(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111508796.8 (22)申请日 2021.12.10 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 吴甜　马艳军　于佃海　杨烨华　 杜宇宁　 (74)专利代理 机构 北京博浩百 睿知识产权代理 有限责任公司 1 1134 代理人 宫传芝 (51)Int.Cl. G06N 20/00(2019.01) G06N 5/04(2006.01) G06F 8/20(2018.01) (54)发明名称 基于深度学习框架生成和应用深度学习模 型的方法及装置 (57)摘要 本公开提供了一种基于深度学习框架生成 和应用深度学习模型的方法及装置， 涉及计算机 领域。 具体实现方案为： 在目标设备上构建基础 运行环境， 其中， 基础运行环境为深度学习模型 的整体生成过程提供环境准备； 按照业务需求 和/或硬件需求， 在基础运行环境中生成深度学 习模型的基础功能， 得到第一处理结果； 基于第 一处理结果在基础运行环境中生成深度学习模 型的扩展功能， 得到第二处理结果； 利用预设测 试脚本对第二处理结果进行功能测试， 输出测试 结果。 解决了相关技术中构建模型时， 出现的无 法对模型设计的整体流程进行设置的技术问题。 其中， 利用预设测试脚本对第二处理结果进行功 能测试用于保证模型设计的整体流 程的可靠性。 权利要求书5页 说明书12页 附图3页 CN 114186697 A 2022.03.15 CN 114186697 A 1.一种基于深度学习框架生成和应用深度学习模型的方法， 包括： 在目标设备上构建基础运行环境， 其中， 所述基础运行环境为深度学习模型的整体生 成过程提供环境 准备； 按照业务需求和/或硬件需求， 在所述基础运行环境中生成所述深度学习模型的基础 功能， 得到第一处 理结果； 基于所述第 一处理结果在所述基础运行环境中生成所述深度学习 模型的扩展功能， 得 到第二处 理结果； 利用预设测试脚本对所述第二处 理结果进行功能测试， 输出测试 结果。 2.根据权利要求1所述的方法， 其中， 在所述目标设备 上构建所述基础运行环境包括： 获取所述目标设备的硬件配置信息； 基于所述硬件配置信息， 确定所述目标设备的软件配置信息； 利用所述硬件配置信息和所述软件配置信息， 构建所述基础运行环境。 3.根据权利要求2所述的方法， 其中， 基于所述硬件配置信息， 确定所述目标设备的软 件配置信息包括： 基于所述硬件配置信 息， 确定所述目标设备的操作系统信 息、 深度学习框架信 息、 模型 库信息、 预训练模型以及所述预训练模型对应的训练数据与预测数据。 4.根据权利要求1所述的方法， 其中， 按照所述业务需求和所述硬件需求， 在所述基础 运行环境中生成所述深度学习模型的基础功能， 得到所述第一处 理结果包括： 确定所述深度学习模型的整体生成过程中所包含的多个处理环节， 其中， 所述多个处 理环节用于开发、 训练和推理所述深度学习模型； 按照所述业务需求和/或所述硬件需求， 在所述基础运行环境中生成所述多个处理环 节中每个处理环节的基础功能， 得到所述第一处 理结果。 5.根据权利要求4所述的方法， 其中， 按照所述业务需求和/或所述硬件需求， 在所述基 础运行环境中生成所述多个处理环节中每个处理环节的基础功能， 得到所述第一处理结果 包括： 按照所述业务需求在所述基础运行环境中生成所述多个处理环节中第一部分处理环 节的基础功能， 得到第三处 理结果； 按照所述硬件需求在所述基础运行环境中生成所述多个处理环节中第二部分处理环 节的基础功能， 得到第四处 理结果； 按照所述业务需求和所述硬件需求在所述基础运行环境中生成所述多个处理环节中 第三部分处 理环节的基础功能， 得到第五处 理结果； 利用所述第 三处理结果、 所述第四处理结果和所述第五处理结果生成所述多个处理环 节中每个处理环节的基础功能， 得到所述第一处 理结果。 6.根据权利要求5所述的方法， 其中， 按照所述业务需求在所述基础运行环境中生成所 述第一部分处 理环节的基础功能， 得到所述第三处 理结果包括： 按照所述 业务需求从模型库中选取在所述基础运行环境中待 使用的模型算法； 按照所述 业务需求选取在所述基础运行环境中待 使用的模型压缩方式； 按照所述 业务需求选取在所述基础运行环境中待 使用的预测部署方式； 将所述模型算法、 所述模型压缩方式和所述预测部署方式确定为所述第三处 理结果。权　利　要　求　书 1/5 页 2 CN 114186697 A 27.根据权利要求5所述的方法， 其中， 按照所述硬件需求在所述基础运行环境中生成所 述多个处 理环节中第二部分处 理环节的基础功能， 得到所述第四处 理结果包括： 按照所述硬件需求配置在所述基础运行环境中待使用的第一软硬件环境和第二软硬 件环境， 其中， 所述第一软硬件环境为模型训练所使用的软硬件环 境， 所述第二软硬件环 境 为模型推理部署所使用的软硬件环境； 将所述第一软硬件环境与所述第二软硬件环境确定为所述第四处 理结果。 8.根据权利要求5所述的方法， 其中， 按照所述业务需求和所述硬件需求在所述基础运 行环境中生成所述多个处理环节中第三部 分处理环节的基础功能， 得到所述第五处理结果 包括： 按照所述业务需求和所述硬件需求选取在所述基础运行环境中待使用的模型训练方 式； 将所述模型训练方式确定为所述第五处 理结果。 9.根据权利要求 4所述的方法， 其中， 所述多个处 理环节包括： 模型算法选择环 节； 模型训练软硬件环境配置环 节； 模型训练方式选择环 节； 模型压缩方式选择环 节； 模型训练环 节； 模型保存环 节； 模型预测部署方式选择环 节； 模型推理部署软硬件环境配置环 节。 10.根据权利要求4所述的方法， 其中， 基于所述第一处理结果在所述基础运行环境中 生成所述深度学习模型的扩展功能， 得到所述第二处 理结果包括： 基于所述第 一处理结果， 在所述多个处理环节中每个处理环节中添加除所述基础功能 之外的所述扩展功能， 确定每 个处理环节对应的多种待选择功能； 分别从每个处理环节对应的多种待选择功能中选取任一种功能进行组合并执行所述 深度学习模型的整体生成过程， 得到所述第二处 理结果。 11.根据权利要求10所述的方法， 其中， 分别从每个处理环节对应的多种 待选择功能中 选取任一种功能进行 组合并执行所述深度学习模型的整体生成过程， 得到所述第二处理结 果包括： 在模型算法选择环 节中随机 选取待组合模型算法； 在模型训练软硬件环境配置环 节中随机确定第一待组合软硬件环境； 在模型训练方式选择环 节中随机 选取待组合模型训练方式； 在模型压缩方式选择环 节中随机 选取待组合模型压缩方式； 在模型预测部署方式选择环 节中随机 选取待组合模型 预测部署方式； 在模型推理部署软硬件环境配置环 节中随机确定第二待组合软硬件环境； 对所述待组合模型算法、 所述第 一待组合软硬件环境、 所述待组合模型训练方式、 所述 待组合模型压缩方式、 所述待组合模型预测部署方式以及所述第二待组合软硬件环境进 行 组合并执行模型训练、 训练以及推理整个生成过程， 得到所述第二处理结果， 直至每个处理权　利　要　求　书 2/5 页 3 CN 114186697 A 3