[发明专利]一种基于容器技术的人工智能模型远程升级方法及系统

权利要求书

1.一种基于容器技术的人工智能模型远程升级方法，其特征在于，包括以下步骤：

在上位机和终端中安装Linux操作系统，并部署docker容器；执行操作指令对Linux内核进行配置，并加载WiFi通信模块驱动；

建立上位机与远程终端之间的通信链接，由终端主动反馈终端硬件以及当前模型信息；

上位机根据终端反馈的信息，配置对应的软件环境，对模型进行模型压缩参数修剪，同时将新模型及运行环境进行镜像封装；

上位机控制终端暂停工作，将新模型下发到终端内，同时监视新模型下发进度，保证模型的完整下发，之后由上位机控制终端重新启动；

终端重新开始工作，删除原来的模型并调用新模型，同时返回再运行状态以及模型信息给上位机，上位机最终确认完成人工智能模型的远程升级；

所述对模型进行模型压缩参数修剪具体为：

在剪枝过程中，设定参数裁剪比例值p；整个模型有h个卷积层，在第j个卷积层中，有m个卷积核Fi，第i个卷积核有n_i个权值参数f_k，设定评价值s_i和r_i，分别根据以下算式得到：

(1)对第j个卷积层，计算得到的m个s_i和m个r_i分别按数值大小进行排序，同时判断m个s_i的最小值是否大于设定值M，如果m个s_i中的最小值大于M，则转入步骤(3)，否则转入步骤(2)；

(2)如果第j层中卷积核Fi的s_i和r_i都是最小，则将Fi删除，然后判断j是否等于预设值h，如果jh，则转入步骤(1)对第j+1层卷积核进行计算，如果j＝h，则转入步骤(3)；如有在第j层中卷积核Fi的s_i是最小，而r_i不是最小，则在删除第j层的Fi后，转入步骤(3)；

(3)判断裁剪后模型参数数量与初始模型参数数量的比值是否小于p，如果小于p，则完成模型压缩；如果大于p，则对模型进行再次训练，并重新计算评价值s_i和r_i，同时返回步骤(1)。

2.根据权利要求1所述的一种基于容器技术的人工智能模型远程升级方法，其特征在于，所述建立上位机与远程终端之间的通信链接，由终端主动反馈终端硬件以及当前模型信息具体为：

设定上位机与终端之间的应用层交互协议，在应用层数据结构中，利用标志位区分数据帧类型，源地址为发出数据帧的设备，目的地址为接收数据帧的设备，不同数据帧携带的信息内容不同，同时为了保证传输的准确性，在应用层中增加循环冗余校验；在应用层数据基础上，继续通过WIFI通信协议处理及发送数据；

在终端中建立并维护information.txt文档，文档内容包括终端名称、硬件版本信息、操作系统及关键驱动软件在内的信息；

终端在接收到信息请求数据帧后，对数据帧进行解析，在确认收到上位机发出的请求信息后，自动向上位机反馈information.txt文档信息。

3.根据权利要求1所述的一种基于容器技术的人工智能模型远程升级方法，其特征在于，所述将新模型及运行环境进行镜像封装具体为：上位机进行docker容器的部署；在上位机中进行新模型的优化和封装，包括

根据终端反馈的软件和硬件信息，上位机中拉取终端运行环境的镜像，并配置模型运行依赖的软件包；

采用剪枝方法对新训练得到的模型进行压缩，让模型适应在终端硬件条件上运行；

利用docker提供指令，将模型及运行环境进行镜像封装。