[发明专利]模型训练方法及装置、资源分配方法、介质、电子设备

说明书

本申请公开了一种模型训练方法及装置、资源分配方法、介质、电子设备，模型训练方法包括：在设定节点对预设的资源分配模型进行迭代训练，并在每次训练达到纳什均衡的情况下，获得对应的模型参数、预言值和预言验证值，其中，预言验证值基于预言值确定；根据设定节点的预言验证值和预设取值范围，确定是否达到帕累托效率；在确定达到帕累托效率的情况下，停止训练资源分配模型，并根据最后一次训练获得的模型参数，确定目标资源分配模型。在模型训练过程中，通过纳什均衡和帕累托效率兼顾了全局最优与局部最优，从而在基于目标资源分配模型分配资源时，可以获得更加合理的资源分配方案，提升了资源利用率。

技术领域

本申请涉及计算机技术领域，具体涉及一种模型训练方法及装置、资源分配方法、介质、电子设备。

背景技术

随着大规模运算技术的发展，在越来越多的情况下需要多个节点共同实现联合机器学习、联邦学习等算法。但是，在不协作状态下，节点之间没有利益协议，每个节点均希望获得最大利益，基于此，容易造成多个局部最优，但全局不是最优的学习结果。若将联合机器学习、联邦学习等算法应用在资源分配领域，则会造成部分节点的资源最优，而全局资源分配不是最优的结果，从而导致资源分配不合理，进而导致资源利用率低。因此，如何在兼顾局部优化和全局优化的情况下使资源分配更加合理，以提升资源利用率，成为本领域亟待解决的问题。

发明内容

为此，本申请提供一种模型训练方法及装置、资源分配方法、介质、电子设备，以解决在分配资源时，无法兼顾局部最优和全局最优，从而导致资源分配不合理，造成资源利用率不高的问题。

为了实现上述目的，本申请第一方面提供一种模型训练方法，该模型训练方法包括：

在设定节点对预设的资源分配模型进行迭代训练，并在每次训练达到纳什均衡的情况下，获得对应的模型参数、预言值和预言验证值，其中，所述预言验证值基于所述预言值确定；

根据所述设定节点的预言验证值和预设取值范围，确定是否达到帕累托效率；

在确定达到所述帕累托效率的情况下，停止训练所述资源分配模型，并根据最后一次训练获得的模型参数，确定目标资源分配模型。

进一步地，所述在设定节点对预设的资源分配模型进行迭代训练，并在每次训练达到纳什均衡的情况下，获得对应的模型参数、预言值和预言验证值，包括：

在所述设定节点对所述资源分配模型进行第j次训练达到纳什均衡的情况下，获得各个设定节点第j次训练对应的模型参数和预言值；

根据各个所述设定节点第j次训练获得的预言值、第(j-1)次训练获得的预言值以及预设的预言效能评估函数，获得所述设定节点第j次训练对应的预言验证值，其中，j为大于1的正整数。

进一步地，所述在所述设定节点对所述资源分配模型进行第j次训练达到纳什均衡的情况下，获得各个设定节点第j次训练对应的模型参数和预言值，包括：

在所述设定节点对所述资源分配模型进行第j次训练达到纳什均衡的情况下，获得各个设定节点第j次训练对应的模型参数；

根据预设的效率函数对各个所述设定节点第j次训练的效率进行评估，获得各个设定节点第j次训练对应的预言值。

进一步地，所述根据所述设定节点的预言验证值和预设取值范围，确定是否达到帕累托效率之后，还包括：

在确定未达到所述帕累托效率的情况下，获取模型训练次数；

比较所述模型训练次数与预设的训练阈值；

在所述模型训练次数大于所述训练阈值的情况下，停止对所述资源分配模型进行训练。