[0001] 本发明涉及人工智能的平台构建技术领域，特别是涉及一种深度学习装置。本发明还涉及一种深度学习应用方法。

[0002] 深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：1.基于卷积运算的神经网络系统，即卷积神经网络(Convolutional Neural Networks，CNN)。2.基于多层神经元的自编码神经网络，包括自编码(Auto Encoder)以及近年来受到广泛关注的稀疏编码(Sparse Coding)两类。3.以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(Deep Belief Network，DBN)。以深度学习为理论技术的任务包括图像分类、物体检测、实体识别、光学字符识别(Optical Character Recognition，OCR)等。

[0003] 使用深度学习方法对图像进行各种任务时，需要对大量的样本图像进行训练，需要几个小时甚至几天的时间，而且需要用户熟悉深度学习算法和深度学习框架，这不利于快速形成深度学习的应用。

[0033] 为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

[0034] 请参考图1，图1为本发明实施例提供的一种深度学习装置的示意图，由图可看出，所述深度学习装置包括：

[0035] 模型库10，包括多个分别执行不同学习任务的深度学习模型；

[0036] 操作装置11，用于根据用户对页面可视化组件的操作编排出以所述页面可视化组件构成的拓扑图，所述模型库包括的所述深度学习模型被封装为所述页面可视化组件；

[0037] 执行装置12，用于根据所述拓扑图所定义的规则调用所述页面可视化组件对应的深度学习模型，对输入数据进行处理。

[0038] 模型库10包括多个不同的深度学习模型，各个深度学习模型分别用于执行不同的学习任务。各个深度学习模型分别被封装为页面可视化组件，用户根据应用需求可选择和操作页面可视化组件，从而编排出拓扑图，执行装置12根据得出的拓扑图，根据拓扑图所定义的规则调用页面可视化组件对应的深度学习模型，对输入数据进行处理，从而对输入数据进行所需要的深度学习任务。

[0039] 应用本实施例的深度学习装置，用户根据应用需求选择和操作页面可视化组件，编排出拓扑图，使得深度学习装置根据得出的拓扑图，调用对应的深度学习模型对输入数据进行处理，就可实现对输入数据进行所需要的深度学习任务。应用本装置使用户不需要熟悉复杂的深度学习算法或者深度学习框架，不需要训练深度学习模型，因此降低了深度学习的使用难度，更方便用户对目标数据进行深度学习，能够快速形成深度学习的应用。

[0040] 可选的，模型库10可包括物体检测学习模型，比如行人检测模型、车辆检测模型或者建筑物检测模型等，或者可包括识别模型比如人脸识别模型、道路标志识别模型等，或者可包括分类学习模型或者光学字符学习模型等。在实际应用中，包括的深度学习模型不限于以上几种，还可包括执行其它学习任务的深度学习模型。

[0041] 优选的请参考图2，图2为本实施例组建的模型库的示意图，本实施例中可将不同的深度学习模型分别部署在不同的应用容器100中，以组建成模型库10。执行装置12在对输入数据执行深度学习任务时，可通过调用应用容器100来调用对应的深度学习模型，以对输入数据进行深度学习。

[0042] 可选的，可对每个应用容器开启RESTful服务，各个应用容器启动不同的RESTful模型服务来分别实现不同的深度学习任务。

[0043] 具体的，所述操作装置11包括应用容器管理引擎，优选的可使用Kubernetes容器管理框架作为深度学习模型编排工具，将不同的深度学习模型镜像化。Kubernetes容器管理框架是一种开源的应用容器编排引擎，它支持自动化部署、大规模可伸缩、应用容器化管理，在生产环境中部署一个应用程序时，通常要部署该应用的多个实例以便对应用请求进行负载均衡。

[0044] 将各个深度学习模型分别封装为页面可视化组件，可选的，操作装置11具体用于根据用户在页面中操作各个所述页面可视化组件的布置位置和各个所述页面可视化组件之间的连接关系，编排出所述拓扑图。在实际应用中，用户可通过在页面中拖、拉、拽相应的页面可视化组件至编排窗口内，并布置各个页面可视化组件的位置和各个页面可视化组件之间的连接关系，得到拓扑图。示例性的，请参考图3(a)和图3(b)，图3(a)和图3(b)分别为本实施例编排出的两种拓扑图。

[0045] 执行装置12根据拓扑图所定义的规则调用页面可视化组件对应的深度学习模型，对输入数据进行处理。针对由页面可视化组件组成拓扑图的各种结构形式，可相应定义对拓扑图包含的各页面可视化组件对应的深度学习模型的调用规则。示例性的，比如图3(a)所示的拓扑图，表示对输入图像同时检测“人”、“车”和“包”，则需要调用人检测学习模型、车检测学习模型和包检测模型，并行对输入图像进行处理。图3(b)所示的拓扑图表示先在输入图像中检测“人”，然后在检测“人”得到的结果中检测“包”，则先调用人检测学习模型对输入图像处理，然后调用包检测学习模型在处理得到的结果中检测“包”，那么不是佩戴在人身体上的包不需要被检测出。

[0046] 优选的，执行装置12具体用于采用广度优先遍历算法遍历所述拓扑图，根据所述拓扑图所定义的规则调用所述页面可视化组件对应的深度学习模型，对输入数据进行处理。具体的，所述执行装置12遍历所述拓扑图包括：对所述拓扑图的每一节点进行访问且对每一节点只访问一次。广度优先遍历算法与树的按层次遍历相似，对图的每个顶点进行访问且只访问一次。把拓扑图采用某种存储结构存到内存之中，可采用邻接表存储，并在此基础上进行广度优先遍历。

[0047] 请参考图4，图4为本发明实施例提供的一种深度学习应用方法的流程图，由图可看出，所述深度学习应用方法包括以下步骤：

[0048] S20：训练得到多个分别执行不同学习任务的深度学习模型。

[0049] 可选的，可包括物体检测学习模型，比如行人检测模型、车辆检测模型或者建筑物检测模型等，或者可包括识别模型比如人脸识别模型、道路标志识别模型等，或者可包括分类学习模型或者光学字符学习模型等。在实际应用中，训练使用的深度学习模型不限于以上几种，还可包括执行其它学习任务的深度学习模型。

[0050] S21：将得到的所述深度学习模型封装为页面可视化组件，以能够根据用户对所述页面可视化组件的操作编排出以所述页面可视化组件构成的拓扑图。

[0051] 将各个深度学习模型分别封装为页面可视化组件，用户根据应用需求，在页面中选择和操作相应的页面可视化组件，布置各个页面可视化组件的位置和各个页面可视化组件之间的连接关系，根据用户在页面中操作各个页面可视化组件的布置位置和各个页面可视化组件之间的连接关系，从而编排出由页面可视化组件组成的拓扑图。

[0052] 优选的，可将不同的深度学习模型分别部署在不同的应用容器中，进一步对应用容器包含的深度学习模型封装为页面可视化组件。在对输入数据执行深度学习任务时，可通过调用应用容器来调用对应的深度学习模型。

[0053] 可选的，根据用户在页面中操作各个页面可视化组件的布置位置和各个页面可视化组件之间的连接关系，编排出拓扑图。在实际应用中，用户可通过在页面中拖、拉、拽相应的页面可视化组件至编排窗口内，并布置各个页面可视化组件的位置和各个页面可视化组件之间的连接关系，得到拓扑图。

[0054] S22：当根据用户对所述页面可视化组件的操作编排出以所述页面可视化组件构成的拓扑图后，根据所述拓扑图所定义的规则调用所述页面可视化组件对应的所述深度学习模型，对输入数据进行处理。

[0055] 针对由页面可视化组件组成拓扑图的各种结构形式，可相应定义对拓扑图包含的各页面可视化组件对应的深度学习模型的调用规则。示例性的，比如图3(a)所示的拓扑图，表示对输入图像同时检测“人”、“车”和“包”，则需要调用人检测学习模型、车检测学习模型和包检测模型，并行对输入图像进行处理。图3(b)所示的拓扑图表示先在输入图像中检测“人”，然后在检测“人”得到的结果中检测“包”，则先调用人检测学习模型对输入图像处理，然后调用包检测学习模型在处理得到的结果中检测“包”，那么不是佩戴在人身体上的包不需要被检测出。

[0056] 优选的，可采用广度优先遍历算法遍历所述拓扑图，根据所述拓扑图所定义的规则调用所述页面可视化组件对应的深度学习模型，对输入数据进行处理。

[0057] 以上对本发明所提供的一种深度学习装置及深度学习应用方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。