AI模型的实现方法、电子设备及存储介质与流程

ai模型的实现方法、电子设备及存储介质
技术领域
1.本技术涉及人工智能技术领域，尤其涉及一种ai模型的实现方法、电子设备及存储介质。


背景技术：

2.随着科技的快速发展，全球已经逐渐进入人工智能(artificialintelligence，简称ai)时代。ai作为一种应用技术，如何将ai模型快速转化为产品，从而实现商业落地，这将是目前在人工智能领域所要解决的迫切问题。ai模型的应用包括数据处理、模型设计、模型训练、模型发布等，如今ai模型的实现方法通常是交给ai模型工程师进行调试、训练，最后得到ai模型。
3.由于ai模型训练难度大，不同类型的用户对于模型的需求并不一样，比如一些工程师就需要得到一些精度比较高的ai模型，而一些普通用户对ai模型的精度并没有那么高，但是专业工程师仍需要反复调试，十分浪费资源。


技术实现要素：

4.本技术涉及人工智能技术领域，尤其涉及一种ai模型的实现方法、电子设备及存储介质，旨在解决目前ai模型训练难度大，其训练过程中需要专业工程师反复调试，耗时耗力，导致ai模型的提供方较少，无法满足供需的问题。
5.为实现上述目的，本技术提供一种基于ai模型的实现方法，所述方法包括：
6.获取用户在ai交易平台的客户端上发布的需求信息，所述需求信息包括所述用户对需要的ai模型的描述信息；
7.根据所述需求信息确定对应的ai模型算法，将所述ai模型算法封装成镜像文件，并将所述镜像文件载入所述ai交易平台；
8.对所述镜像文件进行超参数解析，并将解析得到的超参数发送至所述客户端进行显示，以便所述用户确认所述超参数；
9.获取模型训练数据，并将所述模型训练数据的数据路径替换为所述ai交易平台的指定路径以便映射到所述客户端进行显示；
10.接收并响应所述用户的确定指令，加载所述镜像文件并根据所述模型训练数据进行自动机器学习训练，得到ai模型，并发布所述ai模型。
11.此外，为实现上述目的，本技术还提供一种电子设备，所述电子设备包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现本技术实施例提供的任一项所述的ai模型的实现方法。
12.此外，为实现上述目的，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现本技术实施例提供的任一项所述的ai模型的实现方法。
13.本技术实施例公开的ai模型的实现方法、电子设备和存储介质，通过搭建ai交易
平台的服务端和客户端，可以实现根据用户提供的ai模型的需求信息确定对应的ai模型算法，进行自动机器学习训练，得到ai模型，从而实现了ai模型的提供方较少，无法满足供需的问题，提高了用户体验。
附图说明
14.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
15.图1是本技术实施例提供的一种ai交易平台的应用场景示意图；
16.图2是本技术实施例提供的一种ai模型的实现方法的示意流程图；
17.图3是本技术实施例提供的一种获取用户在ai交易平台的客户端上发布的需求信息的示意流程图；
18.图4是本技术实施例提供的一种确定用户是否提供开源ai模型算法的示意流程图；
19.图5(a)是本技术实施例提供的一种配置超参数的示意图；
20.图5(b)是本技术实施例提供的一种客户端任务类型的示意图；
21.图5(c)是本技术实施例提供的一种配置数据库的示意图；
22.图6是本技术实施例提供的一种k8s调度的示意图；
23.图7是本技术实施例提供的一种定义的模型参数示意图；
24.图8是本技术一实施例提供的一种电子设备的示意性框图。
具体实施方式
25.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。
27.在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
28.目前，ai(artificial intelligence)模型的应用包括数据处理、模型设计、模型训练、模型发布等，近年来ai模型的需求与日俱增，由于ai模型训练难度大，其训练过程中需要专业工程师反复调试，耗时耗力，导致ai模型的提供方较少，无法满足供需，同时不同类型的用户对于模型的需求并不一样，比如一些工程师就需要得到一些精度比较高的ai模型，而一些普通用户对ai模型的精度并没有那么高，但是专业工程师仍需要反复调试，十分浪费资源。
29.为此，本技术提供了ai模型的实现方法、电子设备及存储介质，以解决上述问题。
30.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
31.本技术实施例提供的ai模型的实现方法是基于ai交易平台实现的，因此为了便于理解，在介绍ai模型的实现方法之前，先对ai交易平台进行介绍。
32.ai交易平台为基于第三方代码托管平台实现的平台系统，包括服务端和客户端。其中，第三方代码托管平台比如为github，gitlab等开源代码库，第三方代码托管平台对应的第三方开源社区上有很多算法专家开发好的ai模型算法并开源出来，便于模型训练，但是仍然需要进行复杂的环境配置、代码调试等工作，需求方并不能很轻易地得到所需的ai模型，该ai交易平台基于第三方代码托管平台实现并进行改进，使得用户不需要繁琐的配置即可以实现。同时，ai交易平台在基于第三方代码托管平台下还实现了ai模型训练的低门槛化，以解决供需不匹配的问题。
33.如图1所示，ai交易平台的客户端可以安装在终端设备，服务端可以安装在服务器中。其中，终端设备可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(personal digital assistant，pda)、以及诸如数字tv、台式计算机等固定终端。服务器例如可以为单独的服务器或服务器集群。
34.客户端可以获取用户发布的需求信息，所述需求信息包括用户对需要的ai模型的描述信息，并将该需求信息发送给服务端，以使服务端根据该需求信息确定相应的ai模型算法和训练数据，进行模型训练，并将训练好的模型发送给客户端，以便用户使用。
35.具体地，客户端可以是应用程序(app)，当用户打开该app时，该app显示需求信息界面，以便用户在需求信息界面上填写需求信息，并获取用户在需求信息界面上填写的需求信息，将所述需求信息发送给服务端，由服务端根据该需求信息执行本技术实施例提供的ai模型的实现方法进行模型训练，并将训练得到的模型发送给用户，以便用户使用。
36.以下将基于图1中的应用场景，对本技术实施例提供的ai模型的实现方法进行详细介绍。
37.请参阅图2，图2是本技术实施例提供的一种ai模型的实现方法的示意流程图。该ai模型的实现方法可以应用于ai交易平台的服务端，实现ai模型训练的智能化，提高了用户获取所需ai模型的便捷性，降低了人工训练ai模型的成本，提高了用户体验度。
38.如图2所示，该ai模型的实现方法包括步骤s101至步骤s105。
39.s101、获取用户在ai交易平台的客户端上发布的需求信息，所述需求信息包括所述用户对需要的ai模型的描述信息。
40.在本技术的实施例中，所述ai模型的描述信息包括该ai模型的功能、类型和适用范围，即用户想用ai模型做什么的描述，用于确定对应的ai模型算法。
41.具体地，客户端可以显示需求信息界面，以便用户在需求信息界面上填写需求信息，获取用户在需求信息界面上填写的需求信息。
42.在一些实施例中，还可以从客户端获取用户的语音，比如客户端设置有语音按键，以提示用户通过语音发布需求信息，通过对用户的语音进行识别以获取用户的需求信息。
43.在一些实施例中，如图3所示，即获取用户在ai交易平台的客户端上发布的需求信息的步骤，具体包括以下步骤：
44.s1011、通过所述ai交易平台的客户端获取所述用户的模型需求。
45.在本技术的实施例中，所述用户的模型需求用于确定对应的ai模型的描述信息。该ai模型需求可以为功能性需求，也可以为场景性需求。
46.示例性的，用户可以在客户端上比如笔记本电脑上进入该ai交易平台，发送一个筛选特定图片的ai模型需求给服务器。
47.示例性的，用户可以在客户端上比如掌上电脑上进入该ai交易平台，发送一个应用于建筑业计算场景的ai模型需求给服务器。
48.s1012、根据所述模型需求从历史ai模型确定目标ai模型及所述目标ai模型的描述信息。
49.在本技术的实施例中，根据所述模型需求，从历史ai模型中搜索与所述模型需求最接近的ai模型，将所述最接近的ai模型设为目标ai模型。
50.其中，所述历史ai模型通过封装成镜像文件储存在第三方代码托管平台上，所述历史ai模型包括网上收集的高星模型或通过所述ai交易平台进行训练后储存的ai模型，服务端还可以通过在网上搜索高星模型并把它们封装成对应的镜像文件。其中，所述高星模型为网上使用最多的ai模型、好评率较高的ai模型或实用性较强的ai模型。通过在网上搜索高星模型可以提高确定目标ai模型的效率和准确性，大大节约了时间成本。
51.示例性的，服务端通过用户提供的ai模型的描述信息，在第三方代码托管平台中的历史ai模型中搜索与用户提供的ai模型的描述信息最相近的ai模型作为目标ai模型，并输出该目标ai模型的描述信息。
52.在一些实施例中，服务端可以在发布ai模型之后，将所述ai模型封装成对应的镜像文件储存在第三方代码托管平台上，作为历史ai模型。通过将所述ai模型封装成对应的镜像文件储存在第三方代码托管平台上可以方便下次搜索目标ai模型，提高确定目标ai模型的效率，大大节约了时间成本。
53.s1013、通过所述客户端显示所述描述信息以便所述用户确认。
54.在本技术的实施例中，将目标ai模型的描述信息发送给客户端，客户端显示接收到的目标ai模型的描述信息，以供用户确认ai模型是否为其需要的模型。
55.在一些实施例中，服务端还可以发送一个或多个目标ai模型的描述信息给客户端，并按照功能相似度、适用范围大小进行排序，以便客户端将这些多个目标ai模型的描述信息显示给用户，供用户自行选择。通过对多个目标ai模型进行排序可以更清晰地将最符合要求的模型呈现给用户。
56.示例性的，客户端显示了按照优先级排序的3个目标ai模型，其中第1个目标ai模型功能相似度95％，适用范围为建筑业，第2个目标ai模型功能相似度90％，适用范围为工业，第3个目标ai模型功能相似度80％，适用范围为全部行业，此时用户可以根据自己的实际需要进行选择。
57.可以理解的是，优先级排序越高的ai模型可以为服务端筛选出最适合用户模型需求的目标ai模型。
58.在一些实施例中，若用户对目标模型结果不满意，还可以在客户端对模型需求进行修改，从而继续搜索目标ai模型。示例性的，若用户对目标模型的实现功能不满意，可以对模型需求进行细化要求再进行搜索。
59.s1014、响应于接收到所述用户对所述描述信息的确认指令，将所述描述信息作为
需求信息。
60.示例性的，检测用户对所述目标ai模型的描述信息的确认、修改或退出指令，若接收到用户对所述目标ai模型的描述信息的确认指令，将所述目标ai模型的描述信息作为需求信息。
61.当然，若接收到用户对所述目标ai模型的描述信息的修改指令，将模型需求信息修改页面显示到客户端上，若接收到用户对所述目标ai模型的描述信息的退出指令，关闭当前页面。
62.s102、根据所述需求信息确定对应的ai模型算法，将所述ai模型算法封装成镜像文件，并将所述镜像文件载入所述ai交易平台。
63.根据需求信息确定ai模型算法之后，封装成镜像文件以便进行超参数解析。其中，ai模型算法包括所述ai交易平台收集的开源ai模型算法或用户收集的开源ai模型算法。
64.镜像文件是可执行的软件包，可以单独运行，直接载入所述ai交易平台，该软件包对所处的运行时环境要求低，基本不会受到运行时环境的影响，以使镜像文件的载入稳定运行。
65.示例性的，镜像文件可以为容器镜像(image)，它所承载的是封装了所述代码的二进制数据。
66.在一些实施例中，若将镜像文件存储在第三方代码托管平台，可以在镜像文件名称后添加一个标签，以便通过该标签辨识同一镜像序列中的不同版本。
67.其中，所述同一镜像序列中装载着不同版本的镜像文件，所述不同版本为初始镜像文件和用户修改参数后的镜像文件。
68.在一些实施例中，为了快速确定用户是否提供开源ai模型算法，如图4所示，即确定用户是否提供开源ai模型算法的步骤，具体包括以下步骤：
69.s1021、检测用户是否提供开源ai模型算法；
70.s1022、若用户提供了开源ai模型算法，获取所述用户收集的开源ai模型算法对应的url，将所述url传入所述ai交易平台的预设接口；
71.s1023、若用户未提供开源ai模型算法，采用ai交易平台收集的开源ai模型算法。
72.具体地，检测用户是否提供开源ai模型算法；若用户提供了开源ai模型算法，则获取所述用户收集的开源ai模型算法对应的url，将所述url传入所述ai交易平台的预设接口；若用户未提供了开源ai模型算法，则采用ai交易平台收集的开源ai模型算法。
73.具体地，检测用户是否提供开源ai模型算法可以根据ai模型算法的数据地址确定，若检测到开源ai模型算法对应的url为私有地址，则确定由用户提供开源的ai模型算法；若检测到开源ai模型算法对应的url为开源地址，则确定不是由用户提供开源的ai模型算法。
74.若检测到用户提供的开源ai模型算法，获取所述用户收集的开源ai模型算法对应的url，将所述开源ai模型算法对应的url(统一资源定位符)传入所述ai交易平台的预设接口，以使所述ai交易平台根据所述url(统一资源定位符)解析所述用户收集的开源ai模型算法的代码，并映射至所述客户端显示。其中，预设接口用于获取开源ai模型算法的代码。通过获取所述用户收集的开源ai模型算法对应的url，可以根据用户需求有针对性地确定对应的ai模型算法。
75.若检测到用户没有提供开源ai模型算法，ai交易平台通过在第三方代码托管平台搜索对应的开源ai模型算法，所述ai交易平台通过收集主流的开源ai模型算法以满足大部分ai模型的算法需求。
76.示例性的，服务端通过用户提供的url(统一资源定位符)，并将所述url传入所述ai交易平台，ai交易平台对所述url进行解析，获得ai模型算法的代码，并将该代码映射至客户端显示以供用户确认。
77.在一些实施例中，用户若需要对代码进行修改，可以通过客户端对代码进行修改，并向服务端发送确认指令；用户若无需对代码进行修改，则可确认后向服务端发送确认指令。
78.s103、对所述镜像文件进行超参数解析，并将解析得到的超参数发送至所述客户端进行显示，以便所述用户确认所述超参数。
79.对镜像文件进行超参数解析，把其解析为字符串暴露出来，将解析出的超参数对应的字符串利用动态前端技术自动化呈现在客户端以便用户修改。
80.在一些实施例中，若镜像文件是由第三方代码托管平台如github中搜索出来的，镜像文件里面的算法项目绝大部分是较为规范的写法，镜像文件通过单独的超参数解析功能进行解析，并将解析好的配置参数发送至所述客户端进行显示配置。通过将解析好的配置参数发送至所述客户端进行显示配置可以使用户能够实时查看配置参数，以便能够及时修改变更。
81.在一些实施例中，若镜像文件是由用户自己提供的，镜像文件里面的算法项目有可能不是规范的写法，因此利用超参解析工具模块中用于解析超参数相关的解析函数，如parser函数，将其超参解析为字符串，暴露出来。
82.示例性的，通过使用文件解析工具，将算法开源项目中超参数自动化解析出来，将解析出的超参数利用动态前端技术自动化呈现在客户端。
83.在一些实施例中，不同的解析函数对应不同的解析格式，但是为有限个解析方法，可以统一封装为统一接口。
84.示例性的，json格式的配置文件的解析函数为json.loads，argparse格式的配置文件的解析函数为parse_args，它们的解析格式不同，但是解析方法都是基于python解析的，故可以封装为统一接口。
85.在一些实施例中，当客户端请求服务端的参数配置页面时，比如生成html(超文本标记语言)页面，然后在发送给客户端，用户可以在html(超文本标记语言)页面进行超参数配置修改，修改确认后再发送给服务端，并更新其镜像文件。
86.在一些实施例中，客户端显示的超参数允许用户修改变更；和/或，所述客户端显示的代码允许用户修改。用户通过在客户端对超参数修改变更可以更准确地训练出所需模型。
87.示例性的，用户可以在服务端生成的html页面上进行超参数配置，其中配置超参数的方式呈现为在客户端如web页面上点击按钮进行选择，并发送确认指令至服务端，并更新其镜像文件。
88.示例性的，如图5(a)所示，图5(a)表示用户选择ai训练数据集的过程，其中，date是指经过人工标注的数据集，用户可以在服务端生成的html页面上进行ai训练数据集配
置，其中配置参数的方式呈现为在客户端如web页面上通过类别选项对数据集里的一部分数据进行过滤选择，从而训练出配置参数更适合的模型，配置完成后发送确认指令至服务端，并更新其镜像文件。
89.如图5(b)所示，即配置参数的示意图。其中，配置参数可以包括模型主干网络(backbone)、头部网络(head)，颈部网络(neck)，学习率、权重衰减(weight decay)等。
90.s104、获取模型训练数据，并将所述模型训练数据的数据路径替换为所述ai交易平台的指定路径以便映射到所述客户端进行显示。
91.通过第三方代码托管平台获取模型训练数据，将模型训练数据统一替换为指定的数据路径，并映射到所述客户端进行显示。其中，所述模型训练数据包括开源数据或自有数据，所述自有数据为所述用户提供的训练数据，所述ai交易平台的指定路径为开源数据的数据路径。
92.在一些实施例中，为了快速确认模型训练数据是否规范，确定模型训练数据类型的步骤，具体包括以下内容：
93.检测模型训练数据的数据类型；若检测模型训练数据为自有数据，将自有数据模型训练数据的数据格式替换为开源数据的数据格式；若检测模型训练数据为开源数据且数据格式为预定义好的开源数据格式，无需转换数据格式。
94.检测模型训练数据的数据类型可以根据模型训练数据的数据地址确定，若模型训练数据的数据地址为开源地址，则确定模型训练数据为开源数据，若模型训练数据的数据地址为私有的url，确定模型训练数据为自有数据。
95.若检测模型训练数据为自有数据，将所述自有数据的数据格式转换为预定义好的开源数据的数据格式，即自有数据模型训练数据的数据路径也替换为预定义好的开源数据的数据路径，并发送确定模型训练数据的指令。
96.在一些实施例中，交易平台只需将多个任务的开源数据格式预定义好表示出来，用户可以根据开源数据格式对自有数据格式进行转换，即变成开源数据格式，以便自动化的帮助用户使用自有数据载入开源算法训练。
97.如图5(c)所示，示例性的，当ai模型的需求信息为检测任务时，可以约定用户的模型训练数据格式使用coco格式或voc格式以免替换数据格式，能够更迅速地确定模型训练数据。
98.示例性的，当ai模型的需求信息为分类任务时，可以约定用户的模型训练数据格式使用voc格式以免替换数据格式。
99.示例性的，若检测模型训练数据为开源数据且数据格式为预定义好的开源数据格式，开源数据无需替换数据路径，开源数据的数据路径即为ai交易平台的指定路径，并发送确定模型训练数据的指令。
100.示例性的，若检测模型训练数据为开源数据但数据格式不为预定义好的开源数据格式，则仍需将所述开源数据的数据格式转换为预定义好的开源数据的数据格式，即开源数据模型训练数据的数据路径也替换为预定义好的开源数据的数据路径，并发送确定模型训练数据的指令。
101.s105、接收并响应所述用户的确定指令，加载所述镜像文件并根据所述模型训练数据进行自动机器学习训练，得到ai模型，并发布所述ai模型。
102.其中，用户的确定指令包括用户确定所述超参数的指令和用户确定模型训练数据的指令，在接受到确定指令时并响应该确定指令，加载所述镜像文件并根据所述模型训练数据进行自动机器学习训练(automl)，得到ai模型，并在交易平台上发布所述ai模型。由此可以实现ai模型训练的自动化训练，提高了ai模型训练的效率，大大节约了时间成本。
103.在交易平台上发布所述ai模型，具体可以生成该ai模型的访问接口，并将该访问接口通过客户端发送给用户，以便该用户通过所述访问接口使用所述ai模型。
104.在一些实施例中，所述ai交易平台包括容器编排调度工具，容器编排调度工具包括k8s(kubernetes)工具、swarm工具或mesos工具中的任一种。
105.示例性的，以使用k8s(kubernetes)工具为例，加载所述镜像文件并根据所述模型训练数据进行自动机器学习训练，具体可以基于所述k8s工具，加载所述镜像文件并调度相应的计算资源，利用所述镜像文件和所述计算资源，根据所述模型训练数据进行自动机器学习训练，得到ai模型，并在ai交易平台上发布所述ai模型。
106.其中利用k8s进行调度的方式，如图6所示，即图6示出k8s平台调度的调度方法具体包括如下步骤：
107.s1051，k8s调度器从应用程序接口服务器获得集群信息；
108.s1052，将未调度的算法pod放入待调度队列，依次选择部署节点；
109.s1053，k8s调度器将部署节点发送给上述应用程序接口服务器，所述应用程序接口服务器修改算法pod的部署节点；
110.s1054，部署节点上的守护进程kubelet创建pod的镜像。
111.具体地，如图6所示，节点node3和节点node2对应的是调度前的守护进程，如图中的a、b框图所示，当调度后，之前未调度的pod，可出现在如节点node1中的守护进程中，如图6中的c框图所示。
112.在一些实施例中，如图7所示，自动机器学习训练还可以允许用户定义了模型参数，该模型参数包括最小模型宽度、最大模型宽度、最大模型深度、最小模型深度、算子类型、芯片类别、是否压缩或跳线拓扑形式等，并发送至客户端进行显示，并更新其镜像文件。
113.具体地，可以在客户端显示模型参数界面，具体如图7所示，模型参数界面至少包括最小模型宽度、最大模型宽度、最大模型深度、最小模型深度、算子类型、芯片类别，以便用户选择或确定相应的模型参数，进而根据用户确定的模型参数进行训练。
114.在一些实施例中，用户可以在客户端上对参数进行修改，修改完成后发送确认修改指令到服务端。所述服务端根据修改指令定义完参数之后，启动ai模型自动化训练。
115.在本技术的实施例中，服务端接收用户通过所述客户端输入的交易信息，根据所述交易信息将所述ai模型对应访问接口提供给所述用户。由此可以提高模型交易的便捷性，提高了用户体验。
116.示例性的，用户在客户端输入分类功能的ai模型的订单，服务端根据需求进行ai模型训练，并将所述ai模型对应访问接口提供给所述用户。
117.本技术的方法可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
118.示例性地，上述的方法可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的电子设备上运行。
119.请参阅图8，图8是本技术实施例提供的一种电子设备200的示意图。该电子设备可以是服务器或终端。
120.如图8所示，该电子设备200包括通过系统总线连接的处理器202、存储器201，其中，存储器可以包括非易失性存储介质和内存储器。
121.非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种ai模型的实现方法。
122.处理器用于提供计算和控制能力，支撑整个电子设备的运行。
123.内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种ai模型的实现方法。
124.本领域技术人员可以理解，该电子设备的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
125.应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
126.其中，在一些实施方式中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
127.获取用户在ai交易平台的客户端上发布的需求信息，所述需求信息包括所述用户对需要的ai模型的描述信息；根据所述需求信息确定对应的ai模型算法，将所述ai模型算法封装成镜像文件，并将所述镜像文件载入所述ai交易平台；
128.对所述镜像文件进行超参数解析，并将解析得到的超参数发送至所述客户端进行显示，以便所述用户确认所述超参数；获取模型训练数据，并将所述模型训练数据的数据路径替换为所述ai交易平台的指定路径以便映射到所述客户端进行显示；接收并响应所述用户的确定指令，加载所述镜像文件并根据所述模型训练数据进行自动机器学习训练，得到ai模型，并发布所述ai模型。
129.在一些实施例中，获取所述用户收集的开源ai模型算法对应的url；将所述url传入所述ai交易平台的预设接口，以使所述ai交易平台根据所述url解析所述用户收集的开源ai模型算法的代码，并映射至所述客户端显示。
130.在一些实施例中，所述客户端显示的超参数允许用户修改变更；和/或，所述客户端显示的代码允许客户修改。
131.在一些实施例中，所述处理器在实现获取用户在ai交易平台的客户端上发布的需求信息时，具体用于：
132.通过所述ai交易平台的客户端获取所述用户的模型需求；根据所述模型需求从历史ai模型确定目标ai模型及所述目标ai模型的描述信息；通过所述客户端显示所述描述信
息以便所述用户确认；在接收到用户对所述目标ai模型的描述信息的确认指令时，将所述目标ai模型的描述信息作为需求信息。
133.在一些实施例中，所述处理器在实现确定用户是否提供开源ai模型算法，具体用于：
134.若检测用户提供开源ai模型算法，则将所述url(统一资源定位符)传入所述ai交易平台的预设接口，以使所述ai交易平台根据所述url(统一资源定位符)解析所述用户收集的开源ai模型算法的代码，并映射至所述客户端显示。若检测用户没有提供开源ai模型算法，ai交易平台通过在第三方代码托管平台搜索对应的开源ai模型算法，所述ai交易平台通过收集主流的开源ai模型算法以满足大部分ai模型的算法需求。
135.在一些实施例中，所述处理器在实现确定模型训练数据类型，具体用于：
136.检测用户是否提供开源ai模型算法可以根据ai模型算法的数据地址确定，若检测到开源ai模型算法对应的url在第三方代码托管平台上没有记载的，则确定由用户提供开源的ai模型算法；若检测到开源ai模型算法对应的url在第三方代码托管平台上有记载的，则确定不是由用户提供开源的ai模型算法。
137.在一些实施例中，基于容器编排调度工具，加载所述镜像文件并调度相应的计算资源；利用所述镜像文件和所述计算资源，根据所述模型训练数据进行自动机器学习训练。
138.在一些实施例中，接收用户通过所述客户端输入交易信息，根据所述交易信息将所述ai模型对应访问接口提供给所述用户。
139.本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时实现本技术实施例提供的任一种ai模型的实现方法。
140.其中，所述计算机可读存储介质可以是前述实施例所述的电子设备的内部存储单元，例如所述电子设备的硬盘或内存。所述计算机可读存储介质也可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
141.进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
142.本技术所指区块链语言模型的存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
143.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。