一种云端边缘计算融合的深度学习计算系统和方法技术方案

本发明专利技术公开一种云端边缘计算融合的深度学习计算系统和方法，涉及云计算、边缘计算和人工智能技术领域，将深度学习计算分布到云端、管道和边缘侧，由云端负责历史数据大计算量的基础模型训练，根据边缘侧的需求进行个性化的模型分发，云端到边缘侧节点部署学习后的深度学习模型，用来完成推理，边缘侧持续进行推理结果的反馈，再上传到云端持续优化模型。相较于传统的训练和推理都在云端的方式，本发明专利技术整个深度学习计算过程，将持续优化计算模型，根据边缘侧的需求进行个性化的模型分发，有效的利用了带宽，保证了网络传输的效率，提高了实时业务执行效率。

A depth learning computing system and method for cloud edge computing fusion

The invention discloses a cloud computing edge fusion deep learning computing system and method, relates to cloud computing, edge computing and artificial intelligence technology, the deep learning distributed computing to the cloud, pipe and edge side based model of historical data from the cloud is responsible for the large amount of calculation in training, distributed personalized model based on edge side the demand side edge of the cloud to the deep learning model of node deployment after learning, to complete reasoning, feedback edge side continuous reasoning results, and then uploaded to the cloud model of continuous optimization. Compared with the traditional training and reasoning in the cloud, the depth of the study will continue to optimize the calculation process and calculation model, distribution model based on the edge side of the personalized demand, effective use of bandwidth, the network transmission efficiency, improve the efficiency of real-time business.

【技术实现步骤摘要】
一种云端边缘计算融合的深度学习计算系统和方法
本专利技术涉及云计算、边缘计算和人工智能
，具体的说是一种云端边缘计算融合的深度学习计算系统和方法。
技术介绍
随着云计算和大数据的发展，各类应用系统已经渐渐转向云端，云端中心聚合了大量的物理硬件资源，并采用虚拟化技术实现了异构网络计算资源的统一的分配、调度和管理，集中建设数据中心大大降低了计算和存储的成本。近年来，人工智能技术发展迅速，其商业化速度超出预期，人工智能将会给整个社会带来颠覆性的变化，已经成为未来各国重要的发展战略。特别是以深度学习为核心的算法演进，其超强的进化能力，在大数据的支持下，通过训练构建得到类似人脑结构的大规模卷积神经网络，已经可以解决各类问题。深度学习需要大量数据和计算资源来进行训练，云端服务在一定程度上可以满足要求，然而伴随着数据量越来越庞大，特别是对于边缘侧诸如实时业务、数据优化、带宽限制、应用智能、安全与隐私等多方面需求，计算和存储无法全部放在远程云端，需要将其靠近边缘侧设备或数据源头，就近提供近端计算服务。在这种情况下，如何更高效的为边缘侧设备提供深度学习能力，并能融合“云-管-端”多种计算资源，提本文档来自技高网...

【技术保护点】
一种云端边缘计算融合的深度学习计算方法，其特征在于,将深度学习计算分布到云端、管道和边缘侧，由云端负责历史数据大计算量的基础模型训练，根据边缘侧的需求进行个性化的模型分发，云端到边缘侧节点部署学习后的深度学习模型，用来完成推理，边缘侧持续进行推理结果的反馈，再上传到云端持续优化模型；具体实施流程包括：步骤一，云端产生管道和边缘侧的深度学习模型，并将深度学习模型下发到管道和边缘侧；步骤二，边缘侧根据智能传感设备采集的数据进行推理计算，并根据用户反馈信息和推理的原始数据组合成训练集数据；步骤三，边缘侧将训练集经管道上传至云端，步骤四，云端根据训练集进行深度学习模型训练，优化云端深度学习模型。

【技术特征摘要】
1.一种云端边缘计算融合的深度学习计算方法，其特征在于,将深度学习计算分布到云端、管道和边缘侧，由云端负责历史数据大计算量的基础模型训练，根据边缘侧的需求进行个性化的模型分发，云端到边缘侧节点部署学习后的深度学习模型，用来完成推理，边缘侧持续进行推理结果的反馈，再上传到云端持续优化模型；具体实施流程包括：步骤一，云端产生管道和边缘侧的深度学习模型，并将深度学习模型下发到管道和边缘侧；步骤二，边缘侧根据智能传感设备采集的数据进行推理计算，并根据用户反馈信息和推理的原始数据组合成训练集数据；步骤三，边缘侧将训练集经管道上传至云端，步骤四，云端根据训练集进行深度学习模型训练，优化云端深度学习模型。2.根据权利要求1所述一种云端边缘计算融合的深度学习计算方法，其特征在于，所述步骤一，云端产生管道和边缘侧的深度学习模型，并将深度学习模型下发到管道和边缘侧；具体实施流程包括：步骤1、云端利用收集的大量历史数据进行深度学习模型训练，最终产生云端深度学习模型；步骤2、云端根据需要部署深度学习模型的应用节点计算和存储能力进行模型优化，产生管道和边缘侧的深度学习模型；步骤3、云端将深度学习模型下发到管道和边缘侧。3.根据权利要求1或2所述一种云端边缘计算融合的深度学习计算方法，其特征在于，所述步骤二，边缘侧根据智能传感设备采集的数据进行推理计算，并根据用户反馈信息和推理的原始数据组合成训练集数据；具体实施过程包括：步骤1、智能传感设备实时采集来自外界的环境数据；步骤2、智能传感设备将收集数据发送给边缘侧进行推理；步骤3、边缘侧执行推理计算；步骤4、边缘侧将推理结果发送给智能传感设备；步骤5、智能传感设备将结果反馈给用户，执行相应的工作指令，并将用户反馈上传到边缘侧；步骤6、边缘侧收到来自智能传感设备的反馈，并对反馈信息优化后，连同进行推理的原始采集数据组合成训练集数据，保存在边缘节点本地。4.根据权利要求3所述一种云端边缘计算融合的深度学习计算方法，其特征在于，所述边缘侧执行推理计算：边缘侧检测本地缓存是否已存在匹配的...

【专利技术属性】
技术研发人员：孙善宝，于治楼，张爱成，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东,37