[发明专利]一种雾计算环境个性化深度学习方法

权利要求书

1.一种雾计算环境个性化深度学习方法，其特征在于，云端节点通过海量训练数据进行通用模型的训练，将训练得到的通用模型分发到各个雾计算节点，再利用雾计算节点的计算和存储能力训练满足边缘侧行业需求的深度学习模型；通过从智能传感设备中采集数据，在雾计算节点实时推理，实时输出结果；识别出推理出现的错误，持续的训练优化模型，并能将行业个性化模型选择性的传入云端，同时接收云端的通用模型并持续改进优化；

该方法操作步骤如下：

步骤1）所述的云端节点通过大量通用的深度学习训练集合进行云端训练，训练得到具有通用认知识别能力的基础模型；

步骤2）所述的雾计算节点根据靠近边缘侧的具体行业需求以及本地个性化深度学习模型的可信度，向所述的云端节点请求深度学习模型；

步骤3）所述的云端节点将通用深度学习模型分发到所述的雾计算节点；

步骤4）所述的云端节点根据所述的雾计算节点的具体行业需求查询；如果存在用户分享的个性化深度学习模型，则返回该模型给所述的雾计算节点；

步骤5）如果所述的雾计算节点接收到来自云端用户分享的个性化深度学习模型，则比较本地是否已存在该模型，如果存在，则转到步骤7）；否则，转到步骤6）；

步骤6）所述的雾计算节点根据靠近边缘侧的具体行业需求，基于用户分享的模型利用行业应用数据以及本地存储的训练数据进行训练，产生行业个性化深度学习模型，保存到本地；

步骤7）所述的雾计算节点接收来自云端的通用深度学习模型，并比较本地是否已存在该模型，如果存在，则转到步骤9）；否则，转到步骤8）；

步骤8）所述的雾计算节点根据靠近边缘侧的具体行业需求，基于通用模型利用行业应用数据以及本地存储的训练数据进行训练，产生行业个性化深度学习模型，保存到本地；

步骤9）所述的雾计算节点比较本地各个模型的可信度，选择最优的模型用于推理；

步骤10）所述的智能传感设备根据行业需求采集数据并发送给所述的雾计算节点进行推理；

步骤11）所述的雾计算节点利用行业个性化深度学习模型对采集数据进行推理，完成认知服务，实现行业需求，实时输出结果发送给所述的智能传感设备；

步骤12）所述的智能传感设备将结果反馈给最终用户，执行相应的工作指令；

步骤13）所述的雾计算节点将收集的错误数据形成训练样本，保存在本地存储中；

步骤14）所述的雾计算节点选择空闲时间，定期将存储在本地存储中的训练样本基于现有个性化深度学习模型进行训练，形成新的深度学习训练模型，保存在本地缓存；

步骤15）所述的雾计算节点根据用户许可，将满足具体行业需求的个性化深度学习模型上传分享到云端；

步骤16）循环执行步骤1）至步骤15），持续进行模型优化，提高深度学习计算推理能力，满足行业个性化需求。

2.根据权利要求1所述的方法，其特征在于，所述的云端节点负责持续训练优化通用深度学习模型，并将训练得到的通用模型分发到各个雾计算节点，同时负责收集存储来自雾计算节点的具体行业相关的深度学习模型。

3.根据权利要求1或2所述的方法，其特征在于，所述的雾计算节点是云端和设备端的桥梁，负责接收来自云端节点的通用深度学习模型，并增加边缘侧行业个性化数据进行训练，产生行业个性化深度学习模型。

4.根据权利要求1或2所述的方法，其特征在于，所述的雾计算节点提供推理功能，实时处理反馈来自边缘侧智能传感设备的输入数据，雾计算节点根据推理中出现的错误，进行训练，并结合云端的通用模型进行比较，持续优化行业个性化深度学习模型，并能与云端进行交互，根据客户需求上传其行业个性化模型。

5.根据权利要求1所述的方法，其特征在于，所述的智能传感设备实时采集环境数据，利用雾计算节点进行实时深度学习计算，得到结果及时反馈给用户或采取行动。

6.根据权利要求1所述的方法，其特征在于，所述的步骤1）中基础模型的认知能力适合于通用场景。