一种基于AIGC的算法训练平台制造技术

本发明专利技术公开了一种基于AIGC的算法训练平台，包括云计算模块、边缘计算模块、评价模块、输入模块、数据扩展模块以及控制模块。该算法训练平台求取关于待训练算法的计算资源量化评价指数，并且当判定计算资源量化评价指数大于等于预先确定的计算资源量化评价指数阈值时，由云计算模块执行关于待训练算法的训练步骤，有利于充分发挥云计算模块的强大算力从而提高算法训练的高效性；当判定计算资源量化评价指数并非大于等于预先确定的计算资源量化评价指数阈值时，由边缘计算模块执行关于待训练算法的训练步骤，有利于减少因训练步骤执行之前因数据交互引起的通信资源占用量。之前因数据交互引起的通信资源占用量。之前因数据交互引起的通信资源占用量。

【技术实现步骤摘要】
一种基于AIGC的算法训练平台


[0001]本专利技术涉及智能系统
，尤其涉及一种基于AIGC的算法训练平台。

技术介绍

[0002]专利CN108665072A公开了一种基于云架构的机器学习算法全过程训练方法及系统，所述方法包括：通过web应用程序上传训练数据集和待求解问题数据集至云数据服务器，并选择预先建立的机器学习算法；云计算服务器通过云数据服务器获取训练数据集，利用训练数据集进行模型训练，获取训练模型；云计算服务器通过云数据服务器获取待求解问题数据集，根据待求解问题数据集利用训练模型获取求解结果，并将该求解结果返回至云数据服务器；云数据服务器将求解结果返回至web应用程序。上述基于云架构的算法训练方法及系统中，充分发挥了云计算服务器强大的算力，有利于提高算法训练的效率。但是，本地服务器与云计算服务器的数据交互过程中，需要占用大量的通信资源，并且，对于计算量相对较少的算法训练过程，云计算服务器的强大算力无法充分发挥作用。
[0003]那么，如何合理配置计算资源（或算力）以及通信资源，以进一步提高算法训练的高效性，是亟需解决的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AIGC的算法训练平台，其特征在于，包括云计算模块、边缘计算模块、评价模块、输入模块、数据扩展模块以及控制模块，所述云计算模块与所述控制模块基于公网通信连接，所述边缘计算模块与所述控制模块基于局域网通信连接，所述评价模块、所述输入模块和数据扩展模块分别与所述控制模块电连接，其中，所述控制模块执行的步骤包括：所述控制模块从所述输入模块获取待训练算法在训练过程中需要用到的原始样本数据集以及训练过程中的损失函数迭代次数；所述控制模块控制所述数据扩展模块基于AIGC技术以所述原始样本数据集为基础数据集执行数据增广的操作，生成扩展样本数据集；所述控制模块控制所述评价模块根据所述扩展样本数据集的数据容量值以及训练过程中的损失函数迭代次数求取关于所述待训练算法的计算资源量化评价指数；所述控制模块判断所述计算资源量化评价指数是否大于等于预先确定的计算资源量化评价指数阈值，若是，则所述控制模块向所述云计算模块发送关于所述待训练算法的第一训练请求，使得所述云计算模块执行关于所述待训练算法的训练步骤，若否，则所述控制模块向所述边缘计算模块发送关于所述待训练算法的第二训练请求，使得所述边缘计算模块执行关于所述待训练算法的训练步骤。2.根据权利要求1所述的基于AIGC的算法训练平台，其特征在于，当所述待训练算法为深度卷积神经网络算法时，训练属性信息包括深度卷积神经网络的卷积层的神经元数目、池化层的神经元数目以及全连接层的神经元数目。3.根据权利要求2所述的基于AIGC的算法训练平台，其特征在于，所述评价模块求取待训练算法的计算资源量化评价指数采用的公式如下：，式中，为待训练深度卷积神经网络的计算资源量化评价指数，为所述待训练深度卷积神经网络在训练过程中所需要用到的扩展样本数据集以太字节为单位的容量值，为所述待训练深度卷积神经网络在训练过程中的损失函数迭代次数，为所述待训练深度卷积神经网络的卷积层的神经元数目，为所述待训练深度卷积神经网络的池化层的神经元数目，为所述待训练深度卷积神经网络的全连接层的神经元数目。4.根据权利要求3所述的基于AIGC的算法训练平台，其特征在于，所述算法训练平台还包括与所述控制模块电连接的计时模块和输出模块，在所述控制模块向所述云计算模块发送关于所述待训练算法的第一训练请求...

【专利技术属性】
技术研发人员：张卫平，米小武，吴茜，李显阔，刘顿，
申请(专利权)人：环球数科集团有限公司，
类型：发明
国别省市：