基于区块链的神经网络训练容器和托管训练方法与流程

技术特征：
1.基于区块链的神经网络训练容器，其特征在于，包括模型编号、目标神经网络模型、主模型、若干个子模型、历史记录集、探测模型和目标测试集，新建空容器，分配模型编号，接收用户提供的神经网络模型和测试集，分别存入目标神经网络模型和目标测试集，将目标神经网络模型拆分为主模型和若干个子模型，子模型数量与第1层的神经元数量相同，所述子模型的输出为对应的第1层神经元的输入数，所述子模型的输入为对应的第1层神经元所连接的输入层神经元，所述子模型的连接权重等于对应的第1层神经元所连接的输入层神经元的权重，所述主模型为所述目标神经网络模型删除输入层，并将第1层神经元的输入更改为对应子模型的输出，所述历史记录集记录已输入数据行的哈希值，历史记录集周期性将新增的记录一起提取哈希值，并上传区块链，存储相应的区块高度和区块哈希值，所述探测模型判断新数据行是否含有全部输入字段和输出字段，若含有全部输入字段和输出字段，则探测模型输出为真，若不含有全部输入字段和输出字段，则探测模型输出为假，将数据行输入子模型，将子模型的输出作为主模型的输入，获得损失值和梯度值，更新目标神经网络、主模型和子模型的权系数。2.根据权利要求1所述的基于区块链的神经网络训练容器，其特征在于，还包括备份点，若干个数据行构成一组，输入一组数据行进行训练前，将目标神经网络模型备份，输入一组数据训练后，测试目标神经网络模型在目标测试集的准确度，若准确度低于备份点处的准确度，则将目标神经网络退回到备份点，反之，则删除备份点。3.根据权利要求1或2所述的基于区块链的神经网络训练容器，其特征在于，还包括标准字段对照表，所述标准字段对照表记录目标神经网络模型的每个输入的标准字段名称、字段含义和归一化算子，提供数据行的数据源方根据字段含义，将所提交的数据行的字段名称关联对应的标准字段名称，并使用对应的归一化算子将字段值归一化。4.神经网络模型托管训练方法，使用如权利要求1至3任一项所述的基于区块链的神经网络训练容器，其特征在于，包括以下步骤：建立托管节点，所述托管节点建立神经网络训练容器；所述托管节点接收用户提供的神经网络模型和测试集，将神经网络模型和测试集输入神经网络训练容器，获得目标神经网络模型、目标测试集、主模型和若干个子模型；所述托管节点建立报价和账单，用户向所述托管节点的虚拟账户转账若干个代币；拥有数据行的数据源方若接受报价，则将其数据行的哈希值提交给所述托管节点，所述托管节点建立备份点；所述托管节点将若干个子模型发送给数据源方，数据源方依次将若干个数据行代入子模型，获得子模型的输出后，将子模型的输出发送给所述托管节点；所述托管节点将子模型的输出代入主模型，获得损失值，按照梯度值更新目标神经网络模型、主模型和子模型；所述托管节点将更新后的子模型发送给数据源方，数据源方再次计算并反馈子模型的输出，直到达到训练结束条件；所述托管节点将数据行哈希值存入历史记录集，所述托管节点在账单中记录数据源方和数据行哈希值；所述托管节点检查目标神经网络模型在目标测试集上的准确度，若准确度高于上一个
备份点处的准确度，则确认账单，将上一个备份点后新生成的账单记录结账，将对应数量的代币转账到数据源方的虚拟账户，删除备份点。5.根据权利要求4所述的神经网络模型托管训练方法，其特征在于，所述数据源方接收到若干个子模型后，对若干个子模型进行隐私安全检查，若隐私安全检查不通过，则停止训练，若隐私安全检查通过，则计算子模型的输出提交给所述托管节点。6.根据权利要求5所述的神经网络模型托管训练方法，其特征在于，所述隐私安全检查的方法包括：将子模型中权系数为0的连接删除；检查子模型的输出是否仅涉及到一个输入层神经元的连接，若是，则子模型隐私安全检查不通过，反之，子模型的隐私安全检查通过；若全部子模型的隐私安全检查均通过，则判定隐私安全检查通过，计算子模型的输出提交给所述托管节点。7.根据权利要求5或6所述的神经网络模型托管训练方法，其特征在于，还包括以下步骤：建立若干个源代理节点，数据源方将数据行提交给源代理节点，所述源代理节点为数据行赋予行编号，公开数据行的行编号和字段组成；所述源代理节点接收数据源方的最低限价并保存；所述托管节点周期性将源代理节点新增公开的字段组成输入探测模型，若探测模型输出为真，则进入下一步，若探测模型输出为假，则继续将下一个公开的字段组成输入探测模型；所述托管节点将行编号和用户报价发送给所述源代理节点，若满足最低限价，则所述源代理节点将行编号对应的数据行的哈希值反馈给所述托管节点；所述托管节点将若干个子模型发送给所述源代理节点，所述源代理节点将数据行代入子模型，获得子模型的输出后，将子模型的输出发送给所述托管节点；所述托管节点将若干个子模型的输出代入主模型，获得损失值，根据梯度值更新目标神经网络模型、主模型和子模型；所述托管节点将数据行哈希值存入历史记录集，所述托管节点在账单中记录数据源方和数据行哈希值；所述托管节点将更新后的子模型发送给所述源代理节点，再次进行计算，直到满足训练终止条件；所述托管节点检查目标神经网络模型的准确度，若准确度高于上一个备份点处的准确度，则确认账单，将上一个备份点后新生成的账单记录结账，将对应数量的代币转账到数据源方的虚拟账户，删除备份点。8.根据权利要求7所述的神经网络模型托管训练方法，其特征在于，所述源代理节点接收到若干个子模型后，对若干个子模型进行隐私安全检查，若隐私安全检查不通过，则停止训练，若隐私安全检查通过，则计算子模型的输出提交给所述托管节点。9.根据权利要求7所述的神经网络模型托管训练方法，其特征在于，
多个所述源代理节点存储数据源方的数据行，所述托管节点同时将若干个子模型发送给多个所述源代理节点，比较所述源代理节点的输出是否相同，若相同，则将子模型的输出代入主模型，若不相同，则丢弃当前数据行的训练，进行下一个数据行的训练。

技术总结
本发明涉及机器学习技术领域，具体涉及一种基于区块链的神经网络训练容器和托管训练方法，包括模型编号、目标神经网络模型、主模型、若干个子模型、历史记录集、探测模型和目标测试集，分配模型编号，接收用户提供的神经网络模型和测试集，将目标神经网络模型拆分为主模型和若干个子模型，历史记录集记录已输入数据行的哈希值，探测模型判断新数据行是否含有全部输入字段和输出字段，将数据行输入子模型，将子模型的输出作为主模型的输入，获得损失值和梯度值，更新目标神经网络、主模型和子模型的权系数。本发明能够提供足够数据的同时保障数据原方利益和数据的隐私安全。保障数据原方利益和数据的隐私安全。保障数据原方利益和数据的隐私安全。


技术研发人员：张金琳 高航 俞学劢
受保护的技术使用者：浙江数秦科技有限公司
技术研发日：2021.08.24
技术公布日：2021/12/14