[发明专利]机器学习模型的部署方法、装置、电子设备及存储介质

权利要求书

1.一种机器学习模型的部署方法，其特征在于，所述方法包括：

获取线下训练完成的特征工程和机器学习模型；

将所述特征工程和所述机器学习模型整理为pipeline形式；

将pipeline形式下的特征工程和机器学习模型存储为proto文件；

将所述proto文件部署到线上。

2.根据权利要求1所述的方法，其特征在于，所述将pipeline形式下的特征工程和机器学习模型存储为proto文件，包括：

在protobuf协议下，基于pipeline形式下的特征工程和机器学习模型，采用proto文件的数据结构定义算子；

将pipeline形式下的特征工程和机器学习模型采用定义的算子以proto数据结构表达；

将以proto数据结构表达的算子中的规则和/或系数转换为二进制编码；

将转换为二进制编码的算子存储为proto文件。

3.根据权利要求1所述的方法，其特征在于，所述将所述特征工程和所述机器学习模型整理为pipeline形式，包括：

将所述特征工程和所述机器学习模型在sklearn库的基础上整理为pipeline形式。

4.根据权利要求3所述的方法，其特征在于，在所述将所述特征工程和所述机器学习模型在sklearn库的基础上整理为pipeline形式之前，所述方法还包括：

判断所述特征工程和所述机器学习模型是否基于python语言获得；

若是，则将所述特征工程和所述机器学习模型在sklearn库的基础上整理为pipeline形式；

若否，则将所述特征工程进行再训练，以及将所述机器学习模型进行剪枝，进而将再训练后的特征工程和剪枝后的机器学习模型转换为python语言，并在sklearn库的基础上将转换为python语言的特征工程和机器学习模型整理为pipeline形式。

5.根据权利要求1所述的方法，其特征在于，所述将所述proto文件部署到线上，包括：

解析所述proto文件，得到二进制编码对应的算子的规则和/或系数；

将解析得到的算子的规则和/或系数组成算子实例，并将所述算子实例保存在线上部署的服务器的内存中。

6.根据权利要求5所述的方法，其特征在于，所述proto文件中包含有多个算子对应的二进制编码；所述解析所述proto文件，得到二进制编码对应的算子的规则和/或系数，包括：

获取所述proto文件中的全部二进制编码；

根据所述全部二进制编码中各个二进制编码的存储地址或标识，确定各个算子对应的二进制编码；

解析所述各个算子对应的二进制编码，得到各个算子的规则和/或系数。

7.根据权利要求5所述的方法，其特征在于，在所述将所述算子实例保存在线上部署的服务器的内存中之后，所述方法还包括：

在获取到输入数据后，从所述内存中调用所述算子实例，所述输入数据用于在线上进行预测；

将所述输入数据代入所述算子实例中进行处理，得到预测打分结果。

8.一种机器学习模型的部署装置，其特征在于，所述装置包括：

存储模块，用于获取线下训练完成的特征工程和机器学习模型；将所述特征工程和所述机器学习模型整理为pipeline形式；将pipeline形式下的特征工程和机器学习模型存储为proto文件；

部署模块，用于将所述proto文件部署到线上。

9.一种电子设备，其特征在于，包括：处理器、存储器、总线；

其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，包括：存储的程序；其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1至7中任一项所述的方法。