[发明专利]一种分布式多层深度学习资源分配方法和装置

权利要求书

1.一种分布式多层深度学习资源分配装置，其特征在于，所述装置包括终端和服务器，所述终端包括任务需求确认单元、任务分配单元、记录单元、网络配置库存储单元、数据流分配单元、结果分析单元、本地神经网络单元；所述本地神经网络单元包括第一神经网络配置单元和第一可重构神经网络矩阵；所述记录单元包括网络结构记录单元和任务记录单元；所述服务器包括云端神经网络单元，所述云端神经网络单元包括第二神经网络配置单元和第二可重构神经网络矩阵；

所述任务需求确认单元用于接收一个或多个任务请求；所述任务请求根据识别请求的生物特征进行划分；

所述任务分配单元用于根据任务请求类型，确定从所述网络配置库存储单元中获取各个任务请求对应的神经网络结构参数配置信息并将神经网络结构参数配置信息与该参数配置信息对应的任务请求类型对应存储于网络结构记录单元；所述参数配置信息包括配置参数；

所述任务分配单元还用于确定任务请求分配策略，并根据任务请求分配策略，将各个任务请求以及对应的神经网络结构配置参数发送至本地神经网络单元或云端神经网络单元，并将任务请求与处理任务请求的神经网络单元的标识信息对应存储于任务记录单元；

所述第一神经网络配置单元用于根据接收到的神经网络结构配置参数配置第一可重构神经网络矩阵的参数初始值，并根据参数初始值进行神经网络训练，以及在训练完成后更新第一可重构神经网络矩阵的参数值；或者，所述第二神经网络配置单元用于根据接收到的神经网络结构配置参数配置第二可重构神经网络矩阵的参数初始值，并根据参数初始值进行神经网络训练，以及在训练完成后更新第二可重构神经网络矩阵的参数值；

所述数据流分配单元用于接收待测数据，确定数据处理分配策略，并根据数据处理分配策略将待测数据分配至训练完成的第一可重构神经网络矩阵所在的本地神经网络单元或训练完成的第二可重构神经网络矩阵所在的云端神经网络单元；

所述训练完成的第一可重构神经网络矩阵所在的本地神经网络单元或训练完成的第二可重构神经网络矩阵所在的云端神经网络单元对接收的待测数据进行运算，并将运算结果发送至结果分析单元；

所述结果分析单元用于输出运算结果。

2.如权利要求1所述的分布式多层深度学习资源分配装置，其特征在于，所述终端还包括分配记录单元，所述分配记录单元用于存储分配记录信息，所述分配记录信息包括待测数据类型以及处理该类型的待测数据的神经网络单元的标识信息；

所述结果分析单元用于输出运算结果包括：结果分析单元用于从分配记录单元中读取分配记录信息，并根据分配记录信息从对应的神经网络单元中获取待测数据的运算结果依次进行输出。

3.如权利要求1所述的分布式多层深度学习资源分配装置，其特征在于，所述终端还包括WIFI通信单元，所述任务分配单元还用于在未从网络配置库存储单元中获取到任务请求对应的神经网络结构配置参数时，通过WIFI通信单元从互联网中搜索任务请求所需的神经网络结构配置参数，并在搜索到需要的神经网络结构配置参数后，将其存储于网络配置库存储单元中。

4.如权利要求1所述的分布式多层深度学习资源分配装置，其特征在于，根据参数初始值进行神经网络训练，以及在训练完成后更新可重构神经网络矩阵的参数值包括：调整各个参数值，进行神经网络训练计算，比较本次训练结果与真实信息的匹配度是否达到预设比例，若是则判定为训练完成，并将可重构神经网络矩阵的参数更新为当前的各个参数值；否则根据本次训练结果的匹配度相较于上一次训练结果的匹配度的差异，继续调整各个参数值，再次进行神经网络训练计算直至训练完成。

5.如权利要求1所述的分布式多层深度学习资源分配装置，其特征在于，可重构神经网络矩阵包括互联矩阵单元、累加器单元、升级单元、激活函数单元、累加器配置单元；所述累加器单元、升级单元、激活函数单元分别与互联矩阵单元连接，所述累加器单元与累加器配置单元连接；所述累加器单元包括多个不同精度的累加器；所述参数配置信息还包括参数连接信息；

所述累加器配置单元用于配置累加器精度，可重构神经网络矩阵在进行神经网络训练时，根据配置的累加器精度选用不同精度的累加器进行计算；

所述互联矩阵单元用于根据参数连接信息对累加器单元、升级单元、激活函数单元进行互联，从而形成对应的神经网络结构。