[發(fā)明專利]模型訓練方法、裝置、設備和存儲介質

在審

• 申請?zhí)枺?/td>: 202011637010.8
• 申請日: 2020-12-31
• 公開（公告）號: CN112734033A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設計）人: 朱星華;王健宗
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 王明磊

本申請適用于人工智能技術領域，提供了一種模型訓練方法、裝置、設備和存儲介質，應用于模型訓練系統(tǒng)中的中央服務器，模型訓練系統(tǒng)包括中央服務器和至少兩個客戶端，通過向各客戶端發(fā)送待訓練模型中共享模塊的結構信息和參數信息，并接收各客戶端返回的共享模塊的參數，進而根據各共享模塊的參數更新待訓練模型。其中，待訓練模型包括共享模塊和本地模塊；共享模塊用于獲取輸入待訓練模型的點云數據的特征值；本地模塊用于根據特征值得到待訓練模型的模型結果，共享模塊的參數為各客戶端根據本地存儲的點云數據對待訓練模型進行訓練得到的。本申請實施例所提供的模型訓練方法得到的待訓練模型的準確度高。

技術領域

本申請涉及人工智能技術領域，特別涉及一種模型訓練方法、裝置、設備和存儲介質。

背景技術

隨著人工智能的不斷發(fā)展，神經網絡模型被廣泛在各種領域。在一些領域中，例如室內建圖領域或自動駕駛領域，常常會通過神經網絡模型對點云數據(point cloud data)進行處理，得到對應的室內建圖結果或自動駕駛結果。其中，點云數據指在一個三維坐標系統(tǒng)中的一組向量的集合。

在應用神經網絡模型對點云數據進行處理之前，通常會使用點云數據集對神經網絡模型進行訓練，得到準確度高的神經網絡模型。點云數據集中通常包括多個經過標注的點云數據。然而，一方面，點云數據是3D數據，對其進行標注比較困難，因此導致點云數據集制作較難。另一方面，點云數據集的數據持有者基于數據安全、商業(yè)利益等因素的考慮，通常不會將點云數據集公開共享。

由于上述兩方面原因，導致基于點云數據的神經網絡模型訓練所需的數據量較少，進而導致得到的神經網絡模型的準確度不高。

發(fā)明內容

本申請?zhí)峁┮环N模型訓練方法、裝置、設備和存儲介質，能夠提高待訓練模型訓練的準確度。

第一方面，本申請實施例提供一種模型訓練方法，應用于模型訓練系統(tǒng)中的中央服務器，模型訓練系統(tǒng)包括中央服務器和至少兩個客戶端，該方法包括：

向各客戶端發(fā)送待訓練模型中共享模塊的結構信息和參數信息；待訓練模型包括共享模塊和本地模塊；共享模塊用于獲取輸入待訓練模型的點云數據的特征值；本地模塊用于根據特征值得到待訓練模型的模型結果；

接收各客戶端返回的共享模塊的參數，共享模塊的參數為各客戶端根據本地存儲的點云數據對待訓練模型進行訓練得到的；

根據各共享模塊的參數更新待訓練模型。

在一個實施例中，上述根據各共享模塊的參數更新待訓練模型，包括：

對各共享模塊的參數進行加權平均，得到共享模塊更新參數；

根據共享模塊更新參數更新待訓練模型。

在一個實施例中，上述根據共享模塊更新參數更新待訓練模型之后，該方法還包括：

向各客戶端返回共享模塊更新參數。

在一個實施例中，上述向各客戶端發(fā)送待訓練模型中共享模塊的結構信息和參數信息，包括：

根據網絡傳輸速度，按照各客戶端對應的批次，分批次向各客戶端發(fā)送待訓練模型中共享模塊的結構信息和參數信息。

在一個實施例中，上述本地模塊設置在對應的客戶端上；

本地模塊的參數為各客戶端根據共享模塊的結構信息、共享模塊的參數信息、預設在客戶端上本地模塊的結構信息和本地模塊的參數信息，以及，客戶端上存儲的點云數據對待訓練模型進行訓練得到的。

在一個實施例中，該方法還包括：

向各客戶端發(fā)送更新指令，以使各客戶端根據本地模塊的參數更新本地模塊。

在一個實施例中，上述本地模塊用于根據特征值獲取點云數據的分類結果或分割結果。