具有分类精度保持和带宽保护的边云协同深度学习模型训练方法

摘要

本发明公开了一种具有分类精度保持和带宽保护的边云协同深度学习模型训练方法，解决了边云协同分类模型训练出现的网络带宽消耗和分类精度问题。我们实现了利用压缩自编码器打造的高分类有效性图像压缩方案，增加图片压缩与图片分类目标组件间的耦合关系。通过两阶段的处理，第一阶段，使用简单分类器模型反向传播梯度优化自编码器，一定程度上控制有损压缩的损失目标，第二阶段，压缩结果上云，利用强大的计算资源进行高精度分类模型的训练。同时通过边缘上压缩自编码器的控制压缩率参数，对系统的边云通信带宽消耗和云端分类精度进行权衡，在有效的保证了数据分类特性留存的同时，实现了一套完善的边云协同训练方案。