[发明专利]一种基于本地模型与云端反馈的全流程人工智能竞赛系统及其数据处理方法

摘要

本发明针对人工智能本身的特点，创造性的提出一种基于本地模型与云端反馈的全流程人工智能竞赛系统及其数据处理方法，采用本发明的技术方案，通过一套脚本命令及代码在本地设备(PC等)运行支持PyTorch、TensorFloW、Keras、Scikit‑learn、caffe、MXNet、Theano、Torch等用于深度学习的框架实现开发环境依赖的自动化检测和安装、利用本地设备(PC等)的CPU、GPU进行小样本数据调试和通过脚本命令提交代码进行云端GPU训练、云端训练日志实时展现、多平台自动反馈训练结果；通过在本地终端登录并自动安装深度学习开发环境，自动化检测开发环境依赖并安装，节省算法开发过程，快速迭代网络结构方法。通过便捷的脚本命令将代码提交至云端GPU进行自动训练、评估，实时展示训练日志并及时反馈训练结果。

主权项

1.一种全流程的人工智能竞赛系统，所述系统基于本地模型与云端反馈实现，其特征在于，所述人工智能竞赛系统包括如下模块：(A)本地模型终端配置模块，所述本地模型终端配置模块包括有竞赛处理数据模板库文件，所述竞赛处理数据模板库文件包括如下数据包：(A1)数据赛题配置包app.yaml：该数据包为项目运行依赖基础包；(A2)数据输入输出处理支配文件processor.py：该支配文件用于支撑数据处理的输入、输出过程；(A3)算法流程入口包文件main.py：通过该包文件提交人工智能处理代码文件；(A4)模型保存试用包文件model.py：用来实现模型的保存、验证和使用；(A5)模型预测包文件predict.py：用来实现对训练完成的模型使用和预测；(A6)数据路径包文件path.py：设置数据文件、模型文件的存放路径；(A7)测试训练数据包文件dataset.py：用来存放训练数据和测试数据；其中，每一个数据包文件以及支配文件均包含对应的说明文件FlyAI；所述FlyAI为添加使用支持PyTorch、TensorFlow、Keras、Scikit‑learn、caffe、MXNet、Theano、Torch深度学习框架的一套脚本命令及代码的说明文件；(B)云端反馈配置模块，所述云端反馈配置模块包括数据上传/下载端口以及云端训练模块；所述云端训练模块利用所述上传端口获取所述本地模型终端配置模块中的所述算法流程入口包文件main.py、模型预测包文件predict.py以及测试训练数据包文件dataset.py，对所述人工智能算法进行训练；所述云端训练模块还利用所述下载端口将所述人工智能算法进行训练的结果数据下载到所述本地模型终端配置模块，并更新所述模型保存试用包文件model.py，所述更新包括将当前所述算法流程入口包文件main.py进行保存。