【技术实现步骤摘要】
本专利技术涉及ai分析，更具体地，涉及一种用于窄带网络的大并行ai分析方法、系统和计算机介质。
技术介绍
1、现有人工智能技术广泛应用于各个行业领域，针对需要同时执行多个同一计算任务的场景，例如银行中设置多个摄像头进行ai识别，然后将识别结果上传到上位节点中进行最终的确认，这时，常使用“总-分”结构的网络模型，即在上位节点中和分节点中分别设置神经网络模型。但是现有的“总-分”结构的网络模型对于传输网络的带宽需求较大，在类银行的窄带网络环境中，“总-分”结构的网络模型无法很好的应用。
技术实现思路
1、本专利技术的目的之一是提供一种用于窄带网络的大并行ai分析方法，解决现有技术中在类银行的窄带网络环境中，“总-分”结构的网络模型无法很好的应用的技术问题；本专利技术的目的之二是提供一种用于窄带网络的大并行ai分析系统；本专利技术的目的之三是提供一种计算机介质。
2、为解决上述技术问题，本专利技术的技术方案如下：
3、一种用于窄带网络的大并行ai分析方法，包括以下步骤：
4、在总节点部署总节点神经网络模型，在分节点部署分节点神经网络模型；
5、在分节点处利用所述分节点神经网络模型对分节点获取的数据进行分析，得到所述分节点神经网络模型输出汇总形成的靶数据；
6、将所述靶数据上传至所述总节点；
7、所述总节点根据所述靶数据训练所述总节点神经网络模型，得到第一神经网络模型，并将所述第一神经网络模型同步到分节点中的所述分节点
8、在上述技术手段中，本专利技术在总节点部署总节点神经网络模型，在分节点部署分节点神经网络模型，分节点的分节点神经网络模型确保了模型的召回率，总节点的总节点神经网络模型则确保模型的准确率，这样在将数据上传前，就又分节点的分节点神经网络模型先对数据筛选过一遍，减少不必要的数据传输，节约网络带宽。
9、进一步的，所述总节点根据所述靶数据训练所述总节点神经网络模型包括：
10、将所述靶数据作为训练数据的负样本，并自动生成负样本标注，将负样本和负样本标注一起用于训练所述总节点神经网络模型。
11、进一步的，所述总节点还对所述总节点神经网络模型进行减层，并根据所述靶数据训练减层后的总节点神经网络模型，得到第二神经网络模型并将所述第二神经网络模型同步到分节点中的所述分节点神经网络模型中。
12、进一步的，所述总节点根据所述靶数据训练所述总节点神经网络模型或减层后的总节点神经网络模型时，加入正则化技术，包括：
13、
14、式中，为所述总节点神经网络模型或减层后的总节点神经网络模型中加入了正则化后的损失函数，为所述总节点神经网络模型或减层后的总节点神经网络模型中原始的损失函数，为所述总节点神经网络模型或减层后的总节点神经网络模型的权重参数向量，为正则化系数。
15、进一步的，所述分节点根据阈值调度算法决定执行第一神经网络模型或第二神经网络模型，所述阈值调度算法包括以下步骤：
16、计算当前所述分节点神经网络模型的平均执行时间；
17、当当前所述分节点神经网络模型的平均执行时间大于等于预设阈值时，所述分节点执行第二神经网络模型；当当前所述分节点神经网络模型的平均执行时间小于预设阈值时，所述分节点执行第一神经网络模型。
18、进一步的，所述计算当前所述分节点神经网络模型的平均执行时间，包括：
19、
20、式中，为当前所述分节点神经网络模型的平均执行时间，为当前所述分节点神经网络模型的执行结束时间，为当前所述分节点神经网络模型的执行开始时间，为当前所述分节点神经网络模型的执行次数。
21、进一步的，所述总节点神经网络模型和分节点神经网络模型为识别模型，所述识别模型包括darknet-53层、特征融合层、特征处理层、目标框预测层和类别预测层，其中：
22、所述darknet-53层的输入为所述分节点获取的图片数据，所述特征融合层将所述darknet-53层提取到的不同层级的特征图进行融合，所述特征处理层对所述特征融合层的输出提取语义特征，所述目标框预测层预测所述特征处理层的输出中目标框的位置和大小，所述类别预测层预测每个目标框所属的类别。
23、进一步的，所述总节点还对训练好的总节点神经网络模型进行减层，包括：
24、所述总节点对所述darknet-53层的层级进行减层。
25、一种用于窄带网络的大并行ai分析系统，包括：
26、部署模块，所述部署模块在总节点部署总节点神经网络模型，在分节点部署分节点神经网络模型；
27、靶数据模块，所述靶数据模块在分节点处利用所述分节点神经网络模型对分节点获取的数据进行分析，得到所述分节点神经网络模型输出汇总形成的靶数据；
28、上传模块，所述上传模块将所述靶数据上传至所述总节点；
29、更新模块，所述更新模块在所述总节点根据所述靶数据训练所述总节点神经网络模型，得到第一神经网络模型，并将所述第一神经网络模型同步到分节点中的所述分节点神经网络模型中，完成对所述分节点神经网络模型的更新。
30、一种计算机介质，所述计算机介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的用于窄带网络的大并行ai分析方法的步骤。
31、与现有技术相比，本专利技术技术方案的有益效果是：
32、本专利技术在分节点部署分节点神经网络模型，分节点神经网络模型先对分节点处获取的大量并行数据进行分析，并保证模型的召回率，将分析后的数据汇总为靶数据上传，减少了不必要的数据传输，节约网络带宽，使得“总-分”结构的网络模型能很好的应用在窄带网络环境中。
本文档来自技高网...【技术保护点】
1.一种用于窄带网络的大并行AI分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于窄带网络的大并行AI分析方法，其特征在于，所述总节点还对所述总节点神经网络模型进行减层，并根据所述靶数据训练减层后的总节点神经网络模型，得到第二神经网络模型并将所述第二神经网络模型同步到分节点中的所述分节点神经网络模型中。
3.根据权利要求2所述的用于窄带网络的大并行AI分析方法，其特征在于，所述总节点根据所述靶数据训练所述总节点神经网络模型或减层后的总节点神经网络模型时，加入正则化技术，包括：
4.根据权利要求3所述的用于窄带网络的大并行AI分析方法，其特征在于，所述分节点根据阈值调度算法决定执行第一神经网络模型或第二神经网络模型，所述阈值调度算法包括以下步骤：
5.根据权利要求4所述的用于窄带网络的大并行AI分析方法，其特征在于，所述计算当前所述分节点神经网络模型的平均执行时间，包括：
6.根据权利要求5所述的用于窄带网络的大并行AI分析方法，其特征在于，所述总节点神经网络模型和分节点神经网络模型为识别模型，所述识别模型
7.根据权利要求6所述的用于窄带网络的大并行AI分析方法，其特征在于，所述总节点还对训练好的总节点神经网络模型进行减层，包括：
8.一种用于窄带网络的大并行AI分析系统，其特征在于，包括：
9.根据权利要求8所述的用于窄带网络的大并行AI分析系统，其特征在于，所述更新模块中，所述总节点还对所述总节点神经网络模型进行减层，并根据所述靶数据训练减层后的总节点神经网络模型，得到第二神经网络模型并将所述第二神经网络模型同步到分节点中的所述分节点神经网络模型中。
...【技术特征摘要】
1.一种用于窄带网络的大并行ai分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于窄带网络的大并行ai分析方法，其特征在于，所述总节点还对所述总节点神经网络模型进行减层，并根据所述靶数据训练减层后的总节点神经网络模型，得到第二神经网络模型并将所述第二神经网络模型同步到分节点中的所述分节点神经网络模型中。
3.根据权利要求2所述的用于窄带网络的大并行ai分析方法，其特征在于，所述总节点根据所述靶数据训练所述总节点神经网络模型或减层后的总节点神经网络模型时，加入正则化技术，包括：
4.根据权利要求3所述的用于窄带网络的大并行ai分析方法，其特征在于，所述分节点根据阈值调度算法决定执行第一神经网络模型或第二神经网络模型，所述阈值调度算法包括以下步骤：
5.根据权利要求4所述的用于窄带网络的大并行ai分析方法，其特征在于...
【专利技术属性】
技术研发人员：李瑞维，何小静，李昊，钟金顺，
申请(专利权)人：广州思涵信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。