一种云端边缘计算融合的深度学习计算系统技术方案

本发明专利技术公开了一种云端边缘计算融合的深度学习计算系统，包括终端设备

【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


[0001]本专利技术涉及深度学习计算
，尤其涉及一种云端边缘计算融合的深度学习计算系统
。

技术介绍

[0002]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；
[0003]但是在云端服务借助边缘侧设备进行深度学习计算时，仍存在一些不足：在深度学习与边缘计算的结合过程中，每一次重复训练学习都需要消耗大量的计算资源，计算资源的大量消耗，仍会造成云端设备的延迟，且总运行耗费的时间较长，不能满足使用需求，综合上述情况，因此我们提出了一种云端边缘计算融合的深度学习计算系统
。

技术实现思路

[0004]基于
技术介绍
存在的技术问题，本专利技术提出了一种云端边缘计算融合的深度学习计算系统
。
[0005]本专利技术提出的一种云端边缘计算融合的深度学习计算系统，包括终端设备
、
云端服务器和边缘计算设备，所述终端设备包括数据采集模块
、
数据筛选处理模块和数据收发模块3，数据筛选处理模块与数据采集模块和数据收发模块3相连接；
[0006]所述云端服务器包括数据收发模块
1、
云端计算模块
、
信息储存模块1和深度学习模块，数据收发模块1与云端计算模块相连接，云端计算模块与信息储存模块1和深度学习模块相连接，其中云端计算模块可对数据信息进行加密压缩，提高传输信息过程中的安全性；
[0007]所述边缘计算设备包括数据收发模块
2、
数据处理模块
、
边缘计算模块
、
迁移学习模块
、
信息储存模块2和模型更新模块，数据收发模块2与数据收发模块
1、
数据收发模块
3、
数据处理模块和边缘计算模块相连接，边缘计算模块与迁移学习模块和信息储存模块2相连接，迁移学习模块与模型更新模块相连接，模型更新模块与信息储存模块2相连接，模型更新模块可对信息储存模块2中重复的模型进行删减，从而节省储存空间
。
[0008]优选地，所述数据收发模块1和数据收发模块2之间可通过
gRPC、RESTful API、MQTT
等协议来实现通信
。
[0009]优选地，所述数据采集模块采集的数据可以是各种类型，如图片
、
视频
、
音频
、
文本等
。
[0010]优选地，所述深度学习模块中的深度学习是一种基于人工神经网络的机器学习方法，它通过多层次的神经网络模型来模拟人类大脑的学习方式，输入深度学习模块的数据可以是各种形式的信息，例如图像
、
文本
、
声音等，对于图像数据，通常使用像素值矩阵来表示，对于文本数据，通常使用单词或字符的向量表示，输入数据的表示方式取决于具体的问题和数据类型
。
[0011]优选地，所述深度学习模块的输出数据是针对每个输入数据的期望结果，它可以是分类标签
、
连续值或概率分布等
。
[0012]优选地，所述迁移学习模块中的迁移学习是一种具有强拓展性的先进机器学习方法，采用已有的算法模型作为基础，进一步将存在的模型在新的任务中使用
。
[0013]优选地，所述边缘计算模块使用的推理公式为前向传播和反向传播算法，前向传播算法是将输入数据通过神经网络传递到输出层，得到预测结果的过程，反向传播算法则是通过计算梯度来更新神经网络的权重和偏置，以减小预测误差的过程
。
[0014]优选地，所述反向传播算法的公式为其中
Aw_ji
表示第
i
个神经元和第
j
个神经元之间的权重变化量，
α
是学习率，
δ
_j
是神经元
j
的误差向量，是损失函数随着神经元
i
和神经元
j
之间的权重变化而变化的快慢
。
[0015]优选地，所述云端计算模块采用的训练算法包括反向传播算法
、
随机梯度下降及其变种
、
正则化方法等
。
[0016]与现有的技术相比，本专利技术的有益效果是：
[0017]1、
终端设备将采集的数据信息通过筛选处理后发送给边缘计算设备，边缘计算设备的数据处理模块对信息进行基本的计算和处理后再发送至云端服务器，可以减轻网络带宽的负担，提高数据的处理速度和系统的灵活性；
[0018]2、
通过边缘计算模块和迁移学习模块中迁移学习相结合，对深度学习模型进行重复学习训练，不需要考虑云端服务器的负载状态，进而在深度学习训练时能够减轻云端服务器的压力，提高运行速度，从而降低总运行时间
。
[0019]本专利技术通过对数据处理后再发送给云端服务器的方式，可有效的减轻网络宽带的负担，同时配合迁移学习和边缘计算模块相结合，可减轻云端服务器的压力，进而降低云端服务器使用过程中延迟的情况，提高运行速度，从而降低总运行时间
。
附图说明
[0020]图1为本专利技术提出的一种云端边缘计算融合的深度学习计算系统的框图；
[0021]图2为本专利技术提出的一种云端边缘计算融合的深度学习计算系统的流程图
。
具体实施方式
[0022]下面结合具体实施例对本专利技术作进一步解说
。
[0023]实施例
[0024]参照图1‑2，本实施例提出了一种云端边缘计算融合的深度学习计算系统，包括终端设备
、
云端服务器和边缘计算设备，终端设备包括数据采集模块
、
数据筛选处理模块和数据收发模块3，数据筛选处理模块与数据采集模块和数据收发模块3相连接，其中数据采集
模块采集的数据可以是各种类型，如图片
、
视频
、
音频
、
文本等；
[0025]云端服务器包括数据收发模块
1、
云端计算模块
、
信息储存模块1和深度学习模块，其中云端计算模块采用的训练算法包括反向传播算法
、
随机梯度下降及其变种
、<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种云端边缘计算融合的深度学习计算系统，包括终端设备
、
云端服务器和边缘计算设备，其特征在于，所述终端设备包括数据采集模块
、
数据筛选处理模块和数据收发模块3，数据筛选处理模块与数据采集模块和数据收发模块3相连接；所述云端服务器包括数据收发模块
1、
云端计算模块
、
信息储存模块1和深度学习模块，数据收发模块1与云端计算模块相连接，云端计算模块与信息储存模块1和深度学习模块相连接；所述边缘计算设备包括数据收发模块
2、
数据处理模块
、
边缘计算模块
、
迁移学习模块
、
信息储存模块2和模型更新模块，数据收发模块2与数据收发模块
1、
数据收发模块
3、
数据处理模块和边缘计算模块相连接，边缘计算模块与迁移学习模块和信息储存模块2相连接，迁移学习模块与模型更新模块相连接，模型更新模块与信息储存模块2相连接
。2.
根据权利要求1所述的一种云端边缘计算融合的深度学习计算系统，其特征在于，所述数据收发模块1和数据收发模块2之间可通过
gRPC、RESTful API、MQTT
等协议来实现通信
。3.
根据权利要求1所述的一种云端边缘计算融合的深度学习计算系统，其特征在于，所述数据采集模块采集的数据可以是各种类型，如图片
、
视频
、
音频
、
文本等
。4.
根据权利要求1所述的一种云端边缘计算融合的深度学习计算系统，其特征在于，所述深度学习模块中的深度学习是一种基于人工神经网络的机器学习方法，它通过多层次的神经网络模型来模拟人类大脑的学习方式，输入深度学习模块的数据可以是各种形式的信息，例如图像
...

【专利技术属性】
技术研发人员：缪国栋，
申请(专利权)人：厦门狄耐克智能科技股份有限公司，
类型：发明
国别省市：