[發明專利]一種深度神經網絡的知識產權保護方法、系統及終端

有效

• 申請號: 201910158611.1
• 申請日: 2019-02-28
• 公開（公告）號: CN109919303B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 范力欣
• 申請（專利權）人: 笵成科技南京有限公司
• 主分類號: G06Q50/18
• 分類號: G06Q50/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明屬于人工智能領域。通過巧妙設計的自鎖機制，本發明對任意一種深度神經網絡的知識產權進行保護，及時制止非法的侵權行為。自鎖機制包括兩個核心過程：首先在訓練神經網絡時，使用特定的數字密匙進行加鎖處理；其次在使用時，這樣處理過的神經網絡必須要密匙配合，才能發揮正常的功能。就權力保護的及時性和維權成本而言，本發明的自鎖機制具有明顯的優越性：沒有密匙配合的盜版網絡不能發揮正常功能，無法與合法授權的網絡競爭。由于盜版者不能從中受益，也就沒有了侵權的動機。相反的，傳統的數字水印保護機制只能證明神經網絡的歸屬權，而維權必須通過法律途徑，時效性差而且成本高昂。

一.技術領域

本發明實施例涉及人工智能領域，尤其涉及一種對深度神經網絡進行知識產權保護的方法、系統及終端。

二.背景技術

深度神經網絡：也簡稱神經網絡或者網絡，是指在二十一世紀初取得重大突破的人工智能技術。其基本特征是通過多層次的，由局部到全局的特征提取，來學習對輸入信號的智能處理能力。輸入信號可以是一維的語音信號，也可以是高維度的圖像，視頻等多媒體數字信號。針對給定的數字信號樣本，深度學習算法通過調整及優化深度神經網絡的海量參數，來掌握所需要的數據處理能力。不同的數字樣本和網絡結構，決定了神經網絡不同類型的數據處理能力。不同的網絡參數值，則決定了同一類處理能力的能力高低。在網絡結構上，深度神經網絡有多種不同形式(如卷積神經網絡CNN，遞歸神經網絡RNN，生成對抗網絡GAN等等)。在應用功能上，神經網絡可以用于語音識別，自然語言處理NLP，計算機視覺CV，大數據挖掘等等。在運算載體上，神經網絡可以運行在計算機中央處理器(CPU)，圖形加速器(GPU)，張量處理器(TPU)，專用人工智能芯片，云計算中心，移動設備，可穿戴設備，智能視頻終端，車載設備及其他交通工具，物聯網設備(IoT?devices)等中。

數字卷積運算：是各種深度神經網絡的核心運算，其本質是對輸入數據在滑動窗口中，按網絡卷積核(convolution?kernel)參數計算其加權和(或者加權平均)，作為對下一層次的輸入。不同的網絡參數，決定了不同的加權權重值，也就決定了對下一層次不同的數據輸入。特別地，在神經網絡卷積層中(convolution?layer)，是用較小尺寸的卷積核(convolution?kernel)去滑動覆蓋輸入信號的整個維度空間。而在全連接層中(fullyconnected?layer)，是用全尺寸的卷積核直接與輸入信號計算加權和，即不需要滑動卷積核。所以，在全連接層中，卷積計算也就與點積(dot?product)計算等同。

神經網絡學習訓練算法：針對給定的數字信號樣本，深度學習算法通過調整及優化神經網絡的海量參數，來掌握所需要的數據處理能力。具體的學習訓練算法，既與網絡結構有關(如生成對抗網絡GAN)，也與選擇的優化目標函數有關。

神經網絡開發成本：包括幾個方面，a)硬件成本，包括用于計算的計算機，中央處理單元(CPU)或/和圖形處理器(GPU)等的費用，其中圖形處理器是用于對數字卷積運算的加速處理。b)軟件成本，包括安裝相關操作系統，配套軟件，深度學習算法等的費用。c)學習訓練成本，包括數據采集的成本，數據標注的成本，學習訓練算法的開發調試成本，運行時的能耗，耗費的時間成本等。注意，學習訓練時的時間成本，通常是一次訓練耗費若干天，若干周甚至更長的時間。而開發過程中，經常需要反復訓練，以取得最優網絡性能。

神經網絡使用成本：包括幾個方面，a)硬件成本，包括用于計算的計算機，中央處理單元(CPU)或/和圖形處理器(GPU)等的費用，其中圖形處理器是用于對數字卷積運算的加速處理。b)軟件成本，包括安裝相關操作系統，配套軟件等的費用。c)運行成本，運行時的能耗，耗費的時間成本等。注意，僅僅使用時的運行成本，相比上述神經網絡開發時的成本大大降低：因為這時并不包括數據采集的成本，數據標注的成本，學習訓練算法的開發調試成本，而且在使用時運行的能耗更低，耗費的時間更少。一般來說，使用時的運行時間，只需若干秒甚至毫秒而已，也不需要反復運行多次。