CN118158737A - 信息传输方法、信息传输装置和通信设备 - Google Patents
信息传输方法、信息传输装置和通信设备 Download PDFInfo
- Publication number
- CN118158737A CN118158737A CN202211552417.XA CN202211552417A CN118158737A CN 118158737 A CN118158737 A CN 118158737A CN 202211552417 A CN202211552417 A CN 202211552417A CN 118158737 A CN118158737 A CN 118158737A
- Authority
- CN
- China
- Prior art keywords
- network
- information
- target
- network layer
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 147
- 230000005540 biological transmission Effects 0.000 title claims abstract description 94
- 238000004891 communication Methods 0.000 title claims abstract description 46
- 230000015654 memory Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 description 17
- 238000013526 transfer learning Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 14
- 230000013016 learning Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013508 migration Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/096—Transfer learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种信息传输方法、信息传输装置和通信设备,属于通信技术领域,本申请实施例的信息传输方法包括:终端传输第一信息,其中,所述第一信息包括以下至少一项:目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;第二信息,所述第二信息用于描述所述目标网络层。
Description
技术领域
本申请属于通信技术领域,具体涉及一种信息传输方法、信息传输装置和通信设备。
背景技术
在相关技术中,对在通信网络中的收发端分别部署人工智能(ArtificialIntelligence,AI)网络模型,以借助AI网络模型来处理传输信息进行了研究。
对于AI网络模型,可以进行迁移学习,以更新AI网络模型,此时,通信网络中的收发端需要同步更新后的AI网络模型。该更新后的AI网络模型需要进行空口传输,占用了大量的传输资源,减少了通信网络中的收发端可用于其他信息的传输资源。
发明内容
本申请实施例提供一种信息传输方法、信息传输装置和通信设备,能够在对AI网络模型迁移学习,以更新AI网络模型后,降低通信网络中的收发端用于同步更新后的AI网络模型的传输资源,从而增加了通信网络中的收发端可用于其他信息的传输资源。
第一方面,提供了一种信息传输方法,该方法包括:
终端传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
第二方面,提供了一种信息传输装置,应用于终端,该装置包括:
第一传输模块,用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
第三方面,提供了一种信息传输方法,包括:
网络侧设备传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
第四方面,提供了一种信息传输装置,应用于网络侧设备,该装置包括:
第二传输模块,用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
第五方面,提供了一种通信设备,该通信设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面或第三方面所述的方法的步骤。
第六方面,提供了一种终端,包括处理器及通信接口,其中,所述通信接口用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
第七方面,提供了一种网络侧设备,包括处理器及通信接口,其中,所述通信接口用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
第八方面,提供了一种通信***,包括:终端和网络侧设备,所述终端可用于执行如第一方面所述的信息传输方法的步骤,所述网络侧设备可用于执行如第三方面所述的信息传输方法的步骤。
第九方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤,或者实现如第三方面所述的方法的步骤。
第十方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法,或实现如第三方面所述的方法。
第十一方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的信息传输方法的步骤,或者所述计算机程序/程序产品被至少一个处理器执行以实现如第三方面所述的信息传输方法的步骤。
在本申请实施例中,终端传输第一信息,其中,所述第一信息包括以下至少一项:目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;第二信息,所述第二信息用于描述所述目标网络层。这样,在对AI网络模型进行迁移学习,以更新AI网络模型时,终端只需要对AI网络模型中有更新的网络层进行传输即可,其相较于对更新后的整个AI网络模型进行传输而言,能够大大降低传输资源的占用量,从而能够提升终端可用于其他信息的传输资源。
附图说明
图1是本申请实施例能够应用的一种无线通信***的结构示意图;
图2是基于网络模型进行预测CSI和未预测CSI时的性能增益示意图;
图3是本申请实施例提供的一种信息传输方法的流程图;
图4是迁移学习过程的示意图;
图5是本申请实施例提供的另一种信息传输方法的流程图;
图6是本申请实施例提供的一种信息传输装置的结构示意图;
图7是本申请实施例提供的另一种信息传输装置的结构示意图;
图8是本申请实施例提供的一种通信设备的结构示意图;
图9是本申请实施例提供的一种终端的硬件结构示意图
图10是本申请实施例提供的一种网络侧设备的结构示意图。
具体实施方式
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描述,显然,所描述的实施例是本申请一部分实施例,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所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便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,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)***,还可用于其他无线通信***,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access,SC-FDMA)和其他***。本申请实施例中的术语“***”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的***和无线电技术,也可用于其他***和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)***,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR***应用以外的应用,如第6代(6th Generation,6G)通信***。
图1示出本申请实施例可应用的一种无线通信***的框图。无线通信***包括终端11和网络侧设备12。其中,终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、移动上网装置(Mobile Internet Device,MID)、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备,如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer,PC)、柜员机或者自助机等终端侧设备,可穿戴式设备包括:智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备,其中,接入网设备12也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等,基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set,BSS)、扩展服务集(Extended Service Set,ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR***中的基站为例进行介绍,并不限定基站的具体类型。
人工智能目前在各个领域获得了广泛的应用。AI模型有多种实现方式,例如神经网络、决策树、支持向量机、贝叶斯分类器等。本申请以神经网络为例进行说明,但是并不限定AI模型的具体类型。
神经网络的参数通过优化算法进行优化。优化算法就是一种能够帮我们最小化或者最大化目标函数(有时候也叫损失函数)的一类算法。而目标函数往往是模型参数和数据的数学组合。例如给定数据X和其对应的标签Y,我们构建一个神经网络模型f(.),有了模型后,根据输入x就可以得到预测输出f(x),并且可以计算出预测值和真实值之间的差距(f(x)-Y),这个就是损失函数。我们的目的是找到合适的权值和偏置,使上述的损失函数的值达到最小,损失值越小,则说明我们的模型越接近于真实情况。
目前常见的优化算法,基本都是基于误差反向传播(error Back Propagation,BP)算法。BP算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。
一般而言,根据解决类型不同,选取的AI算法和采用的模型也有所差别。根据目前发表文章及公开研究成果,借助AI提升5G网络性能的主要方法是通过基于神经网络的算法和模型增强或者替代目前已有的算法或处理模块。在特定场景下,基于神经网络的算法和模型可以取得比基于确定性算法更好的性能。比较常用的神经网络包括深度神经网络、卷积神经网络和循环神经网络等。借助已有AI工具,可以实现神经网络的搭建、训练与验证工作。
通过AI/机器学习(Machine Learning,ML)方法替代现有***中的模块能够有效提升***性能。例如:可以基于AI网络模型进行CSI预测,即将历史CSI输入给AI模型,AI网络模型分析信道的时域变化特性,并输出未来的CSI。如图2所示,在采用AI网络模型对未来不同时刻的CSI进行预测时,其取得的性能增益(如标准化均方误差(Normalized MeanSquared Error,NMSE))相较于不预测CSI的方案而言,由很大的提升,且预测的未来时刻不同,可以达到的预测精度也会不一样。
AI网络模型应用于无线通信***中时,需要在终端上运行相应的神经网络。但是,随着终端的移动,无线环境的变化、执行业务的变化等,终端侧使用的模型也需要进行变化、演进、更新。
在相关技术中,在重训练或更新AI网络模型时,需要将最新的AI网络模型同步至终端和网络侧设备,该过程需要占用终端和网络侧设备的大量传输资源来传输最新的AI网络模型。
而本申请实施例中,随着终端的移动、无线环境的变化、执行业务的变化等,使终端具有的AI网络模型与当前的通信环境或执行业务不匹配时,对AI网络模型进行迁移学习,即可以更新AI网络模型中的部分网络层,然后将最新的AI网络模型中有更新的网络层的相关参数或描述信息同步至终端和网络侧设备,能够降低同步更新AI网络模型过程对终端和网络侧设备的传输资源的占用量。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的信息传输方法、信息传输装置及通信设备等进行详细地说明。
请参阅图3,本申请实施例提供的一种信息传输方法,其执行主体是终端,如图3所示,该终端执行的信息传输方法可以包括以下步骤:
步骤301、终端传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
一种实施方式中,上述目标AI网络模型可以是神经网络、决策树、支持向量机、贝叶斯分类器等AI网络模型。本申请以神经网络为例进行说明,但是并不限定AI网络模型的具体类型。
其中,目标AI网络模型可以具有至少两个网络层,例如:输入层、输出层、卷积层等等,在此不作穷举。
一种实施方式中,上述目标AI网络模型中更新后的网络层,可以是通过迁移学习对AI网络模型中的部分网络层进行更新,此时,目标网络层可以是目标AI网络模型的有更新的这一部分网络层。
其中,迁移学习的介绍如下:
迁移学习是一种小样本学习方法,把在一个任务或数据集上训练好的模型(一般称为预训练模型)迁移到新的任务或场景中实现快速训练的方法。实际场景中,类似的任务或环境的大部分数据都是存在相关性的,所以在旧的任务或数据集(称为源域)上训练好的模型在新的任务或场景(称为目标域)中作为初始参数是可以降低新的训练开销的,不用像传统神经网络训练方法那样从零开始学习。
迁移学习可以分为监督迁移学习和非监督迁移学习。监督迁移学习面向的场景是源域有充足的带标签数据,目标域只有少量的带标签数据的场景。非监督迁移学习面向的场景是源域有充足的带标签数据,目标域有充足的不带标签数据的场景。本申请实施例主要涉及监督迁移学习。如图4所示,在监督迁移学习过程中,可以先在源域训练源AI网络模型,然后在目标域训练目标AI网络模型。源AI网络模型和目标AI网络模型使用完全一样的结构,从而能够在源AI网络模型的基础上进行微调获得目标AI网络模型。通常,并不会将源AI网络模型的所有网络层都进行微调,而是将一部分网络层设为固定层不做调整,剩余部分网络层作为适应层进行微调。这样,对源AI网络模型的部分网络层进行更新后,便可以得到目标AI网络模型。
上述迁移学习是一种解决模型泛化能力不足的方案。一般,先用场景A或配置A的大规模数据训练一个模型(称为预训练模型),再以该预训练模型作为初始模型,使用场景B或配置B的数据进行微调或重训练。在微调和重训练阶段,可以选择预训练模型的一部分(如神经网络的部分层)进行调整,模型的其他部分保持不变。一般是调整靠近输出端的层。调整的层数依据场景B或配置B的数据量决定,数据量越大,可以调整的层数也越多。
一种实施方式中,还可以采用除了迁移学习之外的其他方式对AI网络模型进行更新,在此不作具体限定。
可选地,当对AI网络模型的全部网络层进行更新(如重训练AI网络模型,或者采用其他方式更新AI网络模型的全部网络层)时,目标AI网络层可以包括AI网络模型的全部网络层。
这样,通信网络中的收发端在同步AI网络模型的过程中,可以指示AI网络模型的哪个或哪些网络层进行了更新,以使通信网络中的收发端据此确定AI网络模型更新的位置。其中,通信网络中的收发端可以是执行本申请实施例所述信息传输方法的终端和/或网络侧设备,例如:收端为终端,发端为网络侧设备,或者,收端为网络侧设备,发端为终端等。
一种实施方式中,上述目标网络层的参数信息可以是能够确定和/或构成目标网络层的参数,例如:目标网络层的参数信息包含目标网络层的结构参数、权重参数、算法等信息,在此不作具体限定。也就是说,对于有更新的网络层,终端可以传输该网络层。
作为一种可选的实施方式,所述第二信息,包括以下至少一项:
所述目标AI网络模型中更新后的网络层的层数;
所述目标AI网络模型中更新后的网络层的起始位置;
所述目标AI网络模型中更新后的网络层的终止位置;
所述目标AI网络模型中更新后的网络层的层标识的集合;
所述目标AI网络模型中更新后的网络层的起始位置集合;
所述目标AI网络模型中更新后的网络层的终止位置集合;
所述目标AI网络模型中更新后的网络层的参数信息。
一种实施方式中,所述第二信息包括所述目标AI网络模型中更新后的网络层的起始位置,可以指示更新目标AI网络模型中的第N1个网络层及其之后的网络层,其中,N1为小于等于K的正整数,K为目标AI网络模型的网络层的总数。
一种实施方式中,所述第二信息包括所述目标AI网络模型中更新后的网络层的终止位置,可以指示更新目标AI网络模型中的第N2个网络层及其之前的网络层,其中,N2为小于等于K的正整数,K为目标AI网络模型的网络层的总数。
一种实施方式中,所述第二信息包括所述目标AI网络模型中更新后的网络层的层标识的集合,可以是通过第二信息指示有更新的网络层的层标识。可选,层标识可以是网络层的编号或名称或功能,在此不作具体限定。
一种实施方式中,所述第二信息包括所述目标AI网络模型中更新后的网络层的起始位置集合,也就是说,目标AI网络模型中有更新的网络层可以是非连续的几个分段,此时,起始位置集合可以包括每一个分段的起始位置对应的网络层的编号、位置、名称等标识信息中的至少一项,例如:更新第1~3个网络层、5~6个网络层,此时,所述目标AI网络模型中更新后的网络层的起始位置集合可以包括网络层1和网络层5。
可选地,在所述第二信息包括所述目标AI网络模型中更新后的网络层的起始位置集合的情况下,所述第二信息还可以包括所述目标AI网络模型中更新后的网络层的终止位置集合,例如:所述目标AI网络模型中更新后的网络层的起始位置集合可以包括网络层1和网络层5,所述目标AI网络模型中更新后的网络层的终止位置集合可以包括网络层3和网络层6,则可以确定目标网络层是第1~3个网络层、5~6个网络层。
可选地,在所述第二信息包括所述目标AI网络模型中更新后的网络层的起始位置集合的情况下,可以采用协议约定或网络侧指示的方式约定更新起始位置集合内的每一个起始位置之后的X个网络层,X为正整数,例如:约定X等于2,所述目标AI网络模型中更新后的网络层的起始位置集合可以包括网络层1和网络层5,则可以确定目标网络层是第1~2个网络层、5~6个网络层。
一种实施方式中,所述第二信息包括所述目标AI网络模型中更新后的网络层的终止位置集合,与上述所述第二信息包括所述目标AI网络模型中更新后的网络层的起始位置集合的实施方式相似,即目标AI网络模型中有更新的网络层可以是非连续的几个分段,此时,终止位置集合可以包括每一个分段的终止位置对应的网络层的编号、位置、名称等标识信息中的至少一项。同理,在所述第二信息包括所述目标AI网络模型中更新后的网络层的终止位置集合的情况下,所述第二信息还可以包括所述目标AI网络模型中更新后的网络层的起始位置集合,或者,可以事先约定更新终止位置集合内的每一个终止位置之前的Y个网络层,Y为正整数。
一种实施方式中,所述第二信息包括所述目标AI网络模型中更新后的网络层的参数信息,可以是所述目标AI网络模型中更新后的网络层的描述信息直接是该对应网络层。
需要说明的是,上述第二信息中的至少两项可以组合,例如:第二信息可以包括所述目标AI网络模型中更新后的网络层的层数和所述目标AI网络模型中更新后的网络层的起始位置,例如:第二信息指示目标AI网络模型中更新的网络层的有5层,且起始位置为第2个网络层,则可以确定目标网络层为目标AI网络模型中的第2至6个网络层。再例如:第二信息可以包括所述目标AI网络模型中更新后的网络层的层数和所述目标AI网络模型中更新后的网络层的终止位置,例如:第二信息指示目标AI网络模型中更新的网络层的有5层,且起始位置为第8个网络层,则可以确定目标网络层为目标AI网络模型中的第4至8个网络层。
作为一种可选的实施方式,在所述目标AI网络模型进行重训练的情况下,所述第一信息包括所述目标AI网络模型的全部网络层的参数信息。
在一种可选的实施方式中,所述终端传输第一信息,包括:
终端接收来自网络侧设备的第一信息,其中,所述网络侧设备为更新所述目标AI网络模型的网络侧设备。
本实施方式中,由网络侧设备对AI网络模型进行更新,终端则接收来自网络侧设备的第一信息,以使终端和网络侧设备同步更新后的目标AI网络模型。
可选地,所述方法还包括:
所述终端根据所述第一信息对第一AI网络模型中的第一网络层进行更新,得到所述目标AI网络模型,其中,所述第一网络层与所述目标网络层对应。
一种实施方式中,上述第一AI网络模型可以是终端具有的更新前的AI网络模型。该第一AI网络模型与目标AI网络模型可以是相同类型和功能的AI网络模型,两者的不同之处在于,第一AI网络模型是终端具有的更新前的AI网络模型,而目标AI网络模型是更新后的AI网络模型。
上述第一网络层与所述目标网络层对应可以理解为:第一网络层与目标网络层可以是相同网络层,但是第一网络层是更新前的网络层,目标网络层是更新后的网络层。也就是说,第一网络层是第一AI网络模型中的网络层,目标网络层是目标AI网络模型中的网络层。例如:第一网络层是第一AI网络模型中的最后2个网络层,则目标网络层是目标AI网络模型中的最后2个网络层。
例如:在终端移动过程中或者终端所处的通信环境发生改变时,终端具有的源AI网络模型不再适用,此时,由网络侧设备对AI网络模型进行迁移学习,以更新AI网络模型中的至少部分网络层,并将更新的至少部分网络层的描述信息和/或参数下发给终端,终端则可以根据接收的信息对源AI网络模型中的对应网络层进行更新,最终得到目标AI网络模型,如:终端将更新后的至少部分网络层替换掉源AI网络模型中的对应网络层。
作为一种可选的实施方式,在所述终端接收来自网络侧设备的第一信息之前,所述方法还包括:
所述终端确定第一网络层,其中,所述第一网络层为第一AI网络模型中需要更新的层;
所述终端向所述网络侧设备发送第三信息,其中,所述第三信息指示所述终端建议更新所述第一网络层。
一种实施方式中,网络侧设备可以决定是否采纳终端的建议,若采纳则第一网络层与目标网络层可以是更新前后的相同网络层。
一种实施方式中,在网络侧设备对AI网络模型进行更新的情况下,网络侧设备可以接收终端的第三信息,并决定是否采纳终端的建议。
可选地,若网络侧设备采纳终端的建议,则网络侧设备对第二AI网络模型中与第一网络层对应的第二网络层进行迁移学习,以得到目标AI网络模型,其中,第二AI网络模型是网络侧设备具有的更新前的AI网络模型,该第二AI网络模型可以与第一AI网络模型相同。同理,第二网络层可以是与目标网络层相同的网络层,且两者的不同之处在于第二网络层是第二AI网络模型中的网络层,目标网络层是目标AI网络模型中的网络层。也就是说,若网络侧设备采纳终端的建议,则所述目标网络层包括所述目标AI网络模型中与所述第一网络层对应的网络层。
可选地,若网络侧设备不采纳终端的建议,则网络侧设备可以自己决定更新第二AI网络模型中的哪个或哪些网络层。
本实施方式中,终端可以根据自身需要来向网络侧设备建议更新AI网络模型中需要更新的网络层。
可选地,在所述终端向所述网络侧设备发送第三信息之后,所述方法还包括:
所述终端接收来自所述网络侧设备的第四信息,其中,所述第四信息指示所述网络侧设备同意或不同意更新所述第一AI网络模型的第一网络层;
其中,在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述目标网络层包括所述目标AI网络模型中与所述第一网络层对应的网络层。
需要说明的是,本申请实施例中的指示可以是显式的指示,例如:发送的信息明确的指示第四信息,或者,本申请实施例中的指示也可以是隐式的指示,例如:通过在第一信息中包含第二信息,且第二信息所描述所述目标网络层与第一网络层不对应时,第二信息可以作为第四信息,且第四信息指示网络侧设备不同意更新所述第一AI网络模型的第一网络层。
可选地,在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,第一信息包括所述目标网络层的参数信息且不包括第二信息,即网络侧设备所下发的目标网络层的参数信息即为终端建议更新的第一网络层的更新后的参数信息。
这样,通过省略第二信息的传输,可以降低传输第一信息的资源消耗。
可选地,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息和所述第二信息,此时,第二信息所描述的目标网络层与第一网络层不对应。
这样,传输第二信息可以告知终端最终更新的目标网络层是哪个或哪些网络层。
在另一种可选的实施方式中,所述终端传输第一信息,包括:
在终端更新所述目标AI网络模型的情况下,所述终端向网络侧设备发送第一信息。
本实施方式中,由终端对AI网络模型进行更新,并在更新得到目标AI网络模型之后,终端向网络侧设备发送第一信息,以使终端和网络侧设备同步更新后的目标AI网络模型。
作为一种可选的实施方式,在所述终端向网络侧设备发送第一信息之前,所述方法还包括:
所述终端接收来自所述网络侧设备的第五信息,所述第五信息用于指示第一网络层,其中,所述第一网络层为所述目标网络层对应的更新前的网络层。
本实施方式中,在终端对AI网络模型进行迁移学习之前,网络侧设备指示终端更新哪个或哪些网络层,这样,终端对网络侧设备指示的网络层进行更新,得到目标网络侧。
值得提出的是,在终端接收来自所述网络侧设备的第五信息的情况下,所述第一信息可以不包括第二信息,即第一信息只需要包括目标网络层的参数信息即可。
作为一种可选的实施方式,在所述终端向网络侧设备发送第一信息之前,所述方法还包括:
所述终端确定第一网络层;
所述终端对第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型,所述第一网络层与所述目标网络层对应。
本实施方式中,在终端对AI网络模型进行迁移学习之前,终端自己决定更新哪个或哪些网络层。
作为一种可选的实施方式,在所述终端确定所述第一网络层之后,所述方法还包括:
所述终端向所述网络侧设备发送第六信息,其中,所述第六信息用于请求更新所述第一网络层;
所述终端接收来自所述网络侧设备的第七信息,其中,所述第七信息指示是否允许更新所述第一网络层;
所述终端对所述第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型,包括:
在所述第七信息指示允许更新所述第一网络层的情况下,所述终端对所述第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型。
一种实施方式中,若第七信息指示不允许更新所述第一网络层,则终端不对第一AI网络模型的所述第一网络层进行更新,例如:终端停止对第一AI网络模型的迁移学习过程,或者,终端重新选择第一AI网络模型中需要更新的网络层,并再次请求网络侧设备对重新选择的网络层进行更新,或者,终端等待网络侧设备的指示来确定需要更新网络层等,在此不作具体限定。
本实施方式中,终端在决定更新哪个或哪些网络层之后,还向网络侧设备请求对该网络层进行更新,仅在网络侧设备同意对该网络层进行更新的情况下,才执行对所述第一AI网络模型的所述第一网络层进行更新的过程。
在本申请实施例中,终端传输第一信息,其中,所述第一信息包括以下至少一项:目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;第二信息,所述第二信息用于描述所述目标网络层。这样,在对AI网络模型进行迁移学习,以更新AI网络模型时,终端只需要对AI网络模型中有更新的网络层进行传输即可,其相较于对更新后的整个AI网络模型进行传输而言,能够大大降低传输资源的占用量,从而能够提升终端可用于其他信息的传输资源。
请参阅图5,本申请实施例提供的信息传输方法,其执行主体可以是网络侧设备,如图5所示,该信息传输方法可以包括以下步骤:
步骤501、网络侧设备传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
本申请实施例中的第一信息、目标网络层、目标网络层的参数信息、第二信息的含义和作用与如图3所示方法实施例中,的第一信息、目标网络层、目标网络层的参数信息、第二信息的含义和作用相同,在此不作具体限定。
本实施例中的信息传输方法与如图3所示方法实施例相对应,不同之处在于本实施例中的信息传输方法是网络侧设备,而如图3所示方法实施例的执行主体是终端,本实施例中的信息传输方法的解释说明可以参考如图3所示方法实施例中的相关说明,在此不做赘述,且终端和网络侧设备相互配置,例如:网络侧设备向终端发送第一信息,或者终端向网络侧设备发送第一信息,以共同实现在对AI网络模型进行迁移学习,以更新AI网络模型时,对AI网络模型中有更新的网络层进行传输,能够提升终端和网络侧设备的可用于其他信息的传输资源。
作为一种可选的实施方式,所述第二信息,包括以下至少一项:
所述目标AI网络模型中更新后的网络层的层数;
所述目标AI网络模型中更新后的网络层的起始位置;
所述目标AI网络模型中更新后的网络层的终止位置;
所述目标AI网络模型中更新后的网络层的层标识的集合;
所述目标AI网络模型中更新后的网络层的起始位置集合;
所述目标AI网络模型中更新后的网络层的终止位置集合;
所述目标AI网络模型中更新后的网络层的参数信息。
作为一种可选的实施方式,在所述目标AI网络模型进行重训练的情况下,所述第一信息包括所述目标AI网络模型的全部网络层的参数信息。
作为一种可选的实施方式,所述网络侧设备传输第一信息,包括:
在网络侧设备更新所述目标AI网络模型的情况下,所述网络侧设备向终端发送第一信息。
作为一种可选的实施方式,所述网络侧设备传输第一信息,包括:
网络侧设备接收来自终端的第一信息,其中,所述终端为更新所述目标AI网络模型的终端。
作为一种可选的实施方式,所述方法还包括:
所述网络侧设备根据所述第一信息对第二AI网络模型中的第二网络层进行更新,得到所述目标AI网络模型,其中,所述第二网络层与所述目标网络层对应。
其中,上述第二AI网络模型与如图3所示方法实施例中网络侧设备具有的更新前的AI网络模型的含义相同,且第二网络层与如图3所示方法实施例中的第二AI网络模型中待更新的网络层的含义相同。
作为一种可选的实施方式,在所述网络侧设备向终端发送第一信息之前,所述方法还包括:
所述网络侧设备接收来自所述终端的第三信息,其中,所述第三信息指示所述终端建议更新第一网络层,其中,所述第一网络层为所述终端具有的第一AI网络模型中需要更新的层;
所述网络侧设备根据所述第一网络层确定所述目标网络层。
一种实施方式中,所述网络侧设备根据所述第一网络层确定所述目标网络层可以包括:所述网络侧设备采纳终端的建议,确定对第一网络层进行更新,即确定目标网络层是目标AI网络模型中与第一网络层所对应的网络层。
一种实施方式中,所述网络侧设备根据所述第一网络层确定所述目标网络层可以包括:网络侧设备不采纳终端的建议,并自己确定需要更新哪个或哪些网络层,即确定目标网络层是目标AI网络模型中与自己确定的需要的网络层所对应的网络层。
作为一种可选的实施方式,在所述网络侧设备接收来自所述终端的第三信息之后,所述方法还包括:
所述网络侧设备向所述终端发送第四信息,其中,所述第四信息指示所述网络侧设备同意或不同意更新所述第一AI网络模型的第一网络层;
其中,在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述目标网络层包括所述目标AI网络模型中与所述第一网络层对应的网络层。
作为一种可选的实施方式,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,所述方法还包括:
所述网络侧设备确定第二AI网络模型中需要更新的第二网络层,其中,所述第二网络层与所述目标网络层对应。
作为一种可选的实施方式,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息和所述第二信息;
和/或,
在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息。
作为一种可选的实施方式,在所述网络侧设备接收来自终端的第一信息之前,所述方法还包括:
所述网络侧设备向所述终端发送第五信息,所述第五信息用于指示第一网络层,其中,所述第一网络层为所述目标网络层对应的更新前的网络层。
作为一种可选的实施方式,在所述网络侧设备接收来自终端的第一信息之前,所述方法还包括:
所述网络侧设备接收来自所述终端的第六信息,其中,所述第六信息用于请求更新第一网络层,其中,所述第一网络层为所述终端具有的第一AI网络模型中需要更新的层;
所述网络侧设备向所述终端发送第七信息,其中,所述第七信息指示是否允许更新所述第一网络层。
本申请实施例提供的信息传输方法与如图3所述实施中的信息传输方法相对应,且能够共同实现在对AI网络模型进行迁移学习,以更新AI网络模型时,对AI网络模型中有更新的网络层进行传输,能够提升终端和网络侧设备的可用于其他信息的传输资源。
本申请实施例提供的信息传输方法,执行主体可以为信息传输装置。本申请实施例中以信息传输装置执行信息传输方法为例,说明本申请实施例提供的信息传输装置。
请参阅图6,本申请实施例提供的一种信息传输装置,可以是终端内的装置,如图6所示,该信息传输装置600可以包括以下模块:
第一传输模块601,用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
可选地,所述第二信息,包括以下至少一项:
所述目标AI网络模型中更新后的网络层的层数;
所述目标AI网络模型中更新后的网络层的起始位置;
所述目标AI网络模型中更新后的网络层的终止位置;
所述目标AI网络模型中更新后的网络层的层标识的集合;
所述目标AI网络模型中更新后的网络层的起始位置集合;
所述目标AI网络模型中更新后的网络层的终止位置集合;
所述目标AI网络模型中更新后的网络层的参数信息。
可选地,在所述目标AI网络模型进行重训练的情况下,所述第一信息包括所述目标AI网络模型的全部网络层的参数信息。
可选地,第一传输模块601具体用于:
接收来自网络侧设备的第一信息,其中,所述网络侧设备为更新所述目标AI网络模型的网络侧设备。
可选地,信息传输装置600还包括:
第一更新模块,用于根据所述第一信息对第一AI网络模型中的第一网络层进行更新,得到所述目标AI网络模型,其中,所述第一网络层与所述目标网络层对应。
可选地,第一传输模块601具体用于:
在终端更新所述目标AI网络模型的情况下,向网络侧设备发送第一信息。
可选地,信息传输装置600还包括:
第一确定模块,用于确定第一网络层,其中,所述第一网络层为第一AI网络模型中需要更新的层;
第一发送模块,用于向所述网络侧设备发送第三信息,其中,所述第三信息指示所述终端建议更新所述第一网络层。
可选地,信息传输装置600还包括:
第一接收模块,用于接收来自所述网络侧设备的第四信息,其中,所述第四信息指示所述网络侧设备同意或不同意更新所述第一AI网络模型的第一网络层;
其中,在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述目标网络层包括所述目标AI网络模型中与所述第一网络层对应的网络层。
可选地,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息和所述第二信息;和/或,
在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息。
可选地,信息传输装置600还包括:
第二接收模块,用于接收来自所述网络侧设备的第五信息,所述第五信息用于指示第一网络层,其中,所述第一网络层为所述目标网络层对应的更新前的网络层。
可选地,信息传输装置600还包括:
第二确定模块,用于确定第一网络层;
第二更新模块,用于对第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型,所述第一网络层与所述目标网络层对应。
可选地,信息传输装置600还包括:
第二发送模块,用于向所述网络侧设备发送第六信息,其中,所述第六信息用于请求更新所述第一网络层;
第三接收模块,用于接收来自所述网络侧设备的第七信息,其中,所述第七信息指示是否允许更新所述第一网络层;
所述第二更新模块具体用于:
在所述第七信息指示允许更新所述第一网络层的情况下,对所述第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型。
本申请实施例中的信息传输装置可以是电子设备,例如具有操作***的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,终端可以包括但不限于上述所列举的终端11的类型,其他设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)等,本申请实施例不作具体限定。
本申请实施例提供的信息传输装置600,能够实现如图3所示方法实施例中终端实现的各个过程,且能够取得相同的有益效果,为避免重复,在此不再赘述。
请参阅图7,本申请实施例提供的一种信息传输装置,可以是网络侧设备内的装置,如图7所示,该信息传输装置700可以包括以下模块:
第二传输模块701,用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
可选地,所述第二信息,包括以下至少一项:
所述目标AI网络模型中更新后的网络层的层数;
所述目标AI网络模型中更新后的网络层的起始位置;
所述目标AI网络模型中更新后的网络层的终止位置;
所述目标AI网络模型中更新后的网络层的层标识的集合;
所述目标AI网络模型中更新后的网络层的起始位置集合;
所述目标AI网络模型中更新后的网络层的终止位置集合;
所述目标AI网络模型中更新后的网络层的参数信息。
可选地,在所述目标AI网络模型进行重训练的情况下,所述第一信息包括所述目标AI网络模型的全部网络层的参数信息。
可选地,第二传输模块701具体用于:
在网络侧设备更新所述目标AI网络模型的情况下,向终端发送第一信息。
可选地,第二传输模块701具体用于:
接收来自终端的第一信息,其中,所述终端为更新所述目标AI网络模型的终端。
可选地,信息传输装置700还包括:
第三更新模块,用于根据所述第一信息对第二AI网络模型中的第二网络层进行更新,得到所述目标AI网络模型,其中,所述第二网络层与所述目标网络层对应。
可选地,信息传输装置700还包括:
第四接收模块,用于接收来自所述终端的第三信息,其中,所述第三信息指示所述终端建议更新第一网络层,其中,所述第一网络层为所述终端具有的第一AI网络模型中需要更新的层;
第三确定模块,用于根据所述第一网络层确定所述目标网络层。
可选地,信息传输装置700还包括:
第三发送模块,用于向所述终端发送第四信息,其中,所述第四信息指示所述网络侧设备同意或不同意更新所述第一AI网络模型的第一网络层;
其中,在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述目标网络层包括所述目标AI网络模型中与所述第一网络层对应的网络层。
可选地,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,信息传输装置700还包括:
第四确定模块,用于确定第二AI网络模型中需要更新的第二网络层,其中,所述第二网络层与所述目标网络层对应。
可选地,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息和所述第二信息;
和/或,
在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息。
可选地,信息传输装置700还包括:
第四发送模块,用于向所述终端发送第五信息,所述第五信息用于指示第一网络层,其中,所述第一网络层为所述目标网络层对应的更新前的网络层。
可选地,信息传输装置700还包括:
第五接收模块,用于接收来自所述终端的第六信息,其中,所述第六信息用于请求更新第一网络层,其中,所述第一网络层为所述终端具有的第一AI网络模型中需要更新的层;
第五发送模块,用于向所述终端发送第七信息,其中,所述第七信息指示是否允许更新所述第一网络层。
本申请实施例提供的信息传输装置700,能够实现如图5所示方法实施例中网络侧设备实现的各个过程,且能够取得相同的有益效果,为避免重复,在此不再赘述。
可选的,如图8所示,本申请实施例还提供一种通信设备800,包括处理器801和存储器802,存储器802上存储有可在所述处理器801上运行的程序或指令,例如,该通信设备800为终端时,该程序或指令被处理器801执行时实现如图3所示方法实施例的各个步骤,且能达到相同的技术效果。该通信设备800为网络侧设备时,该程序或指令被处理器801执行时实现如图5所示方法实施例的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种终端,包括处理器和通信接口,所述通信接口用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
该终端实施例能够实现如图6所示信息传输装置600执行的各个过程,且能达到相同的技术效果,在此不再赘述。具体地,图9为实现本申请实施例的一种终端的硬件结构示意图。
该终端900包括但不限于:射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909以及处理器910等中的至少部分部件。
本领域技术人员可以理解,终端900还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理***与处理器910逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。图9中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元904可以包括图形处理单元(GraphicsProcessing Unit,GPU)9041和麦克风9042,图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元906可包括显示面板9061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072中的至少一种。触控面板9071,也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元901接收来自网络侧设备的下行数据后,可以传输给处理器910进行处理;另外,射频单元901可以向网络侧设备发送上行数据。通常,射频单元901包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器909可用于存储软件程序或指令以及各种数据。存储器909可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作***、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器909可以包括易失性存储器或非易失性存储器,或者,存储器909可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本申请实施例中的存储器909包括但不限于这些和任意其它适合类型的存储器。
处理器910可包括一个或多个处理单元;可选地,处理器910集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作***、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器910中。
其中,射频单元901,用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
可选地,所述第二信息,包括以下至少一项:
所述目标AI网络模型中更新后的网络层的层数;
所述目标AI网络模型中更新后的网络层的起始位置;
所述目标AI网络模型中更新后的网络层的终止位置;
所述目标AI网络模型中更新后的网络层的层标识的集合;
所述目标AI网络模型中更新后的网络层的起始位置集合;
所述目标AI网络模型中更新后的网络层的终止位置集合;
所述目标AI网络模型中更新后的网络层的参数信息。
可选地,在所述目标AI网络模型进行重训练的情况下,所述第一信息包括所述目标AI网络模型的全部网络层的参数信息。
可选地,射频单元901执行的所述传输第一信息,包括:
接收来自网络侧设备的第一信息,其中,所述网络侧设备为更新所述目标AI网络模型的网络侧设备。
可选地,处理器910,用于根据所述第一信息对第一AI网络模型中的第一网络层进行更新,得到所述目标AI网络模型,其中,所述第一网络层与所述目标网络层对应。
可选地,射频单元901执行的所述传输第一信息,包括:
在终端更新所述目标AI网络模型的情况下,向网络侧设备发送第一信息。
可选地,在射频单元901执行所述接收来自网络侧设备的第一信息之前:
处理器910,还用于确定第一网络层,其中,所述第一网络层为第一AI网络模型中需要更新的层;
射频单元901,还用于向所述网络侧设备发送第三信息,其中,所述第三信息指示所述终端建议更新所述第一网络层。
可选地,射频单元901在执行所述向所述网络侧设备发送第三信息之后,还用于接收来自所述网络侧设备的第四信息,其中,所述第四信息指示所述网络侧设备同意或不同意更新所述第一AI网络模型的第一网络层;
其中,在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述目标网络层包括所述目标AI网络模型中与所述第一网络层对应的网络层。
可选地,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息和所述第二信息;和/或,
在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息。
可选地,射频单元901在执行所述向网络侧设备发送第一信息之前,还用于接收来自所述网络侧设备的第五信息,所述第五信息用于指示第一网络层,其中,所述第一网络层为所述目标网络层对应的更新前的网络层。
可选地,在射频单元901执行所述向网络侧设备发送第一信息之前:
处理器910,还用于确定第一网络层;
处理器910,还用于对第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型,所述第一网络层与所述目标网络层对应。
可选地,在处理器910执行所述确定所述第一网络层之后:
射频单元901,还用于向所述网络侧设备发送第六信息,其中,所述第六信息用于请求更新所述第一网络层;
射频单元901,还用于接收来自所述网络侧设备的第七信息,其中,所述第七信息指示是否允许更新所述第一网络层;
处理器910执行的所述对所述第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型,包括:
在所述第七信息指示允许更新所述第一网络层的情况下,对所述第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型。
本申请实施例提供的终端900能够实现如图6所示信息传输装置600执行的各个过程,且能够取得相同的有益效果,为避免重复,在此不再赘述。
本申请实施例还提供一种网络侧设备,包括处理器和通信接口,所述通信接口用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
该网络侧设备实施例能够实现如图7所示信息传输装置700执行的各个过程,且能达到相同的技术效果,在此不再赘述。具体地,本申请实施例还提供了一种网络侧设备。如图10所示,该网络侧设备1000包括:天线1001、射频装置1002、基带装置1003、处理器1004和存储器1005。天线1001与射频装置1002连接。在上行方向上,射频装置1002通过天线1001接收信息,将接收的信息发送给基带装置1003进行处理。在下行方向上,基带装置1003对要发送的信息进行处理,并发送给射频装置1002,射频装置1002对收到的信息进行处理后经过天线1001发送出去。
以上实施例中网络侧设备执行的方法可以在基带装置1003中实现,该基带装置1003包括基带处理器。
基带装置1003例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图8所示,其中一个芯片例如为基带处理器,通过总线接口与存储器1005连接,以调用存储器1005中的程序,执行以上方法实施例中所示的网络设备操作。
该网络侧设备还可以包括网络接口1006,该接口例如为通用公共无线接口(Common Public Radio Interface,CPRI)。
具体地,本发明实施例的网络侧设备1000还包括:存储在存储器1005上并可在处理器1004上运行的指令或程序,处理器1004调用存储器1005中的指令或程序执行图7所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现如图3或图5所示方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如图3或图5所示方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为***级芯片,***芯片,芯片***或片上***芯片等。
本申请实施例另提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如图3或图5所示方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种通信***,包括:终端和网络侧设备,所述终端可用于执行如图3所示的信息传输方法的步骤,所述网络侧设备可用于执行如图5所示的信息传输方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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可以以计算机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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (28)
1.一种信息传输方法,其特征在于,包括:
终端传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
2.根据权利要求1所述的方法,其特征在于,所述第二信息,包括以下至少一项:
所述目标AI网络模型中更新后的网络层的层数;
所述目标AI网络模型中更新后的网络层的起始位置;
所述目标AI网络模型中更新后的网络层的终止位置;
所述目标AI网络模型中更新后的网络层的层标识的集合;
所述目标AI网络模型中更新后的网络层的起始位置集合;
所述目标AI网络模型中更新后的网络层的终止位置集合;
所述目标AI网络模型中更新后的网络层的参数信息。
3.根据权利要求1所述的方法,其特征在于,在所述目标AI网络模型进行重训练的情况下,所述第一信息包括所述目标AI网络模型的全部网络层的参数信息。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述终端传输第一信息,包括:
终端接收来自网络侧设备的第一信息,其中,所述网络侧设备为更新所述目标AI网络模型的网络侧设备。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
所述终端根据所述第一信息对第一AI网络模型中的第一网络层进行更新,得到所述目标AI网络模型,其中,所述第一网络层与所述目标网络层对应。
6.根据权利要求1至3中任一项所述的方法,其特征在于,所述终端传输第一信息,包括:
在终端更新所述目标AI网络模型的情况下,所述终端向网络侧设备发送第一信息。
7.根据权利要求4所述的方法,其特征在于,在所述终端接收来自网络侧设备的第一信息之前,所述方法还包括:
所述终端确定第一网络层,其中,所述第一网络层为第一AI网络模型中需要更新的层;
所述终端向所述网络侧设备发送第三信息,其中,所述第三信息指示所述终端建议更新所述第一网络层。
8.根据权利要求7所述的方法,其特征在于,在所述终端向所述网络侧设备发送第三信息之后,所述方法还包括:
所述终端接收来自所述网络侧设备的第四信息,其中,所述第四信息指示所述网络侧设备同意或不同意更新所述第一AI网络模型的第一网络层;
其中,在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述目标网络层包括所述目标AI网络模型中与所述第一网络层对应的网络层。
9.根据权利要求8所述的方法,其特征在于,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息和所述第二信息;和/或,
在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息。
10.根据权利要求6所述的方法,其特征在于,在所述终端向网络侧设备发送第一信息之前,所述方法还包括:
所述终端接收来自所述网络侧设备的第五信息,所述第五信息用于指示第一网络层,其中,所述第一网络层为所述目标网络层对应的更新前的网络层。
11.根据权利要求6所述的方法,其特征在于,在所述终端向网络侧设备发送第一信息之前,所述方法还包括:
所述终端确定第一网络层;
所述终端对第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型,所述第一网络层与所述目标网络层对应。
12.根据权利要求11所述的方法,其特征在于,在所述终端确定所述第一网络层之后,所述方法还包括:
所述终端向所述网络侧设备发送第六信息,其中,所述第六信息用于请求更新所述第一网络层;
所述终端接收来自所述网络侧设备的第七信息,其中,所述第七信息指示是否允许更新所述第一网络层;
所述终端对所述第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型,包括:
在所述第七信息指示允许更新所述第一网络层的情况下,所述终端对所述第一AI网络模型的所述第一网络层进行更新,得到所述目标AI网络模型。
13.一种信息传输方法,其特征在于,包括:
网络侧设备传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
14.根据权利要求13所述的方法,其特征在于,所述第二信息,包括以下至少一项:
所述目标AI网络模型中更新后的网络层的层数;
所述目标AI网络模型中更新后的网络层的起始位置;
所述目标AI网络模型中更新后的网络层的终止位置;
所述目标AI网络模型中更新后的网络层的层标识的集合;
所述目标AI网络模型中更新后的网络层的起始位置集合;
所述目标AI网络模型中更新后的网络层的终止位置集合;
所述目标AI网络模型中更新后的网络层的参数信息。
15.根据权利要求13所述的方法,其特征在于,在所述目标AI网络模型进行重训练的情况下,所述第一信息包括所述目标AI网络模型的全部网络层的参数信息。
16.根据权利要求13至15中任一项所述的方法,其特征在于,所述网络侧设备传输第一信息,包括:
在网络侧设备更新所述目标AI网络模型的情况下,所述网络侧设备向终端发送第一信息。
17.根据权利要求13至15中任一项所述的方法,其特征在于,所述网络侧设备传输第一信息,包括:
网络侧设备接收来自终端的第一信息,其中,所述终端为更新所述目标AI网络模型的终端。
18.根据权利要求17所述的方法,其特征在于,所述方法还包括:
所述网络侧设备根据所述第一信息对第二AI网络模型中的第二网络层进行更新,得到所述目标AI网络模型,其中,所述第二网络层与所述目标网络层对应。
19.根据权利要求16所述的方法,其特征在于,在所述网络侧设备向终端发送第一信息之前,所述方法还包括:
所述网络侧设备接收来自所述终端的第三信息,其中,所述第三信息指示所述终端建议更新第一网络层,其中,所述第一网络层为所述终端具有的第一AI网络模型中需要更新的层;
所述网络侧设备根据所述第一网络层确定所述目标网络层。
20.根据权利要求19所述的方法,其特征在于,在所述网络侧设备接收来自所述终端的第三信息之后,所述方法还包括:
所述网络侧设备向所述终端发送第四信息,其中,所述第四信息指示所述网络侧设备同意或不同意更新所述第一AI网络模型的第一网络层;
其中,在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述目标网络层包括所述目标AI网络模型中与所述第一网络层对应的网络层。
21.根据权利要求20所述的方法,其特征在于,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,所述方法还包括:
所述网络侧设备确定第二AI网络模型中需要更新的第二网络层,其中,所述第二网络层与所述目标网络层对应。
22.根据权利要求21所述的方法,其特征在于,在所述第四信息指示所述网络侧设备不同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息和所述第二信息;
和/或,
在所述第四信息指示所述网络侧设备同意更新所述第一AI网络模型的第一网络层的情况下,所述第一信息包括所述目标网络层的参数信息。
23.根据权利要求17所述的方法,其特征在于,在所述网络侧设备接收来自终端的第一信息之前,所述方法还包括:
所述网络侧设备向所述终端发送第五信息,所述第五信息用于指示第一网络层,其中,所述第一网络层为所述目标网络层对应的更新前的网络层。
24.根据权利要求17所述的方法,其特征在于,在所述网络侧设备接收来自终端的第一信息之前,所述方法还包括:
所述网络侧设备接收来自所述终端的第六信息,其中,所述第六信息用于请求更新第一网络层,其中,所述第一网络层为所述终端具有的第一AI网络模型中需要更新的层;
所述网络侧设备向所述终端发送第七信息,其中,所述第七信息指示是否允许更新所述第一网络层。
25.一种信息传输装置,其特征在于,应用于终端,所述装置包括:
第一传输模块,用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
26.一种信息传输装置,其特征在于,应用于网络侧设备,所述装置包括:
第二传输模块,用于传输第一信息,其中,所述第一信息包括以下至少一项:
目标网络层的参数信息,其中,所述目标网络层为目标AI网络模型中更新后的网络层;
第二信息,所述第二信息用于描述所述目标网络层。
27.一种通信设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至24中任一项所述的信息传输方法的步骤。
28.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至24中任一项所述的信息传输方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211552417.XA CN118158737A (zh) | 2022-12-05 | 2022-12-05 | 信息传输方法、信息传输装置和通信设备 |
PCT/CN2023/136276 WO2024120358A1 (zh) | 2022-12-05 | 2023-12-05 | 信息传输方法、信息传输装置和通信设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211552417.XA CN118158737A (zh) | 2022-12-05 | 2022-12-05 | 信息传输方法、信息传输装置和通信设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118158737A true CN118158737A (zh) | 2024-06-07 |
Family
ID=91295389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211552417.XA Pending CN118158737A (zh) | 2022-12-05 | 2022-12-05 | 信息传输方法、信息传输装置和通信设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN118158737A (zh) |
WO (1) | WO2024120358A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200272899A1 (en) * | 2019-02-22 | 2020-08-27 | Ubotica Technologies Limited | Systems and Methods for Deploying and Updating Neural Networks at the Edge of a Network |
CN112651510A (zh) * | 2019-10-12 | 2021-04-13 | 华为技术有限公司 | 模型更新方法、工作节点及模型更新*** |
CN114339774A (zh) * | 2020-09-30 | 2022-04-12 | 北京三星通信技术研究有限公司 | 频谱资源共享方法、装置、电子设备及存储介质 |
CN114363921B (zh) * | 2020-10-13 | 2024-05-10 | 维沃移动通信有限公司 | Ai网络参数的配置方法和设备 |
CN114679382A (zh) * | 2020-12-24 | 2022-06-28 | 华为技术有限公司 | 智能组件更新的方法和通信装置 |
-
2022
- 2022-12-05 CN CN202211552417.XA patent/CN118158737A/zh active Pending
-
2023
- 2023-12-05 WO PCT/CN2023/136276 patent/WO2024120358A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024120358A1 (zh) | 2024-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN118158737A (zh) | 信息传输方法、信息传输装置和通信设备 | |
CN116567806A (zh) | 基于人工智能ai模型的定位方法及通信设备 | |
WO2024120409A1 (zh) | Ai网络模型的确定方法、信息传输方法、装置和通信设备 | |
CN118283643A (zh) | 数据集确定方法、信息传输方法、装置和通信设备 | |
WO2024032694A1 (zh) | Csi预测处理方法、装置、通信设备及可读存储介质 | |
CN117579201A (zh) | 模型匹配方法、装置、通信设备及可读存储介质 | |
WO2024067665A1 (zh) | Csi预测处理方法、装置、通信设备及可读存储介质 | |
WO2024131622A1 (zh) | Ai网络模型确定方法、信息传输方法、装置和通信设备 | |
CN117641433A (zh) | Csi预测处理方法、装置、通信设备及可读存储介质 | |
WO2023213270A1 (zh) | 模型训练处理方法、装置、终端及网络侧设备 | |
WO2024067878A1 (zh) | 信道预测方法、装置及通信设备 | |
WO2023098586A1 (zh) | 信息交互方法、装置及通信设备 | |
CN117834427A (zh) | 更新ai模型参数的方法、装置及通信设备 | |
CN117835262A (zh) | Ai模型的处理方法、装置及通信设备 | |
CN117692954A (zh) | 测量反馈处理方法、装置、终端及网络侧设备 | |
CN116208492A (zh) | 信息交互方法、装置及通信设备 | |
CN116668309A (zh) | Ai模型的在线学习方法、装置、通信设备及可读存储介质 | |
CN117390440A (zh) | 人工智能模型训练方法、装置、网络侧设备、终端及介质 | |
CN116208494A (zh) | Ai模型切换的处理方法、装置及通信设备 | |
CN117676687A (zh) | 测量反馈处理方法、装置、终端及网络侧设备 | |
CN116996898A (zh) | Ai网络模型确定方法、装置、参考节点和网络侧设备 | |
CN116418432A (zh) | 模型更新方法及通信设备 | |
CN118042399A (zh) | 模型监督方法、终端及网络侧设备 | |
CN118413897A (zh) | 通信处理方法、装置、设备及可读存储介质 | |
CN116419267A (zh) | 通信模型配置方法、装置和通信设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |