System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及机器学习,尤其涉及一种基于多云服务器的分布式在线机器学习模型构建方法。
技术介绍
1、目前,随着人工智能技术的快速发展,人工智能技术在很多领域得到了应用,其中,机器学习作为人工智能的技术核心,也已经取得重大的突破。
2、在现有技术中,通常是用户端基于自身获得的训练样本,进行机器学习模型的本地构建。
3、但是,由于用户端计算能力有限,能获得的训练样本量也有限,导致最终构建的机器学习模型的精度较低。
技术实现思路
1、本申请提供一种基于多云服务器的分布式在线机器学习模型构建方法,以解决现有技术构建的机器学习模型的精度较低等缺陷。
2、本申请第一个方面提供一种基于多云服务器的分布式在线机器学习模型构建方法,应用于云服务器,所述云服务器与用户簇一一对应,所述用户簇包括若干个用户端,所述方法包括:
3、接收所述用户簇中各用户端发送的在线量测数据;
4、基于所述在线量测数据构建机器学习模型,得到全局模型参数;
5、基于云服务器网络,获取若干个互享云服务器的互享全局模型参数,其中,所述互享云服务器与所述云服务器之间存在边缘连接关系;
6、根据所述全局模型参数和互享全局模型参数,对所述全局模型参数进行迭代更新,以得到目标全局模型参数。
7、在一种可选的实施方式中,所述基于所述在线量测数据构建机器学习模型,得到全局模型参数,包括:
8、对所述在线量测数据进行数据整合,得到模型训练集;
9、基于所述模型训练集构建机器学习模型,得到全局模型参数。
10、在一种可选的实施方式中,所述基于所述模型训练集构建机器学习模型,得到全局模型参数,包括:
11、基于所述模型训练集,计算目标概率分布,得到所述机器学习模型;
12、根据所述机器学习模型的预测结果,确定全局模型参数。
13、在一种可选的实施方式中,所述全局模型参数包括全局预测期望和全局预测方差。
14、在一种可选的实施方式中,在基于云服务器网络,获取若干个互享云服务器的互享全局模型参数之前,所述方法还包括:
15、获取云服务器边缘有向图;
16、根据所述云服务器边缘有向图,在云服务器集群中筛选互享云服务器。
17、在一种可选的实施方式中,所述基于云服务器网络,获取若干个互享云服务器的互享全局模型参数,包括:
18、根据所述互享云服务器,确定目标互享链路;
19、基于所述目标互享链路,获取互享云服务器的互享全局模型参数;
20、其中,所述目标互享链路连通所述云服务器和互享云服务器,所述云服务器网络包括所述目标互享链路。
21、在一种可选的实施方式中,所述根据所述全局模型参数和互享全局模型参数,对所述全局模型参数进行迭代更新,以得到目标全局模型参数,包括:
22、获取云服务器权重矩阵;
23、根据所述云服务器权重矩阵,为所述互享云服务器分配互享权重;
24、根据所述全局模型参数、互享全局模型参数及互享权重,对所述全局模型参数进行迭代更新,以得到目标全局模型参数。
25、在一种可选的实施方式中,所述云服务器权重矩阵用于表征各云服务器之间的互享置信度。
26、在一种可选的实施方式中,所述根据所述全局模型参数、互享全局模型参数及互享权重,对所述全局模型参数进行迭代更新,以得到目标全局模型参数,包括:
27、基于如下公式,确定所述目标全局模型参数:
28、,
29、,
30、其中,和分别表示第i个云服务器的目标全局预测期望和目标全局预测方差,所述目标全局模型参数包括所述目标全局预测期望和目标全局预测方差,v表示云服务器集群,表示第j个互享云服务器的互享权重,表示第j个互享云服务器在k时刻的互享全局预测期望,表示第j个互享云服务器在k时刻的互享全局预测方差,所述互享全局模型参数包括所述互享全局预测期望和互享全局预测方差。
31、在一种可选的实施方式中,所述目标全局模型参数满足如下约束条件:
32、
33、其中,表示云服务器集群中的云服务器总数。
34、在一种可选的实施方式中,所述方法还包括:
35、将所述目标全局模型参数发送至对应的用户簇中的各个用户端。
36、本申请第二个方面提供一种基于多云服务器的分布式在线机器学习模型构建装置,应用于云服务器,所述云服务器与用户簇一一对应,所述用户簇包括若干个用户端,所述装置包括:
37、接收模块,用于接收所述用户簇中各用户端发送的在线量测数据;
38、构建模块,用于基于所述在线量测数据构建机器学习模型,得到全局模型参数;
39、互享模块,用于基于云服务器网络,获取若干个互享云服务器的互享全局模型参数,其中,所述互享云服务器与所述云服务器之间存在边缘连接关系;
40、更新模块,用于根据所述全局模型参数和互享全局模型参数,对所述全局模型参数进行迭代更新,以得到目标全局模型参数。
41、本申请第三个方面提供一种基于多云服务器的分布式在线机器学习模型构建系统,包括:用户簇及与所述用户簇一一对应的云服务器,所述用户簇包括若干个用户端;
42、所述用户端用于获取在线量测数据,并将所述在线量测数据发送至对应的云服务器;
43、所述云服务器采用如上第一个方面以及第一个方面各种可能的设计所述的方法,构建机器学习模型,并得到目标全局模型参数。
44、本申请第四个方面提供一种电子设备,包括:至少一个处理器和存储器;
45、所述存储器存储计算机执行指令;
46、所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。
47、本申请第五个方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一个方面以及第一个方面各种可能的设计所述的方法。
48、本申请技术方案,具有如下优点:
49、本申请提供一种基于多云服务器的分布式在线机器学习模型构建方法,该方法包括:接收用户簇中各用户端发送的在线量测数据;基于在线量测数据构建机器学习模型,得到全局模型参数;基于云服务器网络,获取若干个互享云服务器的互享全局模型参数,其中,互享云服务器与云服务器之间存在边缘连接关系;根据全局模型参数和互享全局模型参数,对全局模型参数进行迭代更新,以得到目标全局模型参数。上述方案提供的方法,通过在各云服务器得到全局模型参数后,在云服务器间实现全局模型参数互享,提高了最终得到的目标全局模型参数的准确性,从而提高了机器学习模型的精度。
本文档来自技高网...【技术保护点】
1.一种基于多云服务器的分布式在线机器学习模型构建方法,应用于云服务器,其特征在于,所述云服务器与用户簇一一对应,所述用户簇包括若干个用户端,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于所述在线量测数据构建机器学习模型,得到全局模型参数,包括:
3.根据权利要求2所述的方法,其特征在于,所述基于所述模型训练集构建机器学习模型,得到全局模型参数,包括:
4.根据权利要求3所述的方法,其特征在于,所述全局模型参数包括全局预测期望和全局预测方差。
5.根据权利要求1所述的方法,其特征在于,在基于云服务器网络,获取若干个互享云服务器的互享全局模型参数之前,所述方法还包括:
6.根据权利要求5所述的方法,其特征在于,所述基于云服务器网络,获取若干个互享云服务器的互享全局模型参数,包括:
7.根据权利要求1所述的方法,其特征在于,所述根据所述全局模型参数和互享全局模型参数,对所述全局模型参数进行迭代更新,以得到目标全局模型参数,包括:
8.根据权利要求7所述的方法,其特征在于,所述云服务
9.根据权利要求7所述的方法,其特征在于,所述根据所述全局模型参数、互享全局模型参数及互享权重,对所述全局模型参数进行迭代更新,以得到目标全局模型参数,包括:
10.根据权利要求9所述的方法,其特征在于,所述目标全局模型参数满足如下约束条件:
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
12.一种基于多云服务器的分布式在线机器学习模型构建装置,应用于云服务器,其特征在于,所述云服务器与用户簇一一对应,所述用户簇包括若干个用户端,所述装置包括:
13.一种基于多云服务器的分布式在线机器学习模型构建系统,其特征在于,包括:用户簇及与所述用户簇一一对应的云服务器,所述用户簇包括若干个用户端;
14.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至11任一项所述的方法。
...【技术特征摘要】
1.一种基于多云服务器的分布式在线机器学习模型构建方法,应用于云服务器,其特征在于,所述云服务器与用户簇一一对应,所述用户簇包括若干个用户端,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于所述在线量测数据构建机器学习模型,得到全局模型参数,包括:
3.根据权利要求2所述的方法,其特征在于,所述基于所述模型训练集构建机器学习模型,得到全局模型参数,包括:
4.根据权利要求3所述的方法,其特征在于,所述全局模型参数包括全局预测期望和全局预测方差。
5.根据权利要求1所述的方法,其特征在于,在基于云服务器网络,获取若干个互享云服务器的互享全局模型参数之前,所述方法还包括:
6.根据权利要求5所述的方法,其特征在于,所述基于云服务器网络,获取若干个互享云服务器的互享全局模型参数,包括:
7.根据权利要求1所述的方法,其特征在于,所述根据所述全局模型参数和互享全局模型参数,对所述全局模型参数进行迭代更新,以得到目标全局模型参数,包括:
8.根据权利要求7所述的方法,其特征在于...
【专利技术属性】
技术研发人员:张旭,孙华锦,胡雷钧,王小伟,
申请(专利权)人:苏州元脑智能科技有限公司,
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。