买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利面向分布式深度学习的受限权重同步并行模型优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114780340B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210421355.2，技术领域涉及：G06F11/30；该发明授权面向分布式深度学习的受限权重同步并行模型优化方法是由朱伟波;薛梅婷;张纪林;赵乃良;徐沛然;姚蕊;孙超设计研发完成，并于2022-04-21向国家知识产权局提交的专利申请。

本面向分布式深度学习的受限权重同步并行模型优化方法在说明书摘要公布了：本发明公开了面向分布式深度学习的受限权重同步并行模型优化方法。现有同步、异步结合模型会产生异步缺陷问题。本发明引入梯度聚合进程，若模型梯度聚合是全局同步方式，则将该轮模型梯度聚合的各计算节点的本地模型梯度求和取平均得到新全局模型梯度，并返回给所有计算节点；若模型梯度聚合是局部同步方式，则参数服务器节点根据各计算节点参与的局部同步次数计算出权重因子，然后计算参与局部同步的所有计算节点的模型梯度加权平均数，并将模型梯度加权平均数作为参与局部同步的各计算节点的新局部模型梯度。本发明在保证训练速度的前提下，解决滞后问题，提高模型训练的整体性能，并保证模型训练的准确率。

本发明授权面向分布式深度学习的受限权重同步并行模型优化方法在权利要求书中公布了：1.面向分布式深度学习的受限权重同步并行模型优化方法，其特征在于：该方法包括如下步骤： 步骤1：建立一个基于参数服务器架构的分布式深度学习训练系统；所述基于PS架构的分布式深度学习训练系统，由两类节点组成，分别是参数服务器节点与计算节点；参数服务器节点采用多进程工作方式，各进程根据功能分为三类： 通信进程：设有多个，数量与计算节点数量相等，用于维护与各计算节点之间的本地模型梯度通信； 梯度聚合进程：设有一个，用于聚合各个计算节点向参数服务器节点发送过来的本地模型梯度，处理全局模型梯度的更新； 性能监控进程：设有一个，根据计算节点向参数服务器节点发送本地模型梯度的传输周期来监测计算节点在本地模型梯度传输周期间的性能变化；所述的传输周期包含迭代时间和通信时间； 步骤2：部署用于监控参数服务器节点与所有计算节点的性能监控模块，来记录计算节点向参数服务器节点发送本地模型梯度的传输周期； 步骤3：计算参与局部同步的计算节点规模：由参数服务器节点通过性能监测模块拉取各计算节点的单次迭代时间，再对各计算节点的单次迭代时间进行划分，取性能最优簇的规模作为下次迭代中参与局部同步的计算节点个数； 步骤4：确定参数服务器节点与计算节点间的同步方式： 所有计算节点均将本地模型梯度发送给参数服务器节点，由参数服务器节点聚合完成后将聚合结果返回给每个计算节点；若所有计算节点参与的局部同步次数之和达到预设值，则进行一次全局同步；其余情况下均进行局部同步；并且，每个计算节点参与局部同步的次数被记录，在进行全局同步后，参与全局同步的每个计算节点的参与局部同步次数被清零； 其中，若模型梯度聚合是全局同步方式，则将该轮模型梯度聚合的各计算节点的本地模型梯度求和取平均得到新全局模型梯度，并返回给所有计算节点；若模型梯度聚合是局部同步方式，则参数服务器节点根据各计算节点参与的局部同步次数计算出权重因子，然后计算参与局部同步的所有计算节点的本地模型梯度加权平均数，并将本地模型梯度加权平均数作为参与局部同步的各计算节点的新局部模型梯度； 步骤5：若计算节点参与了局部同步或者全局同步，则使用新的局部或全局模型梯度进行下一次迭代训练；否则，使用本地模型梯度进行下一次迭代训练； 步骤6：重复步骤3至步骤5，直至完成预定迭代轮数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。