基于人工智能机器学习改进DQN算法的生产调度系统建设

对于敏感图像检测服务而言， 主要有以下几个问题：
1) 目前的敏感图像检测服务提供方多集中于各大互联网企业， 中央及地方 政府当面临检测时， 也多依靠这些互联网企业。 如果可以拥有一套自己的检测服 务程序， 那便可以每年减少一笔开支。 2) 各大互联网企业的敏感图像检测服务良莠不齐， 并且基本上都归纳在图 像检测的板块中， 没有一个专门提供该服务的企业。 3) 由于敏感图像检测服务会因为设备配置、 运行环境、 训练框架等诸多影 响， 因此急需要一套配置完备的基础服务程序向外提供。 4) 同时， 敏感图像检测服务需要依赖于 GPU 调度和大规模计算与推理， 因 此基于任务的特殊性， 调度策略需要一套性能优良的算法来支撑。

1针对 TensorFlow 和 PyTorch 深度学习框架以及对应的 TensorFlow
Serving 和 TorchServer 模型服务器的整合技术这两个问题进行研究， 实现两个框 架的统一调度。 搭建 TensorFlow 和 PyTorch 深度学习框架， 支持主流的图像分 类和目标检测卷积神经网络模型。 搭建与之相适应的深度学习 web 服务， 能够 对外释放深度学习训练和推理接口。 2) 研究和分析现有的服务调度算法， 并结合课题和粒子群算法现有的问题 对粒子群算法进行优化， 利用验证函数对优化前后的粒子群算法进行数据分析， 对比 CPU 和 GPU 环境下不同的实验结果， 得出 GPU 环境的重要意义。 然后将 优化后的粒子群算法应用于课题要解决的深度学习服务调度的问题之中， 使用 CloudSim 模拟仿真工具模拟出虚拟机放置的状态， 进而对优化后的粒子群算法 是否在算法精度和处理问题速度上面有所提升进行验证（Calheiros R N 等， 2010）。 3) 研究 Docker 和传统虚拟机的差异性