一种AI模型的自动化训练方法及AI模型训练系统技术方案

一种AI模型的自动化训练方法及AI模型训练系统，涉及AI技术领域，可实现AI模型的自动化测试。安装Linux系统的训练平台获取多组数据对；获取第一AI模型的模型结构和调参信息；在Linux系统将每组数据对作为训练样本基于调参信息训练第一AI模型得到第二AI模型；将第二AI模型转换成ONNX模型并拷贝至Windows系统；通过Linux系统操作测试平台在Windows系统，将多个第三图像作为输入，运行转换ONNX模型得到的第三AI模型得到多个第四图像；在Linux系统操作测试平台在Windows系统对多个第四图像进行测试，得到第二AI模型的测试指标；根据测试指标调整第二AI模型得到第四AI模型。指标调整第二AI模型得到第四AI模型。指标调整第二AI模型得到第四AI模型。

【技术实现步骤摘要】
一种AI模型的自动化训练方法及AI模型训练系统


[0001]本申请实施例涉及人工智能(artificial intelligence，AI)
，尤其涉及一种AI模型的自动化训练方法及AI模型训练系统。

技术介绍

[0002]在生物识别(如指纹识别或人脸识别等)场景下，经常需要修复终端产品采集的生物特征(如指纹图像或人脸图像等)，以提升包括生物特征的图像的质量。这样，可以提升生物识别的成功率。例如，可以采用AI模型(也称为AI修复模型)执行上述图像修复。该AI模型需要经过样本训练，才可以具备修复图像提升图像质量的能力。
[0003]其中，AI模型的模型训练通常可以包括两个流程：训练流程和测试流程。目前，训练流程通常是在技术人员设置好训练样本、模型结构和相关参数后，由训练平台自动完成的。由于训练平台的系统功能限制，该系统可能不支持模型测试或者模型测试的效率过低；因此，AI模型经过训练流程后，通常由技术人员人为执行测试流程对AI模型的性能进行测试。但是，人为测试AI模型的效率低，且工作量大。

技术实现思路

[0004]本申请提供一种AI模型的自动化训练方法及AI模型训练系统，可实现AI模型的自动化测试，进而提升AI模型的测试效率。
[0005]第一方面，本申请提供一种AI模型的自动化训练方法，该方法可以应用于训练平台，该训练平台中安装有Linux系统。该方法可以分为两个流程：AI模型的训练流程和测试流程。
[0006]一方面，训练平台可以在该训练平台完成AI模型的训练流程。具体的，训练平台可以获取多组数据对，每组数据对包括第一图像和第二图像。其中，第一图像的图像质量高于第二图像的图像质量。训练平台还可以获取待训练的第一AI模型的模型结构和调参信息。该调参信息用于指示第一AI模型训练过程中的参数调整策略和图像处理策略。然后，训练平台可以将每组数据对作为训练样本，基于调参信息训练第一AI模型得到第二AI模型，该第二AI模型具备修复第二图像得到第一图像的能力。
[0007]另一方面，训练平台可以借助有Windows系统的测试平台完成AI模型的测试流程。具体的，训练平台可以在Linux系统将第二AI模型转换成开放神经网络交换(open neural network exchange，ONNX)模型，将ONNX模型转换成适配Windows系统的第三AI模型，再将第三AI模型拷贝至测试平台的Windows系统。之后，训练平台可以通过Linux系统操作测试平台在Windows系统，将多个第三图像作为输入，运行适配Windows系统的第三AI模型得到多个第四图像。最后，训练平台可以在Linux系统操作所述测试平台在Windows系统，对多个第四图像进行测试，得到第二AI模型的测试指标，该测试指标包括拒识率(false rejection rate，FRR)和峰值信噪比(peak signal to noise ratio，PSNR)。训练平台可以根据该测试指标调整第二AI模型，得到第四AI模型。
[0008]应理解，Linux系统具备如下优势：Linux系统的图形处理器(graphics processing unit，GPU)的图形处理能力较强。而Windows系统则具备不同的优势，如Windows系统的中央处理器(central processing unit，CPU)的运算能力较强。
[0009]本申请中，训练平台可以利用Linux系统图形处理能力较强的优势，在Linux系统下完成AI模型的训练流程。然后，训练平台可以借助于Windows系统运算能力较强的优势，在测试平台的Windows系统中完成AI模型的测试流程。
[0010]应注意，适配Linux系统的AI模型(如BP模型，即第二AI模型)与适配Windows系统的AI模型之间是不能直接相互转换的。而上述ONNX模型可使模型在不同框架之间进行转移。如此，本申请实施例中，训练平台100可以先将适配Linux系统的AI模型(如BP模型)转换成ONNX模型，再将ONNX模型转换成适配Windows系统的AI模型。如此，便可以实现适配Linux系统的AI模型与适配Windows系统的AI模型之间的转换。
[0011]也就是说，本申请的方法，可以利用Linux系统和Windows系统这两个系统各自的优势，实现能力复配，将AI模型的训练流程和测试流程按照这两个操作系统各自的优势分配给不同的操作系统来完成。如此，则不需要人为执行测试流程对AI模型的性能进行测试，实现了AI模型的自动化测试，可以提升AI模型的测试效率。
[0012]在第一方面的一种可能的设计方式中，在上述训练平台将第三AI模型拷贝至测试平台的所述Windows系统之前，本申请的方法还可以包括：训练平台利用安全外壳协议(secure shell，SSH)命令集，进行训练平台的Linux系统与测试平台的Windows系统的远程通信握手连接与账户认证。
[0013]其中，训练平台利用SSH命令集，进行训练平台的Linux系统与测试平台的Windows系统的远程通信握手连接与账户认证之后，Linux系统与Windows系统的通信环境便可以支持Linux系统与Windows系统之间的数据传输。如此，训练平台便可以利用Linux系统与Windows系统的通信环境，将第三AI模型拷贝至测试平台的Windows系统中。
[0014]在第一方面的另一种可能的设计方式中，上述训练平台在Linux系统操作测试平台在Windows系统，对多个第四图像进行测试，得到第二AI模型的测试指标的方法可以包括：训练平台利用SSH命令集，在Linux系统操作测试平台在所述Windows系统，对多个第四图像进行测试，得到测试指标。
[0015]在第一方面的另一种可能的设计方式中，上述第三AI模型包括bin文件和param文件。其中，bin文件是后缀为.bin的模型文件，param文件是后缀为.param的模型文件。
[0016]在第一方面的另一种可能的设计方式中，上述第二图像是处理第一图像得到的。也就是说，训练平台获取到多个第一图像后，便可以处理该多个第一图像得到对应的多个第二图像。
[0017]具体的，上述训练平台获取多组数据对，可以包括：训练平台获取多个第一图像；训练平台分别将每个第一图像作为输入，运行第一循环Cycle生成对抗网络(generative adversarial network，GAN)模型，得到对应的第二图像。其中，第一Cycle GAN模型具备处理第一图像得到第二图像的能力。该第二图像的图像质量低于第一图像的图像质量。
[0018]其中，上述第一Cycle GAN模型也可以称为Cycle GAN退化模型或者Cycle GAN回退模型。
[0019]应理解，如果第一Cycle GAN模型具备处理图像以降低图像质量的能力，那么将图
像质量较高的第一图像作为输入运行该第一Cycle GAN模型，便可以得到图像质量较低的第二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能AI模型的自动化训练方法，其特征在于，应用于训练平台，所述训练平台中安装有Linux系统，所述方法包括：所述训练平台获取多组数据对，每组数据对包括第一图像和第二图像，所述第一图像的图像质量高于所述第二图像的图像质量；所述训练平台获取待训练的第一AI模型的模型结构和调参信息，所述调参信息用于指示所述第一AI模型训练过程中的参数调整策略和图像处理策略；所述训练平台将所述每组数据对作为训练样本，基于所述调参信息训练所述第一AI模型得到第二AI模型，所述第二AI模型具备修复所述第二图像得到所述第一图像的能力；所述训练平台在所述Linux系统将所述第二AI模型转换成开放神经网络交互ONNX模型，将所述ONNX模型转换成适配Windows系统的第三AI模型；所述训练平台将所述第三AI模型拷贝至所述测试平台的所述Windows系统；所述训练平台通过所述Linux系统操作所述测试平台在所述Windows系统，将多个第三图像作为输入，运行所述第三AI模型得到多个第四图像；所述训练平台在所述Linux系统操作所述测试平台在所述Windows系统，对所述多个第四图像进行测试，得到所述第二AI模型的测试指标，所述测试指标包括拒识率FRR和峰值信噪比；所述训练平台根据所述测试指标调整所述第二AI模型，得到第四AI模型。2.根据权利要求1所述的方法，其特征在于，在所述训练平台将所述第三AI模型拷贝至所述测试平台的所述Windows系统之前，所述方法还包括：所述训练平台利用安全外壳协议SSH命令集，进行所述训练平台的所述Linux系统与所述测试平台的所述Windows系统的远程通信握手连接与账户认证。3.根据权利要求2所述的方法，其特征在于，所述训练平台在所述Linux系统操作所述测试平台在所述Windows系统，对所述多个第四图像进行测试，得到所述第二AI模型的测试指标，包括：所述训练平台利用所述SSH命令集，在所述Linux系统操作所述测试平台在所述Windows系统，对所述多个第四图像进行测试，得到所述测试指标。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，所述第三AI模型包括bin文件和param文件。5.根据权利要求1
‑
4中任一项所述的方法，其特征在于，所述第二图像是处理所述第一图像得到的；其中，所述训练平台获取多组数据对，包括：所述训练平台获取多个所述第一图像；所述训练平台分别将每个所述第一图像作为输入，运行第一循环Cycle生成对抗网络GAN模型，得到对应的第二图像；其中，所述第一Cycle GAN模型具备处理所述第一图像得到所述第二图像的能力，所述第二图像的图像质量低于所述第一图像的图像质量。6.根据权利要求5所述的方法，其特征在于，在所述训练平台获取多组数据对之前，所述方法还包括：所述训练平台获取第五图像和第六图像，所述第五图像的图像质量高于所述第六图像
的图像质量；所述训练平台将所述第五图像作为输入样本，并将所述第六图像作为输出样本，训练所述第一Cycle GAN模型，使得所述第一Cycle GAN模型具备处理图像以降低图像质量的能力。7.根据权利要求6所述的方法，其特征在于，所述第一Cycle GAN模型包括第一生成器和第一判别器，所述第一判别器具备对比两张图像并给出所述两张图像的差异的能力；所述训练平台将所述第五图像作为输入样本，并将所述第六图像作为输出样本，训练所述第一Cycle GAN模型，使得所述第一Cycle GAN模型具备处理图像以降低图像质量的能力，包括：所述训练平台将所述第五图像作为输入样本，并将所述第六图像作为输出样本，训练所述第一生成器，使得所述第一生成器具备处理图像以降低图像质量的能力；所述训练平台将所述第五图像作为输入，运行训练后的所述第一生成器，得到第七图像；所述训练平台将所述第六图像和所述第七图像作为输入，运行所述第一判别器，得到第一...

【专利技术属性】
技术研发人员：邸皓轩，李丹洪，张晓武，
申请(专利权)人：荣耀终端有限公司，
类型：发明
国别省市：