CN108734293A - 任务管理***、方法和装置 - Google Patents

Abstract

本申请公开了任务管理***、方法和装置。该***的一具体实施方式包括：训练任务管理服务器用于接收待训练模型信息，并发送至训练任务存储服务器；训练任务存储服务器用于从训练任务调度服务器集群中确定出训练任务分配服务器；训练任务分配服务器用于从训练任务调度服务器集群中确定出训练任务执行服务器；训练任务执行服务器用于获取与待训练模型信息相对应的样本数据，利用深度学习算法，基于样本数据，训练得到预测模型，并发送至模型数据存储服务器；预测任务执行服务器用于获取预测模型，并将待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。该实施方式提高了任务管理的效率。

Description

任务管理***、方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及任务管理***、方法和装置。

背景技术

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

人工智能特别是深度学习是当前非常前沿的研究方向。由于深度学习可以通过组合低层特征上形成更加抽象的高层表示属性类别或特征，目前已经被广泛应用在机器翻译、语义挖掘、图像识别、人脸识别、语音识别等领域。

目前现有的任务管理方式通常是人工触发模型训练，人工上传训练完毕后的模型进行预测。整个过程都需要人工参与，导致任务管理的效率较低。

发明内容

本申请的目的在于提出一种改进的任务管理***、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任务管理***，该***包括：训练任务管理服务器、训练任务存储服务器、训练任务调度服务器集群、模型数据存储服务器和预测任务执行服务器；训练任务管理服务器，用于接收第一客户端发送的待训练模型信息，并发送至训练任务存储服务器，其中，待训练模型信息用于表征待训练模型的功能；训练任务存储服务器，用于从训练任务调度服务器集群中确定出训练任务调度服务器作为训练任务分配服务器；训练任务分配服务器，用于从训练任务调度服务器集群中确定出训练任务调度服务器作为训练任务执行服务器；训练任务执行服务器，用于从训练任务存储服务器中获取待训练模型信息，从模型数据存储服务器中获取与待训练模型信息相对应的样本数据，利用深度学习算法，基于样本数据，训练得到预测模型，并发送至模型数据存储服务器；预测任务执行服务器，用于从模型数据存储服务器获取预测模型，并将从第二客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。

在一些实施例中，训练任务调度服务器集群中的各训练任务调度服务器，还用于：分别获取训练任务存储服务器中的标识集合中的各个标识，其中，标识集合包括普通标识和目标标识；训练任务存储服务器，具体用于：将训练任务调度服务器集群中获取到目标标识的训练任务调度服务器确定为训练任务分配服务器。

在一些实施例中，训练任务存储服务器，具体用于：从训练任务调度服务器集群中随机选取出训练任务调度服务器作为训练任务分配服务器。

在一些实施例中，训练任务分配服务器，具体用于：获取训练任务调度服务器集群中的各个训练任务调度服务器的性能指标；基于各个训练任务调度服务器的性能指标，从训练任务调度服务器集群中选取出训练任务执行服务器。

在一些实施例中，训练任务分配服务器，具体用于：从训练任务调度服务器集群中随机选取出训练任务调度服务器作为训练任务执行服务器。

在一些实施例中，待训练模型信息包括待训练模型类别；训练任务执行服务器，具体用于：基于待训练模型类别，从预设的深度学习算法集合中选取出与待训练模型类别相匹配的深度学习算法；利用与待训练模型类别相匹配的深度学习算法，基于样本数据，训练得到预测模型。

在一些实施例中，训练任务管理服务器，还用于：周期性地确定训练任务执行服务器中的模型是否训练完成；响应于确定训练任务执行服务器中的模型训练完成，将训练完成信息发送至第一客户端。

在一些实施例中，***还包括模型版本号存储服务器；训练任务执行服务器，还用于：在得到预测模型后，将预测模型的当前版本号发送至模型版本号存储服务器；模型版本号存储服务器，还用于：响应于接收到训练任务执行服务器发送的预测模型的当前版本号，将所存储的版本号更新为当前版本号。

在一些实施例中，预测任务执行服务器，还用于：周期性地获取模型版本号存储服务器中存储的版本号；基于所获取的版本号确定预测模型是否已更新；响应于确定预测模型已更新，从模型数据存储服务器获取更新后的预测模型。

第二方面，本申请实施例提供了一种任务管理方法，该方法包括：从训练任务存储服务器中获取待训练模型信息，其中，待训练模型信息用于表征待训练模型的功能；从模型数据存储服务器中获取与待训练模型信息相对应的样本数据；利用深度学习算法，基于样本数据，训练得到预测模型；将预测模型发送至模型数据存储服务器，以使预测任务执行服务器从模型数据存储服务器获取预测模型，并将从第二客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。

第三方面，本申请实施例提供了一种任务管理装置，该装置包括：模型信息获取单元，配置用于从训练任务存储服务器中获取待训练模型信息，其中，待训练模型信息用于表征待训练模型的功能；样本数据获取单元，配置用于从模型数据存储服务器中获取与待训练模型信息相对应的样本数据；模型训练单元，配置用于利用深度学习算法，基于样本数据，训练得到预测模型；模型发送单元，配置用于将预测模型发送至模型数据存储服务器，以使预测任务执行服务器从模型数据存储服务器获取预测模型，并将从客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。

第四方面，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第二方面中描述的方法。

第五方面，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，该计算机程序被处理器执行时实现如第二方面中描述的方法。

本申请实施例提供的任务管理***、方法和装置，首先，通过训练任务管理服务器接收第一客户端发送的待训练模型信息，并发送至训练任务存储服务器；而后，训练任务存储服务器从训练任务调度服务器集群中确定出训练任务分配服务器；之后，训练任务分配服务器从训练任务调度服务器集群中确定出训练任务执行服务器；然后，训练任务执行服务器从训练任务存储服务器中获取待训练模型信息，从模型数据存储服务器中获取与待训练模型信息相对应的样本数据，利用深度学习算法，基于样本数据，训练得到预测模型，并发送至模型数据存储服务器；最后，预测任务执行服务器从模型数据存储服务器获取预测模型，并将从第二客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。用户只需要通过第一客户端发送待训练模型信息，通过第二客户端发送待预测任务信息，任务管理***就可以自动加载待训练模型信息、自动训练模型、自动上传训练后的模型进行预测，从而提高了任务管理的效率。

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是根据本申请实施例的任务管理***的示例性***架构图；

图2是根据本申请的任务管理***的数据交互过程的一个实施例的示意图；

图3是根据本申请的任务管理方法的一个实施例的流程图；

图4是根据本申请的任务管理装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机***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示出了根据本申请实施例的任务管理***的示例性***架构100。

如图1所示，***架构100可以包括第一客户端1011，第二客户端1012，网络1021、1022、1023、1024、1025、1026，训练任务管理服务器103，训练任务存储服务器104，训练任务调度服务器集群105，模型数据存储服务器106和预测任务执行服务器107。其中，训练任务调度服务器集群105可以包括训练任务调度服务器1051、1052、1053、1054。网络1021用以在第一客户端1011和训练任务管理服务器103之间提供通信链路的介质。网络1022用以在训练任务管理服务器103，训练任务存储服务器104和训练任务调度服务器集群105之间提供通信链路的介质。网络1023用以在训练任务调度服务器集群105中的训练任务调度服务器1051、1052、1053、1054之间提供通信链路的介质。网络1024用以在训练任务调度服务器集群105和模型数据存储服务器106之间提供通信链路的介质。网络1025用以在模型数据存储服务器106和预测任务执行服务器107之间提供通信链路的介质。网络1026用以在预测任务执行服务器107和第二客户端1012之间提供通信链路的介质。网络1021、1022、1023、1024、1025、1026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。

第一客户端1011和第二客户端1012可以是各种终端设备，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。

训练任务管理服务器103，训练任务存储服务器104，训练任务调度服务器集群105，模型数据存储服务器106和预测任务执行服务器107分别是提供不同服务的服务器。例如，训练任务管理服务器103可以从第一客户端1011接收待训练模型信息，并发送至训练任务存储服务器104。训练任务存储服务器104可以从训练任务调度服务器集群105中选取出训练任务分配服务器(例如训练任务调度服务器1051)。训练任务分配服务器可以从训练任务调度服务器集群105中选取出训练任务执行服务器(例如训练任务调度服务器1052)。训练任务执行服务器可以首先从训练任务存储服务器104中获取待训练模型信息；然后从模型数据存储服务器106中获取与待训练模型信息相对应的样本数据，并利用深度学习算法训练出预测模型；最后将预测模型发送至模型数据存储服务器106。预测任务执行服务器107可以从模型数据存储服务器106获取预测模型，并利用预测模型对从第二客户端1012接收到的待预测任务信息进行预测，从而得到与待预测任务信息相对应的预测结果。

需要说明的是，本申请实施例所提供的任务管理方法一般由训练任务执行服务器执行，相应地，任务管理装置一般设置于训练任务执行服务器中。

应该理解，图1中的第一客户端、第二客户端、网络、训练任务管理服务器、训练任务存储服务器、模型数据存储服务器、预测任务执行服务器和训练任务调度服务器集群以及训练任务调度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第一客户端、第二客户端、网络、训练任务管理服务器、训练任务存储服务器、模型数据存储服务器、预测任务执行服务器和训练任务调度服务器集群以及训练任务调度服务器。需要说明的是第一客户端1011和第二客户端1012可以是同一台客户端，也可以是不同的客户端，本申请对此不进行限定。

继续参考图2，其示出了根据本申请的任务管理***的数据交互过程的一个实施例的示意图。

本实施例中的任务管理***可以包括：训练任务管理服务器、训练任务存储服务器、训练任务调度服务器集群、模型数据存储服务器和预测任务执行服务器；训练任务管理服务器，用于接收第一客户端发送的待训练模型信息，并发送至训练任务存储服务器，其中，待训练模型信息用于表征待训练模型的功能；训练任务存储服务器，用于从训练任务调度服务器集群中确定出训练任务调度服务器作为训练任务分配服务器；训练任务分配服务器，用于从训练任务调度服务器集群中确定出训练任务调度服务器作为训练任务执行服务器；训练任务执行服务器，用于从训练任务存储服务器中获取待训练模型信息，从模型数据存储服务器中获取与待训练模型信息相对应的样本数据，利用深度学习算法，基于样本数据，训练得到预测模型，并发送至模型数据存储服务器；预测任务执行服务器，用于从模型数据存储服务器获取预测模型，并将从第二客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。

如图2所示，在步骤201中，训练任务管理服务器接收第一客户端发送的待训练模型信息。

在本实施例中，用户可以通过第一客户端(例如图1所示的第一客户端1011)向训练任务管理服务器(例如图1所示的训练任务管理服务器103)发送待训练模型信息。其中，待训练模型信息可以用于表征待训练模型的功能，例如，待训练模型信息包括但不限于待训练模型的类别、待训练模型的名称、待训练模型所采用的算法、待训练模型的输入与输出之间的对应关系等中的一项或多项。

在步骤202中，训练任务管理服务器将待训练模型信息发送至训练任务存储服务器。

在本实施例中，基于步骤201中所接收到的待训练模型信息，训练任务管理服务器可以将待训练模型信息发送至训练任务存储服务器(例如图1所示的训练任务存储服务器104)。其中，训练任务存储服务器可以用于存储待训练模型信息。

在步骤203中，训练任务存储服务器从训练任务调度服务器集群中确定出训练任务调度服务器作为训练任务分配服务器。

在本实施例中，训练任务存储服务器可以从训练任务调度服务器集群(例如图1所示的训练任务调度服务集群105)中确定出训练任务分配服务器(例如，将图1所示的训练任务调度服务器1051确定为训练任务分配服务器)。

在本实施例的一些可选的实现方式中，首先，训练任务调度服务器集群中的各训练任务调度服务器可以分别获取训练任务存储服务器中的标识集合中的各个标识；然后，训练任务存储服务器可以将训练任务调度服务器集群中获取到目标标识的训练任务调度服务器确定为训练任务分配服务器。其中，标识集合包括普通标识和目标标识。例如，目标标识的值可以是任意的数字(即目标标识的值不为空)，普通标识的值可以为空。在这里，训练任务存储服务器可以将标识集合中的标识随机分配给训练任务调度服务器集群中的各训练任务调度服务器，获取到目标标识的训练任务调度服务器即为训练任务分配服务器。

在本实施例的一些可选的实现方式中，训练任务存储服务器可以从训练任务调度服务器集群中随机选取出训练任务调度服务器作为训练任务分配服务器。

在步骤204中，训练任务分配服务器从训练任务调度服务器集群中确定出训练任务调度服务器作为训练任务执行服务器。

在本实施例中，训练任务分配服务器可以从训练任务调度服务器集群中确定出训练任务执行服务器(例如，将图1所示的训练任务调度服务器1052确定为训练任务执行服务器)。

在本实施例的一些可选的实现方式中，首先，训练任务分配服务器可以获取训练任务调度服务器集群中的各个训练任务调度服务器的性能指标；然后，基于各个训练任务调度服务器的性能指标，从训练任务调度服务器集群中选取出训练任务执行服务器。其中，性能指标可以包括但不限于CPU(Central Processing Unit，中央处理器)占用率、可用内存数、物理磁盘读写时间情况等。作为示例，训练任务分配服务器可以首先获取训练任务调度服务器集群中的各个训练任务调度服务器的CPU占用率；然后选取出CPU占用率最低的训练任务调度服务器作为训练任务执行服务器。

在本实施例的一些可选的实现方式中，训练任务分配服务器可以轮询训练任务调度服务器集群中的训练任务调度服务器的性能指标，直至确定出性能指标满足预设性能指标的训练任务调度服务器，停止轮询，并将所确定出的训练任务调度服务器作为训练任务执行服务器。

在本实施例的一些可选的实现方式中，训练任务分配服务器可以从训练任务调度服务器集群中随机选取出训练任务调度服务器作为训练任务执行服务器。

在步骤205中，训练任务执行服务器从训练任务存储服务器中获取待训练模型信息。

在本实施例中，训练任务执行服务器可以从训练任务存储服务器中获取待训练模型信息，以触发训练任务执行服务器进行模型训练。

在步骤206中，训练任务执行服务器从模型数据存储服务器中获取与待训练模型信息相对应的样本数据。

在本实施例中，基于步骤205中所获取到的待训练模型信息，训练任务执行服务器可以从模型数据存储服务器(例如图1所示的模型数据存储服务器106)中获取与待训练模型信息相对应的样本数据。其中，模型数据存储服务器可以用于存储样本数据。作为示例，待训练模型信息中包括待训练模型的名称，模型数据存储服务器中存储模型的名称和与模型的名称对应的样本数据，训练任务执行服务器可以将待训练模型的名称与模型数据存储服务器中的模型的名称进行匹配，若匹配成功，获取与匹配成功的模型的名称对应的样本数据。

在步骤207中，训练任务执行服务器利用深度学习算法，基于样本数据，训练得到预测模型。

在本实施例中，基于步骤206中所获取到的样本数据，训练任务执行服务器可以利用深度学习算法，基于样本输入数据和样本输出数据，训练得到能够建立输入数据和输出数据之间准确对应关系的预测模型。其中，样本数据可以包括样本输入数据和样本输出数据

在本实施例的一些可选的实现方式中，待训练模型信息可以包括待训练模型类别；训练任务执行服务器可以首先基于待训练模型类别，从预设的深度学习算法集合中选取出与待训练模型类别相匹配的深度学习算法；然后利用与待训练模型类别相匹配的深度学习算法，基于样本数据，训练得到预测模型。

在这里，深度学习算法集合中可以包括多种用于训练不同类别的模型的深度学习算法。例如，Word2Vec算法、CNN(Convolutional Neural Network，卷积神经网络)算法、RNN(Recurrent neural Network，循环神经网络)算法、LSTM(Long-Short Term Memory，长短期记忆人工神经网络)算法。其中，Word2Vec算法可以把对文本内容的处理简化为K维向量空间中的向量运算，而向量空间上的相似度可以用来表示文本语义上的相似度。Word2Vec输出的词向量可以被用来聚类、找同义词、词性分析等等。TensorFlow可以支持CNN、RNN和LSTM算法，Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的***。TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域。

在步骤208中，训练任务执行服务器将预测模型发送至模型数据存储服务器。

在本实施例中，基于步骤207中所得到的预测模型，训练任务执行服务器可以将预测模型发送至模型数据存储服务器。其中，模型数据存储服务器还可以用于存储预测模型。

在步骤209中，预测任务执行服务器从模型数据存储服务器获取预测模型。

在本实施例中，预测任务执行服务器(例如图1所示的预测任务执行服务器107)可以从模型数据存储服务器获取预测模型，以实现模型的自动上传。

在步骤210中，预测任务执行服务器将从第二客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。

在本实施例中，预测任务执行服务器可以首先从第二客户端(例如图1所示的第二客户端1012)接收待预测任务信息；然后将待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果；最后将预测结果反馈至第二客户端。

在本实施例的一些可选的实现方式中，训练任务管理服务器可以周期性地确定训练任务执行服务器中的模型是否训练完成；响应于确定训练任务执行服务器中的模型训练完成，将训练完成信息发送至第一客户端。作为示例，训练任务管理服务器可以每隔10分钟确定一次训练任务执行服务器中的模型是否训练完成，当模型训练完成时，向第一客户端发送模型训练完成消息，用户通过第一客户端接收到模型训练完成消息后，即可通过第二客户端向预测任务执行服务器发送待预测任务信息进行预测。

本申请实施例提供的任务管理***，首先，通过训练任务管理服务器接收第一客户端发送的待训练模型信息，并发送至训练任务存储服务器；而后，训练任务存储服务器从训练任务调度服务器集群中确定出训练任务分配服务器；之后，训练任务分配服务器从训练任务调度服务器集群中确定出训练任务执行服务器；然后，训练任务执行服务器从训练任务存储服务器中获取待训练模型信息，从模型数据存储服务器中获取与待训练模型信息相对应的样本数据，利用深度学习算法，基于样本数据，训练得到预测模型，并发送至模型数据存储服务器；最后，预测任务执行服务器从模型数据存储服务器获取预测模型，并将从第二客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。用户只需要通过第一客户端发送待训练模型信息，通过第二客户端发送待预测任务信息，任务管理***就可以自动加载待训练模型信息、自动训练模型、自动上传训练后的模型进行预测，从而提高了任务管理的效率。

在本实施例的一些可选的实现方式中，任务管理***还可以包括模型版本号存储服务器；训练任务执行服务器可以在得到预测模型后，将预测模型的当前版本号发送至模型版本号存储服务器；响应于模型版本号存储服务器接收到训练任务执行服务器发送的预测模型的当前版本号，模型版本号存储服务器可以将所存储的版本号更新为当前版本号。作为示例，模型版本号存储服务器可以以键值对(key：value)的形式存储预测模型的名称和预测模型的版本号，当模型版本号存储服务器接收到训练任务执行服务器发送的预测模型的当前版本号时，可以将当前版本号更新到与预测模型的名称(key)对应的值(value)中。

在本实施例的一些可选的实现方式中，预测任务执行服务器可以周期性地获取模型版本号存储服务器中存储的版本号；基于所获取的版本号确定预测模型是否已更新；响应于确定预测模型已更新，从模型数据存储服务器获取更新后的预测模型。作为示例，预测任务执行服务器可以每隔10分钟获取一次模型版本号存储服务器中存储的版本号，并将所获取的版本号与预测任务执行服务器中存储的预测模型的版本号进行比较；若相同，则确定预测模型没有更新；若不同，则确定预测模型已更新，并从模型数据存储服务器获取更新后的预测模型。

在任务管理***中增加模型版本号存储服务器。由此，在训练任务执行服务器得到预测模型后，模型版本号存储服务器可以及时地更新所存储的版本号，预测任务执行服务器可以根据模型版本号存储服务器中存储的版本号快速地确定出预测模型是否已更新，以实现在确定预测模型更新时自动上传更新后的预测模型。

进一步参考图3，其示出了根据本申请的任务管理方法的一个实施例的流程300。该任务管理方法的流程300，包括以下步骤：

步骤301，从训练任务存储服务器中获取待训练模型信息。

在本实施例中，任务管理方法运行于其上的训练任务执行服务器(例如图1所示的训练任务调度服务器1052)可以通过有线连接方式或者无线连接方式从训练任务存储服务器(例如图1所示的训练任务存储服务器104)获取待训练模型信息。其中，待训练模型信息用于表征待训练模型的功能，可以包括但不限于待训练模型的类别、待训练模型的名称、待训练模型所采用的算法、待训练模型的输入与输出之间的对应关系等等。

步骤302，从模型数据存储服务器中获取与待训练模型信息相对应的样本数据。

在本实施例中，基于步骤301中所获取到的待训练模型信息，训练任务执行服务器可以从模型数据存储服务器(例如图1所示的模型数据存储服务器106)中获取与待训练模型信息相对应的样本数据。其中，模型数据存储服务器可以用于存储样本数据。作为示例，待训练模型信息中包括待训练模型的名称，模型数据存储服务器中存储模型的名称和与模型的名称对应的样本数据，训练任务执行服务器可以将待训练模型的名称与模型数据存储服务器中的模型的名称进行匹配，若匹配成功，获取与匹配成功的模型的名称对应的样本数据。

步骤303，利用深度学习算法，基于样本数据，训练得到预测模型。

在本实施例中，基于步骤302中所获取到的样本数据，训练任务执行服务器可以利用深度学习算法，基于样本输入数据和样本输出数据，训练得到能够建立输入数据和输出数据之间准确对应关系的预测模型。其中，样本数据可以包括样本输入数据和样本输出数据。

步骤304，将预测模型发送至模型数据存储服务器。

在本实施例中，基于步骤303中所得到的预测模型，训练任务执行服务器可以将预测模型发送至模型数据存储服务器，以使预测任务执行服务器(例如图1所示的预测任务执行服务器107)从模型数据存储服务器获取预测模型，并将从第二客户端(例如图1所示的第二客户端1012)接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。

本申请实施例提供的任务管理方法，首先，从训练任务存储服务器中获取待训练模型信息；之后，从模型数据存储服务器中获取与待训练模型信息相对应的样本数据；然后，利用深度学习算法，基于样本数据，训练得到预测模型；最后，将预测模型发送至模型数据存储服务器，以使预测任务执行服务器从模型数据存储服务器获取预测模型，并将从第二客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。用户只需要通过第一客户端发送待训练模型信息，通过第二客户端发送待预测任务信息，任务管理***就可以自动加载待训练模型信息、自动训练模型、自动上传训练后的模型进行预测，并且当模型更新后，也可以自动上传更新后的模型进行预测，从而提高了任务管理的效率。

进一步参考图4，作为对上述图3所示方法的实现，本申请提供了一种任务管理装置的一个实施例，该装置实施例与图3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4所示，本实施例的任务管理装置400包括：模型信息获取单元401、样本数据获取单元402、模型训练单元403和模型发送单元404。其中，模型信息获取单元401，配置用于从训练任务存储服务器中获取待训练模型信息，其中，待训练模型信息用于表征待训练模型的功能；样本数据获取单元402，配置用于从模型数据存储服务器中获取与待训练模型信息相对应的样本数据；模型训练单元403，配置用于利用深度学习算法，基于样本数据，训练得到预测模型；模型发送单元404，配置用于将预测模型发送至模型数据存储服务器，以使预测任务执行服务器从模型数据存储服务器获取预测模型，并将从客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。

在本实施例中，任务管理装置400中：模型信息获取单元401、样本数据获取单元402、模型训练单元403和模型发送单元404的具体处理及其带来的有益效果可参看图3对应实施例中的步骤301、步骤302、步骤303和步骤304的实现方式的相关描述，在此不再赘述。

下面参考图5，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***500的结构示意图。图5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5所示，计算机***500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有***500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括按键、触摸屏等的输入部分506；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。

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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述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***、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***、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***、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***、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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***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：一种处理器包括模型信息获取单元、样本数据获取单元、模型训练单元和模型发送单元。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，模型信息获取单元还可以被描述为“从训练任务存储服务器中获取待训练模型信息的单元”。

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该电子设备执行时，使得该电子设备：从训练任务存储服务器中获取待训练模型信息，其中，待训练模型信息用于表征待训练模型的功能；从模型数据存储服务器中获取与待训练模型信息相对应的样本数据；利用深度学习算法，基于样本数据，训练得到预测模型；将预测模型发送至模型数据存储服务器，以使预测任务执行服务器从模型数据存储服务器获取预测模型，并将从第二客户端接收到的待预测任务信息导入预测模型进行预测，得到与待预测任务信息相对应的预测结果。

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。

Claims (13)

1.一种任务管理***，其特征在于，所述***包括：训练任务管理服务器、训练任务存储服务器、训练任务调度服务器集群、模型数据存储服务器和预测任务执行服务器；

所述训练任务管理服务器，用于接收第一客户端发送的待训练模型信息，并发送至所述训练任务存储服务器，其中，所述待训练模型信息用于表征待训练模型的功能；

所述训练任务存储服务器，用于从所述训练任务调度服务器集群中确定出训练任务调度服务器作为训练任务分配服务器；

所述训练任务分配服务器，用于从所述训练任务调度服务器集群中确定出训练任务调度服务器作为训练任务执行服务器；

所述训练任务执行服务器，用于从所述训练任务存储服务器中获取所述待训练模型信息，从所述模型数据存储服务器中获取与所述待训练模型信息相对应的样本数据，利用深度学习算法，基于所述样本数据，训练得到预测模型，并发送至所述模型数据存储服务器；

所述预测任务执行服务器，用于从所述模型数据存储服务器获取所述预测模型，并将从第二客户端接收到的待预测任务信息导入所述预测模型进行预测，得到与所述待预测任务信息相对应的预测结果。

2.根据权利要求1所述的***，其特征在于，

所述训练任务调度服务器集群中的各训练任务调度服务器，还用于：

分别获取所述训练任务存储服务器中的标识集合中的各个标识，其中，所述标识集合包括普通标识和目标标识；

所述训练任务存储服务器，具体用于：

将所述训练任务调度服务器集群中获取到所述目标标识的训练任务调度服务器确定为训练任务分配服务器。

3.根据权利要求1所述的***，其特征在于，所述训练任务存储服务器，具体用于：

从所述训练任务调度服务器集群中随机选取出训练任务调度服务器作为训练任务分配服务器。

4.根据权利要求1所述的***，其特征在于，所述训练任务分配服务器，具体用于：

获取所述训练任务调度服务器集群中的各个训练任务调度服务器的性能指标；

基于各个训练任务调度服务器的性能指标，从所述训练任务调度服务器集群中选取出训练任务执行服务器。

5.根据权利要求1所述的***，其特征在于，所述训练任务分配服务器，具体用于：

从所述训练任务调度服务器集群中随机选取出训练任务调度服务器作为训练任务执行服务器。

6.根据权利要求1所述的***，其特征在于，所述待训练模型信息包括待训练模型类别；

所述训练任务执行服务器，具体用于：

基于所述待训练模型类别，从预设的深度学习算法集合中选取出与所述待训练模型类别相匹配的深度学习算法；

利用与所述待训练模型类别相匹配的深度学习算法，基于所述样本数据，训练得到预测模型。

7.根据权利要求1-6之一所述的***，其特征在于，所述训练任务管理服务器，还用于：

周期性地确定所述训练任务执行服务器中的模型是否训练完成；

响应于确定所述训练任务执行服务器中的模型训练完成，将模型训练完成信息发送至所述第一客户端。

8.根据权利要求1-6之一所述的***，其特征在于，所述***还包括模型版本号存储服务器；

所述训练任务执行服务器，还用于：

在得到所述预测模型后，将所述预测模型的当前版本号发送至所述模型版本号存储服务器；

所述模型版本号存储服务器，还用于：

响应于接收到所述训练任务执行服务器发送的所述预测模型的当前版本号，将所存储的版本号更新为所述当前版本号。

9.根据权利要求8所述的***，其特征在于，所述预测任务执行服务器，还用于：

周期性地获取所述模型版本号存储服务器中存储的版本号；

基于所获取的版本号确定所述预测模型是否已更新；

响应于确定所述预测模型已更新，从所述模型数据存储服务器获取更新后的预测模型。

10.一种任务管理方法，其特征在于，所述方法包括：

从训练任务存储服务器中获取待训练模型信息，其中，所述待训练模型信息用于表征待训练模型的功能；

从模型数据存储服务器中获取与所述待训练模型信息相对应的样本数据；

利用深度学习算法，基于所述样本数据，训练得到预测模型；

将所述预测模型发送至所述模型数据存储服务器，以使预测任务执行服务器从所述模型数据存储服务器获取所述预测模型，并将从第二客户端接收到的待预测任务信息导入所述预测模型进行预测，得到与所述待预测任务信息相对应的预测结果。

11.一种任务管理装置，其特征在于，所述装置包括：

模型信息获取单元，配置用于从训练任务存储服务器中获取待训练模型信息，其中，所述待训练模型信息用于表征待训练模型的功能；

样本数据获取单元，配置用于从模型数据存储服务器中获取与所述待训练模型信息相对应的样本数据；

模型训练单元，配置用于利用深度学习算法，基于所述样本数据，训练得到预测模型；

模型发送单元，配置用于将所述预测模型发送至所述模型数据存储服务器，以使预测任务执行服务器从所述模型数据存储服务器获取所述预测模型，并将从客户端接收到的待预测任务信息导入所述预测模型进行预测，得到与所述待预测任务信息相对应的预测结果。

12.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求10所述的方法。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求10所述的方法。