本公开提供了一种分布式训练微批量数据确定方法、装置、设备和介质，涉及新兴信息技术领域例如，该方法包括：基于预先确定的微批量数据大小将训练数据集划分为多个训练数据子集，以使计算相应的梯度值；接收预设数量的训练节点返回的梯度值，从各个训练节点中筛选出目标训练节点；判断预设时长内是否接收到目标训练节点返回的满足预设条件的梯度值；将接收到的全部梯度值、接收全部梯度值所耗费的总时长以及各个训练节点的模型性能参数输入至预先训练的神经网络模型，输出各个训练节点更新后的的模型性能参数，最终确定各个训练节点对应的微批量数据大小。本公开能够合理划分训练数据的微批量大小，以保证模型的性能和训练情况。
【技术实现步骤摘要】
所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。图7示出本公开实施例中一种电子设备的框图。下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行上述方法实施例的如下步骤：获取待分布至多个训练节点的训练数据集；基于各个训练节点的算力资源和模型参数信息，计算各个训练节点对应的微批量数据大小，并根据各个训练节点对应的微批量数据大小，将训练数据集划分为多个训练数据子集；将各个训练数据子集分布至相应的训练节点，以使各个训练节点利用分布的训练数据子集进行模型训练，并计算相应的梯度值，其中，每个训练节点的梯度值用于反映该训练节点的模型训练情况；接收预设数量的训练节点返回的梯度值，并根据接收到的梯度值，从各个训练节点中筛选出目标训练节点，其中，目标训练节点为多个训练节点中未完成梯度值计算的训练节点；判断预设时长内是否接收到目标训练节点返回的满足预设条件的梯度值，其中，预设条件为梯度值的计算时间点与梯度值相应的训练节点上模型的计算时间点之间的时间差小于预设阈值；将接收到的全部梯度值、接收全部梯度值所耗费的总时长以及各个训练节点的模型性能参数输入至预先训练的神经网络模型，输出各个训练节点更新后的的模型性能参数；根据各个训练节点的算力资源和更新后的模型性能参数，确定各个训练节点对应的微批量数据大小。存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(rom)7203。存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备700也可以与一个或多个外部设备740(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。基于同一专利技术构思，本公开实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一项的基于多目标强化学习的分布式训练微批量数据确定方法。由于该计算机可读存储介质实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。基于同一专利技术构思，本公开实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一项的基于多目标强化学习的分布式训练微批量数据确定方法。由于该计算机可读存储介质实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期本文档来自技高网...
【技术保护点】
1.一种基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，包括：
2.根据权利要求1所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，所述基于各个训练节点的算力资源和模型参数信息，计算各个训练节点对应的微批量数据大小，包括：
3.根据权利要求2所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，通过如下公式计算各个训练节点对应的微批量数据大小：
4.根据权利要求1所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，在判断预设时长内是否接收到目标训练节点返回的满足预设条件的梯度值之后，所述方法还包括：
5.根据权利要求1所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，所述将接收到的全部梯度值、接收全部梯度值所耗费的总时长以及各个训练节点的模型性能参数输入至预先训练的神经网络模型，输出各个训练节点更新后的的模型性能参数，包括：
6.根据权利要求5所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，在输出各个训练节点更新后的的模型性能参数之前，所述方法还包括：
7.据权利要求5所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，预先训练的神经网络模型为深度双重Q网络模型DDQN。
8.一种基于多目标强化学习的分布式训练微批量数据确定装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的基于多目标强化学习的分布式训练微批量数据确定方法。
11.一种计算机程序产品，包括：计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现权利要求1～7中任意一项所述的基于多目标强化学习的分布式训练微批量数据确定方法。
...
【技术特征摘要】
1.一种基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，包括：
2.根据权利要求1所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，所述基于各个训练节点的算力资源和模型参数信息，计算各个训练节点对应的微批量数据大小，包括：
3.根据权利要求2所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，通过如下公式计算各个训练节点对应的微批量数据大小：
4.根据权利要求1所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，在判断预设时长内是否接收到目标训练节点返回的满足预设条件的梯度值之后，所述方法还包括：
5.根据权利要求1所述的基于多目标强化学习的分布式训练微批量数据确定方法，其特征在于，所述将接收到的全部梯度值、接收全部梯度值所耗费的总时长以及各个训练节点的模型性能参数输入至预先训练的神经网络模型，输出各个训练节点更新后的的模型性能...
【专利技术属性】
技术研发人员：刘圆，赵继壮，
申请(专利权)人：中国电信股份有限公司技术创新中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。