This application discloses a model training method and a node, network and storage device. The method is applied to a de-centralized network containing at least one group of nodes, in which each group of nodes includes at least one node, and at least part of the nodes are used for training to obtain model parameters of the model. The method includes: the current node uses a preset de-centralized training strategy within the group to obtain the group parameters of the model; and using the group parameters and parameters of the model. The weight of the neighbor nodes outside the group of the current node relative to the current node is obtained, and the model parameters of the model are obtained. Through the above way, the model training based on decentralized network can be realized.
【技术实现步骤摘要】
【国外来华专利技术】模型训练方法及其节点、网络及存储装置
本申请涉及区块链
,特别是涉及一种模型训练方法及其节点、网络及存储装置。
技术介绍
目前,通常需要采用各种数据模型来实现信息的处理,例如采用识别模型进行图像识别等。如今,去中心化网络由于具有高可靠性,已经日渐广泛应用于各领域。去中心化网络,即包含多个节点,且该网络中不存在中心节点。在进行上述信息处理时,可采用去中心网络中的各节点协同实现利用模型进行信息处理。也即,各节点利用其相应模型对输入信息进行处理,以输出结果。在进行上述利用模型进行信息处理之前,需要先训练得到相关模型。对于去中心化网络,由于其不具有中心节点,即无法实现基于中心节点或参数节点对模型进行训练。
技术实现思路
本申请主要解决的技术问题是提供一种模型训练方法及其节点、网络及存储装置,实现基于去中心化网络对模型的训练。为解决上述技术问题,本申请第一方面提供一种模型训练方法,所述方法应用于包含至少一组节点的去中心化网络中,其中,每组节点包括至少一个节点,至少部分所述节点用于训练得到所述模型的模型参数;所述方法包括:当前节点在本组内采用预设去中心化训练策略得到对所述模型的组内参数;利用所述组内参数和与所述当前节点的组外邻居节点相对于所述当前节点的权重,得到对所述模型的模型参数。为了解决上述技术问题,本申请第二方面提供一种去中心化网络的节点,包括处理器及与所述处理器耦接的存储器和通信电路,其中,所述通信电路用于与所述去中心化网络的其他节点通信;所述存储器,用于存储程序指令;所述处理器,用于运行所述程序指令以执行上述方法。为了解决上述技术问题,本申请第三方面提供一 ...
【技术保护点】
1.一种模型训练方法,其特征在于,所述方法应用于包含至少一组节点的去中心化网络中,其中,每组节点包括至少一个节点,至少部分所述节点用于训练得到所述模型的模型参数;所述方法包括:当前节点在本组内采用预设去中心化训练策略得到对所述模型的组内参数;利用所述组内参数和与所述当前节点的组外邻居节点相对于所述当前节点的权重,得到对所述模型的模型参数。
【技术特征摘要】
【国外来华专利技术】1.一种模型训练方法,其特征在于,所述方法应用于包含至少一组节点的去中心化网络中,其中,每组节点包括至少一个节点,至少部分所述节点用于训练得到所述模型的模型参数;所述方法包括:当前节点在本组内采用预设去中心化训练策略得到对所述模型的组内参数;利用所述组内参数和与所述当前节点的组外邻居节点相对于所述当前节点的权重,得到对所述模型的模型参数。2.根据权利要求1所述的方法,其特征在于,所述在本组内采用预设去中心化训练策略得到对所述模型的组内参数,包括:利用自身前次迭代得到的模型参数,在本组内采用预设去中心化训练策略进行本次迭代训练,得到本次迭代对所述模型的组内参数;所述利用所述组内参数和与所述当前节点的组外邻居节点相对于所述当前节点的权重,得到对所述模型的模型参数,包括:利用所述当前节点在本次迭代对所述模型的组内参数和与所述当前节点的组外邻居节点相对于所述当前节点的权重,得到在本次迭代对所述模型的模型参数。3.根据权利要求2所述的方法,其特征在于,所述预设去中心化训练策略包括基于gossip的训练策略、增量训练策略、共识训练策略或扩散训练策略。4.根据权利要求3所述的方法,其特征在于,所述利用前次迭代得到的模型参数,在本组内采用扩散训练策略进行本次迭代训练,得到本次迭代对所述模型的组内参数,包括:利用自身前次迭代得到的模型参数以及本次迭代的参考参数得到所述当前节点在本次迭代的初始参数;根据所述当前节点在本次迭代的初始参数与本组其他节点在本次迭代的初始参数,得到所述当前节点在本次迭代对所述模型的组内参数。5.根据权利要求4所述的方法,其特征在于,所述利用自身前次迭代得到的模型参数以及本次迭代的参考参数得到所述当前节点在本次迭代的初始参数,包括:利用所述下列公式得到所述当前节点在本次迭代的初始参数Ψk,t;Ψk,t=wk,t-1+ukrk,t(dk,t-rk,twk,t-1)其中,本次为第t次迭代,前次为第t-1迭代,所述k为当前节点的序号,所述wk,t-1为所述当前节点在前次迭代得到的模型参数,所述uk,rk,t,dk,t为本次迭代的参考参数,其中所述uk表示权重因子;所述rk,t表示随机因子;所述dk,t=rk,t·ρ+vk,t,所述ρ为超参数,所述vk,t为随机参数。6.根据权利要求4所述的方法,其特征在于,所述根据所述当前节点在本次迭代的初始参数与本组其他节点在本次迭代的初始参数,得到所述当前节点在本次迭代对所述模型的组内参数,包括:利用下列公式得到所述当前节点在本次迭代的组内参数Φk,t;其中,本次为第t次迭代,所述k为当前节点的序号,所述Gk表示本组内节点的序号,所述gl为本组内节点1相对于所述当前节点的权重,所述Ψl,t为本组内节点1在本次迭代的初始参数。7.根据权利要求3所述的方法,其特征在于,所述利用前次迭代得到的模型参数,在本组内采用共识训练策略进行本次迭代训练,得到本次迭代对所述模型的组内参数,包括:利用自身前次迭代得到的模型参数以及本组其他节点相对于当前节点的权重得到所述当前节点在本地迭代的初始参数;根据所述当前节点在本次迭代的初始参数与本组迭代的参考参数,得到所述当前节点在本次迭代对所述模型的组内参数。8.根据权利要求7所述的方法,其特征在于,所述利用自身前次迭代得到的模型参数以及本组其他节点相对于当前节点的权重得到所述当前节点在本地迭代的初始参数,包括:利用所述下列公式得...
【专利技术属性】
技术研发人员:袁振南,朱鹏新,
申请(专利权)人:袁振南,区链通网络有限公司,
类型:发明
国别省市:维尔京群岛,VG
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。