[发明专利]模型的应用方法、装置、计算机设备及存储介质

说明书

本发明公开了一种模型的应用方法，应用于人工智能技术领域，用于解决目前目标识别模型的应用方法使得部署在多端设备的目标识别模型难以在训练后达到一致以及训练不及时的技术问题。本发明提供的方法包括：通过深度神经网络对携带有标注信息的多个样本图片进行特征提取；当待训练的本地模型不为首次训练时，获取该待训练的本地模型的初始参数；通过对该样本图片提取的特征对该本地模型进行训练，得到该本地模型的当前参数；计算该初始参数与该当前参数的参数变化量；将该参数变化量发送至服务器，供该服务器根据该参数变化量对全局模型进行更新。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种模型的应用方法、装置、计算机设备及存储介质。

背景技术

目前，人脸识别相关的技术广泛应用在边缘计算设备上，用于身份验证。其实现手段在于通过有限的训练样本对识别模型进行训练，利用训练好的模型对待识别的图片进行识别。

随着目标识别技术的应用范围趋于向多端设备部署发展，目前这种目标识别模型存在的问题主要在于模型训练延迟。当边缘计算设备损坏或网络传输等原因造成的延迟时，会导致边缘终端设备上的样本数据不能及时的传输，进一步导致目标识别模型不能及时的训练。目前的目标识别模型的应用方法使得部署在多端设备的目标识别模型难以在训练后达到一致，未考虑到训练后模型的完整性。

发明内容

本发明实施例提供一种模型的应用方法、装置、计算机设备及存储介质，以解决目前目标识别模型的应用方法使得部署在多端设备的目标识别模型难以在训练后达到一致以及训练不及时的技术问题。

一种模型的应用方法，该方法应用于终端设备，该方法包括：

通过深度神经网络对携带有标注信息的多个样本图片进行特征提取；

当待训练的本地模型不为首次训练时，获取该待训练的本地模型的初始参数；

通过对该样本图片提取的特征对该本地模型进行训练，得到该本地模型的当前参数；

计算该初始参数与该当前参数的参数变化量；

将该参数变化量发送至服务器，供该服务器根据该参数变化量对全局模型进行更新。

一种模型的第一应用装置，包括：

特征提取模块，用于通过深度神经网络对携带有标注信息的多个样本图片进行特征提取；

初始参数获取模块，用于当待训练的本地模型不为首次训练时，获取该待训练的本地模型的初始参数；

训练模块，用于通过对该样本图片提取的特征对该本地模型进行训练，得到该本地模型的当前参数；

计算模块，用于计算该初始参数与该当前参数的参数变化量；

参数发送模块，用于将该参数变化量发送至服务器，供该服务器根据该参数变化量对全局模型进行更新。

一种模型的第二应用装置，包括：

参数接收模块，用于接收终端设备发送的本地模型的参数变化量；

当前参数获取模块，用于获取全局模型的当前参数；

更新模块，用于当该全局模型不为首次训练时，通过该参数变化量对该全局模型的当前参数进行更新。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述模型的应用方法的步骤。

一种计算机可读存储介质，所述计算机可读存储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上述模型的应用方法的步骤。