基于储备池计算的深度学习模型数据并行训练优化方法

来源：计算机测量与控制杂志2025年第7期北京时间：

作者：黎祥远,徐胜超,吕峻闽

摘要：深度学习模型的传统训练方法已难以满足类别多样性的训练需求，导致训练效率低，难以收敛。为此，研究一种基于储备池计算的深度学习模型数据并行训练优化方法。该方法对训练数据进行平衡和切分。构建储备池并利用飞蛾算法求取连接矩阵中神经元之间的连接密度、权重参数的最优值。以平衡和切分的训练数据为输入，利用构建的储备池计算优化深度学习模型并进行并行训练。结果表明：所研究方法的模型损失更小且模型曲线更早地趋于平稳，表明模型更加稳定，能够更快地收敛到了较好的解。另外，所研究方法训练过程中CPU使用率持续较高且波动较小，F1分数明显更高，表明该方法能够更有效地利用CPU资源，具有较好的泛化能力，证明了方法的训练效果。

关键词：储备池计算;深度学习模型;训练数据;飞蛾算法;并行训练优化