WO2024094058A1

WO2024094058A1 - 一种模型训练方法及相关装置

Info

Publication number: WO2024094058A1
Application number: PCT/CN2023/129042
Authority: WO
Inventors: 张琦; 潘邵武; 吴天诚; 张昭举; 刘璐
Original assignee: 华为技术有限公司
Priority date: 2022-11-03
Filing date: 2023-11-01
Publication date: 2024-05-10
Also published as: CN118036776A

Abstract

一种模型训练方法，应用于人工智能技术领域。在该方法中，将训练过程中的多个数据划分为多组数据，且每组数据的数据量与训练装置的通信能力相关，由训练装置通过模型分批对多组数据进行处理并将处理多组数据所得到的多部分数据分批向其他训练装置传输，以执行模型的训练。这样，训练装置在向其他训练装置传输处理前面组次数据所得到的数据时，仍能够继续对后面组次的数据进行处理，进而实现将模型训练时间隐藏于训练装置之间的通信时间中，最终缩短整个迭代训练过程中的空闲等待时长，提高整体的训练效率。

Description

一种模型训练方法及相关装置

本申请要求于2022年11月03日提交国家知识产权局、申请号为202211372502.8、发明名称为“一种模型训练方法及相关装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本申请涉及人工智能(Artificial Intelligence，AI)技术领域，尤其涉及一种模型训练方法及相关装置。

背景技术

随着人类社会数字化进程越来越快，产生了大量数据。通过机器学习技术可以自动化地挖掘数据中蕴藏的信息，因此经过大量数据训练出来的机器学习模型已经应用在各类场景中，例如人脸识别、语音翻译、医疗辅助诊断等场景。在实际应用中，机器学习模型的精度、泛化能力等至关重要，而这些都依赖于采用大量的数据对机器学习模型进行训练。

受限于法律法规、商业机密、个人隐私等数据隐私安全上的约束，多个数据来源方往往无法直接交换数据，进而导致多个数据来源方的数据无法融合在一起对机器学习模型进行训练，制约了机器学习模型能力的进一步提高。联邦学习的诞生即是为了解决这一问题。

联邦学习(Federated Learning)是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，在不需要交换本地数据的前提下，仅通过交换中间结果的方式，构建基于融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡。

然而，由于参与联邦学习的多个设备分布于不同的地方，多个设备在执行联邦学习的过程中，往往需要通过网络来交换大量的数据。受限于网络的通信能力，在多个设备之间待交换的数据较多的情况下，设备间交换数据的通信时长往往会大于设备训练模型的时长，进而导致联邦学习的整体时延较长。

发明内容

本申请提供了一种模型训练方法，能够缩短整个迭代训练过程中的空闲等待时长，提高整体的训练效率。

本申请第一方面提供一种模型训练方法，应用于人工智能技术领域。该方法包括：第一训练装置获取训练数据集，该训练数据集包括多个数据。其中，第一训练装置所获取到的多个数据可以为一个批次的数据，即多个数据的数量与模型的批次大小相同。批次大小指示了用于同时对模型进行训练的数据样本的数据量大小，即模型在一次迭代训练过程中需要使用到的数据样本的数据量大小。

然后，第一训练装置将多个数据划分为多组数据，多组数据中的每组数据包括至少一个数据，且每组数据的数据量与第一训练装置的通信能力相关。例如，每组数据的数据量与第一训练装置的通信能力具有正相关的关系。即，第一训练装置的通信能力越强，每组数据的数据量则越大。

最后，基于第一训练装置中所部署的模型，以组为单位分批对多组数据执行处理，以训练模型并分批向第二训练装置传输处理多组数据所得到的数据，第二训练装置与第一训练装置共同参与模型的训练。具体地，通过模型对多组数据执行处理会得到多部分数据，每组数据对应于唯一的一部分数据。并且，由于本步骤中是分批对多组数据执行处理，因此本步骤中多部分数据中的每一部分数据也是分批向第二训练装置传输的。

本方案中，将训练过程中的多个数据划分为多组数据，且每组数据的数据量与训练装置的通信能力相关，由训练装置通过模型分批对多组数据进行处理并将处理多组数据所得到的多部分数据分批向其他训练装置传输，以执行模型的训练。这样，训练装置在向其他训练装置传输处理前面组次数据所得到的数据时，仍能够继续对后面组次的数据进行处理，进而实现将模型训练时间隐藏于训练装置之间的通信时间中，最终缩短整个迭代训练过程中的空闲等待时长，提高整体的训练效率。

在一种可能的实现方式中，训练模型的过程中所执行的运算包括第一类运算和第二类运算。其中，第一类运算用于基于多组数据生成向第二训练装置传输的多部分数据，即第一类运算是依赖于多组数据来生成待传输数据的运算。第二类运算用于生成仅由第一训练装置处理的数据，即第二类运算的执行与否并不影响待传输数据的生成。

此外，第一类运算的执行优先级高于第二类运算的执行优先级。也就是说，在训练过程中，当同时存在均能够执行的第一类运算和第二类运算时，第一训练装置优先执行第一类运算。在所有的第一类运算执行完毕后，第一训练装置再执行第二类运算。

本方案中，对于会影响待传输数据生成的第一类运算以及不会影响待传输数据生成的第二类运算，训练装置优先执行第一类运算，以便于能够持续生成待传输数据，尽可能地避免训练装置处于通信空闲状态，以保证通信和训练并行的时间尽可能地长，从而缩短整个迭代过程中的空闲等待时长，提高整体的训练效率。

在一种可能的实现方式中，第一类运算包括第一子类运算和第二子类运算，第一子类运算的运算结果用于得到第二子类运算的输入，第二子类运算的运算结果用于向第二训练装置传输。也就是说，第一训练装置执行第二子类运算所得到的运算结果即为需要向第二训练装置传输的数据，而第一训练装置执行第一子类运算所得到的运算结果是用于作为第二子类运算的输入，即第二子类运算的执行依赖于第一子类运算。在实际训练过程中，只有先执行第一子类运算后，才能够得到作为第二子类运算的输入的数据，进而才能执行第二子类运算。

在一种可能的实现方式中，第二子类运算的执行优先级高于第一子类运算。

简单来说，由于第二子类运算的执行依赖于第一子类运算，因此在训练过程中，第一训练装置需要先执行第一子类运算，并得到运算结果后，才能够基于所得到的运算结果继续执行第二子类运算。即，第二子类运算的运算条件满足后，才能够执行第二子类运算。但是，在第二子类运算的运算条件满足后，第一训练装置则优先执行第二子类运算，以便于尽快生成待传输至第二训练装置的数据。

在一种可能的实现方式中，在训练模型的过程中，第一训练装置将执行第一类运算所产生的数据缓存至第一队列中，第一队列用于缓存待传输至第二训练装置的数据。在第一队列中数据的数据量大于或等于第一阈值的情况下，第一训练装置则停止执行第一类运算，并执行第二类运算。

具体来说，在第一队列中的数据较多的情况下，代表第一训练装置向第二训练装置发送数据的速度远跟不上第一训练装置执行第一类运算而产生数据的速度，因此第一训练装置继续优先执行第一类运算也不会提高整体的训练效率。在这种情况下，为了避免内存开销过大，第一训练装置则可以是选择转至执行第二类运算，以免产生过多的待传输数据积压在内存中。

在一种可能的实现方式中，在第一队列中的数据小于第一阈值的情况下，或在用于支持执行第二类运算的数据已处理完毕的情况下，第一训练装置则停止执行第二类运算，并继续执行第一类运算。其中，用于支持执行第二类运算的数据可以是指作为第二类运算的输入的数据，即第二类运算的输入数据。

也就是说，在第一队列中的数据被消耗至一定数量的情况下，为了避免第一队列的数据被消耗完毕而导致出现通信空闲的现象，第一训练装置可以是继续优先执行第一类运算，以持续产生待传输至第二训练装置的数据，保证数据通信的持续性。并且，在第一训练装置处理完毕第二类运算的输入数据之后，用于支持执行第二类运算的数据则已处理完毕，第一训练装置无法继续执行第二类运算，因此第一训练装置转至继续执行第一类运算。

在一种可能的实现方式中，第一训练装置所参与的训练为联邦学习，例如横向联邦学习、纵向联邦学习或联邦迁移学习。

在一种可能的实现方式中，第一类运算包括基于模型对多组数据进行处理的运算，第二类运算包括基于从第二训练装置获取的数据对模型进行反向梯度计算的运算。

在一种可能的实现方式中，模型包括第一子模型和第二子模型；第一类运算包括基于第一子模型对多组数据进行处理的运算，以及基于从第二训练装置获取的数据对第二子模型进行处理的运算；第二类运算包括对第一子模型进行反向梯度计算的运算。

在一种可能的实现方式中，多个数据的数量与模型的批次大小相关；在模型的训练过程中，目标梯度与基于多组数据所得到的多个梯度相关，目标梯度用于第一训练装置更新模型。例如，在基于多组数据分别得到多个梯度的情况下，通过求取多个梯度的平均值，得到目标梯度。

本方案通过基于多个梯度来求取目标梯度，进而基于目标梯度对模型进行更新，能够保证是基于一个批次的数据来对模型进行更新，确保模型训练的精度不会受到影响。

在一种可能的实现方式中，多个数据的数量与模型的批次大小相关，多组数据的组数与待传输数据量具有正相关的关系，且多组数据的组数与第一训练装置的通信能力以及训练时长具有负相关的关系；其中，待传输数据量为处理多组数据后所生成的待传输数据的数据量，训练时长为第一训练装置基于多组数据训练模型的时长。

也就是说，处理多组数据后所生成的待传输数据的数据量越大，多组数据的组数则越多，以减少处理每组数据所生成的待传输数据，避免处理每组数据后所生成的待传输数据的数据量过多。并且，第一训练装置的通信能力越强，第一训练装置单位时间内能够向第二训练装置传输的数据则越多，多组数据的组数则可以划分得越少。第一训练装置基于多组数据训练模型的时长越长，则代表第一训练装置处理多组数据以生成待传输数据的速度越慢，多组数据的组数则可以划分得越少。

本申请第二方面提供一种模型训练装置，该模型训练装置为第一训练装置，包括：

获取模块，用于获取训练数据集，训练数据集包括多个数据；

处理模块，用于将多个数据划分为多组数据，多组数据中的每组数据包括至少一个数据，且每组数据的数据量与第一训练装置的通信能力相关；

处理模块，还用于基于第一训练装置中所部署的模型，以组为单位分批对多组数据执行处理，以训练模型并分批向第二训练装置传输处理多组数据所得到的数据，第二训练装置与第一训练装置共同参与模型的训练。

在一种可能的实现方式中，训练模型的过程中所执行的运算包括第一类运算和第二类运算，第一类运算用于基于多组数据生成向第二训练装置传输的数据，第二类运算用于生成仅由第一训练装置处理的数据，第一类运算的执行优先级高于第二类运算的执行优先级。

在一种可能的实现方式中，第一类运算包括第一子类运算和第二子类运算，第一子类运算的运算结果用于得到第二子类运算的输入，第二子类运算的运算结果用于向第二训练装置传输。

在一种可能的实现方式中，处理模块，还用于：

将执行第一类运算所产生的数据缓存至第一队列中，第一队列用于缓存待传输至第二训练装置的数据；

在第一队列中数据的数据量大于或等于第一阈值的情况下，停止执行第一类运算，并执行第二类运算。

在一种可能的实现方式中，处理模块，还用于：

在第一队列中的数据小于第一阈值的情况下，或在用于支持执行第二类运算的数据已处理完毕的情况下，停止执行第二类运算，并继续执行第一类运算。

在一种可能的实现方式中，第一训练装置所参与的训练为联邦学习。

在一种可能的实现方式中，模型包括第一子模型和第二子模型；

第一类运算包括基于第一子模型对多组数据进行处理的运算，以及基于从第二训练装置获取的数据对第二子模型进行处理的运算；

第二类运算包括对第一子模型进行反向梯度计算的运算。

在一种可能的实现方式中，多个数据的数量与模型的批次大小相关；

在模型的训练过程中，目标梯度与基于多组数据所得到的多个梯度相关，目标梯度用于第一训练装置更新模型。

在一种可能的实现方式中，多个数据的数量与模型的批次大小相关，多组数据的组数与待传输数据量具有正相关的关系，且多组数据的组数与第一训练装置的通信能力以及训练时长具有负相关的关系；

其中，待传输数据量为处理多组数据后所生成的待传输数据的数据量，训练时长为第一训练装置基于多组数据训练模型的时长。

本申请第三方面提供一种模型训练装置，可以包括处理器，处理器和存储器耦合，存储器存储有程序指令，当存储器存储的程序指令被处理器执行时实现上述第一方面或第一方面任一实现方式所述的方法。对于处理器执行第一方面的各个可能实现方式中的步骤，具体均可以参阅第一方面，此处不再赘述。

在一种可能的实现方式中，该模型训练装置还包括通信接口，该模型训练装置通过通信接口向其他的模型训练装置传输数据，或者是接收其他的模型训练装置所传输的数据。具体地，该模型训练装置可以是基于通信接口，通过远程直接数据存取(Remote Direct Memory Access，RDMA)技术来向其他的模型训练装置传输数据，在此并不限定模型训练装置之间传输数据的具体方式。

其中，RDMA是指通过网络把数据直接传入计算机的存储区，即将数据从一个系统快速移动到远程系统存储器中，而不对操作系统造成任何影响，从而不占用计算机的处理资源。因此，在模型训练装置之间通过RDMA技术来实现数据传输的情况下，模型训练装置可以将待传输的数据存储至内存中，以便于通过网络将内存中的数据直接穿入另一个模型训练装置的内存中，进而减少对两个模型训练装置的处理资源的消耗。

本申请第四方面提供了一种模型训练系统，包括至少两个模型训练装置，该至少两个模型训练装置共同参与模型的训练，且至少两个模型训练装置中的任意一个模型训练装置采用上述第一方面任一实现方式所述的方法与其他的模型训练装置进行交互并执行模型的训练。

本申请第五方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面任一实现方式所述的方法。

本申请第六方面提供了一种电路系统，所述电路系统包括处理电路，所述处理电路配置为执行上述第一方面任一实现方式所述的方法。

本申请第七方面提供了一种计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一实现方式所述的方法。

本申请第八方面提供了一种芯片系统，该芯片系统包括处理器，用于支持服务器或门限值获取装置实现上述第一方面任一实现方式中所涉及的功能，例如，发送或处理上述方法中所涉及的数据和/或信息。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存服务器或通信设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。

上述第二方面至第八方面的有益效果可以参考上述第一方面的介绍，在此不再赘述。

附图说明

图1为本申请实施例提供的一种模型训练方法的应用场景示意图；

图2为本申请实施例提供的一种电子设备101的结构示意图；

图3为本申请实施例提供的一种模型训练方法的流程示意图；

图4A为本申请实施例提供的一种多个训练装置执行模型训练的示意图；

图4B为本申请实施例提供的一种在对训练数据进行分组以及不分组情况下的训练时长对比示意图；

图5为本申请实施例提供的一种训练过程的示意图；

图6为本申请实施例提供的另一种训练过程的示意图；

图7为本申请实施例提供的一种训练架构的示意图；

图8为本申请实施例提供的一种训练装置3进行并行任务调度的流程示意图；

图9为本申请实施例提供的一种训练装置4进行并行任务调度的流程示意图；

图10为本申请实施例提供的一种模型训练装置的结构示意图；

图11为本申请实施例提供的执行设备的一种结构示意图；

图12为本申请实施例提供的芯片的一种结构示意图；

图13为本申请实施例提供的一种计算机可读存储介质的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图，对本申请的实施例进行描述。显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。本领域普通技术人员可知，随着新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的描述在适当情况下可以互换，以便使实施例能够以除了在本申请图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行顺序，只要能达到相同或者相类似的技术效果即可。本申请中所出现的单元的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个单元可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请中均不作限定。并且，作为分离部件说明的单元或子单元可以是也可以不是物理上的分离，可以是也可以不是物理单元，或者可以分布到多个电路单元中，可以根据实际的需要选择其中的部分或全部单元来实现本申请方案的目的。

为便于理解，以下先介绍本申请实施例所涉及的技术术语。

(1)分布式训练

分布式训练是指采用位于不同地方的多个装置对模型进行训练，进而有效地利用各个装置的计算资源来完成单个装置难以完成的模型训练任务。

(2)联邦学习

联邦学习本质上是一种模型训练方法，能够在保障数据隐私安全及合法合规的基础上，实现数据共享，共同建立模型。联邦学习的核心思想是在多个数据源共同参与模型训练时，不需要进行原始数据流转的前提下，仅通过交互模型中间参数进行模型联合训练，原始数据可以不出本地。这种方式实现数据隐私保护和数据共享分析的平衡，即“数据可用不可见”的数据应用模式。

根据联邦学习所使用数据在各参与方的不同分布情况，联邦学习可以划分为三类：横向联邦学习(Horizontal Federated Learning，HFL)、纵向联邦学习(Vertical Federated Learning，VFL)和联邦迁移学习(Federated Transfer Learning，FTL)。以下将分别介绍这三种类型联邦学习所针对的不同数据分布情况。

(3)横向联邦学习

横向联邦学习是指联邦学习中不同参与方的数据有较大的特征的重叠，但数据样本(即特征所属的样本)的重叠度不高。例如，联邦学习的参与方是两家服务于不同区域市场的银行，他们所服务的客户群体差别较大，但客户的特征可能会因为相似的商业模式而重叠度较高。

(4)纵向联邦学习

纵向联邦学习是指联邦学习中不同参与方的数据样本有较大的重叠，但样本特征的重叠度不高。例如，两家公司(银行和电子商务公司)分别向客户提供不同的服务，且这两间公司拥有客户不同方面的数据，但这两间公司所服务的客户群体有较大的重叠。

一般来说，在目前的联邦学习场景下，纵向联邦学习的应用场景最为广泛，因此纵向联邦学习算法有利于各企业之间建立合作，使用各自的特有数据，共同建立更加强大的模型。

(5)联邦迁移学习

联邦迁移学习是指联邦学习中不同参与方的数据在特征和样本维度重叠度都不是非常高。

(6)神经网络

神经网络通常又称为模型，神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。神经网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

具体地，神经网络可以是由神经单元组成的。神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入，激活函数可以是sigmoid函数。

总的来说，神经网络是将多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

(7)损失函数

在训练神经网络的过程中，因为希望神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么神经网络的训练就变成了尽可能缩小这个loss的过程。

总的来说，损失函数是用于度量预测值与实际值之间的差异，以作为模型性能参考。损失函数的值越小，代表模型的预测输出和期望输出(也称为实际值)之间的差值就越小，也就说明模型的性能越好。模型训练的过程，就是不断地通过训练数据进行预测，不断调整预测输出与期望输出之间的差异，使得损失函数的值不断变小的过程。

(8)梯度(gradient)

梯度是一个向量，表示某一个函数在某一点处的方向导数沿着该方向取得最大值，即函数在该点处沿着梯度的方向变化最快，变化率最大。

(9)梯度下降法

梯度下降法是一种寻找目标函数最小化的方法。一般来说，要使用梯度下降法找到一个函数的局部最小值，必须向函数上当前点对应梯度的反方向的规定步长距离点进行迭代搜索。

通常地，梯度下降法应用于求解损失函数的最小值。基于梯度下降法的原理可知，损失函数沿梯度相反方向收敛最快，即能够最快找到极值点。当梯度向量为0时，说明损失函数到达一个极小值点，模型准确度达到一个极大值点。

(10)反向传播法

基于神经网络按层深入，层层嵌套的特点，对神经网络的目标函数计算梯度的时候，需要用反向传播的方式由深到浅倒着计算以及更新参数。因此，反向传播法是梯度下降法在神经网络上的具体实现方式。神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的模型中参数的大小，使得模型的误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的模型中参数，从而使误差损失收敛。反向传播法是以误差损失为主导的反向传播运动，旨在得到最优的模型参数，例如权重矩阵。

(11)超参数

机器学习模型中一般有两类参数：一类是需要从数据中学习和估计得到，称为模型参数，即模型本身的参数，例如线性回归直线的加权系数(斜率)及其偏差项(截距)；另一类则是机器学习算法中的调优参数(tuning parameters)，需要人为设定，称为超参数(Hyperparameter)。例如，超参数可以包括批次大小(batch size)、梯度下降法中的学习速率α，迭代次数epoch。

(12)批次大小(batch size)

批次大小表示单次传递给程序用以训练模型的数据样本个数。比如，假设训练数据集有1000个数据，如果设置batch_size＝100，那么程序首先会用训练数据集中的前100个数据，即第1-100个数据来训练模型。当基于第1-100个数据完成训练后(即更新完毕模型的权重)，再使用第101-200个数据对模型训练，直至第十次使用完训练集中的1000个数据后停止。其中，第1-100个数据属于同一批次的数据，第101-200个数据也属于同一批次的数据，依次类推，该训练数据集中共有10个批次的数据。

在模型训练中，设置批次大小的意义是为了同时基于多个样本数据对模型进行训练，一方面能够有效地利用GPU、NPU等硬件装置的并行性，同时并行地对多个样本数据进行处理，以提高模型训练效率；另一方面则能够基于多个样本数据来确定模型的平均梯度值，提高模型的训练精度，避免基于单个样本数据来确定模型梯度值时容易造成训练过程中的梯度值波动。

目前，联邦学习技术的提出，是为了应对数据孤岛的问题。由于隐私保护和商业保护，在大部分商业场景下，不同企业或平台之间所拥有的数据是无法直接交换的。

例如，在广告场景下，广告主为投放广告的一方，广告平台为曝光广告的一方；广告平台上拥有用户特征、点击曝光行为等数据；广告主则拥有用户下载、激活、购买等转化行为数据。基于用户隐私保护以及商业保护等因素，广告主与广告平台之间的数据难以直接交换，导致有效数据分散在两方，造成数据孤岛现象。基于联邦学习，广告平台和广告主在无需共享数据资源，数据不出本地的情况下进行联合训练，实现模型的联合构建。

有鉴于此，本申请实施例提供了一种模型训练方法，将训练过程中同一批次的多个数据划分为多组数据，由训练装置通过模型依次对多组数据进行处理，以执行模型的训练；并且，在模型训练过程中，训练装置优先执行生成待传输数据的运算，进而实现将模型训练时间隐藏于训练装置之间的通信时间中，且尽可能地避免训练装置处于通信空闲状态，最终缩短整个迭代过程中的空闲等待时长，提高整体的训练效率。

请参阅图1，图1为本申请实施例提供的一种模型训练方法的应用场景示意图。如图1所示，训练装置10和训练装置20为参与模型分布式训练的两个训练装置。并且，训练装置10可以从本地的数据库1中获取用于训练模型的训练数据；训练装置20则可以是从本地的数据库2中获取用于训练模型的训练数据。并且，训练装置10与训练装置20之间无法直接交换数据库1和数据库2中数据。

此外，训练装置10上部署有模型1，训练装置20上部署有模型2。训练装置10基于从数据库1中获取到的训练数据对模型1进行训练，训练装置20基于从数据库2中获取到的训练数据对模型2进行训练。并且，在训练装置10和训练装置20进行模型训练的过程中，训练装置10和训练装置20会彼此交换模型的中间参数(例如通过本地模型处理训练数据所得到的数据)，以便于双方能够相互配合完成本地模型的训练。

基于本申请实施例提供的模型训练方法，对于参与分布式训练的任意一个训练装置(例如图1所示的训练装置10)，训练装置可以是将一个批次的多个训练数据划分为多组数据，并通过模型以组为单位分批对多组数据进行处理，以逐步生成多部分待传输至其他训练装置的数据。然后，训练装置在分批处理多组数据的同时，向其他训练装置传输通过处理数据所生成的一部分或多部分数据，以实现数据处理和数据传输同步执行。在获取到来自于其他训练装置的数据后，训练装置继续对所获取到的数据进行处理，以完成模型的训练。并且，在训练装置对模型进行训练的过程中，训练装置优先执行生成待传输数据的运算，以避免训练装置处于通信空闲状态。

需要说明的是，在图1所示的应用场景中，本申请实施例是以两个训练装置参与分布式训练来进行举例说明。在实际应用中，参与分布式训练的装置可以是两个或两个以上的训练装置，在此并不对参与分布式训练的训练装置的数量进行限定。

具体地，本申请实施例所提供的模型训练方法可以应用于电子设备上，或者是电子设备上的芯片系统，例如电子设备上的图形处理器(graphics processing unit，GPU)或网络处理器(Neural-network Processing Unit，NPU)。示例性地，该电子设备例如可以是服务器、智能手机(mobile phone)、个人电脑(personal computer，PC)、笔记本电脑、平板电脑、智慧电视、移动互联网设备(mobile internet device，MID)、可穿戴设备，虚拟现实(virtual reality，VR)设备、增强现实(augmented reality，AR)设备、工业控制(industrial control)中的无线电子设备、无人驾驶(self driving)中的无线电子设备、远程手术(remote medical surgery)中的无线电子设备、智能电网(smart grid)中的无线电子设备、运输安全(transportation safety)中的无线电子设备、智慧城市(smart city)中的无线电子设备、智慧家庭(smart home)中的无线电子设备等。为了便于叙述，以下将以本申请实施例提供的方法应用于服务器上为例，对本申请实施例所提供的方法进行介绍。

可以参阅图2，图2为本申请实施例提供的一种电子设备101的结构示意图。如图2所示，电子设备101包括处理器103，处理器103和系统总线105耦合。处理器103可以是一个或者多个处理器，其中每个处理器都可以包括一个或多个处理器核。显示适配器(video adapter)107，显示适配器可以驱动显示器109，显示器109和系统总线105耦合。系统总线105通过总线桥111和输入输出(I/O)总线耦合。I/O接口115和I/O总线耦合。I/O接口115和多种I/O设备进行通信，比如输入设备117(如：触摸屏等)，外存储器121,(例如，硬盘、软盘、光盘或优盘)，多媒体接口等)。收发器123(可以发送和/或接收无线电通信信号)，摄像头155(可以捕捉静态和动态数字视频图像)和外部USB端口125。其中，可选地，和I/O接口115相连接的接口可以是USB接口。

其中，处理器103可以是任何传统处理器，包括精简指令集计算(reduced instruction set Computing，RISC)处理器、复杂指令集计算(complex instruction set computing，CISC)处理器或上述的组合。可选地，处理器可以是诸如ASIC的专用装置。

电子设备101可以通过网络接口129和软件部署服务器149通信。示例性的，网络接口129是硬件网络接口，比如，网卡。网络127可以是外部网络，比如因特网，也可以是内部网络，比如以太网或者虚拟私人网络(virtual private network，VPN)。可选地，网络127还可以是无线网络，比如WiFi网络，蜂窝网络等。

硬盘驱动器接口131和系统总线105耦合。硬件驱动接口和硬盘驱动器133相连接。内存储器135和系统总线105耦合。运行在内存储器135的数据可以包括电子设备101的操作系统(OS)137、应用程序143和调度表。

操作系统包括Shell 139和内核(kernel)141。Shell 139是介于使用者和操作系统的内核间的一个接口。shell是操作系统最外面的一层。shell管理使用者与操作系统之间的交互：等待使用者的输入，向操作系统解释使用者的输入，并且处理各种各样的操作系统的输出结果。

内核141由操作系统中用于管理存储器、文件、外设和系统资源的那些部分组成。内核141直接与硬件交互，操作系统内核通常运行进程，并提供进程间的通信，提供CPU时间片管理、中断、内存管理和IO管理等等。

示例性地，在电子设备101为智能手机的情况下，应用程序143包括即时通讯相关的程序。在一个实施例中，在需要执行应用程序143时，电子设备101可以从软件部署服务器149下载应用程序143。

请参阅图3，图3为本申请实施例提供的一种模型训练方法的流程示意图。如图3所示，本申请实施例提供的模型训练方法应用于第一训练装置，且该方法包括以下的步骤301-303。

步骤301，获取训练数据集，训练数据集包括多个数据。

本实施例中，第一训练装置是参与分布式训练的一个训练装置，第一训练装置例如为上述的电子设备，或电子设备中的芯片。

在对模型执行训练前，第一训练装置可以获取到本地的训练数据集，该训练数据集用于对模型执行训练。此外，基于模型预先所设定的超参数，可以获取到批次大小(batch size)，其中批次大小指示了用于同时对模型进行训练的数据样本的数据量大小，即模型在一次迭代训练过程中需要使用到的数据样本的数据量大小。

因此，基于模型预先所设定的批次大小，能够将训练数据集中的所有数据分成多个批次，每个批次的数据量相同，且每个批次的数据量是由批次大小所确定。例如，假设训练数据集包括10000个图像，批次大小为100，则训练数据集可以分为100个批次，每个批次包括100个图像。例如，第一个批次包括第1-100个图像，第二个批次包括第101-200个图像，以此类推。

可选的，第一训练装置所获取到的多个数据为一个批次的数据，即多个数据的数量与模型的批次大小相同。

步骤302，将多个数据划分为多组数据，多组数据中的每组数据包括至少一个数据，且多组数据的组数与第一训练装置的通信能力相关。

本步骤中，针对于多个数据，第一训练装置可以将该多个数据继续进行划分，得到多组数据。例如，假设该多个数据为一个批次的数据，且该多个数据共包括100个数据，第一训练装置可以将这100个数据划分为5组数据，每组数据包括20个数据。

其中，针对多组数据，每组数据的数据量是与第一训练装置的通信能力相关。例如，每组数据的数据量与第一训练装置的通信能力具有正相关的关系。即，第一训练装置的通信能力越强，每组数据的数据量则越大；第一训练装置的通信能力越差，每组数据的数据量则越小。

可以理解的是，第一训练装置的通信能力越差，则第一训练装置在单位时间内向其他的训练装置传输的数据越少，第一训练装置向其他的训练装置传输特定数据量的数据所花费的时间也就越少。因此，在第一训练装置的通信能力越差的情况下，将多个数据划分为越多组数的数据，能够尽可能地将训练时长隐藏于通信时长中，降低整体的训练时延开销。

步骤303，基于第一训练装置中所部署的模型，以组为单位分批对多组数据执行处理，以训练模型并分批向第二训练装置传输处理多组数据所得到的多部分数据，第二训练装置与第一训练装置共同参与模型的训练。

在对第一训练装置中所部署的模型进行训练的过程中，以组为单位分批将多组数据的每组数据输入至模型中，从而实现分批对多组数据执行处理。并且，在基于模型依次处理多组数据的过程中，每处理一组数据都会产生一部分数据，且产生的这一部分数据需要向第二训练装置传输，以便于第二训练装置配合完成模型的训练。也就是说，通过模型对多组数据执行处理会得到多部分数据，每组数据对应于唯一的一部分数据。并且，由于本步骤中是分批对多组数据执行处理，因此本步骤中多部分数据中的每一部分数据也是分批产生并且分批向第二训练装置传输的。

在模型的训练过程中，第一训练装置基于模型分批对多组数据执行处理后，继续将处理多组数据所得到的多部分数据分批向第二训练装置传输，以便于第二训练装置配合第一训练装置完成第一训练装置中模型的训练。其中，第二训练装置与第一训练装置共同参与模型的训练。第二训练装置例如包括一个或多个训练装置。第一训练装置和第二训练装置共同参与的训练例如为上述的联邦学习，比如横向联邦学习、纵向联邦学习或联邦迁移学习，在此不做具体限定。

例如，第一训练装置在基于模型对多组数据执行处理，并向第二训练装置传输处理多组数据所得到的多部分数据之后，第二训练装置则基于第二训练装置中的模型对获取到的多部分数据进行处理，并将处理结果返回给第一训练装置。最终，第一训练装置基于第二训练装置所返回的处理结果对第一训练装置中的模型进行权重更新，实现模型的一次迭代训练。

总的来说，通过将多个数据分成多组数据，并通过模型对多组数据分批处理，能够将处理多组数据所得到的多部分数据分批传输给第二训练装置，使得第二训练装置能够尽早地基于所获取到的数据进行计算，从而将第二训练装置的训练时间隐藏于通信时间内，降低模型的整体训练时长，提高模型的训练效率。

可选的，上述第一训练装置所获取的多个数据的数量与模型的批次大小相关，例如多个数据的数量与模型的批次大小相同。并且，在模型的训练过程中，目标梯度与基于多组数据所得到的多个梯度相关，目标梯度用于第一训练装置更新模型。例如，在基于多组数据分别得到多个梯度的情况下，通过求取多个梯度的平均值，得到目标梯度。

可以理解的是，在模型的正常训练过程中，训练装置通常是基于一个批次内的多个数据同时对模型进行训练，从而得到一个梯度，并基于所得到的一个梯度对模型进行更新。由于本方案中是将一个批次内的多个数据分成多组数据，并基于多组数据依次对模型进行训练，因此得到了与多组数据相关的多个梯度。在这种情况下，本方案通过基于多个梯度来求取目标梯度，进而基于目标梯度对模型进行更新，能够保证是基于一个批次的数据来对模型进行更新，确保模型训练的精度不会受到影响。

示例性地，请参阅图4A，图4A为本申请实施例提供的一种多个训练装置执行模型训练的示意图。如图4A所示，训练装置1中部署有模型1，训练装置2中部署有模型2。其中，训练装置1例如为本申请实施例的第一训练装置，训练装置2例如为本申请实施例的第二训练装置。

对于训练装置1中的模型1而言，在模型1的训练过程中，先往模型1中输入训练数据，由训练装置1基于模型1执行正向计算，即基于模型1对输入的训练数据进行处理，得到需要传输至训练装置2的数据。然后，训练装置1向训练装置2传输对模型1执行正向计算所得到的数据。训练装置2在接收到训练装置1所传输的数据后，基于本地的训练数据以及训练装置1所传输的数据，对模型2进行正向计算，并基于模型2正向计算的结果对模型2进行反向梯度计算，得到模型2对应的梯度数据。然后，训练装置2将进行反向梯度计算所得到的梯度数据传输给训练装置1，由训练装置1基于接收到的数据继续对模型1进行反向梯度计算。最后，训练装置1基于反向梯度计算所得到的梯度数据对模型1中的权重进行更新，进而实现模型1的一次迭代训练。

请参阅图4B，图4B为本申请实施例提供的一种在对训练数据进行分组以及不分组情况下的训练时长对比示意图。其中，图4B所示的两种情况下的训练时长对比均是基于图4A所示的模型训练流程。如图4B所示，在数据不分组的情况下，训练装置1在训练模型1时不对输入的训练数据进行分组，即同时基于一个批次的训练数据对模型1进行训练。具体地，训练装置1先基于模型1对同一批次的多个数据进行正向计算(即图4B中的计算A)，得到数据A；然后，训练装置1再向训练装置2传输数据A。在训练装置2接收到训练装置1所传输的数据A后，训练装置2基于数据A对模型2执行正向计算以及反向梯度计算(即图4B中的计算B)，得到数据B；然后，训练装置2再向训练装置1传输数据B。在训练装置1接收到训练装置2所传输的数据B后，训练装置1对模型1执行反向梯度计算(即图4B中的计算C)，最终基于所得到的梯度更新模型中的权重，完成模型的一次迭代训练。

由图4B中可以看出，在输入数据不分组的情况下，训练装置1和训练装置2中所有的计算以及数据传输均是串行执行的，且数据传输时间较长，训练装置1和训练装置2容易处于较长时间的空闲等待状态，导致模型的整体训练时延较长。

在数据分组的情况下，训练装置1在训练模型1时对输入的训练数据进行分组，即将一个批次的训练数据分为两组来对模型1进行训练。具体地，训练装置1先将输入的一批次数据分为两组，并基于模型1对第一组的多个数据进行正向计算(即图4B中的计算A1)，得到数据A1。然后，训练装置1向训练装置2传输数据A1；在训练装置1向训练装置2传输数据A1的同时，训练装置1继续基于模型1对第二组的多个数据进行正向计算(即图4B中的计算A2)，得到数据A2。其中，由于数据传输时长大于模型1的计算时长，因此训练装置1执行计算A2所得到的数据A2是在等待数据A1传输完毕后再继续传输。

在训练装置2接收到训练装置1所传输的数据A1后，训练装置2基于数据A1对模型2执行正向计算以及反向梯度计算(即图4B中的计算B1)，得到数据B1；然后，训练装置2再向训练装置1传输数据B1。此外，在训练装置2执行完计算B1之后，当训练装置2接收到训练装置1所传输的数据A2时，训练装置2继续基于数据A2对模型2执行正向计算以及反向梯度计算(即图4B中的计算B2)，得到数据B2，并向训练装置1传输数据B2。

在训练装置1接收到训练装置2所传输的数据B1后，训练装置1基于数据B1对模型1执行反向梯度计算(即图4B中的计算C1)；在训练装置1接收到训练装置2所传输的数据B2后，训练装置1 基于数据B2对模型1执行反向梯度计算(即图4B中的计算C2)。最终，训练装置1基于通过计算C1和计算C2所得到的梯度更新模型中的权重，完成模型的一次迭代训练。

由图4B中可以看出，在输入数据按批次进行分组的情况下，训练装置1和训练装置2中部分的计算以及数据传输可以并行执行，例如训练装置1中的计算A2和数据A1传输可以并行执行，又例如训练装置1中的数据A2传输和训练装置2中的计算B1可以并行执行，进而实现了将一方的训练时间和通信时间与另一方的训练时间进行并行，即将另一方的训练时间隐藏在通信时间中，从而缩短了整个迭代训练过程中的空闲等待时长，节省了大量的训练时间，有效地提高了模型的训练效率。

本实施例中，将训练过程中多个数据划分为多组数据，由训练装置通过模型分批对多组数据进行处理并将处理多组数据所得到的多部分数据分批向其他训练装置传输，以执行模型的训练。这样，训练装置在向其他训练装置传输处理前面组次数据所得到的数据时，仍能够继续对后面组次的数据进行处理，进而实现将模型训练时间隐藏于训练装置之间的通信时间中，最终缩短整个迭代过程中的空闲等待时长，提高整体的训练效率。

例如，训练装置在处理完毕第一组数据，并得到第一部分数据之后，训练装置在向其他训练装置传输第一部分数据时，可以同时处理第二组数据，即实现向其他训练装置传输处理前面组次数据所得到的数据时，仍能够继续对后面组次的数据进行处理。

可选的，在多个数据的数量与模型的批次大小相关的情况下(例如多个数据的数量与模型的批次大小相同)，对于多组数据而言，多组数据的组数与待传输数据量具有正相关的关系，且多组数据的组数与第一训练装置的通信能力以及训练时长具有负相关的关系。其中，待传输数据量为处理多组数据后所生成的待传输数据的数据量，训练时长为第一训练装置基于多组数据训练模型的时长。

示例性地，第一训练装置对一个批次的数据进行划分，得到的多组数据的组数可以是通过以下的公式来表示：

Batch_size*Seq_length*hidden_size*32/BandWith/train_time

其中，Batch_size表示批次大小，Seq_length表示计算矩阵的一个维度的大小，hidden_size表示模型隐藏层的特征维度，BandWith表示带宽，train_time表示模型的训练时长。Batch_size*Seq_length*hidden_size*32表示第一训练装置通过模型处理多组数据所产生的待传输数据的数据量，BandWith表示第一训练装置单位时间内能够向第二训练装置传输的数据量，train_time表示第一训练装置处理多组数据所需的时长。因此，Batch_size*Seq_length*hidden_size*32/BandWith则是表示第一训练装置向第二训练装置传输所有数据所需的时长；在此基础上，Batch_size*Seq_length*hidden_size*32/BandWith/train_time(即多组数据的组数)则能够是表示第一训练装置向第二训练装置传输所有数据所需的时长与第一训练装置处理多组数据所需的时长之间的比值。

可选的，对于第一训练装置而言，第一训练装置训练模型的过程中所执行的运算包括第一类运算和第二类运算。其中，第一类运算用于基于多组数据生成向第二训练装置传输的多部分数据，即第一类运算是依赖于多组数据来生成待传输数据的运算。第二类运算用于生成仅由第一训练装置处理的数据，即第二类运算的执行与否并不影响待传输数据的生成。例如，第一类运算包括基于模型对多组数据进行处理的运算(即图4A的对模型1所进行的正向计算)，第二类运算包括基于从第二训练装置获取的数据对模型进行反向梯度计算的运算(即图4A的对模型1所进行的反向梯度计算)。

示例性地，在上述图4A所示的模型1中，第一类运算可以是指第一训练装置基于多组数据对模型1所执行的正向计算，其中对模型1所执行的正向计算会生成需要传输至第二训练装置的数据。第二类运算则可以是指第一训练装置基于第二训练装置返回的数据对模型1所执行的反向梯度计算，其中对模型1所执行的反向梯度计算会生成模型1的梯度数据，该模型1的梯度数据是仅由第一训练装置进一步处理以更新模型1权重的数据。

也就是说，在本实施例中，对于会影响待传输数据生成的第一类运算以及不会影响待传输数据生成的第二类运算，训练装置优先执行第一类运算，以便于能够持续生成待传输数据，尽可能地避免训练装置处于通信空闲状态，以保证通信和训练并行的时间尽可能地长，从而缩短整个迭代过程中的空闲等待时长，提高整体的训练效率。

进一步地，在一些可能的实施例中，第一类运算可以包括第一子类运算和第二子类运算，第一子类运算的运算结果用于得到第二子类运算的输入，第二子类运算的运算结果用于向第二训练装置传输。也就是说，第一训练装置执行第二子类运算所得到的运算结果即为需要向第二训练装置传输的数据，而第一训练装置执行第一子类运算所得到的运算结果是用于作为第二子类运算的输入，即第二子类运算的执行依赖于第一子类运算。在实际训练过程中，只有先执行第一子类运算后，才能够得到作为第二子类运算的输入的数据，进而才能执行第二子类运算。

需要说明的是，尽管第一子类运算并不直接生成待传输的数据，但是直接生成待传输的数据的第二子类运算的执行却是依赖于第一子运算的执行，因此第一子类运算也属于是第一类运算，即第一子类运算也可以理解为用于生成待传输至第二训练装置的数据。因此，对于第一子类运算而言，第一子类运算的执行优先级同样高于第二类运算的执行优先级。

可选的，对于同属于第一类运算的第一子类运算和第二子类运算而言，第二子类运算的执行优先级高于第一子类运算。

可以理解的是，由于第二子类运算的执行依赖于第一子类运算，因此在训练过程中，第一训练装置需要先执行第一子类运算，并得到运算结果后，才能够基于所得到的运算结果继续执行第二子类运算。即，第二子类运算的运算条件满足后，才能够执行第二子类运算。但是，在第二子类运算的运算条件满足后，第一训练装置则优先执行第二子类运算，以便于尽快生成待传输至第二训练装置的数据。

示例性地，第一训练装置所部署的模型例如包括第一子模型和第二子模型。第一类运算包括基于第一子模型对多组数据进行处理的运算，以及基于从第二训练装置获取的数据对第二子模型进行处理的运算。例如，第一训练装置在基于第一子模型对多组数据进行处理后，生成待传输至第二训练装置的数据；并且，第一训练装置基于从第二训练装置获取的数据对第二子模型进行处理后，继续生成待传输至第二训练装置的数据。即，第一类运算中包括两种运算(即基于第一子模型对多组数据进行处理的运算以及基于从第二训练装置获取的数据对第二子模型进行处理的运算)，这两种运算分别能够生成不同类型的数据，且所生成的这些数据都是需要向第二训练装置传输的。

可选的，第二子模型的输入还可以包括基于第一子模型对多组数据进行处理的运算结果。即，第二子模型相关的运算实际上是基于第一子模型的运算结果以及从第二训练装置获取的数据对第二子模型进行处理的运算。那么，第一类运算包括基于第一子模型对多组数据进行处理的运算，以及基于第一子模型的运算结果和从第二训练装置获取的数据对第二子模型进行处理的运算。

第二类运算则可以是包括对第一子模型进行反向梯度计算的运算。

为了便于理解，以下将结合具体例子详细介绍第一训练装置所部署的模型以及基于模型所执行的第一类运算和第二类运算。

(1)第一训练装置所部署的模型不包括子模型。

示例性地，请参阅上述的图4A，第一训练装置例如为图4A中的训练装置1，第一训练装置所部署的模型例如为图4A中的模型1；第二训练装置例如为图4A中的训练装置2，第二训练装置所部署的模型例如为图4A中的模型2。

在这种情况下，训练过程中的第一类运算例如可以为图4A中对模型1所执行的正向计算，第二类运算例如可以为图4A中对模型1所执行的反向梯度计算。

(2)第一训练装置所部署的模型包括两个子模型，且两个子模型均会产生需要传输至第二训练装置的数据。

示例性地，请参阅图5，图5为本申请实施例提供的一种训练过程的示意图。如图5所示，训练装置1中部署有模型A1和模型A2，训练装置2中部署有模型B。

在训练过程中，训练装置1基于本地的训练数据集对模型A1执行正向计算，并将得到的计算结果1传输至训练装置2。训练装置2基于训练装置1所发送的计算结果1对模型B执行正向计算，得到计算结果2，并向训练装置1返回所得到的计算结果2。训练装置1基于训练装置2所返回的计算结果2对模型A2执行正向计算，并基于最终所得到的计算结果对模型A2执行反向梯度计算，得到梯度数据1。

其次，训练装置1向训练装置2传输梯度数据1，由训练装置2基于梯度数据1对模型B执行反向梯度计算。在对模型B完成反向梯度计算后，训练装置2向训练装置1传输所得到的梯度数据2，由训练装置1基于梯度数据2对模型A1执行反向梯度计算。

需要说明的是，以上的训练流程是针对于训练装置1初始所输入的一组数据而言的。由于训练装置1将同一批次的多个数据分成了多组数据，因此在实际训练过程中，针对一个批次的数据，训练装置1和训练装置2需要执行多次上述流程中的计算。

具体地，上述的第一训练装置例如为图5中的训练装置1，第二训练装置例如为图5中的训练装置2。上述的第一类运算例如包括训练装置1对模型A1所执行的正向计算、训练装置1对模型A2所执行的正向计算以及反向梯度计算。进一步地，在第一类运算中，第一子类运算例如为训练装置1对模型A2所执行的正向计算，即该正向计算并不直接产生需要向训练装置2传输的数据但会产生作为反向梯度计算的输入的数据；第二子类运算例如为训练装置1对模型A1所执行的正向计算、训练装置1对模型A2所执行的反向梯度计算。上述的第二类运算例如为训练装置1对模型A1所执行的反向梯度计算。

(3)第一训练装置所部署的模型包括两个子模型，且仅有一个子模型会产生需要传输至第二训练装置的数据。

示例性地，请参阅图6，图6为本申请实施例提供的另一种训练过程的示意图。如图6所示，训练装置3中部署有模型C1和C2，训练装置4中部署有D。

在训练过程中，训练装置3基于本地的训练数据集对模型C1执行正向计算，得到计算结果3。训练装置4基于本地的训练数据集对模型D执行正向计算，得到计算结果4，并向训练装置3传输所得到的计算结果4。

在获取到计算结果3和计算结果4之后，训练装置3则基于计算结果3和计算结果4对模型C2执行正向计算，并基于正向计算所得到的结果对模型C2执行反向梯度计算，得到梯度数据。然后，训练装置3向训练装置4传输梯度数据，以使得训练装置4基于接收到的梯度数据对模型D执行反向梯度计算。此外，训练装置3还基于通过对模型C2执行反向梯度计算所得到的梯度数据继续对模型C1执行反向梯度计算，从而得到模型C1的梯度数据。

类似地，以上的训练流程是针对于训练装置3和训练装置4初始所输入的一组数据而言的。在实际训练过程中，训练装置3和训练装置4均会将同一批次的多个数据分成多组数据，因此针对一个批次的数据，训练装置3和训练装置4需要执行多次上述流程中的计算。

具体地，上述的第一训练装置例如为图6中的训练装置3，第二训练装置例如为图6中的训练装置4。上述的第一类运算例如包括训练装置1对模型C1所执行的正向计算、训练装置1对模型C2所执行的正向计算以及反向梯度计算。进一步地，在第一类运算中，第一子类运算例如为训练装置1对模型C2所执行的正向计算，即该正向计算并不直接产生需要向训练装置4传输的数据但会产生作为反向梯度计算的输入的数据；第二子类运算例如为训练装置3对模型C1所执行的正向计算、训练装置3对模型C2所执行的反向梯度计算。上述的第二类运算例如为训练装置3对模型C1所执行的反向梯度计算。

或者，上述的第一训练装置例如为图6中的训练装置4，第二训练装置例如为图6中的训练装置3。上述的第一类运算例如为训练装置4对模型D所执行的正向计算；第二子类运算例如为训练装置4对模型D所执行的反向梯度计算。上述的第二类运算例如为训练装置4对模型D所执行的反向梯度计算。

在上述所示的三个例子中，分别是以第一训练装置中包括一个或两个子模型进行举例，详细介绍了第一训练装置在训练过程中所执行的第一类运算和第二类运算。在实际应用中，第一训练装置所部署的模型也可以是其他类型的模型，且第一训练装置所执行的第一类运算和第二类运算也可以是根据第一训练装置所部署的模型来确定，本实施例并不限定第一训练装置所部署的模型的具体形式。

在上述的实施例中，介绍了第一类运算的执行优先级高于第二类运算的执行优先级。因此，在第一类运算的执行满足的情况下，第一训练装置总会优先执行第一类运算。

然而，在一些情况下，如果第一类运算的执行速度远高于第一训练装置的通信速度，那么将会使得第一训练装置执行第一类运算所产生的大量待传输数据缓存在内存中以等待传输，且随着第一类运算的不断执行，内存中所缓存的数据会越来越多，进而造成内存压力过大。基于此，本实施例中提出在满足一定的条件下，从执行第一类运算转至执行第二类运算，以减轻内存压力。

示例性地，在第一训练装置训练模型的过程中，第一训练装置将执行第一类运算所产生的数据缓存至第一队列中。其中，第一队列是内存中用于存储数据的一种数据结构，第一队列具体用于缓存待传输至第二训练装置的数据。基于第一队列，第一队列中的数据能够被有序地传输至第二训练装置，即先进入到第一队列中的数据则先被传输至第二训练装置。

在第一队列中数据的数据量大于或等于第一阈值的情况下，第一训练装置停止执行第一类运算，并执行第二类运算。即，在第一队列中的数据较多的情况下，第一训练装置不再优先执行第一类运算，而是转至执行第二类运算。其中，第一阈值的大小可以是根据第一训练装置中的内存大小来确定，在此并不做具体限定。

可以理解的是，在第一队列中的数据较多的情况下，代表第一训练装置向第二训练装置发送数据的速度远跟不上第一训练装置执行第一类运算而产生数据的速度，因此第一训练装置继续优先执行第一类运算也不会提高整体的训练效率。在这种情况下，为了避免内存开销过大，第一训练装置则可以是选择转至执行第二类运算，以免产生过多的待传输数据积压在内存中。

进一步地，在第一队列中的数据小于第一阈值的情况下，或在用于支持执行第二类运算的数据已处理完毕的情况下，第一训练装置停止执行第二类运算，并继续执行第一类运算。

也就是说，在第一队列中的数据被消耗至一定数量的情况下，为了避免第一队列的数据被消耗完毕而导致出现通信空闲的现象，第一训练装置可以是继续优先执行第一类运算，以持续产生待传输至第二训练装置的数据，保证数据通信的持续性。

其中，用于支持执行第二类运算的数据可以是指作为第二类运算的输入的数据，即第二类运算的输入数据。例如，在图4A中，对于训练装置1而言，第二类运算可以是指训练装置1基于训练装置2返回的数据执行模型1的反向梯度计算。那么，用于支持执行第二类运算的数据则为训练装置2所返回的数据。

第一训练装置执行第二类运算的过程实际上就是对第二类运算的输入数据进行处理的过程。在第一训练装置处理完毕第二类运算的输入数据之后，用于支持执行第二类运算的数据则已处理完毕，第一训练装置无法继续执行第二类运算，因此第一训练装置转至继续执行第一类运算。

以上介绍了第一训练装置所部署的模型以及基于模型所执行的第一类运算和第二类运算，为便于理解，以下将结合具体例子详细介绍训练装置基于不同的优先级执行第一类运算和第二类运算的具体过程。

示例性地，请参阅图7，图7为本申请实施例提供的一种训练架构的示意图。如图7所示，参与训练的两个训练装置按照训练任务中的角色可以分为领导者节点(即图7中的leader node)和跟随者节点(即图7中的follower node)。其中，leader node可以是指发起训练任务的训练装置，follower node则是指接收到训练任务并参与训练的训练装置。以图6所示的训练过程为例，训练装置3可以为leader node，训练装置4则为follower node。

如图7所示，对于leader node和follower node，两者内部用于实现模型训练的功能组件相同，区别在于训练任务的不同。以leader node为例，leader node中包括工作器(worker)和训练器(trainers)。

其中，worker负责任务生成、数据读取、并行任务调度以及通过通信模块与follower node交互数据。任务生成是指在生成训练任务之前与follower node进行协商，以确定训练任务中的训练数据集、待训练的模型、模型的超参数以及数据传输过程中的加密算法等配置信息。数据读取是指在模型训练过程中读取训练所需的训练数据集。并行任务调度包括两个部分，分别为多队列缓存和贪心机制控制。多队列缓存是指在训练过程中，将执行不同类型的运算以及通信所获得的数据通过队列进行缓存，以便于基于各个队列中的数据量情况来决定运算的执行情况；贪心机制控制是指在训练过程中基于各个队列中的数据量情况来决定运算的执行情况，以尽可能地优先执行优先级高的运算。

此外，trainers则负责对模型执行正向计算、反向计算以及优化器更新(即更新模型权重)。

为便于理解，以下将结合图6所示的训练过程详细介绍训练装置进行并行任务调度的过程。请参阅图8，图8为本申请实施例提供的一种训练装置3进行并行任务调度的流程示意图。如图8所示，训练装置3进行并行任务调度的过程包括以下的步骤801-810。

步骤801，将一个批次的数据划分为多组数据。

具体地，训练装置3先基于模型的批次大小获取到一个批次的数据，并且将该一个批次的数据划分为多组数据，每组数据可以有序地进行编号。

步骤802，确定模型当前需处理的数据是组次为1的一组数据。

步骤803，判断队列1是否为空。

其中，队列1是用于缓存训练装置4向训练装置3传输的数据。即，队列1所缓存的数据是用于作为训练装置3对模型C2执行正向计算的输入数据。

步骤804，如果队列1为空，则判断模型C1的正向计算是否已完成。

其中，模型C1的正向计算则是指训练装置3基于所划分的一组数据对模型C1进行的计算。在训练过程中，训练装置3需要对模型C1进行多次正向计算，每次正向计算都是基于所划分的一组数据来对模型C1进行计算。因此，训练装置3对模型C1进行正向计算的次数与多组数据的组数相同。

如果训练装置3已经基于多组数据对模型C1执行了多次正向计算，则代表模型C1的正向计算已经完成；如果训练装置3对模型执行正向计算的次数少于多组数据的组数，则代表代表模型C1的正向计算未完成。

步骤805，如果模型C1的正向计算未完成，则对模型C1执行正向计算，且对模型C1执行正向计算所得到的计算结果进入队列2中缓存。

具体地，训练装置3可以基于当前所确定的组次在多组数据中获取对应的一组数据，并基于所获取的一组数据对模型C1执行正向计算。

步骤806，在基于一组数据对模型C1执行正向计算后，将待处理数据对应的组次加1。

在将待处理数据对应的组次加1之后，训练装置3下一次对模型C1执行正向计算时则能够选取到下一组数据来执行计算。

步骤807，如果模型C1的正向计算已完成，则判断队列3是否为空。

其中，队列3是用于缓存对模型C2执行反向梯度计算的计算结果。即队列3所缓存的数据是用于作为对模型C1执行反向梯度计算的输入数据。

步骤808，如果队列3不为空，则基于队列3中的数据对模型C1执行反向梯度计算。

此外，在队列1为空，模型C1的正向计算已完成且队列3为空的情况下，训练装置3当前无可执行的计算，因此训练装置3继续转至执行步骤803，以确定队列1中是否已有训练装置4所传输的数据，即继续等待训练装置4传输数据。

步骤809，如果队列1不为空，队列1和队列2中的数据同时出列。

在队列1不为空的情况下，代表训练装置4已向训练装置3传输数据，因此训练装置3可以提取队列1和队列2中的数据，即提取对模型C2执行正向计算所需的数据。

步骤810，基于队列1和队列2中出列的数据对模型C2执行正向计算和反向梯度计算，并将反向梯度计算所得到的计算结果入队列3。

最后，在训练装置3对模型C2执行完所有的反向梯度计算后，训练装置3再基于所得到的多个梯度对模型C2进行更新。

类似地，在训练装置3对模型C1执行完所有的反向梯度计算后，训练装置3再基于所得到的多个梯度对模型C1进行更新。

总的来说，在图8所示的流程中，由于对模型C1执行正向计算所得到的计算结果是其他所有运算的基础，因此训练装置3优先执行对模型C1的正向计算；其次，由于训练装置3对模型C2执行的正向计算和反向梯度计算所得到的计算结果需要传输给训练装置4，因此在训练装置3能够执行对模型C2的计算之后，训练装置3则优先执行针对模型C2的正向计算和反向梯度计算；最后，在训练装置无法执行上述的运算的情况下，训练装置3再执行对模型C1的反向梯度计算。

请参阅图9，图9为本申请实施例提供的一种训练装置4进行并行任务调度的流程示意图。如图9所示，训练装置4进行并行任务调度的过程包括以下的步骤901-908。

步骤901，将一个批次的数据划分为N组数据。

步骤902，确定模型当前需处理的数据是组次为1的一组数据。

其中，本实施例中步骤901-902与上述的步骤801-802类似，具体可参考上述的步骤801-802，在此不再赘述。

步骤903，判断队列4的数据量是否大于第一阈值，或对模型D的正向计算是否执行完毕。

其中，队列4是用于缓存训练装置4对模型D执行正向计算所得到的计算结果。如果队列4的数据量大于第一阈值，则代表训练装置4执行正向计算产生待传输数据的速度远大于训练装置4向训练装置3传输数据的速度。此外，对模型D的正向计算执行完毕可以是指训练装置4已经基于划分得到的N组数据对模型D进行正向计算。

步骤904，如果队列4的数据量不大于第一阈值，且对模型D的正向计算未执行完毕，则对模型D执行正向计算，并将计算结果缓存至队列4，以向训练装置3传输队列4中的计算结果。

需要说明的是，在计算结果被缓存至队列4后，训练装置4则开始向训练装置3传输队列4中的计算结果。并且，在训练装置4向训练装置3传输数据的过程中，训练装置仍可以执行其他的运算。

步骤905，在基于一组数据对模型D执行一次正向计算后，将待处理数据对应的组次加1。

在执行步骤905后，继续转至执行上述的步骤903。

步骤906，如果队列4的数据量大于第一阈值，或对模型D的正向计算执行完毕，则基于队列5中的数据对模型D执行反向梯度计算。

如果队列4的数据量大于第一阈值，则代表训练装置4执行正向计算产生待传输数据的速度远大于训练装置4向训练装置3传输数据的速度，因此可以暂停执行对模型D的正向计算，从而转至执行对模型D执行反向梯度计算。

此外，在对模型D的正向计算执行完毕后，则可以是基于队列5中的数据对模型D执行反向梯度计算，以便于后续实现对模型D的更新。

步骤907，判断反向梯度计算是否执行完毕。

步骤908，基于计算得到的多个梯度，更新模型D的权重。

如果反向梯度计算完毕，则基于计算得到的多个梯度来更新模型D的权重，从而完成模型D的一次迭代训练。如果反向梯度计算未完毕，则继续转至执行上述的步骤903。

总的来说，在图9所示的流程中，由于对模型D执行正向计算所得到的计算结果需要向训练装置3传输，因此训练装置4优先执行对模型D的正向计算。其次，在队列中缓存有较多的待传输数据的情况下，则可以暂停执行对模型D的正向计算，转至执行对模型D的反向梯度计算，以减轻内存压力。最后，在模型D的正向计算执行完毕后，则对模型D执行反向梯度计算并基于计算得到的梯度更新模型D的权重。

以上详细介绍了本申请实施例提供的方法，接下来将介绍本申请实施例提供的用于执行上述方法的设备。

请参阅图10，图10为本申请实施例提供的一种模型训练装置的结构示意图。如图10所示，本申请实施例提供的模型训练装置可以为第一训练装置，该装置包括：获取模块1001，用于获取训练数据集，训练数据集包括多个数据；处理模块1002，用于将多个数据划分为多组数据，多组数据中的每组数据包括至少一个数据，且每组数据的数据量与第一训练装置的通信能力相关；处理模块1002，还用于基于第一训练装置中所部署的模型，以组为单位分批对多组数据执行处理，以训练模型并分批向第二训练装置传输处理多组数据所得到的数据，第二训练装置与第一训练装置共同参与模型的训练。

在一种可能的实现方式中，处理模块1002，还用于：

第二类运算包括对第一子模型进行反向梯度计算的运算。

请参阅图11，图11为本申请实施例提供的执行设备的一种结构示意图，执行设备1100具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等，此处不做限定。具体的，执行设备1100包括：接收器1101、发射器1102、处理器1103和存储器1104(其中执行设备1100中的处理器1103的数量可以一个或多个，图11中以一个处理器为例)，其中，处理器1103可以包括应用处理器11031和通信处理器11032。在本申请的一些实施例中，接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。

存储器1104可以包括只读存储器和随机存取存储器，并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，NVRAM)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器1103控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。

上述本申请实施例揭示的方法可以应用于处理器1103中，或者由处理器1103实现。处理器1103可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1103可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104，处理器1103读取存储器1104中的信息，结合其硬件完成上述方法的步骤。

接收器1101可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于通过第一接口输出数字或字符信息；发射器1102还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1102还可以包括显示屏等显示设备。

本申请实施例提供的电子设备具体可以为芯片，芯片包括：处理单元和通信单元，处理单元例如可以是处理器，通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的模型超参数的选择方法，或者，以使训练设备内的芯片执行上述实施例描述的模型超参数的选择方法。可选地，存储单元为芯片内的存储单元，如寄存器、缓存等，存储单元还可以是无线接入设备端内的位于芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图12，图12为本申请实施例提供的芯片的一种结构示意图，芯片可以表现为神经网络处理器NPU 1200，NPU 1200作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1203，通过控制器1204控制运算电路1203提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路1203内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1203是二维脉动阵列。运算电路1203还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1203是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1202中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1201中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1208中。

统一存储器1206用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1205，DMAC被搬运到权重存储器1202中。输入数据也通过DMAC被搬运到统一存储器1206中。

BIU为Bus Interface Unit即，总线接口单元1210，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1209的交互。

总线接口单元1210(Bus Interface Unit，BIU)，用于取指存储器1209从外部存储器获取指令，还用于存储单元访问控制器1205从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1206或将权重数据搬运到权重存储器1202中或将输入数据数据搬运到输入存储器1201中。

向量计算单元1207包括多个运算处理单元，在需要的情况下，对运算电路1203的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对特征平面进行上采样等。

在一些实现中，向量计算单元1207能将经处理的输出的向量存储到统一存储器1206。例如，向量计算单元1207可以将线性函数；或，非线性函数应用到运算电路1203的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1207生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1203的激活输入，例如用于在神经网络中的后续层中的使用。

控制器1204连接的取指存储器(instruction fetch buffer)1209，用于存储控制器1204使用的指令；

统一存储器1206，输入存储器1201，权重存储器1202以及取指存储器1209均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。

可以参阅图13，图13为本申请实施例提供的一种计算机可读存储介质的结构示意图。本申请还提供了一种计算机可读存储介质，在一些实施例中，上述图3所公开的方法可以实施为以机器可读格式被编码在计算机可读存储介质上或者被编码在其它非瞬时性介质或者制品上的计算机程序指令。

图13示意性地示出根据这里展示的至少一些实施例而布置的示例计算机可读存储介质的概念性局部视图，示例计算机可读存储介质包括用于在计算设备上执行计算机进程的计算机程序。

在一个实施例中，计算机可读存储介质1300是使用信号承载介质1301来提供的。信号承载介质1301可以包括一个或多个程序指令1302，其当被一个或多个处理器运行时可以提供以上针对图5描述的功能或者部分功能。

在一些示例中，信号承载介质1301可以包含计算机可读介质1303,诸如但不限于，硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、ROM或RAM等等。

在一些实施方式中，信号承载介质1301可以包含计算机可记录介质1304，诸如但不限于，存储器、读/写(R/W)CD、R/W DVD、等等。在一些实施方式中，信号承载介质1301可以包含通信介质1305,诸如但不限于，数字和/或模拟通信介质(例如，光纤电缆、波导、有线通信链路、无线通信链路、等等)。因此，例如，信号承载介质1301可以由无线形式的通信介质1305(例如，遵守IEEE 802.11标准或者其它传输协议的无线通信介质)来传达。

一个或多个程序指令1302可以是，例如，计算机可执行指令或者逻辑实施指令。在一些示例中，计算设备的计算设备可以被配置为，响应于通过计算机可读介质1303、计算机可记录介质1304、和/或通信介质1305中的一个或多个传达到计算设备的程序指令1302，提供各种操作、功能、或者动作。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims

一种模型训练方法，应用于第一训练装置，所述方法还包括：

获取训练数据集，所述训练数据集包括多个数据；

将所述多个数据划分为多组数据，所述多组数据中的每组数据包括至少一个数据，且所述每组数据的数据量与所述第一训练装置的通信能力相关；

基于所述第一训练装置中所部署的模型，以组为单位分批对所述多组数据处理，以训练所述模型并分批向第二训练装置传输处理所述多组数据所得到的数据，所述第二训练装置与所述第一训练装置共同参与所述模型的训练。
根据权利要求1所述的方法，其特征在于，训练所述模型的过程中所执行的运算包括所述第一类运算和第二类运算，所述第一类运算用于基于所述多组数据生成向所述第二训练装置传输的数据，所述第二类运算用于生成仅由所述第一训练装置处理的数据，所述第一类运算的执行优先级高于所述第二类运算的执行优先级。
根据权利要求2所述的方法，其特征在于，第一类运算包括第一子类运算和第二子类运算，所述第一子类运算的运算结果用于得到所述第二子类运算的输入，所述第二子类运算的运算结果用于向所述第二训练装置传输。
根据权利要求3所述的方法，其特征在于，所述第二子类运算的执行优先级高于所述第一子类运算。
根据权利要求1-4任意一项所述的方法，其特征在于，在训练所述模型的过程中，所述方法还包括：

将执行所述第一类运算所产生的数据缓存至第一队列中，所述第一队列用于缓存待传输至所述第二训练装置的数据；

在所述第一队列中数据的数据量大于或等于第一阈值的情况下，停止执行所述第一类运算，并执行所述第二类运算。
根据权利要求5所述的方法，其特征在于，所述方法还包括：

在所述第一队列中的数据小于所述第一阈值的情况下，或在用于支持执行所述第二类运算的数据已处理完毕的情况下，停止执行所述第二类运算，并继续执行所述第一类运算。
根据权利要求1-6任意一项所述的方法，其特征在于，所述第一训练装置所参与的训练为联邦学习。
根据权利要求1-7任意一项所述的方法，其特征在于，所述第一类运算包括基于所述模型对所述多组数据进行处理的运算，所述第二类运算包括基于从所述第二训练装置获取的数据对所述模型进行反向梯度计算的运算。
根据权利要求1-7任意一项所述的方法，其特征在于，所述模型包括第一子模型和第二子模型；

所述第一类运算包括基于所述第一子模型对所述多组数据进行处理的运算，以及基于从所述第二训练装置获取的数据对所述第二子模型进行处理的运算；

所述第二类运算包括对所述第一子模型进行反向梯度计算的运算。
根据权利要求1-9任意一项所述的方法，其特征在于，所述多个数据的数量与所述模型的批次大小相关；

在所述模型的训练过程中，目标梯度与基于所述多组数据所得到的多个梯度相关，所述目标梯度用于所述第一训练装置更新所述模型。
根据权利要求1-10任意一项所述的方法，其特征在于，所述多个数据的数量与所述模型的批次大小相关，所述多组数据的组数与待传输数据量具有正相关的关系，且所述多组数据的组数与所述第一训练装置的通信能力以及训练时长具有负相关的关系；

其中，所述待传输数据量为处理所述多组数据后所生成的待传输数据的数据量，所述训练时长为所述第一训练装置基于所述多组数据训练所述模型的时长。
一种模型训练装置，所述模型训练装置为第一训练装置，包括：

获取模块，用于获取训练数据集，所述训练数据集包括多个数据；

处理模块，用于将所述多个数据划分为多组数据，所述多组数据中的每组数据包括至少一个数据，且所述每组数据的数据量与所述第一训练装置的通信能力相关；

所述处理模块，还用于基于所述第一训练装置中所部署的模型，以组为单位分批对所述多组数据处理，以训练所述模型并分批向第二训练装置传输处理所述多组数据所得到的数据，所述第二训练装置与所述第一训练装置共同参与所述模型的训练。
根据权利要求12所述的装置，其特征在于，训练所述模型的过程中所执行的运算包括所述第一类运算和第二类运算，所述第一类运算用于基于所述多组数据生成向所述第二训练装置传输的数据，所述第二类运算用于生成仅由所述第一训练装置处理的数据，所述第一类运算的执行优先级高于所述第二类运算的执行优先级。
根据权利要求13所述的装置，其特征在于，第一类运算包括第一子类运算和第二子类运算，所述第一子类运算的运算结果用于得到所述第二子类运算的输入，所述第二子类运算的运算结果用于向所述第二训练装置传输。
根据权利要求14所述的装置，其特征在于，所述第二子类运算的执行优先级高于所述第一子类运算。
根据权利要求12-15任意一项所述的装置，其特征在于，所述处理模块，还用于：

将执行所述第一类运算所产生的数据缓存至第一队列中，所述第一队列用于缓存待传输至所述第二训练装置的数据；

在所述第一队列中数据的数据量大于或等于第一阈值的情况下，停止执行所述第一类运算，并执行所述第二类运算。
根据权利要求16所述的装置，其特征在于，所述处理模块，还用于：

在所述第一队列中的数据小于所述第一阈值的情况下，或在用于支持执行所述第二类运算的数据已处理完毕的情况下，停止执行所述第二类运算，并继续执行所述第一类运算。
根据权利要求12-17任意一项所述的装置，其特征在于，所述第一训练装置所参与的训练为联邦学习。
根据权利要求12-18任意一项所述的装置，其特征在于，所述第一类运算包括基于所述模型对所述多组数据进行处理的运算，所述第二类运算包括基于从所述第二训练装置获取的数据对所述模型进行反向梯度计算的运算。
根据权利要求12-18任意一项所述的装置，其特征在于，所述模型包括第一子模型和第二子模型；

所述第一类运算包括基于所述第一子模型对所述多组数据进行处理的运算，以及基于从所述第二训练装置获取的数据对所述第二子模型进行处理的运算；

所述第二类运算包括对所述第一子模型进行反向梯度计算的运算。
根据权利要求12-20任意一项所述的装置，其特征在于，所述多个数据的数量与所述模型的批次大小相关；

在所述模型的训练过程中，目标梯度与基于所述多组数据所得到的多个梯度相关，所述目标梯度用于所述第一训练装置更新所述模型。
根据权利要求12-21任意一项所述的装置，其特征在于，所述多个数据的数量与所述模型的批次大小相关，所述多组数据的组数与待传输数据量具有正相关的关系，且所述多组数据的组数与所述第一训练装置的通信能力以及训练时长具有负相关的关系；

其中，所述待传输数据量为处理所述多组数据后所生成的待传输数据的数据量，所述训练时长为所述第一训练装置基于所述多组数据训练所述模型的时长。
一种模型训练装置，其特征在于，包括存储器和处理器；所述存储器存储有代码，所述处理器被配置为执行所述代码，当所述代码被执行时，所述装置执行如权利要求1至11任意一项所述的方法。
一种模型训练系统，其特征在于，包括：至少两个模型训练装置，所述至少两个模型训练装置共同参与模型的训练，且所述至少两个模型训练装置中的任意一个模型训练装置采用如权利要求1至11任意一项所述的方法与其他的模型训练装置进行交互并执行模型的训练。
一种计算机存储介质，其特征在于，所述计算机存储介质存储有指令，所述指令在由计算机执行时使得所述计算机实施权利要求1至11任意一项所述的方法。
一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时使得所述计算机实施权利要求1至11任意一项所述的方法。