CN114970761A - 模型训练方法及装置、*** - Google Patents
模型训练方法及装置、*** Download PDFInfo
- Publication number
- CN114970761A CN114970761A CN202210711503.4A CN202210711503A CN114970761A CN 114970761 A CN114970761 A CN 114970761A CN 202210711503 A CN202210711503 A CN 202210711503A CN 114970761 A CN114970761 A CN 114970761A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- server
- data
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Bioethics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种模型训练方法及装置、***。其中,该方法包括:第一服务器对利用第一预设模型获取到的目标数据进行特征提取,得到目标数据的多个特征数据,并将多个特征数据存储到目标数据库中;第一服务器接收目标终端发送的待训练模型,并根据待训练模型从目标数据库中确定与待训练模型匹配的目标特征数据,并将目标特征数据发送至第二服务器;第一服务器接收由第二服务器训练得到的目标模型,并将目标模型转发至目标终端,其中,目标模型是由第二服务器从目标数据库中提取目标特征数据,并使用目标特征数据对待训练模型训练得到的。本申请解决了由于缺乏数据保护的方法导致的训练数据的安全性低的技术问题。
Description
技术领域
本申请涉及人工智能领域,具体而言,涉及一种模型训练方法及装置、***。
背景技术
随着隐私数据泄露的情况越发多见,对于用户隐私数据的保护和使用的要求日益提升。数据模型需求方缺少数据,数据拥有方需要保护用户的数据隐私,矛盾日益显现。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种模型训练方法及装置、***,以至少解决由于缺乏数据保护的方法导致的训练数据的安全性低的技术问题。
根据本申请实施例的一个方面,提供了一种模型训练方法,包括:
第一服务器对利用第一预设模型获取到的目标数据进行特征提取,得到目标数据的多个特征数据,并将多个特征数据存储到目标数据库中;第一服务器接收目标终端发送的待训练模型,并根据待训练模型从目标数据库中确定与待训练模型匹配的目标特征数据,并将目标特征数据发送至第二服务器;第一服务器接收由第二服务器训练得到的目标模型,并将目标模型转发至目标终端,其中,目标模型是由第二服务器从目标数据库中提取目标特征数据,并使用目标特征数据对待训练模型训练得到的。
可选地,将多个特征数据存储到目标数据库中,包括:第一服务器利用第二预设模型对多个特征数据进行推断得到与多个特征数据对应的特征数据标签;第一服务器将多个特征数据和特征数据标签存储到目标数据库中。
可选地,第一服务器接收目标终端发送的待训练模型,并根据待训练模型从目标数据库中确定与待训练模型匹配的目标特征数据,包括:第一服务器接收目标终端发送的第一选择指令,确定第一预设模型;第一服务器接收目标终端发送的待训练模型和所需数据标签,并根据待训练模型、第一预设模型和所需数据标签确定与待训练模型匹配的目标特征数据和与目标特征数据对应的目标特征数据标签。
可选地,第一服务器接收由第二服务器训练得到的目标模型,包括:第一服务器将待训练模型和目标数据清单发送到第二服务器,其中,目标数据清单用于指示目标特征数据和目标特征数据标签;第一服务器向第二服务器发送第一控制指令,控制第二服务器从目标数据库中按照目标数据清单的指示提取目标特征数据和目标特征数据标签;第一服务器向第二服务器发送第二控制指令,控制第二服务器利用目标特征数据和目标特征数据标签对待训练模型进行训练得到目标模型。
可选地,在第一服务器接收目标终端发送的待训练模型之后,方法还包括:第一服务器向目标终端发送回执信息和第一信息,回执信息用于指示第一服务器已接收到待训练模型,第一信息用于在目标终端的展示界面上展示待训练模型的训练进度。
可选地,在第一服务器接收由第二服务器训练得到的目标模型,并转发至目标终端之后,方法还包括:第一服务器向目标终端发送第二信息,第二信息用于提示目标模型已发送至目标终端。
可选地,所述第一服务器利用第一预设模型对获取到的目标数据进行特征提取,所述第一预设模型包括:残差网络模型和超分辨率测试序列模型。
根据本申请实施例的另一方面,还提供了一种模型训练***,包括:数据源服务器、分布式数据库、中介服务器、训练服务器和数据需求终端;中介服务器用于从数据源服务器获取第一预设模型,并将目标数据输入第一预设模型得到多个特征数据;分布式数据库用于存储多个特征数据和与多个特征数据对应的特征数据标签;数据需求终端用于发送待训练模型;训练服务器用于利用待训练模型、目标特征数据和目标特征数据标签训练得到目标模型;中介服务器还用于将目标模型转发给数据需求终端。
根据本申请实施例的再一方面,还提供了一种模型训练装置,包括:提取模块,用于对利用第一预设模型获取到的目标数据进行特征提取,得到目标数据的多个特征数据,并将多个特征数据存储到目标数据库中;确定模块,用于接收目标终端发送的待训练模型,并根据待训练模型从目标数据库中确定与待训练模型匹配的目标特征数据;发送模块,用于接收由所述第二服务器训练得到的目标模型,并将所述目标模型转发至所述目标终端,其中,所述目标模型是由所述第二服务器从所述目标数据库中提取所述目标特征数据,并使用所述目标特征数据对所述待训练模型训练得到的。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行上述模型训练方法。
根据本申请实施例的再一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述模型训练方法。
在本申请实施例中,采用第一服务器对获取到的目标数据进行特征提取,得到目标数据的多个特征数据,并将多个特征数据存储到目标数据库中;第一服务器接收目标终端发送的待训练模型,并根据待训练模型从目标数据库中确定与待训练模型匹配的目标特征数据,并将目标特征数据发送至第二服务器;第一服务器接收由第二服务器训练得到的目标模型,并转发至目标终端,其中,目标模型是由第二服务器从目标数据库中提取目标特征数据对待训练模型训练得到的方式,通过对获取到的目标数据进行特征提取,仅利用特征提取后得到的特征数据进行模型训练,达到了加密训练数据的目的,从而实现了保护训练数据隐私的技术效果,进而解决了由于缺乏数据保护的方法导致的训练数据的安全性低技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于模型训练方法的计算机终端(或移动设备)的硬件结构框图;
图2是根据本申请的一种模型训练方法的示意图;
图3根据本申请实施例的一种可选的模型训练***示意图;
图4是根据本申请实施例的一种可选的模型训练装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,还提供了一种模型训练方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、云端服务器或者类似的运算装置中执行。图1示出了一种用于实现模型训练方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的模型训练方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的模型训练方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输模块106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
根据本申请实施例,提供了一种模型训练方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的模型训练方法的流程图,如图2所示,该方法包括如下步骤:
步骤S202,第一服务器对获取到的目标数据进行特征提取,得到目标数据的多个特征数据,并将多个特征数据存储到目标数据库中;
步骤S204,第一服务器接收目标终端发送的待训练模型,并根据待训练模型从目标数据库中确定与待训练模型匹配的目标特征数据,并将目标特征数据发送至第二服务器;
步骤S206,第一服务器接收由第二服务器训练得到的目标模型,并将目标模型转发至目标终端,其中,目标模型是由第二服务器从目标数据库中提取目标特征数据,并使用目标特征数据对待训练模型训练得到的。
通过上述步骤,可以实现通过对获取到的目标数据进行特征提取,仅利用特征提取后得到的特征数据进行模型训练,达到了加密训练数据的目的,从而实现了保护训练数据隐私的技术效果,进而解决了由于缺乏数据保护的方法导致的训练数据的安全性低技术问题。
在步骤S202中可以利用预设模型对目标数据进行特征提起,得到多个特征数据,需要进行说明的是,根据特征数据无法还原原始数据,从而达到了对目标数据加密的效果。
在步骤S204中,第一服务器接收目标终端发送的待训练模型,并根据待训练模型从目标数据库中确定与待训练模型匹配的目标特征数据,并将目标特征数据发送至第二服务器,第一服务器还需要将待训练模型发送到第二服务器中,用于第二服务器对待训练模型进行训练,上述待训练模型可以为初始模型。
下面通过具体的实施例来详细说明上述步骤S202至步骤S206。
在步骤S202中将多个特征数据存储到目标数据库中,在将多个特征数据存储到目标数据库之前,判断多个特征数据中是否有多个特征数据对应的标注信息,例如分类信息、检测框等。在多个特征数据没有进行标注的情况下,第一服务器利用第二预设模型对多个特征数据进行推断得到与多个特征数据对应的特征数据标签;可以理解的是,得到多个特征数据与特征数据标签的匹配关系。第二预设模型可以是一个或者多个训练完成的神经网络模型,用于标注特征数据标签,然后第一服务器将多个特征数据和特征数据标签存储到目标数据库中。
在步骤S204中第一服务器接收目标终端发送的第一选择指令,确定第一预设模型;第一服务器接收目标终端发送的待训练模型和所需数据标签,并根据待训练模型、第一预设模型和所需数据标签确定与待训练模型匹配的目标特征数据和与目标特征数据对应的目标特征数据标签。
第一预设模型可以是具有特征提取功能的模型,例如:残差网络模型和超分辨率测试序列模型。
目标终端选取对应的第一预设模型,以使得可以选择与第一预设模型对应的多个特征数据,具体的,目标终端通过发送选定的第一预设模型可以选择与待训练模型对应的第一预设模型,同时,提供待训练模型的模型参数和所需要的数据标签,通过所需要的标签确定目标数据库中的目标特征数据标签,由步骤202中得到的多个特征数据与特征数据标签的匹配关系,确定多个特征数据中的目标特征数据,最终利用目标特征数据以及对应的目标特征数据标签对待训练模型进行训练,可以理解的是,第一预设模型可以作为训练***的前置模型提取特征数据,待训练模型可以作为***的后置模型,利用第一预设模型训练得到的特征数据进行训练。
在步骤S206中,第一服务器接收由第二服务器训练得到的目标模型,需要进行说明的是,目标模型为训练完成成的待训练模型。第一服务器将待训练模型和目标数据清单发送到第二服务器,目标数据清单用于指示目标特征数据和目标特征数据标签;由第二服务器从目标数据库中按照目标数据清单的指示提取目标特征数据和目标特征数据标签;并利用目标特征数据和目标特征数据标签对待训练模型进行训练得到目标模型。
通过第二服务器获取训练数据进一步的提升了保密性,隔绝了从第一服务器获取数据的路径。
一种可选的方式中,在第一服务器接收目标终端发送的待训练模型之后,第一服务器向目标终端发送回执信息和第一信息,回执信息用于指示第一服务器已接收到待训练模型,第一信息用于在目标终端的展示界面上展示待训练模型的训练进度,在本申请的一些实施例中也可以向目标终端发送触发邮件用于指示已收到待训练模型和模型训练进度。提高用户体验。训练进度也可以从目标终端发送模型训练请求的时刻开始展示,例如:在界面展示流程为,请求已发送、请求已接收、数据获取中、模型训练中和模型训练完成。
在一些可选的实施例中,在第一服务器接收由第二服务器训练得到的目标模型,并转发至目标终端之后,第一服务器向目标终端发送第二信息,第二信息用于提示目标模型已发送至目标终端。
本申请实施例还提供了一种模型训练***,如图3所示,包括:数据源服务器30、分布式数据库32、第一服务器34、第二服务器36和目标终端38;第一服务器34用于从数据源服务器30获取第一预设模型,并将目标数据输入第一预设模型得到多个特征数据;目标数据库32用于存储多个特征数据和与多个特征数据对应的特征数据标签;目标终端38用于发送待训练模型;第二服务器36用于利用待训练模型、目标特征数据和目标特征数据标签训练得到目标模型;第一服务器34还用于将目标模型转发给目标终端38。
其中,上述目标数据库可以是位于服务器中的数据库。
本申请实施例还提供了一种模型训练装置,如图4所示,包括:提取模块40,用于对获取到的目标数据进行特征提取,得到目标数据的多个特征数据,并将多个特征数据存储到目标数据库中;确定模块42,用于接收目标终端发送的待训练模型,并根据待训练模型从目标数据库中确定与待训练模型匹配的目标特征数据;发送模块44,用于接收由第二服务器训练得到的目标模型,并转发至目标终端,其中,目标模型是由第二服务器从目标数据库中提取目标特征数据训练得到的。
提取模块40包括存储子模块,存储子模块用于利用第二预设模型对多个特征数据进行推断得到与多个特征数据对应的特征数据标签;将多个特征数据和特征数据标签存储到目标数据库中。
确定模块42包括:接收子模块,接收子模块用于接收目标终端发送的第一选择指令,确定第一预设模型;接收目标终端发送的待训练模型和所需数据标签,并根据待训练模型、第一预设模型和所需数据标签确定与待训练模型匹配的目标特征数据和与目标特征数据对应的目标特征数据标签。
发送模块44包括:训练子模块和发送子模块,训练子模块用于将待训练模型和目标数据清单发送到第二服务器,其中,目标数据清单用于指示目标特征数据和目标特征数据标签;并向第二服务器发送第一控制指令,控制第二服务器从目标数据库中按照目标数据清单的指示提取目标特征数据和目标特征数据标签;向第二服务器发送第二控制指令,控制第二服务器利用目标特征数据和目标特征数据标签对待训练模型进行训练得到目标模型。
发送子模块用于在第一服务器接收目标终端发送的待训练模型之后,向目标终端发送回执信息和第一信息,回执信息用于指示第一服务器已接收到待训练模型,第一信息用于在目标终端的展示界面上展示待训练模型的训练进度;并在第一服务器接收由第二服务器训练得到的目标模型,并转发至目标终端之后,向目标终端发送第二信息,第二信息用于提示目标模型已发送至目标终端。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行上述模型训练方法。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述模型训练方法。
上述处理器用于运行执行以下功能的程序:第一服务器对获取到的目标数据进行特征提取,得到目标数据的多个特征数据,并将多个特征数据存储到目标数据库中;第一服务器接收目标终端发送的待训练模型,并根据待训练模型从目标数据库中确定与待训练模型匹配的目标特征数据,并将目标特征数据发送至第二服务器;第一服务器接收由第二服务器训练得到的目标模型,并转发至目标终端,其中,目标模型是由第二服务器从目标数据库中提取目标特征数据对待训练模型训练得到的。
上述处理器执行上述模型训练方法,通过对获取到的目标数据进行特征提取,仅利用特征提取后得到的特征数据进行模型训练,达到了加密训练数据的目的,从而实现了保护训练数据隐私的技术效果,进而解决了由于缺乏数据保护的方法导致的训练数据的安全性低技术问题。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种模型训练方法,其特征在于,包括:
第一服务器利用第一预设模型对获取到的目标数据进行特征提取,得到所述目标数据的多个特征数据,并将所述多个特征数据存储到目标数据库中;
所述第一服务器接收目标终端发送的待训练模型,并根据所述待训练模型从所述目标数据库中确定与待训练模型匹配的所述目标特征数据,并将所述目标特征数据发送至第二服务器;
所述第一服务器接收由所述第二服务器训练得到的目标模型,并将所述目标模型转发至所述目标终端,其中,所述目标模型是由所述第二服务器从所述目标数据库中提取所述目标特征数据,并使用所述目标特征数据对所述待训练模型训练得到的。
2.根据权利要求1所述的方法,其特征在于,将所述多个特征数据存储到目标数据库中,包括:
所述第一服务器利用第二预设模型对所述多个特征数据进行推断得到与所述多个特征数据对应的特征数据标签;
所述第一服务器将所述多个特征数据和所述特征数据标签存储到所述目标数据库中。
3.根据权利要求2所述的方法,其特征在于,第一服务器接收目标终端发送的待训练模型,并根据所述待训练模型从所述目标数据库中确定与待训练模型匹配的所述目标特征数据,包括:
所述第一服务器接收所述目标终端发送的第一选择指令,确定所述第一预设模型;
所述第一服务器接收所述目标终端发送的待训练模型和所需数据标签,并根据所述待训练模型、所述第一预设模型和所需数据标签确定与待训练模型匹配的所述目标特征数据和与所述目标特征数据对应的目标特征数据标签。
4.根据权利要求1所述的方法,其特征在于,第一服务器接收由第二服务器训练得到的目标模型,包括:
所述第一服务器将所述待训练模型和目标数据清单发送到所述第二服务器,其中,所述目标数据清单用于指示所述目标特征数据和所述目标特征数据标签;
所述第一服务器向所述第二服务器发送第一控制指令,控制所述第二服务器按照所述目标数据清单的指示从所述目标数据库中提取所述目标特征数据和所述目标特征数据标签;
所述第一服务器向所述第二服务器发送第二控制指令,控制所述第二服务器利用所述目标特征数据和所述目标特征数据标签对所述待训练模型进行训练得到所述目标模型。
5.根据权利要求1所述的方法,其特征在于,在第一服务器接收目标终端发送的待训练模型之后,所述方法还包括:
所述第一服务器向所述目标终端发送回执信息和第一信息,所述回执信息用于指示所述第一服务器已接收到所述待训练模型,所述第一信息用于在所述目标终端的展示界面上展示所述待训练模型的训练进度。
6.根据权利要求5所述的方法,其特征在于,在第一服务器接收由第二服务器训练得到的目标模型,并转发至所述目标终端之后,所述方法还包括:
所述第一服务器向所述目标终端发送第二信息,所述第二信息用于提示所述目标模型已发送至所述目标终端。
7.根据权利要求1所述的方法,其特征在于,第一服务器对获取到的目标数据进行特征提取,包括:
所述第一服务器利用第一预设模型对获取到的目标数据进行特征提取,所述第一预设模型包括:残差网络模型和超分辨率测试序列模型。
8.一种模型训练***,其特征在于,包括:
数据源服务器、分布式数据库、中介服务器、训练服务器和数据需求终端;
所述中介服务器用于从所述数据源服务器获取第一预设模型,并将目标数据输入所述第一预设模型得到多个特征数据;
所述分布式数据库用于存储多个特征数据和与所述多个特征数据对应的特征数据标签;
所述数据需求终端用于发送待训练模型;
所述训练服务器用于利用待训练模型、目标特征数据和目标特征数据标签训练得到目标模型;
所述中介服务器还用于将所述目标模型转发给所述数据需求终端。
9.一种模型训练装置,其特征在于,包括:
提取模块,用于对利用第一预设模型获取到的目标数据进行特征提取,得到所述目标数据的多个特征数据,并将所述多个特征数据存储到目标数据库中;
确定模块,用于接收目标终端发送的待训练模型,并根据所述待训练模型从所述目标数据库中确定与待训练模型匹配的所述目标特征数据,并将所述目标特征数据发送至第二服务器;
发送模块,用于接收由所述第二服务器训练得到的目标模型,并将所述目标模型转发至所述目标终端,其中,所述目标模型是由所述第二服务器从所述目标数据库中提取所述目标特征数据,并使用所述目标特征数据对所述待训练模型训练得到的。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210711503.4A CN114970761A (zh) | 2022-06-22 | 2022-06-22 | 模型训练方法及装置、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210711503.4A CN114970761A (zh) | 2022-06-22 | 2022-06-22 | 模型训练方法及装置、*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114970761A true CN114970761A (zh) | 2022-08-30 |
Family
ID=82965591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210711503.4A Pending CN114970761A (zh) | 2022-06-22 | 2022-06-22 | 模型训练方法及装置、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970761A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766489A (zh) * | 2022-12-23 | 2023-03-07 | 中国联合网络通信集团有限公司 | 数据处理设备、方法及存储介质 |
-
2022
- 2022-06-22 CN CN202210711503.4A patent/CN114970761A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766489A (zh) * | 2022-12-23 | 2023-03-07 | 中国联合网络通信集团有限公司 | 数据处理设备、方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113395200B (zh) | 消息推送方法和***、客户端、存储介质及处理器 | |
CN108319888B (zh) | 视频类型的识别方法及装置、计算机终端 | |
CN108121943B (zh) | 基于图片的判别方法及装置和计算设备 | |
CN111198973A (zh) | 基于领域模型的业务可视化处理方法及装置 | |
CN109067883B (zh) | 信息推送方法及装置 | |
CN114970761A (zh) | 模型训练方法及装置、*** | |
CN104636460A (zh) | 一种物品信息推送方法和装置 | |
CN110347871B (zh) | 对回复视频进行展示的方法、装置以及存储介质 | |
CN113934299A (zh) | 设备交互方法、装置、智能家居设备及处理器 | |
CN111476598A (zh) | 信息的提示方法和装置、存储介质、电子装置 | |
CN112306592A (zh) | 消息的处理方法和装置、存储介质及电子装置 | |
CN107786528B (zh) | 应用的登录方法及装置、通信*** | |
CN111678519B (zh) | 智能导航方法、装置及存储介质 | |
CN113011182B (zh) | 一种对目标对象进行标签标注的方法、装置和存储介质 | |
CN110929866B (zh) | 神经网络模型的训练方法、装置和*** | |
CN110505260B (zh) | 推送信息的处理方法及***、显示设备、移动终端 | |
CN113194045B (zh) | 数据流量分析方法、装置、存储介质及处理器 | |
CN110909755B (zh) | 对象特征处理方法及装置 | |
CN109583453B (zh) | 图像的识别方法和装置、数据的识别方法、终端 | |
CN112182394A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN110826582A (zh) | 图像特征训练方法、装置和*** | |
CN112560555A (zh) | 扩充关键点的方法、装置以及存储介质 | |
CN114943868B (zh) | 图像处理方法、装置、存储介质及处理器 | |
CN106355426B (zh) | 用于应用中服务平台的展示方法和装置 | |
CN113449795A (zh) | 用电数据处理方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |