System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() AI模型训练方法、装置、设备及可读存储介质制造方法及图纸_技高网

AI模型训练方法、装置、设备及可读存储介质制造方法及图纸

技术编号:40581988 阅读:6 留言:0更新日期:2024-03-06 17:25
本申请实施例提供一种AI模型训练方法、装置、设备及可读存储介质,该方法包括:获取上行信道状态信息;根据所述上行信道状态信息,对AI模型进行训练,所述AI模型包括第一AI模型和/或第二AI模型;和/或,获取下行信道状态信息和第一结果,所述第一结果表示所述下行信道状态信息在第一AI模型中推理得到的计算结果;根据所述第一结果和下行信道状态信息,对第二AI模型进行训练;其中,所述第一AI模型用于对下行信道状态信息进行压缩,所述第二AI模型用于对下行信道状态信息进行解压缩。

【技术实现步骤摘要】

本申请实施例涉及通信,具体涉及一种ai模型训练方法、装置、设备及可读存储介质。


技术介绍

1、信道状态信息可对当前信道环境进行描述,在移动通信网络中,基站发射信道状态信息-参考信号(channel state information-reference signal,csi-rs),终端对信道状态信息进行评估并将其量化反馈给基站,通过引入信道状态信息(channel stateinformation,csi)反馈信息,基站侧在发送信道状态信息参考信号时可及时进行调整,从而在终端降低误码率,获得最优接收信号。

2、在无线通信中,信道预测可用来弥补信道测量和实际调度两个操作之间的延迟,提高吞吐量。如何在保证模型性能的前提下减少训练所需数据的传输开销是亟待解决的问题。


技术实现思路

1、本申请实施例在于提供一种ai模型训练方法、装置、设备及可读存储介质,解决如何在保证ai模型性能的前提下减少训练所需数据的传输开销的问题。

2、第一方面,提供一种ai模型训练方法,应用于网络侧设备,包括:

3、获取上行信道状态信息;

4、根据所述上行信道状态信息,对ai模型进行训练,所述ai模型包括第一ai模型和/或第二ai模型;

5、和/或,

6、获取下行信道状态信息和第一结果,所述第一结果表示所述下行信道状态信息在第一ai模型中推理得到的计算结果;

7、根据所述第一结果和下行信道状态信息,对第二ai模型进行训练;

8、其中,所述第一ai模型用于对下行信道状态信息进行压缩,所述第二ai模型用于对下行信道状态信息进行解压缩。

9、可选的,所述方法还包括:

10、将经过训练的所述第一ai模型发送给终端。

11、可选的,所述获取上行信道状态信息包括:

12、接收来自一个或多个终端的一个或多个srs或者dmrs;

13、根据所述一个或多个srs或者dmrs,获取上行信道状态信息。

14、可选的,根据所述第一结果和下行信道状态信息,对第二ai模型进行训练,包括:

15、根据所述第一结果和所述第二ai模型,得到所述第二ai模型推理的计算结果;

16、获取所述第二ai模型推理的计算结果和所述下行信道状态信息间的损失值;

17、根据所述损失值,对所述第二ai模型进行训练。

18、可选的,根据所述损失值,对所述第二ai模型进行训练,包括:

19、根据所述损失值,确定第一信息,所述第一信息包括:训练深度的信息和/或训练方式的信息;

20、根据所述第一信息,对所述第二ai模型进行训练。

21、可选的,所述根据所述第一信息,对所述第二ai模型进行训练,包括:

22、获取梯度信息,所述梯度信息是将所述损失值在所述第二ai模型中反向传播得到的;

23、根据所述第一信息和所述梯度信息,对所述第二ai模型进行训练。

24、可选的,所述方法还包括:

25、根据所述第一信息,向终端发送第二信息,所述第二信息用于指示训练结束。

26、可选的,所述方法还包括:

27、根据所述第一信息,将所述梯度信息发送给终端,由所述终端将所述梯度信息在所述第一ai模型中继续进行反向传播,并更新所述第一ai模型的权重;

28、和/或,

29、根据所述第一信息,接收第三信息,所述第三信息用于指示训练是否结束。

30、可选的,所述方法还包括:

31、配置所述ai模型的第一参数;

32、其中,所述第一参数包括以下一项或多项:

33、训练间隔;

34、训练样本数;

35、训练迭代次数。

36、可选的,所述方法还包括:

37、向终端发送训练迭代次数、训练间隔、训练样本数中的至少一项。

38、可选的,所述方法还包括:

39、判断是否重新配置训练间隔;

40、若判断需要重配置训练间隔,则重配置训练间隔;

41、向终端发送重配置的训练间隔。

42、可选的,判断是否重新配置训练间隔,包括:

43、获取通信质量;

44、根据所述通信质量,判断是否重配置训练间隔。

45、可选的,根据所述通信质量,判断是否重配置训练间隔,包括:

46、获取当前第一ai模型进行信道压缩反馈时得到的最高误比特率与误比特率门限进行比较;

47、获取当前第一ai模型进行信道压缩反馈时得到的最高误比特率与误比特率门限;

48、将所述最高误比特率与误比特率门限进行比较;

49、若所述最高误比特率小于或等于误比特率门限,则增加训练间隔;

50、或者,

51、若所述最高误比特率大于或等于误比特率门限,则减少训练间隔。

52、第二方面,提供一种ai模型训练方法,应用于终端,包括:

53、向网络侧设备发送上行信道状态信息,所述上行信道状态信息用于对ai模型进行训练,所述ai模型包括第一ai模型和/或第二ai模型;

54、和/或,

55、向网络侧设备发送下行信道状态信息和第一结果,所述第一结果表示所述下行信道状态信息在第一ai模型中推理得到的计算结果,所述第一结果和下行信道状态信息用于对第二ai模型进行训练;

56、其中,所述第一ai模型用于对下行信道状态信息进行压缩,所述第二ai模型用于对下行信道状态信息进行解压缩。

57、可选的,所述方法还包括:

58、接收经过训练的所述第一ai模型。

59、可选的,所述方法还包括:

60、接收第二信息,所述第二信息用于指示训练结束;

61、其中,所述第二信息是网络侧设备根据第一信息发送的,所述第一信息是根据损失值确定的,所述第一信息包括:训练深度的信息和/或训练方式的信息;所述损失值表示第二ai模型推理的计算结果和所述下行信道状态信息间的损失情况,所述第二ai模型推理的计算结果是所述第一结果在所述第二ai模型推理计算得到的结果。

62、可选的,所述方法还包括:

63、接收梯度信息,所述梯度信息是将损失值在所述第二ai模型中反向传播得到的,所述损失值表示第二ai模型推理的计算结果和所述下行信道状态信息间的损失情况;

64、将所述梯度信息在所述第一ai模型中继续进行反向传播,并更新所述第一ai模型的权重。

65、可选的,所述方法还包括:

66、发送第三信息,所述第三信息用于指示训练是否结束。

67、可选的,所述方法还包括:

68、接收训练迭代次数、训练间隔、训练样本数中的至少一项。

69、第三方面,提供本文档来自技高网...

【技术保护点】

1.一种人工智能AI模型训练方法,应用于网络侧设备,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述方法还包括:

3.根据权利要求1所述的方法,其特征在于,所述获取上行信道状态信息包括:

4.根据权利要求1所述的方法,其特征在于,根据所述第一结果和下行信道状态信息,对第二AI模型进行训练,包括:

5.根据权利要求4所述的方法,其特征在于,根据所述损失值,对所述第二AI模型进行训练,包括:

6.根据权利要求5所述的方法,其特征在于,所述根据所述第一信息,对所述第二AI模型进行训练,包括:

7.根据权利要求5所述的方法,其特征在于,所述方法还包括:

8.根据权利要求6所述的方法,其特征在于,所述方法还包括:

9.根据权利要求1所述的方法,其特征在于,所述方法还包括:

10.根据权利要求9所述的方法,其特征在于,所述方法还包括:

11.根据权利要求9所述的方法,其特征在于,所述方法还包括:

12.根据权利要求11所述的方法,其特征在于,判断是否重新配置训练间隔,包括:

13.根据权利要求12所述的方法,其特征在于,根据所述通信质量,判断是否重配置训练间隔,包括:

14.一种AI模型训练方法,应用于终端,其特征在于,包括:

15.根据权利要求14所述的方法,其特征在于,所述方法还包括:

16.根据权利要求14所述的方法,其特征在于,所述方法还包括:

17.根据权利要求14所述的方法,其特征在于,所述方法还包括:

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:

19.根据权利要求14所述的方法,其特征在于,所述方法还包括:

20.一种AI模型训练装置,应用于网络侧设备,其特征在于,包括:

21.一种AI模型训练方法,应用于终端,其特征在于,包括:

22.一种通信设备,其特征在于,包括处理器,存储器及存储在所述存储器上并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19中任一项所述方法的步骤。

23.一种可读存储介质,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19中任一项所述方法的步骤。

...

【技术特征摘要】

1.一种人工智能ai模型训练方法,应用于网络侧设备,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述方法还包括:

3.根据权利要求1所述的方法,其特征在于,所述获取上行信道状态信息包括:

4.根据权利要求1所述的方法,其特征在于,根据所述第一结果和下行信道状态信息,对第二ai模型进行训练,包括:

5.根据权利要求4所述的方法,其特征在于,根据所述损失值,对所述第二ai模型进行训练,包括:

6.根据权利要求5所述的方法,其特征在于,所述根据所述第一信息,对所述第二ai模型进行训练,包括:

7.根据权利要求5所述的方法,其特征在于,所述方法还包括:

8.根据权利要求6所述的方法,其特征在于,所述方法还包括:

9.根据权利要求1所述的方法,其特征在于,所述方法还包括:

10.根据权利要求9所述的方法,其特征在于,所述方法还包括:

11.根据权利要求9所述的方法,其特征在于,所述方法还包括:

12.根据权利要求11所述的方法,其特征在于,判断是否重新配置训练间隔,包括:

13.根...

【专利技术属性】
技术研发人员:温子睿李刚韩双锋
申请(专利权)人:中国移动通信有限公司研究院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1