一种模型训练方法和模型应用方法技术

本公开提供了一种模型训练方法和模型应用方法，涉及通信技术领域

【技术实现步骤摘要】
一种模型训练方法和模型应用方法


[0001]本公开涉及通信
，尤其涉及一种模型训练方法和模型应用方法
。

技术介绍

[0002]在未来的万物智联网络中，网络节点趋向于智能化，网络节点智能化导致了信息空间快速扩张
、
甚至维度灾难，加剧了表征信息承载空间的难度，导致传统的网络服务能力与高维信息空间难以匹配，通信传输的数据量过大，信息业务服务系统无法持续满足人们复杂
、
多样和智能化信息传输的需求
。
而通过人工智能模型来编码
、
传播
、
解码业务信息，可显著降低通信业务中的数据传输量，极大地提升了信息传输效率
。
这些模型相对稳定，并具有复用性
、
传播性
。
模型的传播和复用将有助于增强网络智能，同时降低开销和资源浪费，形成节点极智
、
网络极简的智简网络
。
[0003]迁移学习是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中
。
[0004]如何将迁移学习和智简网络进行结合，并且实现现场学习成为急需解决的问题
。

技术实现思路

[0005]本公开提供了一种模型训练方法和模型应用方法
。
[0006]根据本公开的第一方面，提供了一种模型训练方法，其中，应用于网络中的处理模块，包括：
[0007]接收前端节点发送的采集数据集；
[0008]基于采集数据集对预训练模型进行迁移学习，以得到迁移学习后的迁移模型；
[0009]将迁移模型传输至前端节点
。
[0010]根据本公开的第二方面，提供了一种模型应用方法，其特征在于，应用于网络中的前端节点中，包括：
[0011]采用上述方法获取得到迁移模型；
[0012]将采集的应用数据输入到迁移数据中，获取得到输出结果；
[0013]响应于输出结果包括使用工具执行任务，采用组装步骤获取工具执行任务
。
[0014]根据本公开的第三方面，提供了一种模型训练方法，其中，应用于网络中的前端节点，包括：
[0015]将采集到的采集数据集发送至处理模块，使得处理模块能够基于采集数据集对预训练模型进行迁移学习，以得到迁移学习后的迁移模型；
[0016]接收处理模块发送的迁移模型
。
[0017]根据本公开的第四方面，提供了一种模型训练装置，其中，应用于网络中的处理模块，包括：
[0018]第一接收单元，接收前端节点发送的采集数据集；
[0019]迁移学习单元，基于采集数据集对预训练模型进行迁移学习，以得到迁移学习后
的迁移模型；
[0020]传输单元，将迁移模型传输至前端节点
。
[0021]根据本公开的第五方面，提供了一种模型应用装置，其中，应用于网络中的前端节点，包括：
[0022]迁移模型接收单元，采用上述方法获取得到迁移模型；
[0023]应用单元，用于将采集的应用数据输入到迁移数据中，获取得到输出结果；
[0024]执行单元，响应于输出结果包括使用工具执行任务，采用组装步骤获取工具执行任务
。
[0025]根据本公开的第六方面，提供了一种模型训练装置，其中，应用于网络中的前端节点，包括：
[0026]发送单元，用于将采集到的采集数据集发送至处理模块，使得处理模块能够基于采集数据集对预训练模型进行迁移学习，以得到迁移学习后的迁移模型；
[0027]第二接收单元，用于接收处理模块发送的迁移模型
。
[0028]根据本公开的第七方面，提供了一种电子设备，包括：
[0029]至少一个处理器；以及
[0030]与至少一个处理器通信连接的存储器；其中，
[0031]存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法
。
[0032]根据本公开的第八方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法
。
[0033]本公开提供的技术方案带来的有益效果是：
[0034]本公开实施例提供的方案，通过前端节点采集数据，并将采集的数据集传输至处理模块，处理模块基于采集数据集对预训练模型进行迁移学习得到迁移学习后的迁移模型，处理模块将该迁移模型反馈至前端节点，使得前端节点应用迁移模型，从而实现了前端节点和后端的处理模块对模型的协同训练，并且提高了网络性能
。
[0035]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围
。
本公开的其它特征将通过以下的说明书而变得容易理解
。
附图说明
[0036]附图用于更好地理解本方案，不构成对本公开的限定
。
其中：
[0037]图1是根据本公开实施例一提供的模型训练方法的一种流程示意图；
[0038]图2是根据本公开实施例一提供的模型训练方法的另一流程示意图；
[0039]图3是根据本公开实施例二提供的模型应用方法的流程示意图；
[0040]图4是根据本公开实施例三提供的模型训练方法的流程示意图；
[0041]图5是根据本公开实施例四提供的模型训练装置的结构示意图；
[0042]图6是根据本公开实施例五提供的模型应用装置的结构示意图；
[0043]图7是根据本公开实施例六提供的模型训练装置的结构示意图；
[0044]图8是本公开实施例的电子设备的框图
。
具体实施方式
[0045]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的
。
因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神
。
同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述
。
[0046]智简网络中主要通过人工智能模型传播业务信息，通过使用人工智能模型将待传播的第一业务信息压缩为与所述人工智能模型相关的第二业务信息，极大地降低了网络中的数据通信量，压缩效率远超传统的压缩算法
。
其中，发送端设备利用预先配置的第一模型对所述第一业务信息进行提取并得到待传输的第二业务信息；所述发送端设备向接收端设备传输所述第二业务信息
。
接收端设备接收所述第二业务信息，并利用预先配置的第二模型对所述第二业务信息进行恢复处理得到第三业务信息；经第二模型恢复的第三业务信息比起原先的第一业务信息会有些许质量上的差异，但两者在内容上是一致的，给用户的体验几乎是无差异的
。
在所述发送端设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种模型训练方法，其特征在于，应用于网络中的处理模块，包括：接收前端节点发送的采集数据集；基于所述采集数据集对预训练模型进行迁移学习，以得到迁移学习后的迁移模型；将所述迁移模型传输至所述前端节点
。2.
如权利要求1所述的模型训练方法，其中，在所述处理模块接收所述前端节点发送的所述采集数据集之前还包括：所述前端节点获取得到采集数据集；所述前端节点建立与所述处理模块的通信连接
。3.
如权利要求1所述的模型训练方法，其中，在所述处理模块接收所述前端节点发送的所述采集数据集之后还包括：所述前端节点将所述采集数据集进行加密处理，并将加密后的采集数据集发送至所述处理模块
。4.
如权利要求1所述的模型训练方法，其中，获取所述迁移模型，具体包括：获取所述预训练模型；获取所述采集数据集中的每个采集数据对应的标签；根据所述采集数据集和所述标签对所述预训练模型进行迁移学习，以得到所述迁移模型
。5.
如权利要求4所述的模型训练方法，其中，所述标签用于表示专业人员对所述采集数据做出的专业决策
。6.
一种模型应用方法，其特征在于，应用于网络中的前端节点中，包括：采用权利要求1‑5中任一项所述的方法获取得到所述迁移模型；将采集的应用数据输入到所述迁移数据中，获取得到输出结果；响应于所述输出结果包括使用工具执行任务，获取所述工具执行所述任务
。7.
如权利要求6所述的模型应用方法，其中，所述前端节点连接执行装置，响应于所述输出结果包括使用工具执行任务，将所述输出结果发送至所述执行装置，使得所述执行装置采用组装步骤组装得到所述工具
。8.
一种模型训练方法，其特征在于，应...

【专利技术属性】
技术研发人员：董辰，刘思睿，许晓东，张平，韩书君，王碧舳，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：