一种部署模型的方法、系统、设备和存储介质与流程

1.本发明涉及人工智能领域，更具体地，特别是指一种部署模型的方法、系统、设备和存储介质。


背景技术：

2.随着人工智能的不断进步，发展出了各类机器学习模型等算法模型。对话机器人在当前的生产生活中已占有较大比重，而由于各行业差别，对话机器人的针对性训练已日趋成熟，对话机器人自定义训练平台应运而生，由于该平台训练过程交于用户决策，投入生产后往往伴随着大量的模型产出与销毁，因此，将机器学习模型部署到服务器上以进行应用时的部署难度较大，部署过程较为复杂，部署时对服务器的计算资源消耗较大。如何缩短训练时间、部署时间，合理分配利用服务器资源，是目前本技术领域人员需要解决的问题。


技术实现要素：

3.有鉴于此，本发明实施例的目的在于提出一种部署模型的方法、系统、计算机设备及计算机可读存储介质，本发明通过对用户使用行为、模型状态变更等的感知，在无人监管的情况下自动优化部署策略，并按照策略对模型进行部署。
4.基于上述目的，本发明实施例的一方面提供了一种部署模型的方法，包括如下步骤：将训练好的模型的信息保存在模型信息数据库中，并判断是否触发服务更新；响应于触发服务更新，从所述模型信息数据库中获取模型的最新参数；根据所述最新参数对部署策略配置文件进行更新，并根据最新的部署策略配置文件为每个用户的模型容器生成模型启动配置文件；以及根据所述模型启动配置文件对模型进行部署。
5.在一些实施方式中，所述方法还包括：响应于触发服务更新，读取当前模型信息数据库的信息并存储于缓存数据库，并循环读取模型信息数据库的信息；以及响应于模型信息数据库的信息与所述缓存数据库的信息存在差异，将差异信息作为模型的最新参数进行传递。
6.在一些实施方式中，所述方法还包括：根据所述差异信息对所述缓存数据库中的信息进行更新。
7.在一些实施方式中，所述根据所述最新参数对部署策略配置文件进行更新包括：将训练好的模型保存在模型存储库中，并验证所述最新参数与所述模型存储库中的模型信息是否匹配。
8.在一些实施方式中，所述方法还包括：将保存在所述模型存储库中的模型转换成能够被所述模型启动配置文件加载的格式。
9.在一些实施方式中，所述方法还包括：响应于模型部署完成，将部署的模型的信息和对应的端口号存储到服务状态缓存数据库中。
10.在一些实施方式中，所述方法还包括：对同一用户启用单个容器提供服务，并将不同用户构成模型服务集群。
11.本发明实施例的另一方面，提供了一种部署模型的系统，包括：存储模块，配置用于将训练好的模型的信息保存在模型信息数据库中，并判断是否触发服务更新；采集模块，配置用于响应于触发服务更新，从所述模型信息数据库中获取模型的最新参数；更新模块，配置用于根据所述最新参数对部署策略配置文件进行更新，并根据最新的部署策略配置文件为每个用户的模型容器生成模型启动配置文件；以及部署模块，配置用于根据所述模型启动配置文件对模型进行部署。
12.本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。
13.本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
14.本发明具有以下有益技术效果：通过对用户使用行为、模型状态变更等的感知，在无人监管的情况下自动优化部署策略，并按照策略对模型进行部署，无需开发人员干预，自动完成训练模型的转换、部署、启停、删除等操作，并可自主选择模型部署时单个容器所负担的模型数量，合理平衡服务性能与服务器资源。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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实施例。
16.图1为本发明提供的部署模型的方法的实施例的示意图；
17.图2为本发明提供的部署模型的系统的实施例的示意图；
18.图3为本发明提供的部署模型的计算机设备的实施例的硬件结构示意图；
19.图4为本发明提供的部署模型的计算机存储介质的实施例的示意图。
具体实施方式
20.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
21.需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
22.本发明实施例的第一个方面，提出了一种部署模型的方法的实施例。图1示出的是本发明提供的部署模型的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：
23.s1、将训练好的模型的信息保存在模型信息数据库中，并判断是否触发服务更新；
24.s2、响应于触发服务更新，从所述模型信息数据库中获取模型的最新参数；
25.s3、根据所述最新参数对部署策略配置文件进行更新，并根据最新的部署策略配置文件为每个用户的模型容器生成模型启动配置文件；以及
26.s4、根据所述模型启动配置文件对模型进行部署。
27.本发明实施例中包括模型信息数据库、模型信息缓存数据库和服务状态缓存数据库。
28.模型信息数据库：作为训练平台与本发明提供的部署模型的系统的信息交换媒介，训练平台将信息更新在模型信息数据库中，本发明提供的部署模型的系统循环读取数据库内容，当内容发生改变时，系统即触发模型服务更新任务。
29.模型信息缓存数据库：作为存放上个状态下的模型信息，用来与模型信息数据库中的信息作为比对，当发现差异时即为状态发生改变，则触发模型服务更新任务，并且同时更新所述模型信息缓存数据库。
30.服务状态缓存数据库：作为存放服务更新完成后容器与端口信息存放的数据库，当训练平台发生用户使用模型情况时，训练平台服务调用程序读取服务状态缓存数据库中的端口信息完成模型调用。
31.获取模型变更状态及用户行为操作状态，具体流程如下：
32.从模型当前信息数据库中获取当前模型信息数据，将信息数据存储至历史状态缓存数据库中，循环检测模型信息数据库，并将模型信息数据库中的数据与历史状态缓存数据库中的数据进行比对；当模型信息数据库中的数据与历史状态缓存数据库中的数据产生差异时，即模型状态或用户行为操作状态发生改变时(模型训练完成、用户登录、用户登出、用户停止模型、用户删除模型)，将当前模型信息数据覆盖历史状态缓存数据库数据，将差异信息形成参数，并发送部署请求。
33.当接收到部署请求，读取历史状态缓存数据库中的模型信息数据(用户id，用户状态，机器人id，模型id，模型状态)，从模型存储库中获取模型信息数据相关的模型路径，将模型格式转换，所述自然语言训练平台存储的模型格式为“h5”，部署中使用基于docker(容器)的tensorflow-serving镜像部署模型，需要将“h5”格式的模型转换为可供tensorflow-serving加载使用的“saved_model”格式模型；根据获取的模型信息数据参数，对部署策略配置文件进行更新；根据部署策略配置文件，为每个用户的模型容器自动生成模型启动配置文件；根据部署策略配置文件控制容器的启动、停止、更新、删除，将更新后的容器集群状态存储于服务状态缓存数据库中，训练平台将读取服务状态缓存数据库中的信息，以供用户进行模型测试。
34.基于docker的tensorflow-serving镜像部署时间约2秒，本发明实施例利用部署时间短这一特点，可以在用户无感知的情况下对模型进行启停，从而达到在不影响用户体验的情况下完成对服务器硬件资源的合理分配。
35.模型训练完成时，一般会伴随模型测试，前端提供“部署测试”按钮供用户进行部署测试，本发明实施例在模型训练完成时即进行新模型的转换和部署(即在用户点击“部署测试”之前已经完成模型的灰度部署，从而达到优化用户体验的目的)。
36.用户登录时，对用户之前已经预置的模型进行预部署，本发明实施例可以完成当用户对已预置的模型进行测试之前即进行灰度部署，从而达到优化用户体验的目的。用户登出时，对该用户已经启动的容器进行停止，释放gpu资源以供其他模型使用。用户停止模型时，停止该模型容器，释放gpu资源以供其他模型使用。用户删除模型时，停止并删除模型容器，释放gpu资源。
37.配置文件中描述了模型的启动策略，配置文件包含信息：“saved_model”模型文件存储位置、用户id、用户状态、机器人id、模型id、模型版本、模型启用状态；其中用户状态登录为true，登出为false；模型启用状态启用为true，未启用为false。
38.上述信息构成了模型启用时所需的信息，本发明实施例将用户为单位划分容器单位，即为同一名用户启用单个容器提供服务，不同用户构成模型服务集群。
39.本发明实施例使用基于docker的tensorflow-serving镜像作为容器的基础镜像，本发明实施例可以根据所述部署策略配置文件内容，自动生成包含用户id、机器人id、模型id和模型版本的配置文件以供模型服务使用。
40.本发明实施例以“用户id”作为容器名称，容器内以“机器人id-模型id”作为模型加载名称，以序号“1～n”作为模型版本。容器启动后客户端可以通过“容器id-机器人id-模型id-模型版本”访问指定模型。
41.模型部署完成后，本发明实施例将新部署的模型信息及相对应的端口号存储进所述服务状态缓存数据库中，训练平台将依据服务状态缓存数据库中的模型信息及对应端口号，使用grpc的方式对模型服务进行访问。服务状态变更之后，训练平台无需关注具体的模型服务信息，通过服务状态缓存数据库作为数据中介使用户在无感知的情况下完成对模型服务的更新。
42.需要特别指出的是，上述部署模型的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于部署模型的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
43.基于上述目的，本发明实施例的第二个方面，提出了一种部署模型的系统。如图2所示，系统200包括如下模块：存储模块，配置用于将训练好的模型的信息保存在模型信息数据库中，并判断是否触发服务更新；采集模块，配置用于响应于触发服务更新，从所述模型信息数据库中获取模型的最新参数；更新模块，配置用于根据所述最新参数对部署策略配置文件进行更新，并根据最新的部署策略配置文件为每个用户的模型容器生成模型启动配置文件；以及部署模块，配置用于根据所述模型启动配置文件对模型进行部署。
44.在一些实施方式中，所述系统还包括差异模块，配置用于：响应于触发服务更新，读取当前模型信息数据库的信息并存储于缓存数据库，并循环读取模型信息数据库的信息；以及响应于模型信息数据库的信息与所述缓存数据库的信息存在差异，将差异信息作为模型的最新参数进行传递。
45.在一些实施方式中，所述系统还包括第二更新模块，配置用于：根据所述差异信息对所述缓存数据库中的信息进行更新。
46.在一些实施方式中，所述更新模块配置用于：将训练好的模型保存在模型存储库中，并验证所述最新参数与所述模型存储库中的模型信息是否匹配。
47.在一些实施方式中，所述系统还包括格式模块，配置用于：将保存在所述模型存储库中的模型转换成能够被所述模型启动配置文件加载的格式。
48.在一些实施方式中，所述系统还包括存储模块，配置用于：响应于模型部署完成，将部署的模型的信息和对应的端口号存储到服务状态缓存数据库中。
49.在一些实施方式中，所述系统还包括容器模块，配置用于：对同一用户启用单个容器提供服务，并将不同用户构成模型服务集群。
50.基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：s1、将训练好的模型的信息保存在模型信息数据库中，并判断是否触发服务更新；s2、响应于触发服务更新，从所述模型信息数据库中获取模型的最新参数；s3、根据所述最新参数对部署策略配置文件进行更新，并根据最新的部署策略配置文件为每个用户的模型容器生成模型启动配置文件；以及s4、根据所述模型启动配置文件对模型进行部署。
51.在一些实施方式中，所述方法还包括：响应于触发服务更新，读取当前模型信息数据库的信息并存储于缓存数据库，并循环读取模型信息数据库的信息；以及响应于模型信息数据库的信息与所述缓存数据库的信息存在差异，将差异信息作为模型的最新参数进行传递。
52.在一些实施方式中，所述方法还包括：根据所述差异信息对所述缓存数据库中的信息进行更新。
53.在一些实施方式中，所述根据所述最新参数对部署策略配置文件进行更新包括：将训练好的模型保存在模型存储库中，并验证所述最新参数与所述模型存储库中的模型信息是否匹配。
54.在一些实施方式中，所述方法还包括：将保存在所述模型存储库中的模型转换成能够被所述模型启动配置文件加载的格式。
55.在一些实施方式中，所述方法还包括：响应于模型部署完成，将部署的模型的信息和对应的端口号存储到服务状态缓存数据库中。
56.在一些实施方式中，所述方法还包括：对同一用户启用单个容器提供服务，并将不同用户构成模型服务集群。
57.如图3所示，为本发明提供的上述部署模型的计算机设备的一个实施例的硬件结构示意图。
58.以如图3所示的装置为例，在该装置中包括一个处理器301以及一个存储器302。
59.处理器301和存储器302可以通过总线或者其他方式连接，图3中以通过总线连接为例。
60.存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本技术实施例中的部署模型的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现部署模型的方法。
61.存储器302可以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、至少一个功能所需要的应用程序；存储数据区可存储根据部署模型的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
62.一个或者多个部署模型的方法对应的计算机指令303存储在存储器302中，当被处
理器301执行时，执行上述任意方法实施例中的部署模型的方法。
63.执行上述部署模型的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
64.本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行部署模型的方法的计算机程序。
65.如图4所示，为本发明提供的上述部署模型的计算机存储介质的一个实施例的示意图。以如图4所示的计算机存储介质为例，计算机可读存储介质401存储有被处理器执行时执行如上方法的计算机程序402。
66.最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，部署模型的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
67.以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
68.应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
69.上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
70.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
71.所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。