申请/专利权人：华为技术有限公司

申请日：2017-09-04

公开（公告）日：2024-04-16

公开（公告）号：CN111052155B

主分类号：G06N3/084

分类号：G06N3/084;G06N3/098

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2020.05.15#实质审查的生效;2020.04.21#公开

摘要：一种在多个计算节点上分布式训练机器学习模型的系统，包括：服务器，与多个计算节点连接，用于在多轮训练迭代中控制机器学习模型的训练。每轮训练迭代包括：指示每个计算节点通过如下方式对所述机器学习模型的相应本地副本进行训练：本地计算多个累积梯度中的相应累积梯度，每个累积梯度包括一个或多个梯度；从每个计算节点获取所述累积梯度；通过将所述机器学习模型与所述累积梯度的汇总值合并来创建更新的机器学习模型。其中，在获取和创建阶段，所述计算节点中的一个或多个计算节点计算新的相应累积梯度，所述新的相应累积梯度在下一轮训练迭代中与所述机器学习模型合并。

主权项：1.一种在多个计算节点上分布式训练机器学习模型的系统，其特征在于，包括：服务器，与多个计算节点连接，用于在多轮训练迭代中控制机器学习模型的训练，所述多轮迭代分别包括：指示所述多个计算节点分别通过如下方式对存储在每个相应计算节点本地的所述机器学习模型的相应本地副本进行训练：本地计算多个累积梯度中的相应累积梯度，其中，所述多个累积梯度分别包括至少一个梯度，分别从所述多个计算节点获取所述多个累积梯度，通过将所述机器学习模型与所述多个累积梯度的汇总值合并来创建更新的机器学习模型；其中，在所述获取和创建阶段，所述多个计算节点中的至少一个计算节点计算新的相应累积梯度，所述新的相应累积梯度在下一轮训练迭代中与所述机器学习模型合并；所述多个计算节点分别使用至少一个额外梯度重复更新相应的累积梯度，直到超过延迟阈值为止。

全文数据：

权利要求：

百度查询： 华为技术有限公司 异步梯度平均的分布式随机梯度下降法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD