[发明专利]分布式的模型训练方法、系统、设备以及存储介质

权利要求书

1.一种分布式的模型训练方法，其特征在于，应用于包括多个节点服务器的集群服务器，所述方法包括：

接收用户输入的待训练模型以及训练样本；

集群服务器中的每个节点服务器，根据所述训练样本，对所述待训练模型进行训练，其中，所述训练样本包括样本数据以及样本数据对应的标识；

当训练得到的模型对所述训练样本中的样本数据进行计算得到的标识，与所述样本数据对应的标识的差值小于预设阈值时，将训练得到的模型作为目标模型。

2.根据权利要求1所述的方法，其特征在于，所述集群服务器中的每个节点服务器，根据所述训练样本，对所述待训练模型进行训练，包括：

所述集群服务器中的每个节点服务器并行运行，基于所述待训练模型，对所述训练样本中的样本数据进行计算，得到标识；

根据所述标识与所述样本数据对应的标识之间的差值，调整所述待训练模型中的参数。

3.根据权利要求1或2所述的方法，其特征在于，所述当训练得到的模型对所述训练样本中的样本数据进行计算得到的标识，与所述样本数据对应的标识的差值小于预设阈值时，将训练得到的模型作为目标模型，包括：

当训练得到的模型对所述训练样本中的样本数据进行计算得到的标识，与所述样本数据对应的标识的差值小于预设阈值时，生成训练停止命令，以用于所述集群服务器中的每个节点服务器基于所述训练停止命令停止训练；

将训练得到的模型作为目标模型。

4.根据权利要求3所述的方法，其特征在于，在训练得到目标模型后，所述方法还包括：

训练得到所述目标模型的节点服务器，将所述目标模型发送给所述集群服务器中的其他节点服务器，以用于其他节点服务器基于所述目标模型进行对应计算。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据每个节点服务器中目标模型对应的差值，选取差值最小的目标模型作为最优模型。

6.根据权利要求1所述的方法，其特征在于，在接收用户输入的待训练模型之前，所述方法还包括：

当所述集群服务器中存在除所述待训练模型之外的其他模型时，删除所述其他模型。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

接收用户输入的新的训练样本；

根据预设周期，基于所述新的训练样本，对所述目标模型中的参数进行调整。

8.一种分布式的模型训练系统，其特征在于，所述模型训练系统包括多个节点服务器；其中，

至少一个节点服务器，用于接收用户输入的待训练模型以及训练样本；

每个节点服务器，用于根据所述训练样本，对所述待训练模型进行训练，其中，所述训练样本包括样本数据以及样本数据对应的标识；当训练得到的模型对所述训练样本中的样本数据进行计算得到的标识，与所述样本数据对应的标识的差值小于预设阈值时，将训练得到的模型作为目标模型。

9.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。