技术特征：
1.一种图像识别方法，其特征在于，包括：将全局模型框架及全局权重发送至各设备，判断全局模型是否收敛或迭代次数是否达到最大迭代次数，若否，由各所述设备利用本地图像集对全局模型进行训练，得到本地模型权重；所述全局模型为带有所述全局权重的全局模型框架；利用所述全局权重及各所述目标设备的本地模型权重，计算平均模型伪梯度，并利用所述平均模型伪梯度计算一阶矩估计；根据所述一阶矩估计得到当前全局权重，根据所述当前全局权重得到当前全局模型，将所述当前全局权重发送至各所述设备，并执行判断全局模型是否收敛或迭代次数是否达到最大迭代次数的步骤，直至所述当前全局模型收敛或迭代轮次达到最大迭代次数为止；获取待识别图像，利用所述当前全局模型对待识别图像进行识别。2.根据权利要求1所述的图像识别方法，其特征在于，在利用所述全局权重及各所述目标设备的本地模型权重，计算平均模型伪梯度时，还包括：利用所述全局权重及各所述目标设备的本地模型权重，计算平均绝对模型伪梯度，利用所述平均绝对模型伪梯度计算二阶矩估计；相应地，根据所述一阶矩估计得到当前全局权重，包括：根据所述一阶矩估计和所述二阶矩估计得到所述当前全局权重。3.根据权利要求2所述的图像识别方法，其特征在于，利用所述全局权重及各所述目标设备的本地模型权重，计算平均绝对模型伪梯度，利用所述平均绝对模型伪梯度计算二阶矩估计，包括：利用计算所述平均绝对模型伪梯度δ'
t
；其中，t为当前迭代轮次，s
t
为当前迭代轮次中参与训练的设备的集合，|s
t
|为s
t
中包含的设备的个数，为模型伪梯度，为的绝对值，的绝对值，为第i个设备在当前迭代轮次得到的本地模型权重，w
t
‑1为上一迭代轮次的全局权重；利用计算二阶矩估计v
t
；其中，v
t
‑1为上一迭代轮次得到的二阶矩估计，β2为二阶矩估计的系数。4.根据权利要求3所述的图像识别方法，其特征在于，根据所述一阶矩估计和所述二阶矩估计得到当前全局权重，包括：利用计算当前全局权重w
t
；其中，η0为全局学习率，γ为全局学习率递减系数，m
t
为当前迭代轮次得到的一阶矩估计，ζ为调节系数且大于0。5.根据权利要求1所述的图像识别方法，其特征在于，在确定所述全局模型不收敛或所述迭代次数未达到最大迭代次数时，还包括：从各所述设备中选择目标设备，其中，所述目标设备的数量小于所述设备的总数量。
6.根据权利要求5所述的图像识别方法，其特征在于，从各所述设备中选择目标设备，包括：从各所述设备中随机选择所述目标设备。7.根据权利要求1至6任一项所述的图像识别方法，其特征在于，在将全局模型框架及全局权重发送至各设备之前，还包括：对所述全局模型框架及所述全局权重进行加密。8.一种图像识别装置，其特征在于，包括：第一发送模块，用于将全局模型框架及全局权重发送至各设备，判断全局模型是否收敛或迭代次数是否达到最大迭代次数，若否，由各所述设备利用本地图像集对全局模型进行训练，得到本地模型权重；所述全局模型为带有所述全局权重的全局模型框架；第一计算模块，用于利用所述全局权重及各所述目标设备的本地模型权重，计算平均模型伪梯度，并利用所述平均模型伪梯度计算一阶矩估计；第二发送模块，用于根据所述一阶矩估计得到当前全局权重，根据所述当前全局权重得到当前全局模型，将所述当前全局权重发送至各所述设备，并执行判断全局模型是否收敛或迭代次数是否达到最大迭代次数的步骤，直至所述当前全局模型收敛或迭代轮次达到最大迭代次数为止；识别模块，用于获取待识别图像，利用所述当前全局模型对待识别图像进行识别。9.一种图像识别设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的图像识别方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图像识别方法的步骤。
技术总结
本申请公开了一种图像识别方法、装置、设备及计算机可读存储介质，方法包括：将全局模型框架及全局权重发送至各设备，判断全局模型是否收敛或迭代次数是否达到最大迭代次数，若否，由各设备进行训练得到本地模型权重；利用全局权重及本地模型权重计算平均模型伪梯度，利用平均模型伪梯度计算一阶矩估计；根据一阶矩估计得到当前全局权重，根据当前全局权重得到当前全局模型，将当前全局权重发送至各设备，执行判断步骤；利用当前全局模型对待识别图像进行识别。本申请公开的技术方案，计算平均模型伪梯度和一阶矩估计将一阶矩估计参与到全局权重中，以减少数据分布差异带来的影响，提高全局模型的准确性，从而提高图像识别的准确性。的准确性。的准确性。
技术研发人员：陈珉 毛冰城 金朝汇 谌明
受保护的技术使用者：浙江核新同花顺网络信息股份有限公司
技术研发日：2021.07.09
技术公布日：2021/9/9