1.一種量化編碼方法，其特征在于，應用于用戶設備，所述用戶設備為分布式學習系統中的多個用戶設備中的一個，包括：
2.根據權利要求1所述的方法，其特征在于，所述確定第一神經模型，包括：
3.根據權利要求2所述的方法，其特征在于，所述第一神經模型為所述網絡設備根據所述用戶設備的層級復雜度確定的分層剪枝神經模型。
4.根據權利要求1-3中任一項所述的方法，其特征在于，所述對所述第一累積梯度集合中的各保留層的累積梯度進行量化處理得到第二累積梯度集合，包括：
5.根據權利要求4所述的方法，其特征在于，所述量化值用b表示，所述各保留層的累積梯度的模用表示，所述量化區間的編號用表示，表示符號函數，其中，l為所述保留層的第l層，k為所述用戶設備，所述第二累積梯度集合可以用下述公式表示：
6.根據權利要求1-5中任一項所述的方法，其特征在于，對所述第二累積梯度集合進行編碼處理得到第一編碼序列集合，包括：
7.根據權利要求6所述的方法，其特征在于，對于所述量化值進行循環elias編碼。
8.一種量化編碼方法，其特征在于，應用于網絡設備，所述網絡設備為分布式學習系統中的網絡設備，所述方法包括：
9.根據權利要求8所述的方法，其特征在于，所述方法還包括：
10.根據權利要求8所述的方法，其特征在于，所述第一神經模型為所述多個用戶設備根據各自的層級復雜度確定的分層剪枝神經模型。
11.一種量化編碼裝置，其特征在于，包括：
12.根據權利要求11所述的裝置，其特征在于，所述收發單元，還用于，
13.根據權利要求12所述的裝置，其特征在于，所述第一神經模型為所述網絡設備根據所述用戶設備的層級復雜度確定的分層剪枝神經模型。
14.根據權利要求11-13中任一項所述的裝置，其特征在于，所述處理單元具體用于，
15.根據權利要求14所述的裝置，其特征在于，所述量化值用b表示，所述各保留層的累積梯度的模用表示，所述量化區間的編號用表示，表示符號函數，其中，l為所述保留層的第l層，k為所述用戶設備，所述第二累積梯度集合可以用下述公式表示：
16.根據權利要求11-15中任一項所述的裝置，其特征在于，所述處理單元還用于，
17.根據權利要求16所述的裝置，其特征在于，所述處理單元還用于對于所述量化值進行循環elias編碼。
18.一種量化編碼裝置，其特征在于，包括：
19.根據權利要求18所述的裝置，其特征在于，所述處理單元還用于根據分層剪枝確定第一神經模型；所述收發單元還用于向所述多個用戶設備發送所述第一神經模型。
20.根據權利要求18所述的裝置，其特征在于，所述第一神經模型為所述多個用戶設備根據各自的層級復雜度確定的分層剪枝神經模型。
21.一種面向分布式學習模型的系統，其特征在于，包括多個用戶設備和網絡設備，
22.一種量化編碼設備，其特征在于，包括處理器和存儲器，所述存儲器用于存儲計算機程序，所述處理器用于從所述存儲器中調用并運行所述計算機程序，使得所述設備執行權利要求1至10中任一項所述的方法。
23.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲了計算機程序，當所述計算機程序被處理器執行時，使得處理器執行權利要求1至10中任一項所述的方法。
24.一種芯片系統，其特征在于，所述芯片系統包括處理器與數據接口，所述處理器通過所述數據接口讀取存儲器上存儲的指令，以執行如權利要求1至10中任一項所述的方法。