摘要：大型企业的深度学习工作存在管理散乱和大量重复建设的问题。为了支持大规模深度学习的全过程管理和模型成果的高效复用,以国家电网公司的两级多中心部署架构为背景,提出一种深度学习平台。系统将训练、推理、数据和模型的管理工作分布在不同中心完成,彼此间协同完成深度学习的闭环。构建基于Kubernetes的私有云来支撑大批量深度学习应用的并行计算。前端界面采用基于算子的流程编排实现建模可视化和功能的可扩展。实验结果表明系统能够支持多个深度学习任务的并行,且额外的性能开销是可以接受的。

摘要：为了解决企业进行图像处理相关深度学习工程遇到的开发难度大、效率低的问题,文中设计一种基于B/S(Browser/Server)架构的深度学习平台。系统设计包括深度学习算法、数据管理和用户系统设计等,深度学习平台采用前后端分离的开发模式,基于Python语言和Django框架,Vue前端框架和MySQL数据库进行开发,集成基于Pytorch框架实现的深度学习算法。深度学习平台可实现由浏览器端发起,从获取图片数据到训练、发布模型的全流程定制开发和应用,并在开发流程中为用户提供操作指引和参数建议,使操作人员无需深度学习算法基础也可以轻松使用。将平台部署在企业服务器,经过实际应用表明,使用基于B/S架构的深度学习平台进行开发,相对传统的开发方式,能有效降低企业相关人员进行图像处理深度学习工程开发的难度,提高开发效率。

摘要：为解决铁路客运营销深度学习平台Tensorflow框架存在的环境配置复杂,资源利用率低、模型设计周期长等问题,提出了基于Kubernetes容器的PaaS平台构建TensorFlow容器的统一资源调度管理及API访问控制服务架构。经平台实践证明,该架构为客运营销提供了可靠、稳定的分析环境,降低了模型的训练难度,提高了模型的训练效率。

摘要：近些年来,网络上各种深度学习平台不断出现,很多公司与高校都开始深度学习平台的应用研究,各种应用研究层出不穷,在很多领域都取得了较好的成果,但深度学习平台在航空附件装配领域的应用相对较少。描述了一种利用百度PaddlePaddle深度学习平台,预测某航空附件产品装配时垫片调整量的方法,并最终使用Pycharm+QT5设计与部署了预测软件。

摘要：文章设计了基于物联网、机器视觉和深度学习技术的自动货架巡检系统。系统包涵数据采集、数据分析以及数据统计等三个方面的功能,系统设计由终端和数据中心两个部分组成。终端包括巡检机器人、WEB终端以及手机APP,数据中心由业务平台、深度学习平台和大数据平台组成。其中业务平台基于容器/虚拟化技术,为每个用户提供网络隔离、数据隔离、应用隔离的操作系统环境。基于该环境,向用户发布若干应用模块:深度学习平台基于采集的数据,进行迭代离线训练,输出预测器,向业务系统发布;大数据平台用于托管用户数据,并进行大数据分析。