用于处理信息的方法和装置与流程

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于处理信息的方法和装置。

背景技术：

目前，随着深度学习模型以及训练次数的增加，使用者需要对不同版本的深度学习模型的多次训练结果进行有效管理，否则在使用深度学习模型进行预测时，不能够准确地导入相应的深度学习模型，导致预测结果正确性存在一定风险，甚至有模型覆盖的风险，可能会导致模型丢失。因此，为每次训练所得的深度学习模型设置版本号，通过版本号实现对深度学习模型进行版本管理显得尤为重要。

技术实现要素：

本申请的目的在于提出一种改进的用于处理信息的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种用于处理信息的方法，该方法包括：响应于接收到针对待训练深度学习模型的描述信息，确定版本号，其中，上述待训练深度学习模型具有与之对应的训练数据集和训练脚本；运行上述训练脚本以基于上述训练数据集对上述待训练深度学习模型进行训练，得到预测模型；将上述版本号设置为上述预测模型的版本号，并保存上述预测模型。

在一些实施例中，上述方法还包括：响应于接收到针对上述预测模型的信息查看指令，呈现上述预测模型的特征信息；其中，上述特征信息包括以下至少一项：上述版本号、上述描述信息、训练时间，上述训练数据集、上述训练脚本。

在一些实施例中，上述方法还包括：响应于接收到针对上述预测模型的搜索用信息，呈现上述预测模型，其中，上述搜索用信息包括上述预测模型的以下任意一项：上述版本号、上述训练时间、上述描述信息中的关键字。

在一些实施例中，上述方法还包括：响应于接收到针对上述预测模型的编辑指令，基于上述编辑指令对上述预测模型执行编辑操作。

在一些实施例中，上述方法还包括：接收模型导入指令，其中，上述模型导入指令包括上述版本号；基于上述版本号导入上述预测模型。

在一些实施例中，上述确定版本号，包括：自动生成第一版本号；若接收到针对上述第一版本号的、包括第二版本号的修改指令，则确定上述第二版本号是否全局唯一，若是，则将上述第一版本号修改为上述第二版本号，并将上述第二版本号作为上述版本号。

在一些实施例中，提供自动保存功能；以及上述保存上述预测模型，包括：确定当前上述自动保存功能是否被开启；若是，则通过上述自动保存功能对上述预测模型进行保存。

在一些实施例中，上述保存上述预测模型，包括：响应于确定当前上述自动保存功能未被开启，进一步确定上述训练脚本中是否包括保存路径和保存名称；响应于确定上述训练脚本中包括上述保存路径和上述保存名称，将上述预测模型命名为上述保存名称，并将上述预测模型保存至上述保存路径下。

第二方面，本申请实施例提供了一种用于处理信息的装置，该装置包括：确定单元，配置用于响应于接收到针对待训练深度学习模型的描述信息，确定版本号，其中，上述待训练深度学习模型具有与之对应的训练数据集和训练脚本；训练单元，配置用于运行上述训练脚本以基于上述训练数据集对上述待训练深度学习模型进行训练，得到预测模型；保存单元，配置用于将上述版本号设置为上述预测模型的版本号，并保存上述预测模型。

在一些实施例中，上述装置还包括：第一呈现单元，配置用于响应于接收到针对上述预测模型的信息查看指令，呈现上述预测模型的特征信息；其中，上述特征信息包括以下至少一项：上述版本号、上述描述信息、训练时间，上述训练数据集、上述训练脚本。

在一些实施例中，上述装置还包括：第二呈现单元，配置用于响应于接收到针对上述预测模型的搜索用信息，呈现上述预测模型，其中，上述搜索用信息包括上述预测模型的以下任意一项：上述版本号、上述训练时间、上述描述信息中的关键字。

在一些实施例中，上述装置还包括：编辑单元，配置用于响应于接收到针对上述预测模型的编辑指令，基于上述编辑指令对上述预测模型执行编辑操作。

在一些实施例中，上述装置还包括：接收单元，配置用于接收模型导入指令，其中，上述模型导入指令包括上述版本号；导入单元，配置用于基于上述版本号导入上述预测模型。

在一些实施例中，上述确定单元包括：生成子单元，配置用于自动生成第一版本号；第一确定子单元，配置用于若接收到针对上述第一版本号的、包括第二版本号的修改指令，则确定上述第二版本号是否全局唯一，若是，则将上述第一版本号修改为上述第二版本号，并将上述第二版本号作为上述版本号。

在一些实施例中，提供自动保存功能；以及上述保存单元包括：第二确定子单元，配置用于确定当前上述自动保存功能是否被开启；第一保存子单元，配置用于若是，则通过上述自动保存功能对上述预测模型进行保存。

在一些实施例中，上述保存单元包括：第三确定子单元，配置用于响应于确定当前上述自动保存功能未被开启，进一步确定上述训练脚本中是否包括保存路径和保存名称；第二保存子单元，配置用于响应于确定上述训练脚本中包括上述保存路径和上述保存名称，将上述预测模型命名为上述保存名称，并将上述预测模型保存至上述保存路径下。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，上述程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于处理信息的方法和装置，通过接收针对待训练深度学习模型的描述信息以便确定版本号；而后通过运行该待训练深度学习模型所对应的训练脚本，以基于该待训练深度学习模型所对应的训练数据集对该待训练深度学习模型进行训练，得到预测模型；最后将上述版本号设置为该预测模型的版本号，并保存该预测模型。从而有效利用了对针对待训练深度学习模型的描述信息的接收，以及对版本号的确定，实现了富于针对性的信息处理。在保存该预测模型之前对其设置版本号，可以实现对深度学习模型进行版本管理，并且可以避免模型保存时存在的模型覆盖风险。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于处理信息的方法的一个实施例的流程图；

图3是根据本申请的用于处理信息的方法的一个应用场景的示意图；

图4是根据本申请的用于处理信息的方法的又一个实施例的流程图；

图5是根据本申请的用于处理信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于处理信息的方法或用于处理信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、模型管理类应用等。

终端设备101、102、103可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如可以接收用户通过终端设备101、102、103发送的针对待训练深度学习模型的描述信息，并进行相应的处理(例如对该待训练深度学习模型进行训练等)等。

需要说明的是，本申请实施例所提供的用于处理信息的方法一般由服务器105执行，相应地，用于处理信息的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于处理信息的方法的一个实施例的流程200。该用于处理信息的方法，包括以下步骤：

步骤201，响应于接收到针对待训练深度学习模型的描述信息，确定版本号。

在本实施例中，用于处理信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式接收针对待训练深度学习模型的描述信息，并在接收到该描述信息后，上述电子设备可以确定版本号。其中，该待训练深度学习模型可以具有与之对应的训练数据集和训练脚本。这里，该描述信息可以是上述电子设备所连接的终端设备(例如图1所示的终端设备101、102、103)发出的。该描述信息可以表征本次训练的特点。作为示例，该描述信息为“增大训练数据集”，可以表征本次训练所使用的训练数据集所包括的训练数据的数目大于之前训练所使用的训练数据集所包括的训练数据集的数目。需要说明的是，与上述待训练深度学习模型分别对应的训练数据集和训练脚本可以上述描述信息的发送方预先上传至上述电子设备的。该训练脚本可以是用于对上述待训练深度学习模型进行训练的脚本。

在本实施例中，上述电子设备在接收到上述描述信息后，上述电子设备可以自动生成第一版本号，在对该待训练深度学习模型进行训练之前，若上述电子设备未接收到针对该第一版本号的修改指令，则上述电子设备可以将该第一版本号确定为上述版本号。这里，该第一版本号全局唯一，即该第一版本号不同于上述电子设备所管理的各个深度学习模型的版本号。

步骤202，运行训练脚本以基于训练数据集对待训练深度学习模型进行训练，得到预测模型。

在本实施例中，上述电子设备在确定版本号后，可以运行上述训练脚本以基于上述训练数据集对上述待训练深度学习模型进行训练，得到预测模型。

步骤203，将版本号设置为预测模型的版本号，并保存预测模型。

在本实施例中，上述电子设备在得到上述预测模型后，上述电子设备可以将所确定的版本号设置为上述预测模型的版本号，并且上述电子设备还可以保存上述预测模型。作为示例，上述电子设备可以接收包括保存路径和保存名称的模型保存指令，上述电子设备可以响应该模型保存指令，将该预测模型命名为该保存名称，并将该预测模型保存至该保存路径下。

在本实施例的一些可选的实现方式中，上述电子设备在自动生成第一版本号之后，若接收到针对该第一版本号的、包括第二版本号的修改指令，上述电子设备可以确定该第二版本号是否全局唯一，若是，上述电子设备可以将该第一版本号修改为该第二版本号，并将该第二版本号作为上述版本号。这里，上述电子设备可以通过确定该第二版本号是否已存在于预置版本号集合中，来确定该第二版本号是否全局唯一。需要说明的是，该预置版本号集合可以包括上述电子设备所管理的各个模型的版本号。

在本实施例的一些可选的实现方式中，上述电子设备还可以接收针对上述预测模型的信息查看指令。当上述电子设备接收到该信息查看指令后，上述电子设备可以向该信息查看指令的发送方(例如上述终端设备)呈现上述预测模型的特征信息，该特征信息例如可以包括以下至少一项：上述版本号、上述描述信息、训练时间(可以包括训练开始时间、训练结束时间或其组合)、上述训练数据集、上述训练脚本等等。需要说明的是，上述信息查看指令可以包括上述预测模型的版本号，上述电子设备可以基于该版本号快速、准确地定位到上述预测模型。

在本实施例的一些可选的实现方式中，上述电子设备还可以接收针对上述预测模型的搜索用信息。其中，该搜索用信息可以包括上述预测模型的特征信息。该特征信息例如可以包括以下至少一项：上述版本号、上述训练时间、上述描述信息中的关键字等等。若上述电子设备接收到该搜索用信息，上述电子设备可以向该搜索用信息的发送方(例如上述终端设备)呈现上述预测模型。

在本实施例的一些可选的实现方式中，上述电子设备还可以接收针对上述预测模型的编辑指令。该编辑指令可以例如是对上述预测模型的以下任意一项进行编辑的指令：参数、版本号、描述信息等等。若上述电子设备接收到该编辑指令，上述电子设备可以基于该编辑指令对上述预测模型执行编辑操作。需要说明的是，上述编辑指令可以包括上述预测模型的版本号，上述电子设备可以基于该版本号快速、准确地定位到上述预测模型。

在本实施例的一些可选的实现方式中，上述电子设备还可以接收模型导入指令，其中，该模型导入指令可以包括上述版本号。上述电子设备可以基于上述版本号导入上述预测模型。这里，通过预先建立版本号与深度学习模型的对应关系，基于版本号可以快速、准确地导入该版本号所对应的深度学习模型，克服了人为管理模型时所存在的容易导入错误的模型的弊端。

继续参见图3，图3是根据本实施例的用于处理信息的方法的应用场景的一个示意图。在图3的应用场景中，用户首先可以通过终端设备在服务器上创建待训练深度学习模型a，并上传在对待训练深度学习模型a进行训练时所需的预测数据集和训练脚本，该用户还可以输入针对待训练深度学习模型a的描述信息。而后，上述服务器可以接收上述描述信息，并如标号301所示，自动生成第一版本号，例如“v2017731420”，并将该第一版本号确定为版本号。然后，如标号302所示，上述服务器可以运行上述训练脚本以基于上述训练数据集对待训练深度学习模型a进行训练，得到预测模型b。最后，上述服务器可以将版本号“v2017731420”设置为预测模型b的版本号，并保存预测模型b。

本申请的上述实施例提供的方法通过在接收到针对待训练深度学习模型的描述信息时确定版本号，并将所确定的版本号设置为对该待训练深度学习模型进行训练所得的预测模型的版本号，实现了富于针对性的信息处理。在保存该预测模型之前对其设置版本号，可以实现对深度学习模型进行版本管理，而且还可以避免模型保存时所存在的模型覆盖风险。

进一步参考图4，其示出了用于处理信息的方法的又一个实施例的流程400。该用于处理信息的方法的流程400，包括以下步骤：

步骤401，响应于接收到针对待训练深度学习模型的描述信息，确定版本号。

步骤402，运行训练脚本以基于训练数据集对待训练深度学习模型进行训练，得到预测模型。

步骤403，将版本号设置为预测模型的版本号。

在本实施例中，针对步骤401、步骤402和步骤403的解释说明可分别参考图2所示实施例中的步骤201、步骤202和步骤203中的相关描述，在此不再赘述。

步骤404，确定当前所提供的自动保存功能是否被开启。

在本实施例中，上述电子设备可以提供自动保存功能来保存深度学习模型。当上述电子设备将所确定的版本号设置为上述预测模型的版本号后，上述电子设备可以确定自动保存功能是否被开启。这里，该自动保存功能可以具有与之对应的开启属性，该开启属性的值可以包括第一值和第二值。当该开启属性的值为第一值时可以表示该自动保存功能已被开启。当该开启属性的值为第二值时可以表示该自动保存功能未被开启。该第一值可以例如用数字“1”或文字“是”等字符来表示，该第二值可以例如用数字“0”或文字“否”等字符来表示，本实施例不对此方面内容做任何限定。

步骤405，响应于确定当前自动保存功能未被开启，进一步确定训练脚本中是否包括保存路径和保存名称。

在本实施例中，响应于上述电子设备确定自动保存功能未被开启，上述电子设备可以对上述训练脚本进行分析，以确定上述训练脚本中是否包括保存路径和保存名称。

步骤406，响应于确定训练脚本中包括保存路径和保存名称，将预测模型命名为保存名称，并将预测模型保存至保存路径下。

在本实施例中，响应于上述电子设备确定上述训练脚本中包括保存路径和保存名称，上述电子设备可以将上述预测模型命名为该保存名称，并将上述预测模型保存至该保存路径下。

在本实施例的一些可选的实现方式中，若上述电子设备确定上述自动保存功能已被开启，上述电子设备可以通过该自动保存功能对上述预测模型进行保存。这里上述自动保存功能可以具有与之对应的保存路径和命名规则，上述电子设备可以通过上述自动保存功能对上述预测模型进行命名，并将上述预测模型保存至对应的存储路径下。需要说明的是，若上述自动保存功能已被开启，且上述训练脚本中包括保存路径和保存名称，上述电子设备通常只通过上述自动保存功能对上述预测模型进行保存，不会在该保存路径下再次保存上述预测模型。

在本实施例的一些可选的实现方式中，若上述自动保存功能未被开启，且上述训练脚本不包括保存路径和保存名称，则上述电子设备通常不会自动保存上述预测模型。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于处理信息的方法的流程400突出了对训练所得的预测模型的保存方法进行扩展的步骤。由此，本实施例描述的方案可以实现模型保存方法的多样化，从而可以实现模型管理的全面性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于处理信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例所示的用于处理信息的装置500包括：确定单元501、训练单元502和保存单元503。其中，确定单元501配置用于响应于接收到针对待训练深度学习模型的描述信息，确定版本号，其中，上述待训练深度学习模型具有与之对应的训练数据集和训练脚本；训练单元502配置用于运行上述训练脚本以基于上述训练数据集对上述待训练深度学习模型进行训练，得到预测模型；而保存单元503配置用于将上述版本号设置为上述预测模型的版本号，并保存上述预测模型。

在本实施例中，用于处理信息的装置500中：确定单元501、训练单元502和保存单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述装置500还可以包括：第一呈现单元(图中未示出)，配置用于响应于接收到针对上述预测模型的信息查看指令，呈现上述预测模型的以下至少一项：上述版本号、上述描述信息、训练时间，上述训练数据集、上述训练脚本。

在本实施例的一些可选的实现方式中，上述装置500还可以包括：第二呈现单元(图中未示出)，配置用于响应于接收到针对上述预测模型的搜索用信息，呈现上述预测模型，其中，上述搜索用信息可以包括上述预测模型的以下任意一项：上述版本号、上述训练时间、上述描述信息中的关键字。

在本实施例的一些可选的实现方式中，上述装置500还可以包括：编辑单元(图中未示出)，配置用于响应于接收到针对上述预测模型的编辑指令，基于上述编辑指令对上述预测模型进行相应的编辑。

在本实施例的一些可选的实现方式中，上述装置500还可以包括：接收单元(图中未示出)，配置用于接收模型导入指令，其中，上述模型导入指令包括上述版本号；导入单元，配置用于基于上述版本号导入上述预测模型。

在本实施例的一些可选的实现方式中，上述确定单元501可以包括：生成子单元(图中未示出)，配置用于自动生成第一版本号；第一确定子单元(图中未示出)，配置用于若接收到针对上述第一版本号的、包括第二版本号的修改指令，则确定上述第二版本号是否全局唯一，若是，则将上述第一版本号修改为上述第二版本号，并将上述第二版本号作为上述版本号。

在本实施例的一些可选的实现方式中，提供自动保存功能；以及上述保存单元503可以包括：第二确定子单元(图中未示出)，配置用于确定当前上述自动保存功能是否被开启；第一保存子单元(图中未示出)，配置用于若是，则通过上述自动保存功能对上述预测模型进行保存。

在本实施例的一些可选的实现方式中，上述保存单元503可以包括：第三确定子单元(图中未示出)，配置用于响应于确定当前上述自动保存功能未被开启，进一步确定上述训练脚本中是否包括保存路径和保存名称；第二保存子单元(图中未示出)，配置用于响应于确定上述训练脚本中包括上述保存路径和上述保存名称，将上述预测模型命名为上述保存名称，并将上述预测模型保存至上述保存路径下。

本申请的上述实施例提供的装置通过在接收到针对待训练深度学习模型的描述信息时确定版本号，并将所确定的版本号设置为对该待训练深度学习模型进行训练所得的预测模型的版本号，实现了富于针对性的信息处理。在保存该预测模型之前对其设置版本号，可以实现对深度学习模型进行版本管理，而且还可以避免模型保存时所存在的模型覆盖风险。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括确定单元、训练单元和保存单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“确定版本号的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备包括：响应于接收到针对待训练深度学习模型的描述信息，确定版本号，其中，上述待训练深度学习模型具有与之对应的训练数据集和训练脚本；运行上述训练脚本以基于上述训练数据集对上述待训练深度学习模型进行训练，得到预测模型；将上述版本号设置为上述预测模型的版本号，并保存上述预测模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。