[发明专利]具有IP保护的可重构神经网络训练及使用方法

权利要求书

1.一种具有IP保护的可重构神经网络训练方法，其特征在于，包括步骤：

设定数据集、任务集{T₁,T₂,…,T_M}和参数集，每个数据集对应一个任务T_m，m∈{1,…,M}，不同的任务共享相同的参数集，参数集包括权重和偏置；

对数据集的数据预处理，初始化神经网络模型；

根据初始化的神经网络模型，以batch为单位喂入第m个数据集，m＝1，开始训练；当训练任务T_m时，将模型根密钥设置为任务T_m对应的根密钥k_m，通过k_m将模型参数集重构到任务T_m对应的参数排列采用反向传播算法更新模型参数集；

交替数据集重复训练过程，直至m＝M，得到具有IP保护的可重构神经网络模型。

2.根据权利要求1所述的可重构神经网络训练方法，其特征在于，所述神经网络模型为RBNN，所述根密钥k_m为可重构神经网络第一层随机发生器H的随机种子，生成对应的序列重新排列此层参数，通过递归函数来获得网络下一层密钥k′_m并作为该层随机发生器H′的随机种子，生成对应的序列来重新排列此层参数，同时通过加密散列函数对k′_m处理，使每一层的生成的序列去相关。

3.根据权利要求2所述的可重构神经网络训练方法，其特征在于，所述根密钥k_m＝XOR(User_key_m,PUF_key)，其中，k_m表示对应任务T_m的根密钥，User_key_m表示用户密钥，PUF_key表示PUF密钥。

4.根据权利要求2所述的可重构神经网络训练方法，其特征在于，所述通过k_m将模型参数集W重构到任务T_m对应的参数排列为：

其中，W表示RBNN参数集，表示任务T_m对应的参数排列。

5.根据权利要求2所述的可重构神经网络训练方法，其特征在于，所述参数排列用于不同任务之间的切换，任务切换表示为：

其中，W_Ti表示任务T_i对应的参数排列，表示任务T_j对应的参数排列，通过这种切换，将RBNN执行的任务，从任务T_i切换至任务T_j,1≤i,j≤M。

6.根据权利要求2所述的可重构神经网络训练方法，其特征在于，采用反向传播算法更新模型参数集包括：

根据任务T_m对应的RBNN参数排列前行传播计算任务T_m的预测值，并根据真实值，计算得到任务T_m的损失其损失函数为：

假设使用数据集D_m训练任务T_m，表示从数据集D_m开始的第i批样本，其中，表示样本数据，表示样本标签，表示任务T_m的损失值，表示将参数重构至时对任务T_m的预测值；

根据任务T_m的损失计算得到任务T_m对应参数排列的梯度，对应的梯度为：

其中，表示对应任务T_m的损失值，表示任务T_m对应的RBNN参数排列；

根据梯度通过反向传播算法更新RBNN的参数集W。