CN114723045B - 模型训练方法、装置、系统、设备、介质及程序产品 - Google Patents
模型训练方法、装置、系统、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN114723045B CN114723045B CN202210358922.4A CN202210358922A CN114723045B CN 114723045 B CN114723045 B CN 114723045B CN 202210358922 A CN202210358922 A CN 202210358922A CN 114723045 B CN114723045 B CN 114723045B
- Authority
- CN
- China
- Prior art keywords
- training
- cluster
- initial
- sample data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Machine Translation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种模型训练方法、装置、系统、设备、介质及程序产品,涉及计算机技术领域,尤其涉及人工智能,自然语言处理、深度学习技术领域。在申请的一些实施例中,至少一个第一集群对样本数据集进行训练得到训练数据;第二集群,根据训练数据对训练模型进行训练;将生成训练数据的模型和预训练模型分别部署在不同的集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,基于不同阶段的训练任务,将生成训练数据任务和预训练模型训练任务分别放置于不同的处理器中,提升硬件处理速度,提高模型的训练效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及人工智能、自然语言处理、深度学习技术领域,尤其涉及一种模型训练方法、装置、系统、设备、介质及程序产品。
背景技术
随着计算机技术的蓬勃发展,人工智能技术也得到了迅速发展,医药、金融、教育等各方面都离不开人工智能技术,自然语言处理技术及深度学习技术等也获得了越来越广泛的运用。
目前,跨集群的模型训练受到集群间的通信带宽的限制,模型训练的效率较低。
发明内容
本申请提供了一种模型训练方法、装置、系统、设备、介质及程序产品。
根据本申请的一方面,提供了一种模型训练系统,包括至少一个第一集群和与所述至少一个第一集群通信的第二集群,其中,
所述至少一个第一集群,用于获取样本数据集,并根据所述样本数据集生成训练数据,并将所述训练数据发送至所述第二集群;
所述第二集群,用于根据所述至少一个第一集群发送的所述训练数据对预训练模型进行训练。
根据本申请的另一方面,提供了一种模型训练方法,应用于第一集群,所述第一集群与第二集群通信连接,所述方法包括:
获取样本数据集;
根据所述样本数据集,生成训练数据;
将所述训练数据发送至所述第二集群,以供第二集群根据所述训练数据对预训练模型进行训练。
根据本申请的另一方面,提供了一种模型训练方法,应用于第二集群,所述第二集群与至少一个第一集群通信连接,所述方法包括:
接收所述至少一个第一集群发送的样本数据集;
根据所述训练数据对预训练模型进行训练。
根据本申请的另一方面,提供了一种模型训练装置,应用于第一集群,所述第一集群与第二集群通信连接,包括:
获取模块,用于获取样本数据集;
生成模块,用于根据所述样本数据集,生成训练数据;
发送模块,用于将所述训练数据发送至所述第二集群,以供第二集群根据所述训练数据对预训练模型进行训练。
根据本申请的另一方面,提供了一种模型训练装置,应用于第二集群,所述第二集群与至少一个第一集群通信连接,包括:
接收模块,用于接收所述至少一个第一集群发送的样本数据集;
训练模块,用于根据所述训练数据对预训练模型进行训练。
根据本申请的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述方法中的各步骤。
根据本申请的另一方面,提供了一种集群,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法中的各步骤。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述的方法中的各步骤。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序。所述计算机程序在被处理器执行时实现上述的方法中的各步骤。
本申请提供的模型训练方法、装置、系统、设备、介质及程序产品,存在如下有益效果:
在申请的一些实施例中,至少一个第一集群对样本数据集进行训练得到训练数据;第二集群,根据训练数据对训练模型进行训练;将生成训练数据的模型和预训练模型分别部署在不同的集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,基于不同阶段的训练任务,将生成训练数据任务和预训练模型训练任务分别放置于不同的处理器中,模型训练与计算机系统内部结构进行技术关联,提升了训练过程中硬件的执行效果,提升硬件处理速度;通过第一集群生成训练数据提供给第二集群进行模型训练,相比第二集群自身生成训练数据再进行模型训练,可加速模型训练,提高模型的训练效率。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请提供的一种数据并行方式的跨集群模型训练的流程示意图;
图2为本申请提供的另一种流水线并行方式的跨集群模型训练的流程示意图;
图3为本申请示例性实施例提供的一种模型训练系统的结构示意图;
图4为本申请示例性实施例提供的一种模型训练系统的结构示意图;
图5a为本申请实施例一提供的一种模型训练方法的流程示意图;
图5b为本申请实施例二提供的一种模型训练方法的流程示意图;
图6为本申请实施例三提供的一种模型训练方法的流程示意图;
图7为本申请示例性实施例提供的一种模型训练装置的结构示意图;
图8为本申请示例性实施例提供的一种模型训练装置的结构示意图;
图9示出了可以用来实施本申请的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
自然语言处理是用计算机来处理、理解以及运用人类语言(如中文、英文等),它是计算机科学与语言学的交叉学科,又常被称为计算语言学。由于自然语言是人类区别于其他动物的根本标志。没有语言,人类的思维也就无从谈起,所以自然语言处理体现了人工智能的最高任务与境界,也就是说,只有当计算机具备了处理自然语言的能力时,机器才算实现了真正的智能。
深度学习是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入,通过非线性激活方法取权重,再产生另一个数据集合作为输出。通过合适的矩阵数量,多层组织链接一起,形成神经网络“大脑”进行精准复杂的处理,就像人们识别物体标注图片一样。
本申请的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
随着计算机技术的蓬勃发展,人工智能技术也得到了迅速发展,医药、金融、教育等各方面都离不开人工智能技术,自然语言处理技术及深度学习技术等也获得了越来越广泛的运用。
目前,跨集群模型训练方式包括以下两种训练方式:数据并行方式和流水线并行方式。
图1为本申请提供的一种数据并行方式的跨集群模型训练的流程示意图。如图1所示,集群A和集群B采用数据并行方式训练模型,多路样本数据同时输入集群A和集群B的多个设备中,同时进行数据训练,多个设备分别得到各自的梯度,集群A和集群B将得到的多个梯度进行梯度聚合,对模型的网络参数进行更新。如图1所示,设备一,设备二,设备三和设备四同时对输入的样本数据进行模型训练。
图2为本申请提供的另一种流水线并行方式的跨集群模型训练的流程示意图。如图2所示,集群A和集群B采用流水线并行方式训练模型,将模型训练任务按照计算时间先后顺序切分为多个子任务;集群A和集群B为每个子任务分配相应的计算节点。如图2所示,设备0,设备1,设备2和设备3为不同子任务对应的计算节点。
以集群A和集群B之间的数据传输速率在100MB/S左右,以训练一个100亿参数的模型为例。若采用数据并行方式训练模型,模型每次更新需要在集群间传输数据100GB,完成一次数据传输需要20分钟,而模型原先每次更新一般在1秒左右,训练时间增加近1200倍。若采用流水线并行方式训练模型,则需要在集群间传递的数据batch_size*sequence_length*hidden_size*2,其中,经验值batch_size=2048,sequence_len=1024,hidden_size=4096,需要前向和反向通信,每次更新需要传递2048*1024*4096*2的参数,需一次传递32GB,也需要将近5分钟时间,训练时间增加近300倍。上述两种跨集群的模型训练方式,模型训练效率较低。
综上,上述跨集群的模型训练方式的效率较低。针对上述存在的技术问题,在本申请的一些实施例中,至少一个第一集群对样本数据进行训练得到训练数据;第二集群,根据训练数据对训练模型进行训练;将生成训练数据的模型和预训练模型分别部署在不同的集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,基于不同阶段的训练任务,将生成训练数据任务和预训练模型训练任务分别放置于不同的处理器中,模型训练与计算机系统内部结构进行技术关联,提升了训练过程中硬件的执行效果,提升硬件处理速度;通过第一集群生成训练数据提供给第二集群进行模型训练,相比第二集群自身生成训练数据再进行模型训练,可加速模型训练,提高模型的训练效率。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图3为本申请示例性实施例提供的一种模型训练系统300的结构示意图。如图3所示,该模型训练系统300包括:第一集群30a和第二集群30b。需要说明的是,图中的第一集群30a和第二集群30b仅是示例性说明,并不构成对本申请的限定。该模型训练系统300根据实际需求还可以提供其他服务。
需要说明的是,本申请对第一集群30a和第二集群30b的类型不作限定,集群可以包括存储节点、计算节点以及仲裁节点等。
在本实施例中,第一集群30a,用于对样本数据集进行训练得到训练数据;第二集群30b,根据训练数据对训练模型进行训练;将生成训练数据的模型和预训练模型分别部署在不同的集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,提高模型的训练效率。
在上述实施例中,第一集群30a根据样本数据集生成训练数据,一种可实现的方式为,将样本数据集输入初始生成器中,生成训练数据,并根据样本数据集对初始生成器进行训练,得到训练完成的生成器。相应地,第二集群30b根据第一集群30a发送的训练数据对预训练模型进行训练,一种可实现的方式为,根据训练数据对初始判别器进行训练,得到训练完成的判别器。
本申请实施例将“生成器+判别器”模式的模型中的生成器和判别器分别部署于第一集群和第二集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,提高模型的训练效率。
需要说明的是,样本数据集为文本样本数据集或者图像样本数据集。
可选地,样本数据集为第一文本样本数据集时,对第一文本样本数据集中的文本片段替换为设定标识,得到替换后的第一文本样本数据集,将替换后的第一文本样本数据集输入初始生成器中,得到第二文本样本数据,根据第二文本样本数据对初始判别器进行训练,得到训练完成的判别器。训练过程中,第一集群30a中部署的初始生成器将第一文本样本数据中部分字或者词用设定标识替换后,生成第二文本样本数据,第一集群30a将第二文本样本数据发送至第二集群30b,第二集群30b中部署的初始判别器判断第二文本样本数据中的每个字或者词是否被替换。
例如,第一文本样本数据“哈尔滨是黑龙江的省会,国际冰雪文化名城”,第一集群30a中部署的初始生成器将第一文本样本数据中部分字或者词用设定标识替换,生成“M是黑龙江的省M,M文化名城”,将“M是黑龙江的省M,M文化名城”输入生成器中,生成第二样本数据“牡丹江是黑龙江的省市,国际冰雪文化名城”。第一集群30a将第二文本样本数据发送至第二集群30b,第二集群30b中部署的初始判别器判断“牡丹江是黑龙江的省市,国际冰雪文化名城”中的每个字或者词是否被替换。其中,0表示被替换,1表示未替换。从图中可以看出,判别器判断出“牡丹江”、“市”等字或者词被替换。
在一种可选实施例中,第一集群30a根据样本数据集对初始生成器进行训练,得到训练完成的生成器。一种可实现的方式为,将初始生成参数输入递归神经网络建立初始生成器;将样本数据集输入初始生成器中进行预训练;以及根据概率分布函数转化为概率输出,得到预训练后的网络参数;根据预训练后的网络参数更新初始生成器的网络参数,得到生成器。
相应地,在另一种可选实施例中,第二集群30b根据训练数据对初始判别器进行训练,得到训练完成的判别器。一种可实现的方式为,将初始生成参数输入递归神经网络建立初始生成器;将样本数据集输入初始生成器中进行预训练;以及根据概率分布函数转化为概率输出,得到预训练后的网络参数;根据预训练后的网络参数更新初始生成器的网络参数,得到生成器。
需要说明的是,第一集群30a内部以第一带宽进行通信,第二集群30b内部以第二带宽进行通信,第一集群30a和第二集群30b之间通过第三带宽相互通信,其中,第一带宽大于第三带宽,第二带宽大于第三带宽。即,在第一集群30a和第二集群30b内部可以保持高带宽进行通信,而在第一集群和第二集群之间采用低带宽进行通信,完全能够满足训练数据的传输,不增加任何通信代价。
在本实施例中,第一集群30a和第二集群30b中的训练逻辑不需要强耦合,底层可以采用不同的芯片,因此,第一集群30a和第二集群30b互为异构集群,即第一集群30a和第二集群30b所采用的处理器不同,一种实施例中,第一集群30a采用的处理器为图形处理器,第二集群30b采用的处理器为嵌入式神经网络处理器。
以下结合应用场景,对本申请实施例的技术方案作出说明。
应用场景一:机器翻译模型。第一集群30a中部署的第一模型根据文本样本数据集,生成Back-Translation数据;第一集群30a将Back-Translation数据发送至第二集群30b,第二集群30b中部署的第二模型根据Back-Translation数据对预训练模型进行训练。
应用场景二:多语言预训练模型。第一集群30a中部署的第一模型根据多语种文本样本数据集,生成Back-Translation数据;第一集群30a将Back-Translation数据发送至第二集群30b,第二集群30b中部署的第二模型根据Back-Translation数据对预训练模型进行训练。
应用场景三:大模型蒸馏。第一集群30a中部署的大模型,第二集群30b部署小模型。第一集群30a训练大模型的同时,生成新的训练数据;第一集群30a将训练数据发送至第二集群30b,第二集群30b根据训练数据对小模型进行训练。
图4为本申请示例性实施例提供的一种模型训练系统400的结构示意图。如图4所示,该模型训练系统400包括:多个第一集群40a和第二集群40b。需要说明的是,图中的多个第一集群40a和第二集群40b仅是示例性说明,并不构成对本申请的限定。该模型训练系统400根据实际需求还可以提供其他服务。
需要说明的是,本申请对第一集群40a和第二集群40b的类型不作限定,集群可以存储节点、计算节点以及仲裁节点等。
在本实施例中,多个第一集群40a,用于对样本数据集进行训练得到训练数据;第二集群40b,根据训练数据对训练模型进行训练;将生成训练数据的模型和预训练模型分别部署在不同的集群上,对模型进行跨集群训练,多个第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,提高模型的训练效率。
在上述实施例中,多个第一集群40a根据样本数据集生成训练数据,一种可实现的方式为,多个第一集群40a将各自的样本数据集输入初始生成器中,生成各自的训练数据,并根据样本数据集对各自的初始生成器进行训练,得到训练完成的生成器。相应地,第二集群40b根据多个第一集群40a发送的训练数据对预训练模型进行训练,一种可实现的方式为,根据训练数据对初始判别器进行训练,得到训练完成的判别器。
本申请实施例将“多个生成器+判别器”模式的模型中的生成器和判别器分别部署于多个第一集群和第二集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,提高模型的训练效率。
需要说明的是,样本数据集为文本样本数据集或者图像样本数据集。
可选地,样本数据集为第一文本样本数据集时,每个第一集群40a分别将各自的第一文本样本数据集输入各自的初始生成器中,对第一文本样本数据集中的文本片段替换为设定标识,得到各自的第二文本样本数据,每个第一集群40a将各自的第二文本样本数据发送至第二集群40b,第二集群40b根据第二文本样本数据对初始判别器进行训练,得到训练完成的判别器。训练过程中,每个第一集群40a中部署的初始生成器将第一文本样本数据中部分字或者词用设定标识替换后,生成第二文本样本数据,多个第一集群40a将第二文本样本数据发送至第二集群40b,第二集群40b中部署的初始判别器判断第二文本样本数据中的每个字或者词是否被替换。
例如,第一文本样本数据“哈尔滨是黑龙江的省会,国际冰雪文化名城”,第一集群30a中部署的初始生成器将第一文本样本数据中部分字或者词用设定标识替换,生成“M是黑龙江的省M,M文化名城”,将“M是黑龙江的省M,M文化名城”输入生成器中,生成第二样本数据“牡丹江是黑龙江的省市,国际冰雪文化名城”。第一集群30a将第二文本样本数据发送至第二集群30b,第二集群30b中部署的初始判别器判断“牡丹江是黑龙江的省市,国际冰雪文化名城”中的每个字或者词是否被替换。其中,0表示被替换,1表示未替换。判别器判断出“牡丹江”、“市”等字或者词被替换。
在一种可选实施例中,每个第一集群40a根据样本数据集对初始生成器进行训练,得到训练完成的生成器。一种可实现的方式为,将初始生成参数输入递归神经网络建立初始生成器;将样本数据集输入初始生成器中进行预训练;以及根据概率分布函数转化为概率输出,得到预训练后的网络参数;根据预训练后的网络参数更新初始生成器的网络参数,得到生成器。
相应地,在另一种可选实施例中,第二集群40b根据训练数据对初始判别器进行训练,得到训练完成的判别器。一种可实现的方式为,将初始生成参数输入递归神经网络建立初始生成器;将样本数据集输入初始生成器中进行预训练;以及根据概率分布函数转化为概率输出,得到预训练后的网络参数;根据预训练后的网络参数更新初始生成器的网络参数,得到生成器。
需要说明的是,多个第一集群40a内部以第一带宽进行通信,第二集群40b内部以第二带宽进行通信,多个第一集群40a和第二集群40b之间通过第三带宽相互通信,其中,第一带宽大于第三带宽,第二带宽大于第三带宽。即,在多个第一集群40a和第二集群40b内部可以保持高带宽进行通信,而在第一集群和第二集群之间采用低带宽进行通信,完全能够满足训练数据的传输,不增加任何通信代价。
需要说明的是,多个第一集群40a处理的数据类型不同。多个第一集群40a可以处理不同语种的数据,多个第一集群40a也可以处理不同行业领域的数据。
在本实施例中,多个第一集群40a和第二集群40b中的训练逻辑不需要强耦合,底层可以采用不同的芯片,因此,多个第一集群40a和第二集群40b互为异构集群,即多个第一集群40a和第二集群40b所采用的处理器不同,一种实施例中,多个第一集群40a采用的处理器为图形处理器,第二集群40b采用的处理器为嵌入式神经网络处理器。
以下结合应用场景,对本申请实施例的技术方案作出说明。
结合联邦学习的应用场景:多个第一集群40a中分别部署不同数据类型的模型,第二集群40b中部署多种数据类型的统一模型。例如,集群A、集群B和集群C对应的样本数据分别为金融样本数据、医疗样本数据和法律样本数据,集群A、集群B和集群C根据金融样本数据、医疗样本数据和法律样本数据,生成金融训练数据、医疗训练数据和法律训练数据;集群D根据金融训练数据、医疗训练数据和法律训练数据对统一模型进行训练。本实施例实现跨集群的模型训练,同时保护私有数据的安全性。
在上述系统实施例中,至少一个第一集群对样本数据集进行训练得到训练数据;第二集群,根据训练数据对训练模型进行训练;将生成训练数据的模型和预训练模型分别部署在不同的集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,基于不同阶段的训练任务,将生成训练数据任务和预训练模型训练任务分别放置于不同的处理器中,模型训练与计算机系统内部结构进行技术关联,提升了训练过程中硬件的执行效果,提升硬件处理速度;通过第一集群生成训练数据提供给第二集群进行模型训练,相比第二集群自身生成训练数据再进行模型训练,可加速模型训练,提高模型的训练效率。
除上述提供的模型训练系统外,本申请一些实施例还提供一种模型训练方法,本申请实施例提供的模型训练方法不限于上述模型训练系统。
从第一集群角度,图5a为本申请实施例一提供的一种模型训练方法的流程示意图。如图5a所示,该方法包括:
S511:获取样本数据集;
S512:根据样本数据集,生成训练数据;
S513:将训练数据发送至第二集群,以供第二集群根据训练数据对预训练模型进行训练。
从第二集群角度,图5b为本申请实施例二提供的一种模型训练方法的流程示意图。如图5b所示,该方法包括:
S521:接收至少一个第一集群发送的样本数据集;
S522:根据训练数据对预训练模型进行训练。
在本实施例中,对第一集群和第二集群的类型不作限定,集群可以包括存储节点、计算节点以及仲裁节点等。
需要说明的是,第一集群可以为一个,也可以多个。
在本实施例中,至少要第一集群用于对样本数据集进行训练得到训练数据;第二集群,根据训练数据对训练模型进行训练;将生成训练数据的模型和预训练模型分别部署在不同的集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,提高模型的训练效率。
在上述实施例中,至少一个第一集群根据样本数据集生成训练数据,一种可实现的方式为,将样本数据集输入初始生成器中,生成训练数据,并根据样本数据集对初始生成器进行训练,得到训练完成的生成器。相应地,第二集群根据至少一个第一集群发送的训练数据对预训练模型进行训练,一种可实现的方式为,根据训练数据对初始判别器进行训练,得到训练完成的判别器。
本申请实施例将“至少一个生成器+判别器”模式的模型中的生成器和判别器分别部署于至少一个第一集群和第二集群上,对模型进行跨集群训练,至少一个第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,提高模型的训练效率。
需要说明的是,样本数据集为文本样本数据集或者图像样本数据集。
可选地,样本数据集为第一文本样本数据集时,对第一文本样本数据集中的文本片段替换为设定标识,得到替换后的第一文本样本数据集,将替换后的第一文本样本数据集输入初始生成器中,得到第二文本样本数据,根据第二文本样本数据对初始判别器进行训练,得到训练完成的判别器。训练过程中,至少一个第一集群中部署的初始生成器将第一文本样本数据中部分字或者词用设定标识替换后,生成至少一个第二文本样本数据,第一集群将第二文本样本数据发送至第二集群,第二集群中部署的初始判别器判断第二文本样本数据中的每个字或者词是否被替换。
例如,第一文本样本数据“哈尔滨是黑龙江的省会,国际冰雪文化名城”,第一集群中部署的初始生成器将第一文本样本数据中部分字或者词用设定标识替换,生成“M是黑龙江的省M,M文化名城”,将“M是黑龙江的省M,M文化名城”输入生成器中,生成第二样本数据“牡丹江是黑龙江的省市,国际冰雪文化名城”。第一集群将第二文本样本数据发送至第二集群,第二集群中部署的初始判别器判断“牡丹江是黑龙江的省市,国际冰雪文化名城”中的每个字或者词是否被替换。其中,0表示被替换,1表示未替换。判别器判断出“牡丹江”、“市”等字或者词被替换。
在一种可选实施例中,每个第一集群根据样本数据集对初始生成器进行训练,得到训练完成的生成器。一种可实现的方式为,将初始生成参数输入递归神经网络建立初始生成器;将样本数据集输入初始生成器中进行预训练;以及根据概率分布函数转化为概率输出,得到预训练后的网络参数;根据预训练后的网络参数更新初始生成器的网络参数,得到生成器。
相应地,在另一种可选实施例中,第二集群根据训练数据对初始判别器进行训练,得到训练完成的判别器。一种可实现的方式为,将初始生成参数输入递归神经网络建立初始生成器;将样本数据集输入初始生成器中进行预训练;以及根据概率分布函数转化为概率输出,得到预训练后的网络参数;根据预训练后的网络参数更新初始生成器的网络参数,得到生成器。
需要说明的是,第一集群内部以第一带宽进行通信,第二集群内部以第二带宽进行通信,第一集群和第二集群之间通过第三带宽相互通信,其中,第一带宽大于第三带宽,第二带宽大于第三带宽。即,在第一集群和第二集群内部可以保持高带宽进行通信,而在第一集群和第二集群之间采用低带宽进行通信,完全能够满足训练数据的传输,不增加任何通信代价。
在本实施例中,至少一个第一集群和第二集群中的训练逻辑不需要强耦合,底层可以采用不同的芯片,因此,至少一个第一集群和第二集群互为异构集群,即至少一个第一集群和第二集群所采用的处理器不同,一种实施例中,至少一个第一集群采用的处理器为图形处理器,第二集群采用的处理器为嵌入式神经网络处理器。
需要说明的是,多个第一集群处理的数据类型不同。多个第一集群可以处理不同语种的数据,多个第一集群也可以处理不同行业领域的数据。
以下结合应用场景,对本申请实施例的技术方案作出说明。
应用场景一:机器翻译模型。第一集群中部署的第一模型根据文本样本数据集,生成Back-Translation数据;第一集群将Back-Translation数据发送至第二集群,第二集群中部署的第二模型根据Back-Translation数据对预训练模型进行训练。
应用场景二:多语言预训练模型。第一集群中部署的第一模型根据多语种文本样本数据集,生成Back-Translation数据;第一集群将Back-Translation数据发送至第二集群,第二集群中部署的第二模型根据Back-Translation数据对预训练模型进行训练。
应用场景三:大模型蒸馏。第一集群中部署的大模型,第二集群部署小模型。第一集群训练大模型的同时,生成新的训练数据;第一集群将训练数据发送至第二集群,第二集群根据训练数据对小模型进行训练。
应用场景四:结合联邦学习的应用场景。多个第一集群40a中分别部署不同数据类型的模型,第二集群40b中部署多种数据类型的统一模型。例如,集群A、集群B和集群C对应的样本数据分别为金融样本数据、医疗样本数据和法律样本数据,集群A、集群B和集群C根据金融样本数据、医疗样本数据和法律样本数据,生成金融训练数据、医疗训练数据和法律训练数据;集群D根据金融训练数据、医疗训练数据和法律训练数据对统一模型进行训练。本实施例实现跨集群的模型训练,同时保护私有数据的安全性。
基于以上各实施例的描述,图6为本申请实施例三提供的一种模型训练方法的流程示意图。如图6所示,该方法包括:
S601:至少一个第一集群获取样本数据集;
S602:至少一个第一集群根据样本数据集生成训练数据;
S603:至少一个第一集群将训练数据发送至第二集群;
S604:第二集群根据至少一个第一集群发送的训练数据对预训练模型进行训练。
在本实施例中,对第一集群和第二集群的类型不作限定,集群可以包括存储节点、计算节点以及仲裁节点等。
需要说明的是,本申请实施例中的各步骤的实现方式均可参见上述各实施例中的相应部分的描述,在此不再赘述。
在上述方法实施例中,至少一个第一集群对样本数据集进行训练得到训练数据;第二集群,根据训练数据对训练模型进行训练;将生成训练数据的模型和预训练模型分别部署在不同的集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,基于不同阶段的训练任务,将生成训练数据任务和预训练模型训练任务分别放置于不同的处理器中,模型训练与计算机系统内部结构进行技术关联,提升了训练过程中硬件的执行效果,提升硬件处理速度;通过第一集群生成训练数据提供给第二集群进行模型训练,相比第二集群自身生成训练数据再进行模型训练,可加速模型训练,提高模型的训练效率。
图7为本申请示例性实施例提供的一种模型训练装置70的结构示意图。该模型训练装置70包括获取模块71,生成模块72和发送模块73。
其中,获取模块71,用于获取样本数据集;
生成模块72,用于根据样本数据集,生成训练数据;
发送模块73,用于将训练数据发送至第二集群,以供第二集群根据训练数据对预训练模型进行训练。
可选地,生成模块72在根据样本数据集,生成训练数据时,用于将样本数据集输入初始生成器中,生成训练数据,并根据样本数据集对初始生成器进行训练,得到训练完成的生成器。
可选地,样本数据集为第一文本样本数据集,生成模块72在将样本数据集输入初始生成器中,生成训练数据时,用于对第一文本样本数据集中的文本片段替换为设定标识,得到替换后的第一文本样本数据集,将替换后的第一文本样本数据集输入初始生成器中,得到第二文本样本数据。
可选地,生成模块72在根据样本数据集对初始生成器进行训练,得到训练完成的生成器时,用于:
将初始生成参数输入递归神经网络建立初始生成器;
将样本数据集输入初始生成器中进行预训练;以及
根据概率分布函数转化为概率输出,得到预训练后的网络参数;
根据预训练后的网络参数更新初始生成器的网络参数,得到生成器。
可选地,第一集群内部以第一带宽进行通信,第二集群内部以第二带宽进行通信,第一集群和第二集群之间通过第三带宽相互通信,其中,第一带宽大于第三带宽,第二带宽大于第三带宽。
可选地,至少一个第一集群和第二集群之间互为异构集群。
图8为本申请示例性实施例提供的一种模型训练装置80的结构示意图。该模型训练装置80包括接收模块81和训练模块82。
其中,接收模块81,用于接收至少一个第一集群发送的样本数据集;
训练模块82,用于根据训练数据对预训练模型进行训练。
可选地,训练模块82在根据训练数据对预训练模型进行训练时,用于:
根据训练数据对初始判别器进行训练,得到训练完成的判别器。
可选地,训练数据为第二文本样本数据,训练模块82在根据训练数据对初始判别器进行训练,得到训练完成的判别器时,用于:
根据第二文本样本数据对初始判别器进行训练,得到训练完成的判别器。
可选地,训练模块82在根据训练数据对初始判别器进行训练,得到训练完成的判别器时,用于:
将初始判别参数输入至卷积神经网络建立初始判别器;
将训练数据输入初始判别器中进行预训练;
根据概率分布函数转化为概率输出;以及
根据最小化交叉熵更新初始判别器的初始判别参数,得到预训练后的判别参数;
根据预训练后的判别参数更新初始判别器的网络参数,得到判别器。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图9示出了可以用来实施本申请的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如模型训练方法。例如,在一些实施例中,模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
在上述方法装置、设备、存储介质和计算机程序产品实施例中,至少一个第一集群对样本数据集进行训练得到训练数据;第二集群,根据训练数据对训练模型进行训练;将生成训练数据的模型和预训练模型分别部署在不同的集群上,对模型进行跨集群训练,第一集群和第二集群之间只需要传输训练数据,而无需传输模型参数,集群间较低宽带通信即能满足本申请的跨集群训练,基于不同阶段的训练任务,将生成训练数据任务和预训练模型训练任务分别放置于不同的处理器中,模型训练与计算机系统内部结构进行技术关联,提升了训练过程中硬件的执行效果,提升硬件处理速度;通过第一集群生成训练数据提供给第二集群进行模型训练,相比第二集群自身生成训练数据再进行模型训练,可加速模型训练,提高模型的训练效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (21)
1.一种模型训练系统,其中,包括至少一个第一集群和与所述至少一个第一集群通信的第二集群,其中,
所述至少一个第一集群,用于获取样本数据集,并根据所述样本数据集生成训练数据,并将所述训练数据发送至所述第二集群;
所述第二集群,用于根据所述至少一个第一集群发送的所述训练数据对预训练模型进行训练;
其中,所述至少一个第一集群,在根据所述样本数据集生成训练数据时,用于:将所述样本数据集输入初始生成器中,生成所述训练数据,并根据所述样本数据集对初始生成器进行训练,得到训练完成的生成器;
所述第二集群,在根据所述至少一个第一集群发送的所述训练数据对预训练模型进行训练时,用于:根据所述训练数据对初始判别器进行训练,得到训练完成的判别器;
其中,所述初始生成器和所述初始判别器分别部署于所述第一集群和所述第二集群上,所述第一集群和所述第二集群之间只需传输所述训练数据,无需传输模型参数。
2.如权利要求1所述的系统,其中,所述至少一个第一集群内部以第一带宽进行通信,所述第二集群内部以第二带宽进行通信,所述至少一个第一集群和所述第二集群之间通过第三带宽相互通信,其中,所述第一带宽大于所述第三带宽,所述第二带宽大于所述第三带宽。
3.如权利要求1所述的系统,其中,所述至少一个第一集群和所述第二集群之间互为异构集群。
4.如权利要求3所述的系统,其中,所述至少一个第一集群和所述第二集群所采用的处理器不同。
5.如权利要求4所述的系统,其中,所述至少一个第一集群采用的处理器为图形处理器,所述第二集群采用的处理器为嵌入式神经网络处理器。
6.如权利要求1所述的系统,其中,所述第一集群为多个,且所述多个第一集群处理的数据类型不同。
7.如权利要求1所述的系统,其中,所述样本数据集为第一文本样本数据集,所述至少一个第一集群在将所述样本数据集输入初始生成器中,生成所述训练数据时,用于:
对所述第一文本样本数据集中的文本片段替换为设定标识,得到替换后的第一文本样本数据集,将所述替换后的第一文本样本数据集输入初始生成器中,得到第二文本样本数据;
所述第二集群,在所述根据所述训练数据对初始判别器进行训练,得到训练完成的判别器时,用于:
根据所述第二文本样本数据对初始判别器进行训练,得到训练完成的判别器。
8.如权利要求1所述的系统,其中,所述至少一个第一集群在根据所述样本数据集对初始生成器进行训练,得到训练完成的生成器时,用于:
将初始生成参数输入递归神经网络建立所述初始生成器;
将所述样本数据集输入所述初始生成器中进行预训练;以及
根据概率分布函数转化为概率输出,得到预训练后的网络参数;
根据所述预训练后的网络参数更新所述初始生成器的网络参数,得到所述生成器。
9.如权利要求1所述的系统,其中,所述第二集群在根据所述训练数据对初始判别器进行训练,得到训练完成的判别器时,用于:
将初始判别参数输入至卷积神经网络建立所述初始判别器;
将所述训练数据输入初始判别器中进行预训练;
根据概率分布函数转化为概率输出;以及
根据最小化交叉熵更新所述初始判别器的所述初始判别参数,得到预训练后的判别参数;
根据所述预训练后的判别参数更新所述初始判别器的网络参数,得到所述判别器。
10.一种模型训练方法,其中,应用于第一集群,所述第一集群与第二集群通信连接,所述方法包括:
获取样本数据集;
根据所述样本数据集,生成训练数据;
将所述训练数据发送至所述第二集群,以供第二集群根据所述训练数据对预训练模型进行训练;
其中,所述根据所述样本数据集,生成训练数据,包括:
将所述样本数据集输入初始生成器中,生成所述训练数据,并根据所述样本数据集对初始生成器进行训练,得到训练完成的生成器;
其中,所述第一集群和所述第二集群之间只需传输所述训练数据,无需传输模型参数。
11.如权利要求10所述的方法,其中,所述样本数据集为第一文本样本数据集,所述将所述样本数据集输入初始生成器中,生成所述训练数据,包括:
对所述第一文本样本数据集中的文本片段替换为设定标识,得到替换后的第一文本样本数据集,将所述替换后的第一文本样本数据集输入初始生成器中,得到第二文本样本数据。
12.如权利要求10所述的方法,其中,所述根据所述样本数据集对初始生成器进行训练,得到训练完成的生成器,包括:
将初始生成参数输入递归神经网络建立所述初始生成器;
将所述样本数据集输入所述初始生成器中进行预训练;以及
根据概率分布函数转化为概率输出,得到预训练后的网络参数;
根据所述预训练后的网络参数更新所述初始生成器的网络参数,得到所述生成器。
13.如权利要求10所述的方法,其中,所述第一集群内部以第一带宽进行通信,所述第二集群内部以第二带宽进行通信,所述第一集群和所述第二集群之间通过第三带宽相互通信,其中,所述第一带宽大于所述第三带宽,所述第二带宽大于所述第三带宽。
14.如权利要求10所述的方法,其中,所述至少一个第一集群和所述第二集群之间互为异构集群。
15.一种模型训练方法,其中,应用于第二集群,所述第二集群与至少一个第一集群通信连接,所述方法包括:
接收所述至少一个第一集群发送的样本数据集;
根据训练数据对预训练模型进行训练;
其中,所述根据所述训练数据对预训练模型进行训练,包括:
根据所述训练数据对初始判别器进行训练,得到训练完成的判别器;
所述第一集群和所述第二集群之间只需传输所述训练数据,无需传输模型参数。
16.如权利要求15所述的方法,其中,所述训练数据为第二文本样本数据,所述根据所述训练数据对初始判别器进行训练,得到训练完成的判别器,包括:
根据所述第二文本样本数据对初始判别器进行训练,得到训练完成的判别器。
17.如权利要求15所述的方法,其中,所述根据所述训练数据对初始判别器进行训练,得到训练完成的判别器,包括:
将初始判别参数输入至卷积神经网络建立所述初始判别器;
将所述训练数据输入初始判别器中进行预训练;
根据概率分布函数转化为概率输出;以及
根据最小化交叉熵更新所述初始判别器的所述初始判别参数,得到预训练后的判别参数;
根据所述预训练后的判别参数更新所述初始判别器的网络参数,得到所述判别器。
18.一种模型训练装置,其中,应用于第一集群,所述第一集群与第二集群通信连接,包括:
获取模块,用于获取样本数据集;
生成模块,用于根据所述样本数据集,生成训练数据;
发送模块,用于将所述训练数据发送至所述第二集群,以供第二集群根据所述训练数据对预训练模型进行训练;
其中,所述根据所述样本数据集,生成训练数据,包括:
将所述样本数据集输入初始生成器中,生成所述训练数据,并根据所述样本数据集对初始生成器进行训练,得到训练完成的生成器;
其中,所述第一集群和所述第二集群之间只需传输所述训练数据,无需传输模型参数。
19.一种模型训练装置,其中,应用于第二集群,所述第二集群与至少一个第一集群通信连接,包括:
接收模块,用于接收所述至少一个第一集群发送的样本数据集;
训练模块,用于根据训练数据对预训练模型进行训练;
其中,所述根据所述训练数据对预训练模型进行训练,包括:
根据所述训练数据对初始判别器进行训练,得到训练完成的判别器;
所述第一集群和所述第二集群之间只需传输所述训练数据,无需传输模型参数。
20.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求10-14或者15-17中任一项所述的方法中的各步骤。
21.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求10-14或者15-17中任一项所述的方法中的各步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210358922.4A CN114723045B (zh) | 2022-04-06 | 2022-04-06 | 模型训练方法、装置、系统、设备、介质及程序产品 |
JP2023032391A JP2023065605A (ja) | 2022-04-06 | 2023-03-03 | モデルトレーニング方法、装置、システム、機器、媒体及びプログラム |
US18/118,339 US20230206080A1 (en) | 2022-04-06 | 2023-03-07 | Model training method, system, device, and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210358922.4A CN114723045B (zh) | 2022-04-06 | 2022-04-06 | 模型训练方法、装置、系统、设备、介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723045A CN114723045A (zh) | 2022-07-08 |
CN114723045B true CN114723045B (zh) | 2022-12-20 |
Family
ID=82241141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210358922.4A Active CN114723045B (zh) | 2022-04-06 | 2022-04-06 | 模型训练方法、装置、系统、设备、介质及程序产品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230206080A1 (zh) |
JP (1) | JP2023065605A (zh) |
CN (1) | CN114723045B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595384B (zh) * | 2023-07-14 | 2023-11-24 | 支付宝(杭州)信息技术有限公司 | 模型训练方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966712A (zh) * | 2021-02-01 | 2021-06-15 | 北京三快在线科技有限公司 | 语言模型训练方法、装置、电子设备和计算机可读介质 |
CN113704388A (zh) * | 2021-03-05 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 多任务预训练模型的训练方法、装置、电子设备和介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10609130B2 (en) * | 2017-04-28 | 2020-03-31 | Microsoft Technology Licensing, Llc | Cluster resource management in distributed computing systems |
US11032044B2 (en) * | 2018-06-29 | 2021-06-08 | Qualcomm Incorporated | Positioning reference signal transmission with controlled transmission power and bandwidth |
CN110519217A (zh) * | 2019-07-05 | 2019-11-29 | 中国平安人寿保险股份有限公司 | 跨集群数据传输方法、装置、计算机设备及存储介质 |
US11861405B2 (en) * | 2020-04-29 | 2024-01-02 | Kyndryl, Inc. | Multi-cluster container orchestration |
CN112257736A (zh) * | 2020-06-17 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 基于多集群的模型训练系统、方法、设备及存储介质 |
CN111753997B (zh) * | 2020-06-28 | 2021-08-27 | 北京百度网讯科技有限公司 | 分布式训练方法、系统、设备及存储介质 |
CN113886058A (zh) * | 2020-07-01 | 2022-01-04 | 中国联合网络通信集团有限公司 | 一种跨集群资源调度方法和装置 |
CN112561078B (zh) * | 2020-12-18 | 2021-12-28 | 北京百度网讯科技有限公司 | 分布式的模型训练方法及相关装置 |
CN112668659A (zh) * | 2020-12-31 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 模型训练方法、平台和电子设备 |
CN113850386A (zh) * | 2021-10-28 | 2021-12-28 | 北京百度网讯科技有限公司 | 模型预训练方法、装置、设备、存储介质以及程序产品 |
CN113961351B (zh) * | 2021-10-28 | 2022-12-30 | 北京百度网讯科技有限公司 | 深度学习模型的分布式训练方法、装置、设备及存储介质 |
CN114139605A (zh) * | 2021-11-04 | 2022-03-04 | 乐视新生代(北京)文化传媒有限公司 | 分布式的模型训练方法、系统、设备以及存储介质 |
-
2022
- 2022-04-06 CN CN202210358922.4A patent/CN114723045B/zh active Active
-
2023
- 2023-03-03 JP JP2023032391A patent/JP2023065605A/ja active Pending
- 2023-03-07 US US18/118,339 patent/US20230206080A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966712A (zh) * | 2021-02-01 | 2021-06-15 | 北京三快在线科技有限公司 | 语言模型训练方法、装置、电子设备和计算机可读介质 |
CN113704388A (zh) * | 2021-03-05 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 多任务预训练模型的训练方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
US20230206080A1 (en) | 2023-06-29 |
JP2023065605A (ja) | 2023-05-12 |
CN114723045A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7228662B2 (ja) | イベント抽出方法、装置、電子機器及び記憶媒体 | |
CN112507040B (zh) | 多元关系生成模型的训练方法、装置、电子设备及介质 | |
CN112347769B (zh) | 实体识别模型的生成方法、装置、电子设备及存储介质 | |
CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
KR102565673B1 (ko) | 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
CN113657100B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN111967256A (zh) | 事件关系的生成方法、装置、电子设备和存储介质 | |
CN112560985B (zh) | 神经网络的搜索方法、装置及电子设备 | |
US20230306081A1 (en) | Method for training a point cloud processing model, method for performing instance segmentation on point cloud, and electronic device | |
JP7297038B2 (ja) | ニューラルネットワークモデルの事前トレーニング方法、装置、電子機器及び媒体 | |
CN115640520B (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
JP2022173453A (ja) | ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN112561056A (zh) | 神经网络模型的训练方法、装置、电子设备和存储介质 | |
JP7357114B2 (ja) | 生体検出モデルのトレーニング方法、装置、電子機器および記憶媒体 | |
CN114723045B (zh) | 模型训练方法、装置、系统、设备、介质及程序产品 | |
CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
CN115357710B (zh) | 表格描述文本生成模型的训练方法、装置及电子设备 | |
CN112507705A (zh) | 一种位置编码的生成方法、装置及电子设备 | |
CN114783597B (zh) | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN116030235A (zh) | 目标检测模型训练方法、目标检测方法、装置和电子设备 | |
CN115292467A (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
JP2022088540A (ja) | ユーザ興味画像の生成方法、装置、電子機器及び記憶媒体 | |
CN114416941A (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |