一种模型训练方法和相关设备与流程

摘要: 本技术涉及模型训练,尤其涉及一种模型训练方法和相关设备。背景技术:1、随着车辆智能化技术的发展,车载ai(artificialintelligence,人工智能...
一种模型训练方法和相关设备与流程

本技术涉及模型训练,尤其涉及一种模型训练方法和相关设备。

背景技术:

1、随着车辆智能化技术的发展,车载ai(artificial intelligence,人工智能)模型已用于支撑车辆中智能化功能的实现。而车载ai模型在应用过程中,需要不断的更新。

2、示例性技术中,各个车辆可以通过向服务端发送信息,使得服务端对各个车辆中的模型进行全局的集中训练,从而使得服务端为各个车辆中的模型进行参数更新。

3、但车辆需要上传模型梯度等原始网络参数,模型的隐私保护程度有限,从而造成车辆的隐私数据的泄密,也即车辆中模型在全局训练过程中存在数据安全性较低的问题。

技术实现思路

1、基于上述技术现状,本技术提供一种模型训练方法和相关设备,用于解决车辆中模型在全局训练过程中存在数据安全性较低的问题。

2、为了达到上述技术目的,本技术具体提出如下技术方案:

3、第一方面,本技术提供了一种模型训练方法,应用于服务端,所述模型训练方法包括:

4、在接收到车辆的模型更新请求的情况下,确定发送模型更新请求的车辆的目标数量;

5、在所述目标数量达到预设数量的情况下,根据所述模型更新请求确定对应的车辆中模型更新的增量参数以及摘要参数,所述摘要参数包括所述车辆中用于更新模型的训练样本的数据类别、特征均值向量、特征方差向量以及样本量中的至少一种;

6、根据各个所述车辆的摘要参数,对各个所述增量参数进行分类,得到多个集合,所述集合中包含的任两个所述增量参数对应的摘要参数之间的相似度大于预设阈值;

7、根据所述集合中的各个增量参数,确定所述集合对应的全局模型参数,并将所述全局模型参数发送至所述集合中每个增量参数对应的车辆,以供所述车辆中的模型基于所述全局模型参数进行参数更新。

8、在一些实施方式中,所述根据所述集合中的各个增量参数,确定所述集合对应的全局模型参数,包括:

9、根据所述模型更新请求的接收时间点,确定每个所述模型更新请求对应的增量参数的时效参数;

10、根据所述时效参数确定对应的增量参数的权重;

11、根据所述集合中各个增量参数以及对应的权重,确定所述集合对应的全局模型参数。

12、在一些实施方式中,所述根据各个所述车辆的摘要参数,对各个所述增量参数进行分类,包括:

13、确定每两个所述摘要参数之间的相似度;

14、根据各个所述相似度,对各个所述增量参数进行分类,得到多个集合。

15、第二方面,本技术提供了一种模型训练方法,应用于车辆,所述模型训练方法包括:

16、根据多个训练样本,对所述车辆中的模型进行训练,并根据训练后的模型的网络参数以及训练前的模型的网络参数,确定所述车辆中模型的网络参数的增量参数;

17、根据各个所述训练样本确定摘要参数,并根据所述摘要参数以及所述增量参数生成模型更新请求,所述摘要参数包括所述训练样本的数据类别、特征均值向量、特征方差向量以及样本量中的至少一种;

18、将所述模型更新请求发送至服务端,以供所述服务端基于所述摘要参数以及所述增量参数,确定所述车辆中模型的个性化的全局模型参数;

19、接收所述服务端发送的全局模型参数,并根据所述全局模型参数,对所述车辆中的模型进行参数更新。

20、在一些实施方式中,所述根据训练后的模型的网络参数以及训练前的模型的网络参数,确定所述车辆中模型的网络参数的增量参数,包括:

21、根据训练后的模型的网络参数以及训练前的模型的网络参数,确定所述车辆中模型的网络参数的增量,作为待处理参数;

22、对所述待处理参数进行预设处理,得到增量参数,所述预设处理包括裁剪以及添加噪声中的至少一种。

23、在一些实施方式中,所述根据多个训练样本,对所述车辆中的模型进行训练,包括:

24、根据各个所述训练样本,对所述车辆中的模型内的设定矩阵,进行训练,所述设定矩阵用于指示维度数量低于预设数量的矩阵。

25、在一些实施方式中,所述将所述模型更新请求发送至服务端,包括:

26、获取所述车辆连接的网络所对应的网络质量参数;

27、在所述网络质量参数大于预设质量参数的情况下,将所述模型更新请求发送至所述服务端。

28、第三方面,本技术提供了一种服务端,包括存储器和处理器,其中,

29、所述存储器与所述处理器连接,用于存储程序;

30、所述处理器用于通过运行所述存储器中的程序,实现如第一方面或者第一方面任一实现方式所述的模型训练方法。

31、第四方面,本技术提供了一种车辆,包括存储器和处理器,其中,

32、所述存储器与所述处理器连接,用于存储程序;

33、所述处理器用于通过运行所述存储器中的程序,实现如第二方面或者第二方面任一实现方式所述的模型训练方法。

34、第五方面,本技术提供了一种电子设备,包括存储器和处理器,其中,

35、所述存储器与所述处理器连接,用于存储程序;

36、所述处理器用于通过运行所述存储器中的程序,实现如第一方面或者第一方面任一实现方式所述的模型训练方法,或实现如第二方面或者第二方面任一实现方式所述的模型训练方法。

37、第六方面,本技术提供了一种计算机程序产品,包括计算机指令,所述计算机指令在被处理器执行时,实现如第一方面或者第一方面任一实现方式所述的模型训练方法,或实现如第二方面或者第二方面任一实现方式所述的模型训练方法。

38、第七方面,本技术提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时,实现如第一方面或者第一方面任一实现方式所述的模型训练方法,或实现如第二方面或者第二方面任一实现方式所述的模型训练方法。

39、本技术实施例提供的一种模型训练方法和相关设备,在接收到车辆的模型更新请求的情况下,确定发送模型更新请求的车辆的目标数量,若目标数量达到预设数量的情况下,基于模型更新请求确定对应的车辆中模型更新的增量参数以及摘要参数,基于各个车辆的摘要参数对各个增量参数进行分类,得到多个集合,并基于集合中各个增量参数确定集合对应的全局模型参数,再将全局模型参数发送至集合中每个增量参数对应的车辆,以供车辆中的模型基于全局模型参数进行参数更新。本技术中,在进行车辆中模型的更新时,车辆仅需上传模型更新的增量参数以及用于模型更新的训练样本的数据类别、特征均值向量、特征方差向量以及样本量等摘要参数,即可完成对各个模型的全局集中训练,无需车辆上传模型的原始数据,提高了车辆中模型在全局训练中的数据安全性;进一步的,服务端通过摘要参数对各个增量参数进行分类,使得相似度大于预设阈值的摘要参数对应的增量参数归为一类,从而使得服务端对相似的模型进行个性化训练,满足了用户对车辆中模型的个性化需求,提高了用户体验。