[发明专利]数据处理方法及装置

说明书

本申请提供一种数据处理方法及装置，能够降低神经网络的计算复杂度和计算量，从而提高数据处理效率，可应用于通信系统中的节点，如第一节点。第一节点和第二节点存在邻接关系，且第一节点和第二节点用于执行同一类任务。该方法包括：获取第一数据，并通过第一神经网络，确定第一数据的处理结果，其中，第一神经网络是根据第一神经网络参数集合的组合确定的，该组合中的第一神经网络参数集合的数量与第二节点的数量正相关。

技术领域

本申请涉及通信领域，尤其涉及一种数据处理方法及装置。

背景技术

随着人工智能(artificial intelligence，AI)技术的发展，神经网络可以采用设备集群的方式部署，如设备集群内的每个节点都可以部署完整神经网络，该完整神经网络的网络规模与集群规模匹配。如此，每个节点可以独立地训练该完整神经网络，并使用训练后的完整神经网络完成相应的集群业务。

然而，由于每个节点部署的都是完整神经网络，故导致神经网络的计算复杂度高，计算量大，数据处理效率低。

发明内容

本申请实施例提供一种数据处理方法及装置，能够降低神经网络的计算复杂度和计算量，从而提高数据处理效率。

为达到上述目的，本申请采用如下技术方案：

第一方面，提供一种数据处理方法。该方法应用于第一节点。第一节点和第二节点存在邻接关系，且第一节点和第二节点用于执行同一类任务。该方法包括：获取第一数据，并通过第一神经网络，确定第一数据的处理结果。其中，第一神经网络是根据第一神经网络参数集合的组合确定的。该组合中的第一神经网络参数集合的数量与第二节点的数量正相关。

基于第一方面所述的方法，多个节点都可以执行同一类任务，第一节点可以根据多个节点中邻居节点的数量，如第二节点的数量，确定第一神经网络参数集合的数量，进而确定第一神经网络。第一神经网络的网络规模便可以与第二节点的数量正相关，以配合第二节点执行同一类任务。例如，由于完整神经网络的网络规模与集群规模匹配，即与设备集群的节点数量匹配，则当邻居节点的数量小于设备集群的节点数量时，第一神经网络的网络规模也小于完整神经网络的网络规模，故能够降低神经网络的计算复杂度和计算量，提高数据处理效率。

一种可能的设计方案中，第一神经网络可以包括：N个隐藏层。第i个隐藏层可以包括M_i个参数子集合。M_i个参数子集合中可以有m个参数子集合相同。M_i个参数子集合可以是根据第一神经网络参数集合的组合确定的。N为正整数，i为小于或等于N的正整数，M为大于1的整数，m为小于或等于M_i且大于1的整数。也就是说，第一神经网络可以是根据相同的参数子集合的组合确定的。如此，可以有效降低计算量，以快速地确定第一神经网络。

可选地，第一神经网络参数集合可以包括：第一参数子集合和/或第二参数子集合。换言之，第一神经网络可以是根据两种参数子集合的组合确定的。如此，可以进一步降低计算量，以更快速地确定第一神经网络。

进一步地，第i个隐藏层的神经网络结构可表示为：其中，W^i-1,i可以用于表示第i个隐藏层的神经网络结构。S^i-1,i可以是根据第i个隐藏层对应的第一参数子集合确定的，O^i-1,i可以是根据第i个隐藏层对应的第二参数子集合确定的。应理解，第i个隐藏层的这种对称结构可使得第一神经网络具有置换不变性。比如，若第一数据的输入顺序变化，则第一神经网络输出的处理结果的顺序也相应变化，而处理结果本身保持不变，以便无论以什么顺序输入第一数据，第一神经网络都能够输出正确的处理结果。因此，相较于不具有置换不变性的神经网络，具有置换不变性的第一神经网络可以省略调整输入顺序这一步骤，以简化处理流程，从而可以提高数据处理效率。