[发明专利]一种无人艇自主学习系统、方法和计算机可读存储介质

权利要求书

1.一种无人艇自主学习系统，其特征在于，包括：

多任务请求模块，用于接收客户端发送的访问请求信息，并将所述请求信息发送至Tensorflow Serving服务模块；

Tensorflow Serving服务模块，部署在Docker开源应用容器引擎中，用于接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算所述模型，将计算结果发送到客户端；

多模型文件目录，用于挂载平台端已经训练完成的智能算法模型。

2.根据权利要求1所述的无人艇自主学习系统，其特征在于，所述Tensorflow Serving服务模块包括：

文件监控组件，用于监控文件系统，搜索和读取多模型文件目录，在查找到更新版本的模型时为模型创建模型加载器，并在所述加载器创建完成之后发送至任务管理器；

模型加载器，用于指向连接到磁盘上存储的更新版本的模型；

任务管理器，用于收到模型加载器中指向的更新版本的模型后进行模型服务。

3.根据权利要求2所述的无人艇自主学习系统，其特征在于，所述任务管理器进行模型服务时，判断模型是否首次推送部署以及模型所需资源是否可用，若是首次部署且已获取相应资源，任务管理器赋予模型加载器权限进行模型加载；

或，任务管理器若判断出所述模型已上线，在对已上线模型进行版本更新时，首先查询版本管理插件，再根据选择的更新模式决定加载模型的更新方式。

4.根据权利要求3所述的无人艇自主学习系统，其特征在于，所述根据选择的更新模式决定加载模型的更新方式，包括步骤：

若选择优先保持可用性，则任务管理器会令所述模型加载器实例化新的计算图和新的权重，此时所述已上线模型和更新版本的模型都被加载，任务管理器确保新版本模型能够安全服务后，再卸载所述已上线模型；

或，选择保持资源，则任务管理器不再为更新版本的模型申请额外的资源。

5.根据权利要求1所述的无人艇自主学习系统，其特征在于，所述已训练的模型包括以下多种格式之一种：pb格式、ckpt格式和meta格式。

6.根据权利要求1所述的无人艇自主学习系统，其特征在于，支持Docker部署，将所述多模型文件目录挂载在Docker的虚拟目录下，拉取Docker镜像。

7.一种无人艇自主学习方法，其特征在于，包括步骤：

接收客户端发送的访问请求信息，并将所述请求信息发送至Tensorflow Serving服务模块；其中，所述Tensorflow Serving服务模块部署在Docker开源应用容器引擎中

接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算已训练完成的所述模型，将计算结果发送到客户端；其中，所述多模型文件目录，用于挂载平台端已经训练完成的智能算法模型。

8.根据权利要求7所述的无人艇自主学习方法，其特征在于，所述接收所述多任务请求模块发送的请求信息、在多模型文件目录中选择已训练的模型并加载和计算已训练完成的所述模型，包括步骤：

搜索和读取多模型文件目录，在查找到更新版本的模型时为模型创建模型加载器，并在所述加载器创建完成之后发送至任务管理器；其中，所述模型加载器用于指向连接到磁盘上存储的更新版本的模型；

所述任务管理器收到模型加载器中指向的更新版本的模型后，加载所述模型并根据选择的加载方式进行相应的模型服务。

9.根据权利要求7所述的无人艇自主学习方法，其特征在于，所述根据选择的加载方式进行相应的模型服务，包括步骤：

判断模型是否首次推送部署以及模型所需资源是否可用，若是首次部署且已获取相应资源，任务管理器赋予模型加载器权限进行模型加载；

或，任务管理器若判断出所述模型已上线，在对已上线模型进行版本更新时，首先查询版本管理插件，再根据选择的更新模式决定加载模型的更新方式。

10.一种计算机可读存储介质，其特征在于，其用于存储计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述权利要求7-9任一所述方法的步骤。