[发明专利]基于kubernetes深度神经网络模型的分布式分类方法

权利要求书

1.一种基于kubernetes深度神经网络模型的分布式分类方法，其特征在于，该方法包括以下步骤：

S1：模型训练；

S11：获取数据集；

S12：对数据集进行标注；

S13：将数据集进行标准化处理，然后分为训练集和测试集；

S14：将标准化处理后的训练集分别输入n个不同的深度神经网络模型进行训练，得到模型f₁,f₂,f₃,...,f_n；

S15：输入测试集获取对应模型的准确率，分配权重W₁,W₂,W₃,...,W_n；

S2：模型部署；

在部署之前建立kubernetes集群，master管理多个worker的node，多个pod运行tensorflow serving，pod的部署根据具体的资源情况部署；所有的资源通过service建立连接；训练好的n个深度神经网络模型部署在tensorflow serving里面。

2.根据权利要求1所述的分布式分类方法，其特征在于，该方法还包括：实时数据测试，获得最终结果，具体包括以下步骤：

S31：获取实时数据；

S32：将获取的实时数据进行标准化处理；

S33：将标准化处理过后的数据，通过访问tensorflow serving api获取不同的推理结果；

S34：采用加权投票算法，不同模型对实时数据推理得到的结果进行加权求和得到最终的结果。

3.根据权利要求1或2所述的分布式分类方法，其特征在于，所述标准化处理为：即数据的特征值x_i减去均值μ，再除以标准差σ，使数据服从标准正态分布。

4.根据权利要求1或2所述的分布式分类方法，其特征在于，步骤S15中，根据准确率的高低分配权重W₁,W₂,W₃,...,W_n。

5.根据权利要求1或2所述的分布式分类方法，其特征在于，所述深度神经网络模型包括：Resnet，Inception，VGG或Densenet网络模型。

6.根据权利要求1或2所述的分布式分类方法，其特征在于，步骤S2中，使用kubernetes作为容器编排系统，对tensorflow serving pod进行监督，扩容，以及分配资源。

7.根据权利要求2所述的分布式分类方法，其特征在于，步骤S34中，根据计算得到最大值对应的标签值得到最大值对应的标签值。