[发明专利]获取模型的方法、装置、设备、系统及可读存储介质

说明书

本申请实施例公开了一种获取模型的方法、装置、设备、系统及可读存储介质，中心设备接收参与第N轮联邦学习的边缘设备发送的联邦学习数据，任一边缘设备发送的联邦学习数据包括模型结构指示信息和模型数据，模型结构指示信息用于指示任一边缘设备第N轮联邦学习所采用的子模型结构，模型数据包括基于子模型结构进行模型训练得到的子模型的参数数据，子模型结构是基于任一边缘设备的设备状态和模型性能要求中的至少一种从全局模型结构中确定的；中心设备根据参与第N轮联邦学习的边缘设备发送的联邦学习数据获取第N轮联邦学习的全局模型。本申请获取模型的方式灵活性较高，且效率较高。

技术领域

本申请实施例涉及人工智能技术领域，尤其涉及一种获取模型的方法、装置、设备、系统及可读存储介质。

背景技术

随着人工智能技术的不断发展，机器学习的模型种类也越来越多，联邦学习便是近年来一种新兴的人工智能技术。联邦学习是指在进行机器学习的过程中，各参与方可借助其他方数据进行联合建模。各方无需共享数据资源，即数据不出本地的情况下，进行数据联合训练，建立共享的机器学习模型。联邦学习架构包含了中心服务端节点(以下简称中心设备)和边缘客户端节点(以下简称边缘设备)两层设备。其中，第二负责联邦学习中边缘侧的数据准备和模型训练工作，中心设备负责联邦学习的模型汇聚工作。

相关技术在获取模型时，由中心设备向各个参与联邦学习的边缘设备发送统一的模型结构，各个参与联邦学习的边缘设备基于统一的模型结构进行在线训练。在线训练的过程中，各边缘设备的算力需求基本一致。

然而，由于各边缘设备由于硬件类型和设备状态的差异，在不同时段所具备的算力储备往往不同。因此，相关技术提供的获取模型的方式不仅灵活性较差，且效率较低。

发明内容

本申请提出一种获取模型的方法、装置、设备、系统及可读存储介质，用于解决获取模型的灵活性较差，效率较低的问题。

第一方面，提供了一种获取模型的方法，该方法应用于中心设备，方法包括：中心设备接收参与第N轮联邦学习的边缘设备发送的联邦学习数据，N为正整数，任一边缘设备发送的联邦学习数据包括模型结构指示信息和模型数据，模型结构指示信息用于指示任一边缘设备第N轮联邦学习所采用的子模型结构，模型数据包括基于子模型结构进行模型训练得到的子模型的参数数据，子模型结构是基于任一边缘设备的设备状态和模型性能要求中的至少一种从全局模型结构中确定的；中心设备根据参与第N轮联邦学习的边缘设备发送的联邦学习数据获取第N轮联邦学习的全局模型。

通过基于本地设备状态和模型性能要求，调整边缘设备参与联邦学习的模型结构，使参与联邦学习的子模型结构可以灵活地根据边缘设备自身设备状态调整在线训练的算力消耗，因此，获取模型的方式灵活性较高，且效率较高。

示例性地，边缘设备参与第N轮联邦学习所采用的子模型结构可以是边缘设备基于边缘设备的设备状态和模型性能要求中的至少一种从全局模型结构中确定的，也可以是中心设备基于边缘设备的设备状态和模型性能要求中的至少一种从全局模型结构中确定之后，再发送给边缘设备的。

在一种可能的实现方式中，中心设备接收参与第N轮联邦学习的边缘设备发送的联邦学习数据之前，还包括：中心设备获取用于选择子模型结构的参考数据，向边缘设备发送参考数据，参考数据用于边缘设备选择第N轮联邦学习所采用的子模型结构。通过中心设备向边缘设备发送参考数据，使得边缘设备选择子模型结构时更加准确。

在一种可能的实现方式中，参考数据包括子模型结构与模型性能数据的对应关系、子模型结构与设备状态的对应关系中的至少一种，其中，子模型结构与模型性能数据的对应关系用于从全局模型结构中选择模型性能数据满足模型性能要求的子模型结构，子模型结构与设备状态的对应关系用于从全局模型结构中选择设备状态与边缘设备的设备状态匹配的子模型结构。