[发明专利]基于K8S和Kubeedge的云边深度学习模型管理系统及模型训练方法

说明书

本发明提供一种基于K8S和Kubeedge的云边深度学习模型管理系统及模型训练方法。所述系统包括云端服务器、边缘智能设备和云边通信模块，首先在云端服务器上创建深度学习任务，根据用户配置参数构建深度学习模型并进行预训练，如果需要云边协同训练时，通过云边通信模块将边缘侧深度学习任务以及预训练模型传输给边缘智能设备，利用采集的样本数据对预训练模型再次进行训练，并将训练后的模型上传回云端服务器，通过云端服务器进行模型参数的融合，生成云边协同训练后的模型，本发明借助边缘智能设备采集的应用场景的样本数据训练深度模型，让云端服务器的模型掌握不同应用场景的环境差异和需求，从而解决样本不足和应用环境间差异的问题。

技术领域

本发明涉及深度学习和容器应用的管理与部署技术领域，具体涉及一种基于K8S和Kubeedge的云边深度学习模型管理系统及云边协同模型训练方法。

背景技术

随着物联网和深度学习的快速发展，深度学习模型在边缘智能设备的研究与应用已经成为了产业界和学术界关注的热点之一。得益于人工智能技术的发展,物联网结合人工智能的AIOT技术将嵌入式边缘设备智能化。边缘侧智能设备中的传感器、控制器、接口和应用通过网络相互连接，催生了诸如家电自动控制、个性化照明系统、健康管理等一系列的智能应用。在这些智能应用上部署经过训练的深度学习模型可以根据用户需要让边缘智能设备进行智能决策，从而构建出更加舒适、智能的生活环境。

为了提升边缘侧智能设备的智能化水平，基于深度学习模型的自动化控制系统已经成为各大厂商普遍采用的边缘设备智能化方案。制造商对边缘设备的应用场景进行建模，确定深度学习模型的配置参数并对其进行训练，然后将训练好的模型嵌入到边缘智能设备中去进行推理决策。边缘智能设备根据传感器或控制器所收集到的信息进行对设备的控制，根据所收集到的信息执行相应的任务，完成边缘智能设备的自动控制，从而简化用户操作，提升生活环境的便捷性和智能化水平。目前，基于深度学习模型的训练，需要大量的标注样本以提高模型的泛化能力与决策精确度，但在某些领域下存在着数据分布不均匀、缺乏样本数据和不同环境的个性化需求等难题，通过常规的深度学习训练方法无法满足这些领域需求。

基于深度学习模型的自动化控制系统目的是为用户在日常生活中提供便利并且保证用户在使用中的满意度。智能化的自动化控制系统受到越来越多的人来关注，其原因在于智能化自动化控制系统的目的不仅仅为了给人们带来便利，也为社会的资源分配带来了极大的改善，在应用的同时节省了人力物力和财力。智能化自动控制系统的运行方式是利用已经训练好的深度学习模型进行自动控制和少量的人工维护，在减少人为干预的情况下让边缘智能设备尽可能的满足用户的需求。但是实际生活中的应用场景往往复杂且环境中具有一定的差异，导致无法训练出可以满足某一领域下所有应用场景的深度学习模型，所以研究如何能在样本数据不足、环境间具有差异的情况下训练出满足用户需求的高响应、高精度的深度学习模型已经成为研究界和产业界普遍关注的焦点。由于应用场景间的需求和环境状态存在差异，所以需要在模型中整合这些需求和差异，以此提升整个深度学习模型的决策能力，对整个智能化自动控制系统的生产应用至关重要。

然而现有的深度学习模型训练方法无法整合不同应用场景间的需求和环境的差异，只能够先通过收集大量的数据样本然后经过人工标注对模型进行训练，在缺少训练样本和需要个性化需求的情况下则无法训练出让人满意的深度学习模型。因此，当前并没有一套成熟的深度学习模型管理平台来解决缺少训练样本和应用环境间具有差异的难题。

发明内容

针对现有技术的不足，本发明提出一种基于K8S和Kubeedge的云边深度学习模型管理系统及模型训练方法，该方法通过用户对深度学习模型的参数配置，能够在云端服务器和边缘端智能设备协同训练深度学习模型，解决传统深度学习模型在某些领域缺少训练样本和应用环境间具有差异的问题。