与预处理之间、模型与优化器之间的流动采用通用格式，在模型内的流动采用专有格式；

进一步地，步骤S2中，所述网络结构包括：Alexnet、VGG11、VGG 13、VGG 16、VGG 19、ResNet18、ResNet34、ResNet50、ResNet101、ResNet152、SqueezeNet、DenseNet、InceptionV3、MobilenetV2、Xception、Efficientnetb0、Efficientnetb1、Efficientnetb2、Efficientnetb3、Efficientnetb4、Efficientnetb5、Efficientnetb6、Efficientnetb7、EfficientnetL2。

3.根据权利要求1所述的一种基于语义网的深度学习流程智能组装方法，其特征在于：所述步骤S3包括以下步骤；

步骤S31：从包括Pytorch、Tensorflow的深度学习框架所支持的优化器中采用代码自动生成或者手动选取的方式选取训练过程中将要使用的优化器；

步骤S32：通过对选定优化器的封装，将不同框架优化器的输入输出统一为相同的格式；在优化器与模型间以及优化器的输出采用通用的数据流格式，优化器内部采用特定框架所支持的数据流格式；

进一步地，步骤S3中，所述优化器包括：SGD、Adam、AdaDelta、AdaGrad、Adamax、RMSProp、AdamW、RProp、NAdam。

4.根据权利要求1所述的一种基于语义网的深度学习流程智能组装方法，其特征在于：所述步骤S4包括以下步骤；

步骤S41：对步骤S1的预处理方法、S2的网络结构、S3的优化器进行拼装，以配置文件形式进行导出；

步骤S42：从已保存的配置文件中读取并构建数据的处理训练流程，基于Python语言搭建具备智能化集成化特征的机器学习流程组装工具，并以机器学习流程组装工具的执行引擎进行数据的处理与模型的训练；制定不同框架间通用的数据流格式，支持跨框架的数据处理流程；在执行引擎运行期间，数据流在框架内的流动采用专有的格式，在框架间的流动采用规定的通用格式；此外，采用统一的监控机制来对整个数据流的流动执行过程进行全面的记录；

步骤S43：对训练完成的模型进行性能评估，对表现达到预期效果的模型的权重及配置文件进行保存；同时，进行下一次流程智能组装与模型训练评估，以自动设计具有针对性的模块拼装方法。