可视化流图机器学习与人工智能平台的制作方法

本发明涉及人工智能平台领域，尤其涉及可视化流图机器学习与人工智能平台。

背景技术：

近年来，随着信息交流的快速发展和计算机网络的广泛运用，机器学习的概念受到了越来越多的关注。作为人工智能关键环节的机器学习，不但在计算机相关的众多领域中脱颖而出，并且已经被广泛应用在数据挖掘、大数据处理、语音识别等领域。随着大数据时代的脚步步步逼近，相信机器学习会有更大发展。

但是机器学习与深度学习作为比较专业的领域，其入门难度和门槛都是比较高的。因此设计一个用于学习与研究的可视化平台是有必要的。目前现存的大部分机器学习平台都比较专业，缺乏对入门者的友好性。

技术实现要素：

本发明的目的在于提供了一种可视化流图机器学习与人工智能平台，，允许用户在该平台的基础上创建机器学习模型，或者创建独立数据集与机器学习算法进行模型训练，同时该平台时集自定义模块，数据流图可视化，实时仪表盘可视化等功能的机器学习应用平台。本发明提供的可视化流图机器学习与人工智能平台，具体包括：

所述可视化流图机器学习与人工智能平台的项目框架，基于electron主体框架搭建，底层使用node.js与操作系统进行交互；所述可视化流图机器学习与人工智能平台的项目框架，具体包括三个部分；第一部分为包含项目依赖环境的package.json文件；第二部分为主进程入口，用于创建窗口和处理系统时间的main.js文件；第三部分为通过渲染的web界面创建用户图形界面，包含按钮响应事件与页面布局样式的css界面设计文件和js脚本文件。

进一步地，所述可视化流图机器学习与人工智能平台的实现，通过模块构建进行；所述模块包括：css模块、fonts模块、images模块、libs模块、model模块和static模块；所述css模块用于页面整体布局，采用bootstrap技术进行构建；所述fonts模块用于所述可视化流图机器学习与人工智能平台的字体设置；所述images模块包含所述可视化流图机器学习与人工智能平台界面中背景图片和相关资源图片；所述libs模块用于相关库文件引入，用于引入jquery.js文件；所述model模块包括controllers、managers、objects和ui四个部分；所述static模块，包含保存项目属性的projectproperties.json文件，用于保存项目名称、版本、引擎、gpu、控制台和主题信息。

进一步地，所述jqury.js用于实现拖拽功能。

进一步地，所述controllers包括两个js文件，分别为globalservice.js和inputservice.js，封装了全局服务和输入服务中相关全局方法和全局变量。

进一步地，所述managers用于管理项目创建运行事件和脚本运行、编写事件，包括五个js文件，分别为actionsmanager.js、jsonmanager.js、projectbuilder.js、projectrunner.js和scriptsmanager.js；所述actionsmanager.js用于场景框中对象动作的管理；所述jsonmanager.js用于将场景框中的参数保存至一个新的json文件中，以便下次可以还原场景；所述projectbuilder.js用于提取场景框中的各个模块所包含的python代码，并且在系统的临时文件夹tmp中生成一个完整的python项目；所述projectrunner.js是依据临时文件夹中tmp生成的完整项目的python代码来编译和运行，并通过输出框反馈项目运行的信息；所述scriptsmanager.js用于管理场景框中各个模块对应的python代码，支持打开默认ide对python代码进行修改。

进一步地，所述objects用于对象的编辑和编译，包括两个js文件，分别为sceneobject.js和script.js；所述object中的sceneobject.js用于提取场景框中各个模块对应的变量，并在生成的临时文件夹中的python文件将这些变量声明成为全局变量；所述script.js用于对场景框中各个模块对应的方法进行提取，并在生成的临时文件夹中的python文件中封装成类私有的方法；所述ui用于对所述可视化流图机器学习与人工智能平台中各按钮对应的事件进行封装和管理。

进一步地，所述可视化流图机器学习与人工智能平台采用javascript和python进行构建。

进一步地，所述项目依赖环境，包括python3.6及以上版本，node.js、electron和tensorflow。

所述可视化流图机器学习与人工智能平台的界面包括场景框、层级框、属性框和输出框；所述场景框，用于实现模块拖拽和结果可视化；所述层级框，用于显示层级关系和插入新对象；所述属性框，用于属性值修改和脚本自定义；所述输出框，用于显示属性图和输出信息可视化。

本发明提供的技术方案带来的有益效果是：具备强大直观交互界面，允许用户在该平台的基础上创建机器学习模型，或者创建独立数据集与机器学习算法进行模型训练，同时集自定义模块，数据流图可视化，实时仪表盘可视化等功能于一体。

附图说明

图1为本发明实施例中可视化流图机器学习与人工智能平台的结构图；

图2为本发明实施例中可视化流图机器学习与人工智能平台的界面分布图；

图3为本发明实施例中可视化流图机器学习与人工智能平台界面的场景框；

图4为本发明实施例中可视化流图机器学习与人工智能平台界面的层级框；

图5为本发明实施例中可视化流图机器学习与人工智能平台界面的属性框；

图6为本发明实施例中可视化流图机器学习与人工智能平台界面的输出框；

图7为本发明实施例中利用本发明所述的可视化流图机器学习与人工智能平台进行实验的结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

请参考图1，本发明的实施例提供了可视化流图机器学习与人工智能平台的，具体包括：

所述可视化流图机器学习与人工智能平台的项目框架，基于electron主体框架搭建，底层使用node.js与操作系统进行交互；所述可视化流图机器学习与人工智能平台的项目框架，具体包括三个部分；第一部分为包含项目依赖环境的package.json文件；第二部分为主进程入口，用于创建窗口和处理系统时间的main.js文件；第三部分为通过渲染的web界面创建用户图形界面，包含按钮响应事件与页面布局样式的css界面设计文件和js脚本文件。

所述可视化流图机器学习与人工智能平台的实现，通过模块构建进行；所述模块包括：css模块、fonts模块、images模块、libs模块、model模块和static模块；所述css模块用于页面整体布局，采用bootstrap技术进行构建；所述fonts模块用于所述可视化流图机器学习与人工智能平台的字体设置；所述images模块包含所述可视化流图机器学习与人工智能平台界面中背景图片和相关资源图片；所述libs模块用于相关库文件引入，用于引入jquery.js文件；所述model模块包括controllers、managers、objects和ui四个部分；所述static模块，包含保存项目属性的projectproperties.json文件，用于保存项目名称、版本、引擎、gpu、控制台和主题信息。

所述jqury.js用于实现拖拽功能。

所述controllers包括两个js文件，分别为globalservice.js和inputservice.js，封装了全局服务和输入服务中相关全局方法和全局变量。

所述managers用于管理项目创建运行事件和脚本运行、编写事件，包括五个js文件，分别为actionsmanager.js、jsonmanager.js、projectbuilder.js、projectrunner.js和scriptsmanager.js；所述actionsmanager.js用于场景框中对象动作的管理；所述jsonmanager.js用于将场景框中的参数保存至一个新的json文件中，以便下次可以还原场景；所述projectbuilder.js用于提取场景框中的各个模块所包含的python代码，并且在系统的临时文件夹tmp中生成一个完整的python项目；所述projectrunner.js是依据临时文件夹中tmp生成的完整项目的python代码来编译和运行，并通过输出框反馈项目运行的信息；所述scriptsmanager.js用于管理场景框中各个模块对应的python代码，支持打开默认ide对python代码进行修改。

所述objects用于对象的编辑和编译，包括两个js文件，分别为sceneobject.js和script.js；所述object中的sceneobject.js用于提取场景框中各个模块对应的变量，并在生成的临时文件夹中的python文件将这些变量声明成为全局变量；所述script.js用于对场景框中各个模块对应的方法进行提取，并在生成的临时文件夹中的python文件中封装成类私有的方法；所述ui用于对所述可视化流图机器学习与人工智能平台中各按钮对应的事件进行封装和管理。

所述可视化流图机器学习与人工智能平台采用javascript和python进行构建。

所述项目依赖环境，包括python3.6及以上版本，node.js、electron和tensorflow。

请参考图2，图2为本发明实施例中可视化流图机器学习与人工智能平台的界面分布图。所述可视化流图机器学习与人工智能平台的界面包括场景框、层级框、属性框和输出框；所述场景框，用于实现模块拖拽和结果可视化；所述层级框，用于显示层级关系和插入新对象；所述属性框，用于属性值修改和脚本自定义；所述输出框，用于显示属性图和输出信息可视化。

请参考图3，图3为本发明实施例中可视化流图机器学习与人工智能平台界面的场景框。场景框中，minstloader表示手写数字数据集加载器；classifier表示分类器；neuralnetwork表示神经网络；softmax表示激活函数；loss表示分类损失值；accuracy表示分类精度值。

请参考图4，图4为本发明实施例中可视化流图机器学习与人工智能平台界面的层级框。层级框为场景框列表表示形式。

请参考图5，图5为本发明实施例中可视化流图机器学习与人工智能平台界面的属性框。属性框中，name：model表示模型名称，enabled表示模型是否可用；graph.py表示模型的python文件；model_elements()表示模型元素；添加一个脚本表示添加自定义脚本文件。

请参考图6，图6为本发明实施例中可视化流图机器学习与人工智能平台界面的输出框。输出框中包括两个json文件，properties.json表示项目属性信息，filedir表示properties的存放路径；scene.json用于保存项目场景信息，folder表示可展开，以查看详细场景信息。

请参考图7，图7为利用本发明所述的可视化流图机器学习与人工智能平台进行实验的结果图。该实验首先需要在场景框中添加以下模块：手写数字数据集加载、对抗生成网络(gan)、判别器、生成器、图片显示器、动态损失折线图图。手写数字数据集加载模块中主要是加载mnist手写数字数据集，然后将该数据集送入对抗生成网络中进行训练，通过生成器生成一些包含噪声的图片给判别器判断，从而提高判别器对噪声的扰动能力。在训练过程中，可以从对抗生成网络中接出一个图片查看器，查看包含噪声扰动的图片。最后，通过一个折线图直观地观察判别器和生成器的损失变化情况。该实验设置的一些主要参数包含，训练的批量大小(latent_size)为100，学习率(learning_rate)大小为0.001，迭代轮数(training_iterations)为1000，以及展示轮数(每多少轮绘制更新一次折线图)100，迭代轮数与展示轮数之商为10，即折线图中对应的10个坐标点。经过1000轮迭代之后的结果如折线图所示，判别器和生成器的损失均变得较低，说明该网络对小噪声扰动已经具备较好的抗干扰能力。

本发明的有益效果是：具备强大直观交互界面，允许用户在该平台的基础上创建机器学习模型，或者创建独立数据集与机器学习算法进行模型训练，同时集自定义模块，数据流图可视化，实时仪表盘可视化等功能于一体。

在本文中，所涉及的前、后、上、下等方位词是以附图中各装置位于图中以及设备相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。