[发明专利]数据处理方法及装置、设备、存储介质

说明书

本申请公开了数据处理方法及装置、设备、存储介质；其中，所述方法包括：确定邻居设备，接收所述邻居设备传输的第一推理模型的模型参数；确定所述模型参数的融合权重；根据所述融合权重，将所述模型参数与自身的第二推理模型的相应模型参数进行融合，得到融合后的第二推理模型；其中，所述第一推理模型与所述第二推理模型的至少部分结构一致；重新确定邻居设备，以迭代执行上述步骤，直至达到结束条件，将当前得到的融合后的第二推理模型作为目标推理模型；所述目标推理模型用于对输入数据执行机器学习任务；如此，能够通过设备间的模型参数共享，即知识共享，降低机器学习场景中的数据传输造成的能量消耗。

技术领域

本申请涉及人工智能技术，涉及但不限于数据处理方法及装置、设备、存储介质。

背景技术

随着通信技术的不断演进以及物联网技术的蓬勃发展，物联网设备的接入数量不断提高，基于海量物联网感知及运算设备将会形成多种类、多层次以及多样化的物联网服务。在5G移动通信网络中，物联网(Internet of Things，IoT)节点的接入数目将达到亿级，其部署密度将达到每平方千米百万个。海量节点的接入需求对传统中心化计算架构提出了挑战，传输能耗成为主要限制瓶颈之一。与此同时，以人工智能为代表的信息处理技术高速发展，智能芯片成本不断降低，智能服务从云端向端侧下沉，促进了以自动驾驶、智慧工业、智慧医疗为代表的AIoT应用场景爆发。而如何在这些应用场景和其他机器学习场景中降低数据传输能耗成为待解决的技术问题。

发明内容

有鉴于此，本申请提供的数据处理方法及装置、设备、存储介质，能够通过设备间的模型参数共享，即知识共享，降低机器学习场景中的数据传输造成的能量消耗。

根据本申请实施例的一个方面，提供一种数据处理方法，包括：确定邻居设备，接收所述邻居设备传输的第一推理模型的模型参数；确定所述模型参数的融合权重；根据所述融合权重，将所述模型参数与自身的第二推理模型的相应模型参数进行融合，得到融合后的第二推理模型；其中，所述第一推理模型与所述第二推理模型的至少部分结构一致；重新确定邻居设备，以迭代执行上述步骤，直至达到结束条件，将当前得到的融合后的第二推理模型作为目标推理模型；所述目标推理模型用于对输入数据执行机器学习任务。

如此，由于获取的是邻居设备的第一推理模型的模型参数，而不是邻居设备的样本数据集，因此能够降低机器学习场景中的数据传输能耗，通过模型参数的融合，得到电子设备的目标推理模型。

本申请实施例提供的数据处理装置，包括：确定单元，用于确定邻居设备；

接收单元，用于接收所述邻居设备传输的第一推理模型的模型参数；所述确定单元，还用于确定所述模型参数的融合权重；融合单元，用于根据所述融合权重，将所述模型参数与自身的第二推理模型的相应模型参数进行融合，得到融合后的第二推理模型；其中，所述第一推理模型与所述第二推理模型的至少部分结构一致；迭代单元，用于触发所述确定单元重新确定邻居设备，以及触发所述接收单元和所述融合单元迭代执行对应步骤，直至达到结束条件，将当前得到的融合后的第二推理模型作为目标推理模型；所述目标推理模型用于对输入数据执行机器学习任务。

本申请实施例提供的电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请实施例所述的方法。

本申请实施例提供的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例提供的所述的方法。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。