【技术实现步骤摘要】
一种神经网络在网状网络场景下的分割计算方法
[0001]本专利技术属于边缘计算和计算机通信领域,具体涉及一种神经网络在网状网络场景下的分割计算方法,该方法用于在缺乏云计算或者网络带宽有限情况下,进行神经网络计算过程。
技术介绍
[0002]随着人工智能领域的兴起以及神经网络应用的普及,越来越多的设备都可以支持神经网络应用。图像分类,语音识别,自然语言处理等各种类型的应用,在用户的各类终端设备中愈发普及。面对着大量用户的请求以及日益加重的网络传输负担,如何能够加强神经网络应用的响应速度,提高请求处理能力,是当前需要解决的技术难点。
[0003]神经网络技术是实现人工智能应用的一种有效方法。目前的人工智能应用常常采用一系列的神经网络层构建模型,因此这种模型又被称为深度神经网络,深度神经网络的每一层都由神经元组成,这些神经元能够根据神经元的输入输出数据产生非线性输出。输入层中的神经元接收数据并将其传播到中间层(也称为隐藏层)。然后,中间层的神经元生成输入数据的加权和,并利用特定的激活函数输出加权和,然后将输出传播到输出层。最后的结果显示在输出层。深度神经网络具有比一般机器学习模型更复杂和抽象的层,能够学习高级特征,从而实现高精度的任务推理。深度神经网络常用的结构有三种:全连接层(FNN)、卷积神经网络层(CNN)和循环神经网络层(RNN)。
[0004]目前,相当一部分的神经网络应用对计算算力要求比较大,因此诸如图像识别,语音识别等任务常常部署在云端进行计算,但当用户请求频繁或者网络较为拥塞的时候,数据的传
【技术保护点】
【技术特征摘要】
1.一种神经网络在网状网络场景下的分割计算方法,其特征在于,包括:步骤S1:对网状网络划分设备层,得到设备层信息;步骤S2:根据设备层信息和神经网络的神经网络层信息来执行神经网络分割算法,得到满足时延需求的分割方案;步骤S3:根据设备层信息和满足时延需求的分割方案进行神经网络分割部署。2.根据权利要求1所述的神经网络在网状网络场景下的分割计算方法,其特征在于,所述步骤S1包括:步骤S11:选取网状网络中的至少一个边缘设备,将其标记为第1个设备层的边缘设备;步骤S12:令i=1,其中参数i是设备层的序数;步骤S13:将与第i个设备层的边缘设备直连,且未被标记过的边缘设备标记为第i+1个设备层的边缘设备;步骤S14:判断是否还有边缘设备未被标记,有则令i=i+1,执行步骤S13,否则结束步骤S1。3.根据权利要求1所述的神经网络在网状网络场景下的分割计算方法,其特征在于,所述设备层信息包含网状网络被划分后的设备层的总层数,以及每一个设备层中的边缘设备的数目。4.根据权利要求1所述的神经网络在网状网络场景下的分割计算方法,其特征在于,所述神经网络层信息是根据经过训练的待分割的神经网络来得到的,其包括神经网络中的神经网络层的层数,以及每个神经网络层的层类型。5.根据权利要求1所述的神经网络在网状网络场景下的分割计算方法,其特征在于,在所述步骤S2中,所述神经网络分割算法为有序最优解保留遗传算法。6.根据权利要求5所述的神经网络在网状网络场景下的分割计算方法,其特征在于,所述步骤S2包括:步骤S21:根据设备层的个数确定分割点的数目,表述待分割的神经网络的所有分割方案;同时,定义分割方案所对应的最终适应度函数,所述最终适应度函数基于时延适应度函数和有序适应度函数;步骤S22:将分割方案作为个体,分割方案所对应的最终适应度函数作为个体适应度,来执行遗传算法;并在执行遗传算法的过程中,进行最优解保留,最终得到满足时延需求的分割方案。7.根据权利要求6所述的神经网络在网状网络场景下的分割计算方法,其特征在于,第k个分割方案x
k
为:其中,l为神经网络的总层数,代表第k个分割方案的第j个分割点的位置,1≤j≤n
‑
1,k表示分割方案的序数,n为设备层的总层数;所述时延适应度函数f
delay
(x
k
)为:其中,x
k
表示第k个分割方案;T
comp
是整个神经网络在边缘设备上的计算时延...
【专利技术属性】
技术研发人员:周明拓,任天锋,郁春波,贺文,李剑,
申请(专利权)人:中国科学院上海微系统与信息技术研究所,
类型:发明
国别省市:
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。