[发明专利]基于kubernetes的自动机器学习方法及系统

权利要求书

1.一种基于kubernetes的自动机器学习方法，包括：

搭建含有至少两个机器的自动机器学习系统；

设置所述自动机器学习系统的优化目标函数及超参数极值约束条件；

查找超参数搜索算法，根据所述超参数搜索算法将满足所述超参数极值约束条件的值代入所述优化目标函数，得到随机超参数；

获取至少两组待处理任务的实验数据，将每组所述实验数据分配到不同的所述机器上进行训练，直到达到极值，其中，每组所述实验数据的训练使用不同的所述随机超参数；

收集不同所述机器的训练结果，根据所述训练结果判断得到所述自动机器学习系统的最优参数配置，其中，所述训练结果包括达到所述极值的收敛速度和模型精度。

2.根据权利要求1所述的基于kubernetes的自动机器学习方法，其特征在于，所述超参数搜索算法包括改进的经典搜索算法或启发式搜索算法。

3.根据权利要求1所述的基于kubernetes的自动机器学习方法，其特征在于，利用分布式平台并行训练所述实验数据，所述分布式平台的设置包括相同模型、相同数据、不同的所述随机超参数。

4.根据权利要求2所述的基于kubernetes的自动机器学习方法，其特征在于，所述改进的经典搜索算法包括经贝叶斯优化算法优化后的网格搜索算法或随机搜索算法。

5.根据权利要求2所述的基于kubernetes的自动机器学习方法，其特征在于，所述启发式搜索算法包括模拟退火算法、遗传算法、列表搜索算法、进化规划、进化策略、蚁群算法、人工神经网络。

6.根据权利要求1所述的基于kubernetes的自动机器学习方法，其特征在于，通过损失函数设置所述超参数极值约束条件。

7.根据权利要求1所述的基于kubernetes的自动机器学习方法，其特征在于，通过日志收集和/或打印收集的方式收集所述不同计算节点的计算结果。

8.根据权利要求1所述的基于kubernetes的自动机器学习方法，其特征在于，方法还包括：

通过系统自带前端或数据库查询的方式展示所述最优参数配置。

9.一种基于kubernetes的自动机器学习系统，包括：

超参数生成模块，用于根据优化目标函数和超参数极值约束条件，利用超参数搜索算法生成随机超参数；

数据获取模块，用于获取至少两组待处理任务的实验数据；

训练模块，用于将每组所述实验数据分配到所述自动机器学习系统的不同机器上进行训练，直到达到极值，其中，每组所述实验数据的训练使用不同的所述随机超参数；

收集判断模块，用于收集不同所述机器的训练结果，根据所述训练结果判断得到所述自动机器学习系统的最优参数配置，其中，所述训练结果包括达到所述极值的收敛速度和模型精度。

10.根据权利要求9所述的基于kubernetes的自动机器学习系统，其特征在于，所述训练模块用于利用分布式平台并行训练所述实验数据，所述分布式平台的设置包括相同模型、相同数据、不同的所述随机超参数。