具体实施方式

下面将通过实施例并结合附图具体地对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

需要说明的是：在本公开实例中，“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

另外，本公开实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

要训练一个神经网络，需要先准备好样本，再对样本进行标注，然后发起训练任务，训练完成产出训练后的神经网络。之后可以对训练后的神经网络进行评测，得到效果比较理想的训练后的神经网络，然后还可以对训练后的神经网络进行使用。然而，以上过程大多需要靠工作人员手动处理，极大地耗费人力资源。

在本公开实施例中，提供一种任务处理系统，该任务处理系统能够实现或者协助实现上述的操作，提高了处理任务的自动化水平。

图1为本公开实施例提供的一种任务处理系统的结构示意图，如图1所示，任务处理系统10包括：资源模块11、训练模块12和推理模块13；

所述训练模块12，用于基于用户类型调用所述资源模块11内的样本对所述资源模块11内的神经网络进行训练，得到训练后的神经网络并将所述训练后的所述神经网络发送至所述资源模块11；

所述推理模块13，用于基于推理任务的任务类型调用所述资源模块11内的所述训练后的神经网络对所述推理任务进行处理，得到推理结果并将所述推理结果发送至所述资源模块11。

在一些实施方式中，任务处理系统10可以包括中台、后台或者中台和后台的组合。任务处理系统10可以称为服务平台。在另一些实施方式中，任务处理系统10或者下述的用户端设备或者标注端设备，可以包括以下之一或者至少两者的结合：服务器、手机(MobilePhone)、平板电脑(Pad)、带无线收发功能的电脑、掌上电脑、台式计算机、个人数字助理、便捷式媒体播放器、智能音箱、导航装置、智能手表、智能眼镜、智能项链等可穿戴设备、计步器、数字TV、虚拟现实(VirtualReality，VR)终端设备、增强现实(Augmented Reality，AR)终端设备、工业控制(Industrial Control)中的无线终端、无人驾驶(Self Driving)中的无线终端、远程手术(Remote Medical Surgery)中的无线终端、智能电网(Smart Grid)中的无线终端、运输安全(Transportation Safety)中的无线终端、智慧城市(Smart City)中的无线终端、智慧家庭(Smart Home)中的无线终端、车联网系统中的车、车载设备、车载模块等等。

用户类型可以是第一类型或者第二类型，第一类型表征用户是非专业用户(或者称小白用户)，第二类型表征用户是专业用户。第一类型的用户是不向任务处理系统10提供全景图的用户，第二类型的用户是可以向任务处理系统10提供全景图的用户。第一类型的用户可以是普通用户，第二类型的用户可以包括以下至少之一：工作人员、技术人员、专业人员。

训练模块12可以与用户端设备通信，训练模块12可以接收用户端设备发送的训练任务，基于训练任务对神经网络进行训练。

在一些实施方式中，训练任务中可以包括用户的属性信息，训练模块12可以基于用户的属性信息确定用户类型。

用户的属性信息可以包括以下至少之一：用户的账号信息、用户的身份信息、用户的职业信息、用户的生理信息(例如，面部特征和/或姿态特征)等。例如，在用户的属性信息包括用户的账号信息的情况下，训练模块12可以判断用户的账号信息所对应的用户类型。

在另一些实施方式中，训练模块12可以通过确定训练任务中是否存在全景图，来确定用户类型的。例如在确定训练任务中不存在全景图的就情况下，确定用户类型为第一类型，在确定训练任务中存在全景图的情况下，确定用户类型为第二类型。

在一些实施方式中，训练模块12调用所述资源模块11内的样本，可以是用户端设备输入的。

在另一些实施方式中，训练模块12调用所述资源模块11内的样本，可以是基于用户类型确定的。例如，在确定用户类型为第一类型或第二类型的情况下，可以从资源模块11中确定与第一类型或第二类型对应的样本，该样本可以包括多个样本，多个样本可以均为带标签的样本，或者，可以均为不带标签的样本，或者，可以部分为带标签的样本，部分为不带标签的样本。

在一些实施方式中，与第一类型对应的样本的标注复杂度和/或图像复杂度，可以低于第二类型对应的样本的标注复杂度和/或图像复杂度。

训练模块12调用的资源模块11内的神经网络，可以是基于用户类型确定的。例如，在确定用户类型为第一类型或第二类型的情况下，可以从资源模块11中确定与第一类型或第二类型对应的神经网络，该神经网络可以是一个神经网络，或者，可以包括至少两个子神经网络。

在一些实施方式中，第一类型对应的神经网络的复杂度和/或神经网络的大小，可以低于第二类型对应的神经网络的复杂度和/或神经网络的大小。

在多个样本均为带标签的样本的情况下，对神经网络的训练可以是监督训练；在多个样本均为不带标签的样本的情况下，对神经网络的训练可以是无监督训练；在多个样本中部分为带标签的样本，部分为不带标签的样本的情况下，对神经网络的训练可以是半监督训练。

推理模块13可以具有服务端口，用户端设备可以通过服务端口与推理模块13通信，推理模块13可以通过服务端口获取用户端设备发送的推理任务。推理任务的任务类型可以包括以下至少之一：下载训练后的神经网络的信息；对训练后的神经网络进行测试的信息；对训练后的神经网络进行使用的信息。

例如，在推理任务的任务类型为下载训练后的神经网络的信息的情况下，推理模块13可以确定与训练后的神经网络对应的存储地址(包括在推理结果中)，并通过服务端口向用户端设备返回存储地址，以使服务端设备通过存储地址下载训练后的神经网络。

又例如，在推理任务的任务类型为对训练后的神经网络进行测试的信息的情况下，推理模块13还可以通过服务端口接收用户端设备发送的测试样本或者从资源模块11中调用测试样本，通过测试样本对训练后的神经网络进行测试，得到测试结果(包括在推理结果中)，并通过服务端口向用户端设备发送测试结果。

再例如，在推理任务的任务类型为对训练后的神经网络进行使用的信息的情况下，推理模块13还可以通过服务端口接收用户端设备发送的待处理数据，对待处理进行处理得到处理结果(包括在推理结果中)，并通过服务端口向用户端设备发送处理结果。

在本公开实施例中，由于设置资源模块11，因此能够实现多环节数据共享或数据传递。

在本公开实施例中，由于训练模块12调用资源模块11内的样本对资源模块11内的神经网络进行训练，从而能够方便地训练神经网络；由于推理模块13调用资源模块11内的训练后的神经网络对推理任务进行处理，从而用于能够方便的使用训练后的神经网络；由于调用的样本和神经网络是基于用户类型确定的，从而能够根据用户类型的不同，合理的选取样本和神经网络，提高了选取的样本和神经网络的针对性；由于调用的训练后的神经网络是基于推理任务的任务类型确定的，从而能够根据推理任务的任务类型不同，选取合适的训练后的神经网络，提高了选取的训练后的神经网络的针对性；由于将训练后的神经网络和推理结果发送至资源模块11，使得资源模块11能够对训练后的神经网络和推理结果进行存储，从而能够方便地从资源模块11中读取训练后的神经网络和推理结果。

在一些实施例中，所述训练模块12，还用于：在所述用户类型为第一类型的情况下，获取训练任务的配置信息；从所述资源模块11中的多个神经网络中，确定与所述训练任务的配置信息匹配的所述神经网络，向所述资源模块11发送所述神经网络。

训练任务的配置信息可以包括以下至少之一：神经网络的网络类型信息、神经网络的网络功能信息、神经网络的网络应用场景信息。

在一些实施方式中，用户端设备在发起训练任务之前，用户端设备可以呈现训练任务的配置信息，用户可以通过用户端设备输入网络类型信息、网络功能信息、网络应用场景信息中的至少一种。训练任务的配置信息可以包括在训练任务中，以使训练模块12可以从训练任务中获取训练任务的配置信息。

网络类型信息可以是分类网络、检测网络、分割网络中的至少一种。

分类网络可以用于对输入的数据进行分类。检测网络可以对输入的数据中的对象进行检测。分割网络可以对网络中的对象进行分割。例如，在向分类网络输入图像的情况下，可以通过分类网络输出图像的类别。例如，在向检测网络输入图像的情况下，可以通过检测网络得到携带有针对对象的检测框的图像。例如，在向分割网络输入图像的情况下，可以通过分割网络输出针对对象的轮廓信息。分割网络可以包括语义分割网络、全景分割网络或者实例分割网络。

网络功能信息可以是指神经网络实现的功能信息，例如，实现以下至少之一：猫狗分类、检测图像中的人脸、检测图像中的人体、检测图像中物体的某一物体的轮廓等。

网络应用场景信息可以是指网络能够应用的场景，例如，网络应用场景信息为公园、地铁、商场、写字楼或工厂等场景。不用应用场景中的神经网络和/或用于训练神经网络的样本不同。

在一些实施方式中，在训练任务的配置信息包括猫狗分类的情况下，训练模块12从多个神经网络中，确定与猫狗分类匹配的神经网络。

本公开实施例不限于此，训练模块12还可以从资源模块11中的多个训练后的网络中，确定与训练任务的配置信息匹配的训练后的神经网络。

训练模块12可以在接收到用户端设备发送的样本的情况下，或者，在能够从资源模块11中调用样本的情况下，获取神经网络；在无法接收到用户端设备发送的样本的情况下，或者，不能够从资源模块11中调用样本的情况下，获取训练后的神经网络。

在本公开实施例中，在用户类型为第一类型的情况下，训练模块12从资源模块11中的多个神经网络中，选择的是与训练任务的配置信息匹配的神经网络，从而能够基于不同的训练任务的配置信息，确定不同的神经网络，进而提高了确定的神经网络的针对性，另外，由于从资源模块11中的多个神经网络中选择神经网络，从而能够快速地确定神经网络。

在一些实施方式中，所述训练模块12，还用于：在所述用户类型为第二类型的情况下，获取第一全景图；所述第一全景图包括至少两个操作单元和每一所述操作单元对应的至少一个资源单元；所述至少一个资源单元关联有所述样本；确定与所述第一全景图对应的所述神经网络，向所述资源模块11发送所述神经网络。

例如，训练模块12可以接收用户端设备发送的第一全景图。在实施过程中，用户端设备可以显示画布，画布用于在人工智能训练平台上用户拖拽不同组件，以构建第一全景图。

第一全景图的存储文件中可以包括至少两个操作单元的属性和至少两个资源单元的属性。其中，每一操作单元为对一个算法程序进行封装后的虚拟化节点；资源单元可以表示为与操作单元具有输入关系和/或输出关系的数据结点(node)，每一资源单元为对一个数据处理模块进行封装后的虚拟化节点，且数据处理模块为某一算法程序提供输入数据，或者对另一算法程序的输出数据进行处理。

在一些实施方式中，一资源单元可以为一操作单元的输入；在一些实施方式中，一资源单元为一操作单元的输出；在另一些实施方式中，一资源单元同时为上一操作单元的输出和下一操作单元的输入。

第一全景图可以以文件的形式存储在人工智能训练平台中。在一些实施方式中，第一全景图可以包括操作单元的属性和数据资源单元的属性；在另一些实施方式中，第一全景图包括操作单元的属性、数据资源单元的属性以及操作单元和数据资源单元之间的连接关系，如连接线(link)。操作单元的属性可以包括对应算法程序的训练、推理、评测等功能，也可以包括与该操作单元连接的资源单元名称。资源单元的属性可以包括模型训练或推理过程中的数据实体，也可以包括数据集接口函数、输入输出数据的格式、图片尺寸等。

在一些实施例中，训练模块12，用于从用户端设备接收第一全景图。

在另一些实施方式中，训练模块12，还用于：在用户类型为第二类型的情况下，获取训练任务的配置信息；基于训练任务的配置信息，确定第一全景图。在这种方式下，用户只需要提供训练任务的配置信息，训练模块12即可以根据训练任务的配置信息确定匹配的第一全景图。

在又一些实施方式中，训练模块12，还用于在得到训练任务的配置信息的情况下，向另一用户端设备发送训练任务的配置信息，以使另一用户端设备基于训练任务的配置信息确定匹配的第一全景图，训练模块12可以接收另一用户设备发送的第一全景图。

在一些实施方式中，训练模块12可以基于第一全景图确定神经网络。在另一些实施方式中，训练模块12可以与任务处理系统10中的调度模块结合，以基于第一全景图确定神经网络。

在本公开实施例中，在用户类型为第二类型的情况下，训练模块12获取第一全景图，确定与第一全景图对应的神经网络，从而能够实现定制化的神经网络的制作，使得确定的神经网络能够极大地符合需求，提高了确定的神经网络的针对性；另外，第一全景图包括操作单元和资源单元，资源单元关联样本，从而能够定制复杂场景的第一全景图，使得确定的神经网络能够应用于各个场景。

在一些实施例中，所述推理模块13还用于：确定与所述训练后的神经网络对应的服务端口；基于所述服务端口获取待处理数据，并基于所述训练后的神经网络对所述待处理数据进行处理，得到处理结果；通过所述服务端口输出所述处理结果。

在一些实施方式中，推理模块13可以具有目标端口，通过目标端口与用户端设备通信，推理模块13可以通过目标端口向用户端设备发送服务端口，以使用户端设备通过服务端口使用训练后的神经网络。

在另一些实施方式中，推理模块13可以向资源模块11发送服务端口，训练模块12可以从资源模块11中获取服务端口，向用户端设备发送该服务端口。

在本公开实施例中，推理模块13能够确定与训练后的神经网络对应的服务端口，从而用户可以通过服务端口来使用训练后的神经网络，提高了用户使用训练后的神经网络的便捷性。

在一些实施例中，训练模块12用于将所述第一全景图转换为线性排序的至少两个工作流模板；确定与所述线性排序的至少两个工作流模板匹配的所述神经网络。

将第一全景图转换为线性排序的至少两个工作流模板，可以包括：将第一全景图转化为中间文件，确定中间文件对应的中间结果图，对中间文件中的所有操作单元进行拓扑排序，得到线性排序的至少两个工作流模板。

在一些实施方式中，中间文件为设定的一种图的中间存储形式，中间文件中每一操作单元的属性包括与每一操作单元具有输入关系和/或输出关系的资源单元的属性。一种可能的实现方式是，对于第一全景图中的所有操作单元，将每一操作单元的输入资源单元或输出资源单元的属性并入相应操作单元的属性中；同时基于第一全景图中各个操作单元之间的连接关系，确定与同一资源单元有输入输出关系的两个操作单元之间的连接关系；之后，可以保存第一全景图中所有操作单元的属性和每两个操作单元之间的连接关系，得到转换后的中间文件，或者，可以将该连接关系也合入对应操作单元的属性中，直接存储所有操作单元的属性，得到转换后的中间文件。

在一些实施方式中，可以提取中间文件中各操作单元和各操作单元之间的连接关系；然后，按照连接关系，连接中间文件中各操作单元，得到中间结果图。基于中间文件中各操作单元和各操作单元之间的连接关系形成中间结果图，能够为后续其他功能图的转换提供支持。

在一些实施方式中，在中间结果图为有向无环图的情况下，才能得到对应于该中间结果图的线性排列结果。

确定与所述线性排序的至少两个工作流模板匹配的所述神经网络，可以包括：获取从中间结果图中提取的每一操作单元的关键信息；基于关键信息，依次填充对应操作单元的预置工作流模板中的必要字段；按照线性排列结果，并基于每一操作单元对应的预置工作流模板，生成神经网络。

每一操作单元对应的预置工作流模板为前端根据目标任务设定的。例如，对于工业场景中的缺陷识别任务，用户需要先检测对应的部件，然后对相应的不同部件分别进行分类。这样将问题拆解为检测模型和分类模型的连续训练，训练分类模型的数据依赖检测模型的推理结果。从而针对目标任务为缺陷识别任务的场景，模型训练平台的前端预留物体检测模型相关的检测训练工作流模板、检测评估工作流模板，以及图像分类模型相关的检测训练工作流模板、检测评估工作流模板。

神经网络可以是第二全景图，所述第二全景图对应的程序代码用于供后端的任务调度工具调用。

在一些实施例中，所述训练模块12，还用于将所述训练任务的配置信息发送至所述资源模块11。通过这种方式，由于训练模块12还用于将训练任务的配置信息发送至资源模块11，从而在后续需要用到训练任务的配置信息的情况下，可以从资源模块11中获取训练任务的配置信息，使得训练任务的配置信息能够有效管理。

在本公开实施例中，由于将第一全景图转换为线性排序的至少两个工作流模板，进而确定与线性排序的至少两个工作流模板匹配的神经网络，线性排序的至少两个工作流模板可以衔接第一全景图和神经网络，解决了第一全景图到神经网络之间难以转换的问题，并且由于神经网络匹配的是线性排序的至少两个工作流模板，从而使得神经网络能够实现复杂场景的有序训练。

图2为本公开实施例提供的另一种任务处理系统的结构示意图，如图2所示，任务处理系统10包括：资源模块11、训练模块12和推理模块13。

所述任务处理系统10还包括标注模块14。

所述标注模块14，用于从所述资源模块11获取未标注样本集和标注属性信息，所述标注属性信息用于对所述未标注样本集中至少部分未标注的样本进行标注；

所述标注模块14，还用于获取训练样本集，将所述训练样本集发送至所述资源模块11；所述训练样本集是基于所述标注属性信息，对所述至少部分未标注的样本进行标注得到的，所述训练样本集中的样本用于对所述神经网络进行训练。标注属性信息可以包括以下至少之一：标注的对象、标注的位置、标注框的形状(例如，多边形框、矩形框、轮廓框或三维框等)、标注的类别、标注所采用的线条尺寸、标注所采用的字体、标注所采用的字号等。

在一些实施方式中，标注模块14可以获取用户类型，基于用户类型从资源模块11中获取未标注样本集和标注属性信息。

在另一些实施方式中，训练模块12可以接收用户端设备发送的未标注样本集和标注属性信息，向资源模块11发送未标注样本集和标注属性信息，标注模块14可以从资源模块11中获取未标注样本集和标注属性信息。

在又一些实施方式中，训练模块12可以接收用户端设备发送的未标注样本集，向资源模块11发送未标注样本集，标注模块14可以从资源模块11中获取未标注样本集和标注属性信息。

标注模块14可以与标注端设备通信，标注模块14可以向标注端设备发送未标注样本集和标注属性信息，以使标注端设备的标注人员基于标注属性信息，对所述未标注样本集中至少部分未标注的样本进行标注，得到训练样本集；或者，以使标注端设备基于标注属性信息，对未标注样本集中至少部分未标注的样本进行标注，得到训练样本集。

标注模块14可以接收标注端设备发送的训练样本集，将训练样本集发送至资源模块11，以使在训练的情况下，对资源模块11中的训练样本集进行调用。

在本公开实施例中，由于设置标注模块14，从而能够实现用户和标注人员的多角色合作，在平台功能上满足不同角色需求。标注模块14可以实现对数据集进行打标签、画框、分割等标注操作，支持任务管理、承包商管理等功能。

在本公开实施例中，由于标注模块14能够从资源模块11获取未标注样本集和标注属性信息，从而标注人员能够基于标注属性信息对未标注样本集中的至少部分未标注的样本进行标注，得到训练样本集，进而能够对未标注样本集中的样本针对性标注，从而提高了标注的针对性，提高了训练后的神经网络的准确性；另外，用户类型所对应的用户可以与标注人员是相同的人或不同的人，从而能够对任务细分，提高得到训练后的神经网络的效率。

在一些实施例中，所述标注模块14还用于：从所述资源模块11中获取标注操作界面；所述标注操作界面包括标注工具，所述标注工具用于对所述至少部分未标注的样本进行标注。

标注模块14在得到标注操作界面的情况下，可以向标注端设备发送标注操作界面，以使标注端设备可以采用标注操作界面中的标注工具对至少部分未标注的样本进行标注。

在一些实施方式中，标注模块14从资源模块11中获取的标注操作界面可以是一个设定的标注操作界面，标注操作界面不会基于标注属性信息的变化而变化。在另一些实施方式中，标注模块14从资源模块11中获取的标注操作界面可以是基于标注属性信息确定的，这样，不同的标注属性信息对应的不同的标注操作界面，可以使得标注人员在标注的时候更具有针对性。

资源模块11中可以存储多个标注操作界面，标注模块14可以从多个标注操作界面中确定与标注属性信息匹配的标注操作界面。或者，资源模块11中可以存储设定的标注操作界面，标注模块14可以从设定的标注操作界面中确定与标注属性信息匹配的标注操作界面。

通过这种方式，在标注属性信息包括标注框的形状为矩形框的情况下，则确定的与标注属性信息匹配的标注操作界面中的标注部分仅存在矩形的标注框，从而标注人员容易从标注界面中选择到矩形的标注框，提高了标注人员的标注效率。

在本公开实施例中，标注模块14能够从所述资源模块11中获取标注操作界面，使得标注人员可以基于标注操作界面中的标注工具，对未标注样本进行标注，从而使得对未标注样本的标注格式，能够与用于对神经网络进行训练的样本中的标注格式匹配，减少了由于标注格式与所需的标注格式不统一而导致无法训练的情况发生。

图3为本公开实施例提供的又一种任务处理系统的结构示意图，如图.3所示，任务处理系统10包括：资源模块11、训练模块12和推理模块13。

所述任务处理系统10还包括评测模块15。

在一些实施例中，评测模块15用于调用所述资源模块11内的至少两个第一测试结果；其中，所述至少两个第一测试结果是采用至少两个第一测试样本集，对所述训练后的神经网络进行测试得到的；基于所述至少两个第一测试结果，确定所述训练后的神经网络的评测结果信息；将所述评测结果信息发送至所述资源模块11。

在一些实施方式中，至少两个第一测试集可以是不同的场景下的测试集，通过采用不同场景下的测试集对训练后的神经网络进行测试，能够确定训练后的神经网络对不同场景的适应能力。在另一些实施方式中，至少两个第一测试集可以是相同场景下的测试集，通过采用相同场景下的测试集对训练后的神经网络进行测试，可以确定训练后的神经网络的准确度。

在另一些实施例中，评测模块15用于调用所述资源模块11内的至少两个第二测试结果；其中，所述至少两个第二测试结果是采用第二测试样本集，分别对所述训练后的神经网络包括的至少两个子神经网络进行测试得到的；分别确定与所述至少两个第二测试结果分别对应的至少两个评测结果信息；将所述至少两个评测结果发送至所述资源模块11。

至少两个子神经网络都可以是符合需求的神经网络，例如，每一子神经网络都可以对所述推理任务进行处理，得到推理结果。在一些实施方式中，至少两个子神经网络的网络结构可以不同。在另一些实施方式中，至少两个子神经网络的网络结构可以相同，网络参数可以不同。

在一些实施方式中，至少两个子神经网络可以是与第一全景图匹配的。例如，调度模块可以确定与所述线性排序的至少两个工作流模板匹配的至少两个子神经网络。在另一些实施方式中，至少两个子神经网络可以是与用户类型和/或训练任务的配置信息匹配的。

在一些实施方式中，训练模块12可以接收用户端设备发送的第一测试样本集和/或第二测试样本集，将第一测试样本集和/或第二测试样本集发送至资源模块11，以使评测模块15调用。

在另一些实施方式中，资源模块11中可以存储有多个测试样本集，评测模块15可以从多个测试样本集中选取第一测试样本集和/或第二测试样本集。例如，评测模块15可以从多个测试样本集中，选取与用户类型和/或训练任务的配置信息，匹配的第一测试样本集和/或第二测试样本集。

评测模块15在得到评测结果信息的情况下，可以基于得到的评测结果信息，生成展示信息。评测模块15可以向用户端设备发送展示信息，以使用户端设备基于展示信息确定评测结果信息。

在本公开实施例中，通过基于至少两个第一测试结果，确定训练后的神经网络的评测结果信息，从而能够实现不同的测试样本集对一个训练后的神经网络分别进行测试，进而可以确定训练后的神经网络对不同的测试样本级的适应能力；通过分别确定与至少两个第二测试结果分别对应的至少两个评测结果信息，从而能够基于至少两个评测结果信息从至少两个子神经网络中选取较优的子神经网络。

图4为本公开实施例提供的再一种任务处理系统的结构示意图，如图4所示，任务处理系统10包括：资源模块11、训练模块12和推理模块13。

所述任务处理系统10还包括调度模块16；

在一些实施例中，所述调度模块16用于：调度所述训练模块12对所述神经网络进行训练，得到所述训练后的神经网络并将所述训练后的所述神经网络发送至所述资源模块11。

在另一些实施例中，所述调度模块16用于：调度所述训练模块12采用至少两个第一测试样本集，对所述训练后的神经网络进行测试，得到至少两个第一测试结果，并将所述至少两个第一测试结果发送至所述资源模块11。

在一些实施方式中，所述调度模块16用于：调度所述训练模块12采用第二测试样本集，分别对所述训练后的神经网络包括的至少两个子神经网络进行测试，得到至少两个第二测试结果，并将所述至少两个第二测试结果发送至所述资源模块11。

在一些实施方式中，训练模块12包括算法模块，调度模块16可以调度训练模块中的算法模块进行训练或测试的流程。

算法模块可以对神经网络进行训练，和/或，可以对训练后的神经网络进行测试，得到训练后的神经网络和/或第一测试结果和/或第二测试结果，算法模块可以将训练后的神经网络和/或第一测试结果和/或第二测试结果发送至资源模块11。在另一些实施方式中，算法模块可以对神经网络进行训练，和/或，可以对训练后的神经网络进行测试，得到训练后的神经网络和/或第一测试结果和/或第二测试结果，算法模块可以将训练后的神经网络和/或第一测试结果和/或第二测试结果发送至调度模块16，以使调度模块16发送训练后的神经网络和/或第一测试结果和/或第二测试结果至资源模块11。

在本公开实施例中，调度模块16可以调度算法模块对神经网络进行训练，以及对训练后的神经网络进行测试，从而算法模块可以专门用来实现训练和测试的操作，提高了算法模块处理任务的针对性，进而提高了任务的处理效率。

图5为本公开另一实施例提供的一种任务处理系统的结构示意图，如图5所示，任务处理系统10可以具有产品层、服务层和算法层。

产品层上可以部署与训练相关的模块、与数据相关的模块、与用户相关的模块以及与推理相关的模块。服务层上可以部署调度模块16和资源模块11。算法层上可以部署算法模块。

其中，与训练相关的模块可以包括全景图模块、快速训练模块和评测模块15。全景图模块用于获取第一全景图，将所述第一全景图转换为线性排序的至少两个工作流模板；确定与所述线性排序的至少两个工作流模板匹配的所述神经网络。快速训练模块用于获取训练任务的配置信息；从所述资源模块11中的多个神经网络中，确定与所述训练任务的配置信息匹配的所述神经网络，调用所述资源模块11内的样本对该神经网络进行训练。评测模块15用于对训练后的神经网络进行测试，得到第一测试结果和/或第二测试结果。

在本公开实施例中，全景图模块用于实现具体场景完整AI解决方案，包括模型训练、评测、推理逻辑串联等功能。

快速训练模块面向非技术人员设计，主要解决针对非技术人员模型训练的需求，可以做到选择数据，一键启动训练。

评测模块用于实现模型评测功能，支持模型和数据集一对多、多对一的评测结果对比方法。

与数据相关的模块可以包括资源管理模块、人工标注模块和辅助标注模块。资源管理模块用于接收用户端设备发送的未标注样本集和/或训练样本集中的样本，向资源模块11发送未标注样本集和/或训练样本集中的样本，资源管理模块还可以接收用户端设备发送的发布任务，从资源模块11中获取与发布任务对应的测试达到要求的网络，基于测试达到要求的网络生成发布信息，向用户端设备发送发布信息，以使用户端设备显示该发布信息。人工标注模块可以从所述资源模块11获取未标注样本集和标注属性信息，向标注端设备发送未标注样本集和标注属性信息，接收标注端设备发送的训练样本集。辅助标注模块可以从所述资源模块11获取未标注样本集、标注属性信息以及标注操作界面，向标注端设备发送未标注样本集、标注属性信息以及标注操作界面，接收标注端设备发送的训练样本集。

资源管理模块可以实现对系统内所有的模型、数据文件、配置文件、推理应用程序等资源的管理功能，包括上传、下载、发布以及删除等。

与用户相关的模块可以包括单点登陆模块、用户管理模块以及权限管理模块。单点登陆模块接受用户端设备发送的登陆信息(例如账号和密码等)，以确定用户是否合法。用户管理模块可以对用户进行管理。权限管理模块可以用于对与用户的权限进行管理，例如，权限管理模块可以基于用户的登陆信息，确定登陆用户的权限信息。

与推理相关的模块可以包括推理模块13。

在本公开实施例中，训练模块12可以包括全景图模块、快速训练模块和算法模块。

在本公开实施例中，调度模块16用于处理所有的工作流任务和资源调度，其中包括训练任务、评测任务、数据转换任务等。调度模块16在另一些实施例中可以称为工作流引擎或者ArgoEngine。

资源模块11用于存储所有资源文件，供上层所有子产品读写，资源模块11所管理资源可以包括参与模型训练的必要资源。

在本公开实施例中，产品层按照不同的环节设计不同的产品，每个产品解决一个问题，不同的产例如是不同的应用软件；服务层负责所有公共部分，数据、模型、配置等所有在不同环节中交叉使用的资源都在服务层维护管理，服务层例如包括硬盘和文件系统，此外服务层还负责图形处理器(Graphics Processing Unit，GPU)(对应上述实施例中的训练模块中的算法模块)调度和一些产品层系统间的解耦工作。

在本公开实施例中，当用户想要针对自身的业务定制AI算法时，可以直接利用本公开的方案，完成全流程。用户首先将数据上传到本公开的系统中，随后利用标注系统完成数据标注。对于标注完成的数据，用户可以直接利用标注后的数据用于模型训练。对于训练出来的模型，用户能够利用评测中心对模型进行评测。当评测指标显示模型精度达到要求后，用户可以将其发布到推理中心，并完成部署，从而实现定制AI算法模型的全流程。

综上，该系统通过资源模块11统一管理神经网络模型生产的全过程的各种数据，实现数据的多环节贡献和传递。同时，也实现客户、标注人员、技术人员等在系统上的合作，以完成各种业务场景的AI算法模型的生产以及各种业务场景的流水线(Pipeline)的生成。

图6为本公开实施例提供的一种采用任务处理系统的处理任务方法的流程示意图，如图6所示，该任务处理方法可以包括以下步骤：

步骤1、客户通过用户端设备向资源管理模块发送未标注样本集。

步骤2、资源管理模块将未标注样本集存放在资源模块。

步骤3、标注人员通过标注端设备向标注模块发送针对未标注样本集的标注任务。

步骤4、标注模块从资源模块中获取标注属性信息和未标注样本集。

步骤5、标注模块在获取到训练样本集的情况下，将训练样本集存放在资源模块。

步骤6、技术人员通过用户端设备向全景图模块发起训练任务。

步骤7、全景图模块获取第一全景图，将第一全景图转换为线性排序的至少两个工作流模板。

本公开实施例中，资源模块可以存储有多种训练工作流模板，每个训练工作流模板对应着一类人工智能模型的训练模板。

一个训练工作流模板，可以是一个训练框架的实例，训练工作流模板定义了一套通用的训练框架及其对应的超参和初始参数配置，基于训练样本集，训练工作流模板可以在系统中自动完成模型训练，并得到一个模型。任务处理系统利用工作流模板进行模型训练时，会从资源模块的网络仓库中，加载工作流模板中对应的网络结构，作为本次模型训练的网络结构，随后任务处理系统将利用工作流模板中定义的超参，结合用户的数据，得到神经网络，对神经网络进行训练，得到训练后的神经网络。

步骤8、全景图模块确定与所述线性排序的至少两个工作流模板匹配的所述神经网络，向调度模块发送神经网络。

步骤9、调度模块调用算法模块对神经网络进行训练和/或对训练后的神经网络进行评测。

步骤10、算法模块将训练后的神经网络和/或评测结果存放在资源模块。

步骤11、技术人员可以通过用户端设备向评测模块发送测试任务。

步骤12、评测模块从资源模块中读取评测结果，并基于评测结果确定展示信息，向技术人员所在的用户端设备发送展示信息。

步骤13、技术人员可以通过用户端设备向数据分析模块发送数据分析任务。

数据分析模块可以包括在上述的与数据相关的模块中。

步骤14、数据分析模块基于数据分析任务，从资源模块中获取与数据分析任务对应的数据，并向技术人员所在的用户端设备反馈。

步骤15、技术人员通过用户端设备向资源管理模块发送发布任务，以使资源管理模块可以基于发布任务确定发布信息，并向技术人员所在的用户端设备反馈。

步骤16、推理模块可以从资源模块中获取训练后的神经网络，确定与训练后的神经网络对应的服务端口。

步骤17、基于服务端口接收业务系统发送的待处理数据，基于所述训练后的神经网络对所述待处理数据进行处理，得到处理结果，通过服务端口向业务系统返回处理结果。

图7为本公开实施例提供的一种任务处理方法的流程示意图，如图7所示，该方法应用于任务处理系统，该任务处理方法可以包括：

S701、基于用户类型调用资源模块内的样本对所述资源模块内的神经网络进行训练，得到训练后的神经网络并将所述训练后的所述神经网络发送至所述资源模块。

S702、基于推理任务的任务类型调用所述资源模块内的所述训练后的神经网络对所述推理任务进行处理，得到推理结果并将所述推理结果发送至所述资源模块。

在实施过程中，资源模块可以设置在任务处理系统内，或者，可以设置在任务处理系统之外，与任务处理系统独立设置。

在一些实施例中，所述方法还包括：在所述用户类型为第一类型的情况下，获取训练任务的配置信息；从所述资源模块中的多个神经网络中，确定与所述训练任务的配置信息匹配的所述神经网络，向所述资源模块发送所述神经网络。

在一些实施例中，所述方法还包括：在所述用户类型为第二类型的情况下，获取第一全景图；所述第一全景图包括至少两个操作单元和每一所述操作单元对应的至少一个资源单元；所述至少一个资源单元关联有所述样本；确定与所述第一全景图对应的所述神经网络，向所述资源模块发送所述神经网络。

在一些实施例中，所述确定与所述第一全景图对应的所述神经网络，向所述资源模块发送所述神经网络，包括：将所述第一全景图转换为线性排序的至少两个工作流模板；确定与所述线性排序的至少两个工作流模板匹配的所述神经网络。

在一些实施例中，所述方法还包括：从所述资源模块获取未标注样本集和标注属性信息，所述标注属性信息用于对所述未标注样本集中至少部分未标注的样本进行标注；获取训练样本集，将所述训练样本集发送至所述资源模块；所述训练样本集是基于所述标注属性信息，对所述至少部分未标注的样本进行标注得到的，所述训练样本集中的样本用于对所述神经网络进行训练。

在一些实施例中，所述方法还包括以下之一：

调用所述资源模块内的至少两个第一测试结果；其中，所述至少两个第一测试结果是采用至少两个第一测试样本集，对所述训练后的神经网络进行测试得到的；基于所述至少两个第一测试结果，确定所述训练后的神经网络的评测结果信息；将所述评测结果信息发送至所述资源模块；

调用所述资源模块内的至少两个第二测试结果；其中，所述至少两个第二测试结果是采用第二测试样本集，分别对所述训练后的神经网络包括的至少两个子神经网络进行测试得到的；分别确定与所述至少两个第二测试结果分别对应的至少两个评测结果信息；将所述至少两个评测结果发送至所述资源模块。

在一些实施例中，所述方法还包括以下之一：

调度所述训练模块对所述神经网络进行训练，得到所述训练后的神经网络并将所述训练后的所述神经网络发送至所述资源模块；

调度所述训练模块采用至少两个第一测试样本集，对所述训练后的神经网络进行测试，得到至少两个第一测试结果，并将所述至少两个第一测试结果发送至所述资源模块；

调度所述训练模块采用第二测试样本集，分别对所述训练后的神经网络包括的至少两个子神经网络进行测试，得到至少两个第二测试结果，并将所述至少两个第二测试结果发送至所述资源模块。

在一些实施例中，所述训练任务的配置信息包括以下至少之一：网络类型信息、网络功能信息、网络应用场景信息；所述方法还包括：将所述训练任务的配置信息发送至所述资源模块。

在一些实施例中，所述方法还包括：确定与所述训练后的神经网络对应的服务端口；基于所述服务端口获取待处理数据，并基于所述训练后的神经网络对所述待处理数据进行处理，得到处理结果；通过所述服务端口输出所述处理结果。

在一些实施例中，所述方法还包括：从所述资源模块中获取标注操作界面；所述标注操作界面包括标注工具，所述标注工具用于对所述至少部分未标注的样本进行标注。

任务处理系统执行本公开实施例中的方法，可以是任务处理系统的处理器或芯片执行本公开实施例的方法。

以上方法实施例的描述，与上述系统实施例的描述是类似的，具有同系统实施例相似的有益效果。对于本公开方法实施例中未披露的技术细节，请参照本公开系统实施例的描述而理解。

上述每一模块、处理器或芯片可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的每一模块、处理器或芯片可以包括以下任一个或者至少两者的结合：特定用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal ProcessingDevice，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、图形处理器(Graphics Processing Unit，GPU)、嵌入式神经网络处理器(neural-networkprocessing units，NPU)、控制器、微控制器、微处理器。可以理解地，实现上述处理器功能的电子器件还可以为其它，本公开实施例不作具体限定。

上述资源模块还可以包括任一个或者至少两者的结合：只读存储器(Read OnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”或“本公开实施例”或“前述实施例”或“一些实施方式”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本公开的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“本公开实施例”或“前述实施例”或“一些实施方式”或“一些实施例”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本公开的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。

在未做特殊说明的情况下，每一模块执行本公开实施例中的任一步骤，可以是每一模块的处理器执行该步骤。除非特殊说明，本公开实施例并不限定每一模块执行下述步骤的先后顺序。另外，不同实施例中对数据进行处理所采用的方式可以是相同的方法或不同的方法。还需说明的是，本公开实施例中的任一步骤是每一模块可以独立执行的，即每一模块执行上述实施例中的任一步骤时，可以不依赖于其它步骤的执行。

在本公开的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。

在本公开所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些端口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本公开各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本公开所提供的几个方法实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例。

本公开所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本公开所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机存储介质中。基于这样的理解，本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

在本公开实施例中，不同实施例中相同步骤和相同内容的说明，可以互相参照。在本公开实施例中，术语“并”不对步骤的先后顺序造成影响，例如，每一模块执行A，并执行B，可以是每一模块先执行A，再执行B，或者是每一模块先执行B，再执行A，或者是每一模块执行A的同时执行B。

值得注意的是，本公开实施例中的附图只是为了说明各个模块在任务管理系统上的示意位置，并不代表在任务管理系统中的真实位置，各模块或各个区域的真实位置可根据实际情况(例如，任务管理系统的结构)作出相应改变或偏移，并且，图中的任务管理系统中不同部分的比例并不代表真实的比例。

在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

需要说明的是，本公开所涉及的各个实施例中，可以执行全部的步骤或者可以执行部分的步骤，只要能够形成一个完整的技术方案即可。

以上所述，仅为本公开的实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。