CN110533154A - 一种数据处理方法及电子设备 - Google Patents

一种数据处理方法及电子设备 Download PDF

Info

Publication number
CN110533154A
CN110533154A CN201910817316.2A CN201910817316A CN110533154A CN 110533154 A CN110533154 A CN 110533154A CN 201910817316 A CN201910817316 A CN 201910817316A CN 110533154 A CN110533154 A CN 110533154A
Authority
CN
China
Prior art keywords
parameter
model
training
data
block chain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910817316.2A
Other languages
English (en)
Other versions
CN110533154B (zh
Inventor
李梅
王奇刚
张婉璐
陈旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201910817316.2A priority Critical patent/CN110533154B/zh
Publication of CN110533154A publication Critical patent/CN110533154A/zh
Application granted granted Critical
Publication of CN110533154B publication Critical patent/CN110533154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Abstract

本申请实施例提供了一种数据处理方法及电子设备，所述方法包括：自区块链中至少获得第一模型的第一参数；基于所述第一参数及训练数据训练第一模型；基于训练结果确定所述第一模型的第二参数；基于自检测结果确定所述第二参数下的第一模型满足预设规则；向所述区块链的参与者发送至少包括所述第一参数和第二参数的数据包，并申请投票，所述投票用于确定其他参与者在基于所述第二参数下的所述第一模型满足所述预设规则；基于投票结果确定基于所述第二参数下的第一模型而生成新的区块，或继续训练所述第一模型。本申请实施例的数据处理方法可快速基于区块链而实现模型训练。

Description

一种数据处理方法及电子设备
技术领域
本申请实施例涉及智能设备领域，特别涉及一种数据处理方法及电子设备。
背景技术
基于区块链的人工智能模型训练场景(BDML)例如为：社区维护一个解决某个特定问题的人工智能模型的区块链，参与方如果训练得到一个更好的模型，经过其他参与方投票后会生成一个新的区块，每个参与方能够在不公开自己的数据的情况下进行协同训练。但是上述方法在具体实施的过程中会因设置步骤具有缺陷而导致模型的训练过程较为费时费力。
申请内容
本申请实施例提供了一种可快速基于区块链而实现模型训练的数据处理方法及应用该方法的电子设备。
为了解决上述技术问题，本申请实施例提供了一种数据处理方法，其中，包括：
自区块链中至少获得第一模型的第一参数；
基于所述第一参数及训练数据训练第一模型；
基于训练结果确定所述第一模型的第二参数；
基于自检测结果确定所述第二参数下的第一模型满足预设规则；
向所述区块链的参与者发送至少包括所述第一参数和第二参数的数据包，并申请投票，所述投票用于确定其他参与者在基于所述第二参数下的所述第一模型满足所述预设规则；
基于投票结果确定基于所述第二参数下的第一模型而生成新的区块，或继续训练所述第一模型。
作为优选，所述自区块链中至少获得第一模型的第一参数包括：
自区块链中至少获得所述第一模型当前处于最新状态的第一参数。
作为优选，所述基于所述第一参数及训练数据训练所述第一模型包括：
至少确定训练步长；
基于所述训练步长、第一参数及预备的训练数据基于随机梯度下降法训练所述第一模型。
作为优选，所述预设规则为所述第一模型进行数据处理时精度优于基于所述第一参数下的所述第一模型的数据处理精度。
作为优选，所述向所述区块链的参与者发送至少包括所述第一参数和第二参数的数据包，并申请投票包括：
向所述区块链的参与者发送至少包括所述第一参数、训练步长以及第二参数的数据包，并申请投票。
作为优选，还包括：
接收所述区块链中其他参与者的投票申请及附加的数据包。
所述基于投票结果确定继续训练所述第一模型包括：
基于投票结果确定投票失败；
至少基于接收到的其他参与者的数据包继续训练所述第一模型。
作为优选，所述至少基于接收到的其他参与者的数据包继续训练所述第一模型包括：
根据预设的训练步长及第一参数删选规则以及接收的所述数据包中的训练步长及第一参数确定候选数据集；
基于参数平均的方式综合所述第二参数和候选数据集；
基于综合结果训练所述第一模型。
作为优选，所述基于投票结果确定基于所述第二参数下的第一模型而生成新的区块包括：
基于第二参数下的第一模型生成新的区块；
重置综合结果为0。
本申请实施例同时提供一种电子设备，其中，包括：
数据获取器，用于自区块链中至少获得第一模型的第一参数；
第一数据处理器，用于根据所述第一参数及训练数据训练第一模型，基于训练结果确定所述第一模型的第二参数，基于自检测结果确定所述第二参数下的第一模型满足预设规则，向所述区块链的参与者发送至少包括所述第一参数和第二参数的数据包，并申请投票，所述投票用于确定其他参与者在基于所述第二参数下的所述第一模型满足所述预设规则；
第二数据处理器，用于根据投票结果确定基于所述第二参数下的第一模型而生成新的区块，或令所述第一数据处理器继续训练所述第一模型
作为优选，所述数据获取器具体用于自区块链中至少获得所述第一模型当前处于最新状态的第一参数。
基于上述实施例的公开可以获知，本申请实施例具备的有益效果在于采用本申请实施例的数据处理方法能够基于区块链而获得第一模型，而且还能够自区块链中获得训练数据，以使用户可同时结合自身已有的训练数据和自区块链中获得训练数据对第一模型进行快速高效的训练。
附图说明
图1为本申请实施例中的数据处理方法的流程图。
图2为本申请另一实施例中的数据处理方法的流程图。
图3为本申请另一实施例中的数据处理方法的流程图。
图4为本申请实施例中的电子设备的结构框图。
具体实施方式
下面，结合附图对本申请的具体实施例进行详细的描述，但不作为本申请的限定。
应理解的是，可以对此处公开的实施例做出各种修改。因此，下述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。
下面，结合附图详细的说明本申请实施例。
如图1所示，本申请实施例提供一种数据处理方法，其中，包括：
自区块链中至少获得第一模型的第一参数；
基于第一参数及训练数据训练第一模型；
基于训练结果确定第一模型的第二参数；
基于自检测结果确定第二参数下的第一模型满足预设规则；
向区块链的参与者发送至少包括第一参数和第二参数的数据包，并申请投票，投票用于确定其他参与者在基于第二参数下的第一模型满足预设规则；
基于投票结果确定基于第二参数下的第一模型而生成新的区块，或继续训练第一模型。
本申请实施例具备的有益效果在于采用本申请实施例的数据处理方法能够基于区块链而获得第一模型，而且还能够自区块链中获得训练数据，以使用户可同时结合自身已有的训练数据和自区块链中获得的训练数据对第一模型进行快速高效的训练。
进一步地，本实施例中的预设规则为第一模型进行数据处理时精度优于基于第一参数下的第一模型的数据处理精度。而具体精度以及第一模型的处理精度须优于第一参数下的第一模型的处理精度的量值范围可根据实际情况而自行调整，例如根据当时区块链的参与规则而定。
进一步地，本实施例中用户自自区块链中至少获得第一模型的第一参数包括：
自区块链中至少获得第一模型当前处于最新状态的第一参数。
例如，在当前区块与下一新区块生成的时间间隔内，用户可自区块链中获得当前区块中关于第一模型的第一参数，而该第一参数即为当前最新状态的参数，用户可基于获得的第一参数而对第一模型进行训练。
进一步地，如图2和图3所示，本实施例中在执行基于第一参数及训练数据训练第一模型的步骤时包括：
至少确定训练步长；
基于训练步长、第一参数及预备的训练数据基于随机梯度下降法训练第一模型。
其中，在训练第一模型时需要预先确定训练步长，使通过该步长来限制训练数据对第一模型的训练轮数，使第一模型中的各权重尽快呈收敛状态。
进一步地，本实施例中在执行向区块链的参与者发送至少包括第一参数和第二参数的数据包，并申请投票包括：
向区块链的所有参与者发送至少包括第一参数、训练步长以及第二参数的数据包，并申请投票。
例如，假设解决某个特定问题的AI模型的区块链有n个参与方P0,P1,…,Pn。各参与方使用随机梯度下降(SGD)法基于各自的训练数据分别对第一模型进行训练。训练过程可包括将自己的训练数据按照预先设置的数据量值分割成多个批次的训练数据。然后按照各自预先设置的训练轮数完成每轮训练，其中，在每一轮训练中均使用所有批次的训练数据进行训练，最终得到参数向量w。当某些参与方基于自己的测试数据测试发现得到了比当前区块链上的最优模型更好的模型，也就是发现了自身得到的参数向量w优于当前区块链上的参数向量，如优于第一参数，此时参与方便将参数向量广播给其他所有参与方，请求其他参与方对其参数向量进行测试并投票。当参与方发起投票时，需要向其他所有参与方发出的数据包不仅包含本次训练得到的参数向量w，还包括起始区块b(相当于启示训练模型)和训练步数s。以使其他参与方在测试参数向量w时会基于同一启示区块，即同一模型进行测试，以保公平性。
而数据包中包含的训练步数则可在投票失败后为其他接收到该数据包的参与方在结合接收的参数向量w进行训练时，为了避免该参数向量与自身训练数据具有较大差异而导致该参与方训练的参数较难收敛，影响该参与方对模型的训练。具体地，本实施例中的方法还包括：
接收区块链中其他参与者的投票申请及附加的数据包。
基于投票结果确定继续训练第一模型包括：
基于投票结果确定投票失败；
至少基于接收到的其他参与者的数据包继续训练第一模型。
例如，在下一新的区块未生成之前，每个参与方会收到一系列的投票请求，同时接收到大量的包含参数向量、起始区块以及训练步长的数据包，而当投票结果表示失败，未通过审核后，新的区块仍旧未能生成时，各参与方便会继续训练第一模型，而且各参与方会利用接收到的数据包中的数据作为训练数据来继续训练自己的模型。
进一步地，继续结合图2和图3所示，本实施例中在执行至少基于接收到的其他参与者的数据包继续训练第一模型时包括：
根据预设的训练步长及第一参数删选规则以及接收的数据包中的训练步长及第一参数确定候选数据集；
基于参数平均的方式综合第二参数和候选数据集；
基于综合结果训练第一模型。
例如，为了避免误将不适合作为自身模型训练数据的数据应用在自身模型的训练中，造成自身模型的参数向量因接收了与较先训练数据差异较大的数据进行计算，导致参数向量的误差越来越大，无法收敛，严重影响了收敛速度。因此，需要对各个参与方发来的数据包进行筛选，以得到适合训练自身模型的数据包作为训练数据。具体实施时可设置筛选条件，如“相同起始区块，训练步长之间的差距满足预设要求”等，举例：假设参与方P1的起始区块为b1，训练步数为s1，其可接受的步数差异r＝100，P1收到了参与方P0、P2和P3发来的投票请求及数据包，其中，假设参与方P0的起始区块b0＝＝b1，参与方P2的起始区块b2！＝b1(！＝为不等于),参与方P3的起始区块b3＝＝b1,参与方P0的训练步长与参与方P1的训练步长之差|s0-s1|<100，参与方P2的训练步长与参与方P1的训练步长之差|s2-s1|>100，参与方P3的训练步长与参与方P1的训练步长之差|s3-s1|>100，故经对比可知仅有参与方P0的数据包及其参数向量w0满足“相同起始区块，不超过最大步数差异”的条件，故参与方P1则需要综合的参数wr＝{w0}。当发起投票请求的参与方P0在收到投票结果后，若其发起的投票不通过，那么就表示新的区块还未生成，各参与方还需继续训练各自的模型，以尽快产生新的区块。此时，参与方P1便可使用参数平均的方式将其训练得到的参数与之前选定的参数w0进行综合得到w＝alpha*wi+(1-alpha)*wr。其中，wr即为第二参数，wi为参与方P1当前训练得到的最新参数向量。即，参与方P1在后续训练时仅采用参与方P0的参数重整其训练数据，以保证其训练的稳定性，辅助其自身参数尽快收敛。
进一步地，结合图2所示，本实施例中在基于投票结果确定基于第二参数下的第一模型而生成新的区块时包括：
基于第二参数下的第一模型生成新的区块；
重置综合结果为0。
也即，一发起投票的参与方的投票结果表示通过，当前区块链中需基于该参与方的参数向量重新形成模型，并重置所有有关上一区块的数据为0，各个参与方须基于新区块的模型及参数向量来进行新一轮的模型训练，以为产生下一个新区块。
如图4所示，本申请实施例同时提供一种电子设备，其中，包括：
数据获取器，用于自区块链中至少获得第一模型的第一参数；
第一数据处理器，用于根据第一参数及训练数据训练第一模型，基于训练结果确定第一模型的第二参数，基于自检测结果确定第二参数下的第一模型满足预设规则，向区块链的参与者发送至少包括第一参数和第二参数的数据包，并申请投票，投票用于确定其他参与者在基于第二参数下的第一模型满足预设规则；
第二数据处理器，用于根据投票结果确定基于第二参数下的第一模型而生成新的区块，或令第一数据处理器继续训练第一模型
本申请实施例具备的有益效果在于本申请实施例的电子设备能够基于区块链而获得第一模型，而且还能够自区块链中获得训练数据，以使用户可同时结合自身已有的训练数据和自区块链中获得的训练数据对第一模型进行快速高效的训练。
进一步地，本实施例中的预设规则为第一模型进行数据处理时精度优于基于第一参数下的第一模型的数据处理精度。而具体精度以及第一模型的处理精度须优于第一参数下的第一模型的处理精度的量值范围可根据实际情况而自行调整，例如根据当时区块链的参与规则而定。
进一步地，本实施例中的数据获取器自自区块链中至少获得第一模型的第一参数时包括：
自区块链中至少获得第一模型当前处于最新状态的第一参数。
例如，在当前区块与下一新区块生成的时间间隔内，用户可自区块链中获得当前区块中关于第一模型的第一参数，而该第一参数即为当前最新状态的参数，用户可基于获得的第一参数而对第一模型进行训练。
进一步地，本实施例中第一数据处理器在执行基于第一参数及训练数据训练第一模型的步骤时包括：
至少确定训练步长；
基于训练步长、第一参数及预备的训练数据基于随机梯度下降法训练第一模型。
其中，在训练第一模型时需要预先确定训练步长，使通过该步长来限制训练数据对第一模型的训练轮数，使第一模型中的各权重尽快呈收敛状态。
进一步地，本实施例中的第一数据处理器在执行向区块链的参与者发送至少包括第一参数和第二参数的数据包，并申请投票时包括：
向区块链的所有参与者发送至少包括第一参数、训练步长以及第二参数的数据包，并申请投票。
例如，假设解决某个特定问题的AI模型的区块链有n个参与方P0,P1,…,Pn。各参与方使用随机梯度下降(SGD)法基于各自的训练数据分别对第一模型进行训练。训练过程可包括将自己的训练数据按照预先设置的数据量值分割成多个批次的训练数据。然后按照各自预先设置的训练轮数完成每轮训练，其中，在每一轮训练中均使用所有批次的训练数据进行训练，最终得到参数向量w。当某些参与方基于自己的测试数据测试发现得到了比当前区块链上的最优模型更好的模型，也就是发现了自身得到的参数向量w优于当前区块链上的参数向量，如优于第一参数，此时参与方便将参数向量广播给其他所有参与方，请求其他参与方对其参数向量进行测试并投票。当参与方发起投票时，需要向其他所有参与方发出的数据包不仅包含本次训练得到的参数向量w，还包括起始区块b(相当于启示训练模型)和训练步数s。以使其他参与方在测试参数向量w时会基于同一启示区块，即同一模型进行测试，以保公平性。
而数据包中包含的训练步数则可在投票失败后为其他接收到该数据包的参与方在结合接收的参数向量w进行训练时，为了避免该参数向量与自身训练数据具有较大差异而导致该参与方训练的参数较难收敛，影响该参与方对模型的训练。具体地，本实施例中的第二数据处理器还用于：
接收区块链中其他参与者的投票申请及附加的数据包。
基于投票结果确定继续训练第一模型包括：
基于投票结果确定投票失败；
至少基于接收到的其他参与者的数据包继续训练第一模型。
例如，在下一新的区块未生成之前，每个参与方会收到一系列的投票请求，同时接收到大量的包含参数向量、起始区块以及训练步长的数据包，而当投票结果表示失败，未通过审核后，新的区块仍旧未能生成时，各参与方便会继续训练第一模型，而且各参与方会利用接收到的数据包中的数据作为训练数据来继续训练自己的模型。
进一步地，本实施例中第二数据处理器在执行至少基于接收到的其他参与者的数据包继续训练第一模型时包括：
根据预设的训练步长及第一参数删选规则以及接收的数据包中的训练步长及第一参数确定候选数据集；
基于参数平均的方式综合第二参数和候选数据集；
基于综合结果训练第一模型。
例如，为了避免误将不适合作为自身模型训练数据的数据应用在自身模型的训练中，造成自身模型的参数向量因接收了与较先训练数据差异较大的数据进行计算，导致参数向量的误差越来越大，无法收敛，严重影响了收敛速度。因此，需要对各个参与方发来的数据包进行筛选，以得到适合训练自身模型的数据包作为训练数据。具体实施时可设置筛选条件，如“相同起始区块，训练步长之间的差距满足预设要求”等，举例：假设参与方P1的起始区块为b1，训练步数为s1，其可接受的步数差异r＝100，P1收到了参与方P0、P2和P3发来的投票请求及数据包，其中，假设参与方P0的起始区块b0＝＝b1，参与方P2的起始区块b2！＝b1(！＝为不等于),参与方P3的起始区块b3＝＝b1,参与方P0的训练步长与参与方P1的训练步长之差|s0-s1|<100，参与方P2的训练步长与参与方P1的训练步长之差|s2-s1|>100，参与方P3的训练步长与参与方P1的训练步长之差|s3-s1|>100，故经对比可知仅有参与方P0的数据包及其参数向量w0满足“相同起始区块，不超过最大步数差异”的条件，故参与方P1则需要综合的参数wr＝{w0}。当发起投票请求的参与方P0在收到投票结果后，若其发起的投票不通过，那么就表示新的区块还未生成，各参与方还需继续训练各自的模型，以尽快产生新的区块。此时，参与方P1便可使用参数平均的方式将其训练得到的参数与之前选定的参数w0进行综合得到w＝alpha*wi+(1-alpha)*wr。其中，wr即为第二参数，wi为参与方P1当前训练得到的最新参数向量。即，参与方P1在后续训练时仅采用参与方P0的参数重整其训练数据，以保证其训练的稳定性，辅助其自身参数尽快收敛。
进一步地，本实施例中的第二数据处理器在基于投票结果确定基于第二参数下的第一模型而生成新的区块时包括：
基于第二参数下的第一模型生成新的区块；
重置综合结果为0。
也即，一发起投票的参与方的投票结果表示通过，当前区块链中需基于该参与方的参数向量重新形成模型，并重置所有有关上一区块的数据为0，各个参与方须基于新区块的模型及参数向量来进行新一轮的模型训练，以为产生下一个新区块。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种数据处理方法，其中，包括：
自区块链中至少获得第一模型的第一参数；
基于所述第一参数及训练数据训练第一模型；
基于训练结果确定所述第一模型的第二参数；
基于自检测结果确定所述第二参数下的第一模型满足预设规则；
向所述区块链的参与者发送至少包括所述第一参数和第二参数的数据包，并申请投票，所述投票用于确定其他参与者在基于所述第二参数下的所述第一模型满足所述预设规则；
基于投票结果确定基于所述第二参数下的第一模型而生成新的区块，或继续训练所述第一模型。
2.根据权利要求1所述的方法，其中，所述自区块链中至少获得第一模型的第一参数包括：
自区块链中至少获得所述第一模型当前处于最新状态的第一参数。
3.根据权利要求1所述的方法，其中，所述基于所述第一参数及训练数据训练所述第一模型包括：
至少确定训练步长；
基于所述训练步长、第一参数及预备的训练数据基于随机梯度下降法训练所述第一模型。
4.根据权利要求1所述的方法，其中，所述预设规则为所述第一模型进行数据处理时精度优于基于所述第一参数下的所述第一模型的数据处理精度。
5.根据权利要求3所述的方法，其中，所述向所述区块链的参与者发送至少包括所述第一参数和第二参数的数据包，并申请投票包括：
向所述区块链的参与者发送至少包括所述第一参数、训练步长以及第二参数的数据包，并申请投票。
6.根据权利也要求5所述的方法，其中，还包括：
接收所述区块链中其他参与者的投票申请及附加的数据包。
所述基于投票结果确定继续训练所述第一模型包括：
基于投票结果确定投票失败；
至少基于接收到的其他参与者的数据包继续训练所述第一模型。
7.根据权利要求6所述的方法，其中，所述至少基于接收到的其他参与者的数据包继续训练所述第一模型包括：
根据预设的训练步长及第一参数删选规则以及接收的所述数据包中的训练步长及第一参数确定候选数据集；
基于参数平均的方式综合所述第二参数和候选数据集；
基于综合结果训练所述第一模型。
8.根据权利也要求7所述的方法，其中，所述基于投票结果确定基于所述第二参数下的第一模型而生成新的区块包括：
基于第二参数下的第一模型生成新的区块；
重置综合结果为0。
9.一种电子设备，其中，包括：
数据获取器，用于自区块链中至少获得第一模型的第一参数；
第一数据处理器，用于根据所述第一参数及训练数据训练第一模型，基于训练结果确定所述第一模型的第二参数，基于自检测结果确定所述第二参数下的第一模型满足预设规则，向所述区块链的参与者发送至少包括所述第一参数和第二参数的数据包，并申请投票，所述投票用于确定其他参与者在基于所述第二参数下的所述第一模型满足所述预设规则；
第二数据处理器，用于根据投票结果确定基于所述第二参数下的第一模型而生成新的区块，或令所述第一数据处理器继续训练所述第一模型。
10.根据权利要求9所述的电子设备，其中，所述数据获取器具体用于自区块链中至少获得所述第一模型当前处于最新状态的第一参数。
CN201910817316.2A 2019-08-30 2019-08-30 一种数据处理方法及电子设备 Active CN110533154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910817316.2A CN110533154B (zh) 2019-08-30 2019-08-30 一种数据处理方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910817316.2A CN110533154B (zh) 2019-08-30 2019-08-30 一种数据处理方法及电子设备

Publications (2)

Publication Number Publication Date
CN110533154A true CN110533154A (zh) 2019-12-03
CN110533154B CN110533154B (zh) 2023-05-12

Family

ID=68665908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910817316.2A Active CN110533154B (zh) 2019-08-30 2019-08-30 一种数据处理方法及电子设备

Country Status (1)

Country Link
CN (1) CN110533154B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528317A (zh) * 2020-11-10 2021-03-19 联想(北京)有限公司 一种基于区块链的信息处理方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491266A (zh) * 2018-03-09 2018-09-04 联想(北京)有限公司 基于区块链的数据处理方法、装置及电子设备
CN109194510A (zh) * 2018-08-27 2019-01-11 联想(北京)有限公司 基于区块链的数据处理方法和装置
CN109194508A (zh) * 2018-08-27 2019-01-11 联想(北京)有限公司 基于区块链的数据处理方法和装置
US20190236598A1 (en) * 2018-01-31 2019-08-01 Salesforce.Com, Inc. Systems, methods, and apparatuses for implementing machine learning models for smart contracts using distributed ledger technologies in a cloud based computing environment

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190236598A1 (en) * 2018-01-31 2019-08-01 Salesforce.Com, Inc. Systems, methods, and apparatuses for implementing machine learning models for smart contracts using distributed ledger technologies in a cloud based computing environment
CN108491266A (zh) * 2018-03-09 2018-09-04 联想(北京)有限公司 基于区块链的数据处理方法、装置及电子设备
CN109194510A (zh) * 2018-08-27 2019-01-11 联想(北京)有限公司 基于区块链的数据处理方法和装置
CN109194508A (zh) * 2018-08-27 2019-01-11 联想(北京)有限公司 基于区块链的数据处理方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528317A (zh) * 2020-11-10 2021-03-19 联想(北京)有限公司 一种基于区块链的信息处理方法、装置及设备

Also Published As

Publication number Publication date
CN110533154B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN104702666B (zh) 用户体验质量确定方法及系统
CN109513215B (zh) 一种对象匹配方法、模型训练方法以及服务器
CN108122165A (zh) 一种区块链共识方法及系统
CN106598824A (zh) 区块链的性能分析方法及装置
DE112008001173B4 (de) Verfahren zum Bestimmen von Relevanzwerten für eine Erfassung eines Fehlers auf einem Chip, Verfahren zum Bestimmen einer Fehlerwahrscheinlichkeit eines Orts auf einem Chip und Computerprogramm
US20180161673A1 (en) Using telemetry data in a distributed computing environment to address complex problems
CN110503207A (zh) 联邦学习信用管理方法、装置、设备及可读存储介质
CN111432014B (zh) 一种区块链共识算法中主节点选取的方法和装置
CN109671481A (zh) 一种健身管理方法、装置、终端设备及存储介质
CN105828450B (zh) 一种竞争接入的方法及装置
CN106610897A (zh) 一种游戏数值平衡的自动化测试方法和系统
CN110533154A (zh) 一种数据处理方法及电子设备
TW201102128A (en) System of issuing task instruction by game to perform fitness treadmill and method thereof
CN109993004A (zh) 基于信用机制的区块链自治方法及系统
CN104667511A (zh) 一种基于大数据的比赛排位晋级系统及其方法
CN108833483B (zh) 基于分组的dpos代理节点选择方法
CN109636786A (zh) 一种图像识别模块的验证方法和装置
CN111314785A (zh) 一种互动管理方法及装置
CN110458295A (zh) 基于人工智能的棋牌关卡生成方法、训练方法及装置
CN110782091B (zh) 用户匹配结果的计算方法、装置、计算机可读介质及设备
CN106060123A (zh) 分布式数据系统的数据采集方法及分布式数据系统
EP3226988A1 (de) Kommunikationsvorrichtung für eine einsatzkraft und kommunikationsverfahren
CN101707541A (zh) 一种故障的诊断方法和装置
CN108701390A (zh) 一种收银机测试厨打功能的方法及系统
CN108804662B (zh) 一种关联号码获取方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant