一种基于深度学习的图形化智能方法及系统

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于深度学习的图形化智能方法及系统。

背景技术

在人工智能时代，深度学习作为一种强有力的技术已经开始改变我们生活的方方面面，随着计算规模的加大、模型结构的复杂、训练参数的增多，训练的时间也越来越长，如果能在训练过程中及时发现问题，就能帮助使用者对系统进行及时的调整，如果要实现对系统的调整，就需要可视化的工具来实现，因此如何提供给使用者一个快速方便的进行可视化的工具是亟待解决的问题。

发明内容

本发明的目的在于提供一种基于深度学习的图形化智能方法及系统，实现深度学习过程中内容的可视化目的。

为实现上述目的，第一方面，本发明提供了一种基于深度学习的图形化智能方法，包括以下步骤：

将深度学习模型模块化为多个组件，并对多个所述组件进行可视化封装，完成对所述深度学习模型的改进；

对获取的输入数据进行镜像转换，并在检测到镜像文件后，获取对应的运行数据；

利用标准的多维矩阵对所述运行数据进行转换，并输入到改进后的所述深度学习模型中，进行图形化显示。

其中，将深度学习模型模块化为多个组件，并对多个所述组件进行可视化封装，完成对所述深度学习模型的改进，包括：

将深度学习模型模块化为多个组件，并利用图形化编程语言对多个所述组件进行可视化封装；

对多个所述组件的接口参数进行调整，使各个所述组件进行对接，完成所述深度学习模型的改进。

其中，对多个所述组件的接口参数进行调整，使各个所述组件进行对接，完成所述深度学习模型的改进，包括：

将各个所述组件的接口参数按照训练顺序进行编号调整，根据所述编号将各个所述组件进行对接；

将完成对接后的所述深度学习模型进行完整性检验，得到改进后的所述深度学习模型。

其中，对获取的输入数据进行镜像转换，并在检测到镜像文件后，获取对应的运行数据，包括：

对获取的输入数据进行镜像转换，得到对应的镜像文件；

利用获取的运行容器对所述镜像文件进行加载；

对所述镜像文件进行在线检测，并在检测到所述镜像文件后，获取对应的运行数据。

其中，利用获取的运行容器对所述镜像文件进行加载之前，所述方法还包括：

在得到所述镜像文件的同时，生成图形化配置请求；

当所述运行容器接收到所述图形化配置请求时，对所述镜像文件进行加载。

其中，对所述镜像文件进行在线检测，并在检测到所述镜像文件后，获取对应的运行数据，包括：

对所述镜像文件进行在线检测，并当检测到所述镜像文件时，读取所述运行容器的运行内容；

判断所述运行内容是否符合所述图形化配置请求，若符合所述图形化配置请求时，获取对应的运行数据，若不符合所述图形化配置请求，则重新进行检测。

第二方面，本发明提供了一种基于深度学习的图形化智能系统，如第一方面所述的一种基于深度学习的图形化智能方法应用于一种基于深度学习的图形化智能系统，

所述基于深度学习的图形化智能系统包括模型改进模块、数据转换获取模块和图形化显示模块，所述模型改进模块、所述数据转换获取模块和所述图形化显示模块彼此连接；

所述模型改进模块，用于将深度学习模型模块化为多个组件，并对多个所述组件进行可视化封装，完成对所述深度学习模型的改进；

所述数据转换获取模块，用于对获取的输入数据进行镜像转换，并在检测到镜像文件后，获取对应的运行数据；

所述图形化显示模块，用于利用标准的多维矩阵对所述运行数据进行转换，并输入到改进后的所述深度学习模型中，进行图形化显示。

第三方面，本发明提供了一种包括存储器和处理器，所述存储器，用于存储程序指令，所述处理器，用于调用所述存储器中的程序指令执行如第一方面所述的方法包括的部分或全部步骤。

第四方面，本发明提供了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，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如第一方面所述的方法的部分或全部步骤。

本发明的一种基于深度学习的图形化智能方法及系统，所述基于深度学习的图形化智能系统包括模型改进模块、数据转换获取模块和图形化显示模块，将深度学习模型模块化为多个组件，并对多个所述组件进行可视化封装，完成对所述深度学习模型的改进；对获取的输入数据进行镜像转换，并在检测到镜像文件后，获取对应的运行数据；利用标准的多维矩阵对所述运行数据进行转换，并输入到改进后的所述深度学习模型中，进行图形化显示，实现深度学习过程中内容的可视化目的。

附图说明

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附图。

图1是本发明提供的一种基于深度学习的图形化智能方法的结构示意图。

图2是本发明提供的一种基于深度学习的图形化智能系统的而机构示意图。

图3是本发明提供的一种计算机设备的结构组成示意图。

1-模型改进模块、2-数据转换获取模块、3-图形化显示模块、100-应用程序、200-处理器、300-存储器、400-输入单元、500-显示单元。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明提供一种基于深度学习的图形化智能方法，包括以下步骤：

S101、将深度学习模型模块化为多个组件，并对多个所述组件进行可视化封装，完成对所述深度学习模型的改进。

具体的，根据现有深度学习网络模型和算法将深度学习模型模块化为多个组件(或者根据监督学习、半监督学习或者无监督学习类型算法模型的支持，将深度学习神经网络模块化为多个组件)，并利用图形化编程语言(或者python语)对多个所述组件进行可视化封装；其中，所述组件包括：隐藏层、输入层、输出层、全连接层、卷积层、池化层、权重、偏置和激励函数。

对多个所述组件的接口参数进行调整，使各个所述组件进行对接，完成所述深度学习模型的改进，具体为：将各个所述组件的接口参数按照训练顺序进行编号调整，根据所述编号将各个所述组件进行对接；将完成对接后的所述深度学习模型进行完整性检验，得到改进后的所述深度学习模型，将所述深度学习模型中的每一个流程进行模块化，并进行可视化封装，使每一个流程在运行的过程中，均能进行可视化展示。

S102、对获取的输入数据进行镜像转换，并在检测到镜像文件后，获取对应的运行数据。

具体的，首先，获取需要进行可视化操作的输入数据，并对所述输入数据进行预处理，如进行数据筛选，删除重复和错误的数据，对获取的输入数据进行镜像转换，得到对应的镜像文件；在得到所述镜像文件的同时，生成图形化配置请求；当所述运行容器接收到所述图形化配置请求时，对所述镜像文件进行加载；而具体的加载方式为利用获取的运行容器对所述镜像文件进行加载；其中，所述运行容器为预先创建的多个容器中的任一个容器，命名为运行容器。

对所述镜像文件进行在线检测，并在检测到所述镜像文件后，获取对应的运行数据，具体为：对所述镜像文件进行在线检测，并当检测到所述镜像文件时，读取所述运行容器的运行内容；判断所述运行内容是否符合所述图形化配置请求，若符合所述图形化配置请求时，获取对应的运行数据，若不符合所述图形化配置请求，则重新进行检测，直至检测出来的所述镜像文件对应的所述运行内容与所述图形化配置请求相同。

S103、利用标准的多维矩阵对所述运行数据进行转换，并输入到改进后的所述深度学习模型中，进行图形化显示。

具体的，首先，在利用标准的多维矩阵对所述运行数据进行转换前，需基于改进后的所述深度学习模型，构建一个多维矩阵作为输入数据的标准格式，并对所述多维矩阵中的每个维度预设一个填充长度；当得到所述运行数据时，利用所述多维矩阵将所述运行数据进行标准化格式转换，具体为：按照所述多维矩阵的所述填充长度，将所述运行数据等间距划分，并按照数据的排列形式，依次将划分出来的字符串填入所述多维矩阵中，其中，在依次将划分出来的字符串填入所述多维矩阵中，需要判断所述字符串长度是否满足所述多维矩阵的所述填充长度，若所述字符串长度小于所述填充长度，则利用插值法，在对应字符串的末尾用0填充至满足所述填充长度；然后将所述多维矩阵输入改进后的所述深度学习模型中进行训练，完成可视化输出，达到了深度学习过程中内容的可视化目的。

请参阅图2，本发明提供一种基于深度学习的图形化智能系统，所述的一种基于深度学习的图形化智能方法应用于一种基于深度学习的图形化智能系统，

所述基于深度学习的图形化智能系统包括模型改进模块1、数据转换获取模块2和图形化显示模块3，所述模型改进模块1、所述数据转换获取模块2和所述图形化显示模块3彼此连接；

所述模型改进模块1，用于将深度学习模型模块化为多个组件，并对多个所述组件进行可视化封装，完成对所述深度学习模型的改进；

所述数据转换获取模块2，用于对获取的输入数据进行镜像转换，并在检测到镜像文件后，获取对应的运行数据；

所述图形化显示模块3，用于利用标准的多维矩阵对所述运行数据进行转换，并输入到改进后的所述深度学习模型中，进行图形化显示。

在本实施方式中，关于一种基于深度学习的图形化智能系统的具体限定可以参见上文中对于一种基于深度学习的图形化智能方法的限定，在此不再赘述。上述一种基于深度学习的图形化智能系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本发明实施例提供的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应用程序，该程序被处理器执行时实现上述实施例中任意一个实施例的一种基于深度学习的图形化智能方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-OnlyMemory，只读存储器)、RAM(RandomAcceSSMemory，随即存储器)、EPROM(EraSableProgrammableRead-OnlyMemory，可擦写可编程只读存储器)、EEPROM(ElectricallyEraSableProgrammableRead-OnlyMemory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备(例如，计算机、手机)以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。

本发明实施例还提供了一种计算机应用程序，其运行在计算机上，该计算机应用程序用于执行上述中任意一个实施例的一种基于深度学习的图形化智能方法。

此外，图3是本发明实施例中的计算机设备的结构组成示意图。

本发明实施例还提供了一种计算机设备，如图3所示。所述计算机设备包括处理器200、存储器300、输入单元400以及显示单元500等器件。本领域技术人员可以理解，图3示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器300可用于存储应用程序100以及各功能模块，处理器200运行存储在存储器300的应用程序100，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。

输入单元400用于接收信号的输入，以及接收用户输入的关键字或者图像。输入单元400可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元500可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元500可采用液晶显示器、有机发光二极管等形式。处理器200是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器300内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。

作为一个实施例，所述计算机设备包括：一个或多个处理器200，存储器300，一个或多个应用程序100，其中所述一个或多个应用程序100被存储在存储器300中并被配置为由所述一个或多个处理器200执行，所述一个或多个应用程序100配置用于执行上述实施例中的任意一实施例中的一种基于深度学习的图形化智能方法。

本发明的一种基于深度学习的图形化智能方法及系统，所述基于深度学习的图形化智能系统包括模型改进模块1、数据转换获取模块2和图形化显示模块3，将深度学习模型模块化为多个组件，并对多个所述组件进行可视化封装，完成对所述深度学习模型的改进；对获取的输入数据进行镜像转换，并在检测到镜像文件后，获取对应的运行数据；利用标准的多维矩阵对所述运行数据进行转换，并输入到改进后的所述深度学习模型中，进行图形化显示，实现深度学习过程中内容的可视化目的。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，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流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。