在近些年人工智能的研究热潮中,深度学习作为其领域下的重要研究方向得到了学术界和工业界的高度关注,并在算法、理论和应用等方面取得了丰富成果。而随着深度学习与业界融合的深入以及相关从事人员的增多,深度学习应用程序和软件系统的研发将会越来越规范化和自动化,如何使用传统软件工程的理论和实践引导这一过程也成为研究热点。相比传统软件,深度学习程序软件对数据有更强的依赖性,当环境中数据的统计属性变化或类别增加时,已经训练、测试和部署完成的深度学习模型预测性能可能会下降甚至发生灾难性遗忘,此时需要调整数据处理和算法设计等环节并训练模型学习新的数据。然而传统软件持续集成技术在上述场景下仍面临挑战,如无法为模型训练提供运行时环境、无法在数据变更时高效增量地进行模型重训练等。因此,围绕面向深度学习模型训练的持续集成技术,本文的研究工作如下:1、面向深度学习模型持续训练的虚拟容器平台在深度学习模型驱动的软件开发过程中引入持续集成技术,它能够在研发人员优化算法后自动地获取代码并在特定环境中执行模型训练等预定义的任务。基于版本控制工具、持续集成和虚拟化技术,我们规范定义了深度学习模型持续训练流程与模板,使用容器和镜像为模型训练等程序提供运行时环境和软件依赖,搭建了一个能够在版本仓库发生代码变更等事件时自动执行深度学习模型持续训练流程的虚拟容器平台。2、数据增量持续训练深度学习模型的编排技术针对数据变更时的深度学习模型自动训练问题,我们选用合适的版本控制工具来管理数据集和持久化存储的计算模型,从而让数据集的更新也能够触发虚拟容器平台上深度学习模型的持续训练。我们开发了脚本程序来辅助这一过程,使得少量的数据集更新能够跳过模型训练等“耗时耗力”的步骤、开发者能够获取容器中训练完成后持久化存储的模型文件。我们将这些脚本程序打包进可参数化配置的镜像作为流程组件并提供其使用模板。最后,通过版本管理持续集成的输入输出文件及其中各步骤的执行顺序和命令参数,我们版本管理了深度学习程序软件的开发过程,并使用模块化的版本仓库来让数据集和算法代码在彼此之间共享。3、深度学习持续集成过程中的模型增量训练针对数据变更时模型重训练时间可能会非常长的问题,我们提出了深度学习持续集成过程中的模型增量训练方法,从而让模型能够在较短的时间内学习新数据并保留先前习得的知识。基于对数据集和持久化计算模型的版本管理,我们将增量学习的经验重放方法引入了深度学习模型持续训练过程中。通过在不同体积大小数据集上增量训练神经网络模型的实验,证明它能够让模型在短期内较快地适应新数据来保持自己的预测性能。