分散式网络运算系统、方法及非暂态计算机可读取记录媒体技术方案

本揭示文件提出一种分散式网络运算系统、方法及非暂态计算机可读取记录媒体。该系统包含多个运算节点，这些运算节点包含至少一第一节点以及至少一第二节点。至少一第一节点撷取至少一第二节点的动态资源参数，以根据动态资源参数于预运算资源查找表查询类神经网络分层讯息。至少一第一节点根据类神经网络分层讯息执行类神经网络运算模型，并产生第一特征数据。至少一第一节点传送第一特征信息至至少一第二节点。其中至少一第二节点根据该第一特征数据执行类神经网络运算模型以分析该目标影像。当目标影像符合预定条件时，则判定已完成对目标影像的辨识，据此，可以依据运算的类神经网络的特性，提供弹性的分散式运算的运算资源分配的技术功效。

Distributed network computing system, method and non transient computer readable recording medium

【技术实现步骤摘要】
分散式网络运算系统、方法及非暂态计算机可读取记录媒体
本揭示文件涉及一种网络系统与处理方法，且特别是有关于一种分散式网络系统与运用类神经网络的分散式网络运算方法。
技术介绍
在计算资源丰富的集中式云端(cloud)环境下，执行深度学习类神经网络运算的技术越来越成熟。然而在分散式边雾运算(edge/fogcomputing)环境下，可能将许多类神经网络运算分布于不同的运算节点(例如边雾装置)中进行运算。由这些运算节点间的网络接口与其下一个运算节点交换运算结果，共同来完成人工智能的分析运算。然而，不同运算节点拥有的资源不同(例如运算资源、网络资源、储存资源等)，各运算节点被分配到的逻辑运算所耗用的资源亦不相同。此外，各运算节点会随着前一个运算节点的处理结果，而影响所收到的数据量，导致每次收到的数据流量会动态改变，此也会影响是否要将处理结果输出至下一个运算节点，以及把数据输出至下一个运算节点所适宜采用的运算处理方式(例如快速处理但准确度较低，或处理速度不是最重要考量，但准确度必须达到某个程度)。据此，如何在整个运算节点所组成的网络环境中妥善运本文档来自技高网...

【技术保护点】
1.一种分散式网络运算系统，其特征在于，包含多个运算节点，其中所述多个运算节点包含：/n至少一第一节点，用以接收一目标影像；以及/n至少一第二节点，通讯连接该至少一第一节点，其中该至少一第一节点执行一类神经网络运算模型以分析该目标影像，当该至少一第一节点判断该目标影像不符合一预定条件时，该至少一第一节点用以：/n撷取该至少一第二节点的一动态资源参数；/n根据该动态资源参数于一预运算资源查找表中查询，以获得对应的一类神经网络分层讯息；/n根据该类神经网络分层讯息产生一第一特征数据；以及/n传送该第一特征数据至该至少一第二节点；/n其中该至少一第二节点根据该第一特征数据执行该类神经网络运算模型以分...

【技术特征摘要】
20181109 TW 1071399461.一种分散式网络运算系统，其特征在于，包含多个运算节点，其中所述多个运算节点包含：
至少一第一节点，用以接收一目标影像；以及
至少一第二节点，通讯连接该至少一第一节点，其中该至少一第一节点执行一类神经网络运算模型以分析该目标影像，当该至少一第一节点判断该目标影像不符合一预定条件时，该至少一第一节点用以：
撷取该至少一第二节点的一动态资源参数；
根据该动态资源参数于一预运算资源查找表中查询，以获得对应的一类神经网络分层讯息；
根据该类神经网络分层讯息产生一第一特征数据；以及
传送该第一特征数据至该至少一第二节点；
其中该至少一第二节点根据该第一特征数据执行该类神经网络运算模型以分析该目标影像，以及当该至少一第二节点判断该目标影像符合该预定条件时，则判定已完成对该目标影像的辨识。


2.根据权利要求1所述的分散式网络运算系统，其特征在于，所述多个运算节点还包含至少一第三节点，通讯连接该至少一第二节点，该至少一第二节点判断该目标影像不符合该预定条件时，该至少一第二节点用以：
撷取该至少一第三节点的该动态资源参数；
根据该第三节点的该动态资源参数于该预运算资源查找表中查询，以获得对应的该类神经网络分层讯息；以及
根据该类神经网络分层讯息产生一第二特征数据。


3.根据权利要求2所述的分散式网络运算系统，其特征在于，该至少一第二节点传送该第二特征数据至该至少一第三节点，该至少一第三节点根据该第二特征数据执行该类神经网络运算模型以分析该目标影像，当该目标影像符合该预定条件时，则该至少一第三节点判定已完成对该目标影像的辨识。


4.根据权利要求3所述的分散式网络运算系统，其特征在于，还包含一预处理装置，该预处理装置通讯连接于所述多个运算节点，该预处理装置用以对多个第一阶训练影像执行一类神经网络演算法(NeuralNetworkAlgorithm)的训练，以建立该类神经网络运算模型的一粗项分析模型，以及执行一迁移学习(transferlearning)，以在该粗项分析模型的基础上，用以对多个第二阶训练影像，执行一类神经网络演算法(NeuralNetworkAlgorithm)的训练，以建立该类神经网络运算模型的一或多个细项分析模型，其中该至少一第一节点执行该类神经网络运算模型的该粗项分析模型以辨识该目标影像，以及该至少一第二节点执行该类神经网络运算模型的该细项分析模型以辨识该目标影像。


5.根据权利要求4所述的分散式网络运算系统，其特征在于，该类神经网络运算模型具有该类神经网络演算法的多个层(Layer)，该预处理装置还用以：
根据该动态资源参数，于该预运算资源查找表中查询，以获得对应至该动态资源参数的该分层讯息；以及
提供该分层讯息所指示的所述多个层的一层数至所述一个或多个运算节点，以供所述一个或多个运算节点从该层数之后执行该模型运算的该细项分类模型，其中该预运算资源查找表包含一准确度信息、一运算量信息、一传输量信息、以及一查全率(recallrate)中至少一者。


6.根据权利要求5所述的分散式网络运算系统，其特征在于，该动态资源参数包含一网络效能参数、一处理器效能参数、一记忆体参数、一储存空间参数中至少一者。


7.根据权利要求6所述的分散式网络运算系统，其特征在于，所述多个运算节点根据该传输量信息以及该网络效能参数以计算一第一参考值、根据该运算量信息以及该处理器效能参数以计算一第二参考值、根据该传输量信息以及该储存空间参数以计算一第三参考值，以及根据该第一参考值、该第二参考值以及该第三参考值中的至少一者，以获得该预运算资源查找表中的该分层讯息。


8.一种分散式网络运算方法，其特征在于，适用于一分散式网络中的多个运算节点，其中所述多个运算节点包含至少一第一节点以及至少一第二节点，其中该至少一第一节点用以接收一目标影像，以及该至少一第二节点通讯连接该至少一第一节点，该分散式网络运算方法包含：
通过该至少一第一节点执行一类神经网络运算模型以分析该目标影像；
当该目标影像不符合一预定...

【专利技术属性】
技术研发人员：蔡其达，陈聪杰，陈美利，蔡承运，何平凡，
申请(专利权)人：财团法人资讯工业策进会，
类型：发明
国别省市：中国台湾;71