【技术实现步骤摘要】
本公开涉及计算机，尤其涉及一种兼容可信执行环境tee的深度神经网络dnn模型训练方法及框架、电子设备和存储介质。
技术介绍
1、目前，深度神经网络（deep declarative networks，dnn）正在向更复杂的模型架构和更庞大的模型规模发展。一方面，为了处理不断增长的计算，开发了各种神经网络加速器（neural network accelerators，nna），例如先进的图形处理器（graphics processingunit，gpu）、神经网络处理器（neural-network processing unit，npu）、张量处理单元（tensor processing unit，tpu）等，以使得通过专门的硬件优化来加速dnn计算。另一方面，由于训练dnn模型需要大量的用户数据，广泛的dnn应用引发了重大的安全和隐私问题。在人工智能时代，如何在保证dnn模型训练过程中的计算效率的同时保护数据隐私，成为一个迫切的需求和关键问题。
技术实现思路
1、本公开提出了一种兼容可信...
【技术保护点】
1.一种兼容可信执行环境TEE的深度神经网络DNN模型训练方法，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，所述通过动态优化所述目标计算图，控制所述DNN模型在所述异构硬件平台上对所述预设训练样本图像数据执行数据处理，包括：
4.根据权利要求3所述的方法，其特征在于，每个未执行的计算节点的运行时间包括：计算耗时和通信耗时；
5.根据权利要求3所述的方法，其特征在于，所述根据优化后的所述目标计算图，控制所述DNN模型在所述异构硬件平台上执行每个未...
【技术特征摘要】
1.一种兼容可信执行环境tee的深度神经网络dnn模型训练方法，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，所述通过动态优化所述目标计算图，控制所述dnn模型在所述异构硬件平台上对所述预设训练样本图像数据执行数据处理，包括：
4.根据权利要求3所述的方法，其特征在于，每个未执行的计算节点的运行时间包括：计算耗时和通信耗时；
5.根据权利要求3所述的方法，其特征在于，所述根据优化后的所述目标计算图，控制所述dnn模型在所述异构硬件平台上执行每个未执行的计算节点，以对所述预设训练样本图像数据执行数据处理，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于预设加密...
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。