[发明专利]分布式机器学习方法、装置、电子设备及存储介质

权利要求书

1.一种分布式机器学习方法，其特征在于，应用于算力节点，所述方法包括：

从区块链网络中获取待训练的机器学习模型和第一模型参数，其中，所述第一模型参数为所述区块链网络中的公共参数；

将所述第一模型参数代入所述机器学习模型；

根据所述算力节点本地存储的数据，对代入所述第一模型参数的机器学习模型进行多轮训练，直到获取到满足第一预定义模型条件的机器学习模型，其中，所述区块链网络根据训练结果更新所述第一模型参数，所述算力节点根据区块链网络上更新的第一模型参数，验证训练好的机器学习模型是否满足第一预定义模型条件。

2.根据权利要求1所述的分布式机器学习方法，其特征在于，根据所述算力节点本地存储的数据，对代入所述第一模型参数的机器学习模型进行多轮训练，直到获取到满足第一预定义模型条件的机器学习模型，具体包括：

循环执行如下步骤，直到获取到满足第一预定义模型条件的机器学习模型：

根据所述算力节点本地存储的数据，对代入所述第一模型参数的机器学习模型进行训练，得到对应的第二模型参数；

将所述第二模型参数上传至所述区块链网络，其中，所述区块链网络用于聚合多个算力节点分别上传的第二模型参数以更新所述第一模型参数；

从区块链网络获取更新后的所述第一模型参数；

将从区块链网络获取到的所述第一模型参数代入所述机器学习模型，并验证代入所述第一模型参数的机器学习模型是否满足第一预定义模型条件。

3.根据权利要求1所述的分布式机器学习方法，其特征在于，在从区块链网络中获取待训练的机器学习模型和第一模型参数之前，所述方法还包括：

向所述区块链网络发送训练加入请求，以获得所述区块链网络的访问权限。

4.根据权利要求2所述的分布式机器学习方法，其特征在于，所述区块链网络包括多个共识节点，在每轮训练开始时，从所述多个共识节点选取一个节点作为主节点，除所述主节点外的其余共识节点作为从节点，所述主节点用于接收所述第二模型参数，并将所述第二模型参数同步至各个所述从节点；

所述将所述第二模型参数上传至所述区块链网络，具体包括：

判断所述第二模型的模型效果是否满足第二预定义模型条件；

若是，则将所述第二模型参数上传至所述区块链网络的主节点。

5.根据权利要求4所述的分布式机器学习方法，其特征在于，在将所述第二模型参数上传至所述区块链网络的主节点之后，所述方法还包括：

接收所述主节点和各个所述从节点返回的参数确认消息，以确定所述第二模型参数上传完成；

其中，所述参数确认消息由所述主节点和各个所述从节点在完成数据共识后发送，若所述主节点与各个所述从节点之间的数据具有一致性，则确定数据共识完成。

6.根据权利要求4所述的分布式机器学习方法，其特征在于，每轮训练中区块链网络的主节点与前一轮训练中区块链网络的主节点不同。

7.根据权利要求2所述的分布式机器学习方法，其特征在于，所述区块链网络还用于验证算力节点的授权身份，通过授权身份验证的算力节点上传的第二模型参数用于聚合后更新所述第一模型参数。

8.一种分布式机器学习装置，其特征在于，包括：

模型获取模块，用于从区块链网络中获取待训练的机器学习模型和第一模型参数，其中，所述第一模型参数为所述区块链网络中的公共参数；

参数代入模块，用于将所述第一模型参数代入所述机器学习模型；

模型训练模块，用于根据算力节点本地存储的数据，对代入所述第一模型参数的机器学习模型进行多轮训练，直到获取到满足第一预定义模型条件的机器学习模型，其中，所述区块链网络根据训练结果更新所述第一模型参数，所述算力节点根据区块链网络上更新的第一模型参数，验证训练好的机器学习模型是否满足第一预定义模型条件。