CN117834427A - 更新ai模型参数的方法、装置及通信设备 - Google Patents

更新ai模型参数的方法、装置及通信设备 Download PDF

Info

Publication number
CN117834427A
CN117834427A CN202211177497.5A CN202211177497A CN117834427A CN 117834427 A CN117834427 A CN 117834427A CN 202211177497 A CN202211177497 A CN 202211177497A CN 117834427 A CN117834427 A CN 117834427A
Authority
CN
China
Prior art keywords
parameters
neurons
model
row
transmission
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.)
Pending
Application number
CN202211177497.5A
Other languages
English (en)
Inventor
杨昂
孙鹏
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.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication Co 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 Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN202211177497.5A priority Critical patent/CN117834427A/zh
Priority to PCT/CN2023/119938 priority patent/WO2024067280A1/zh
Publication of CN117834427A publication Critical patent/CN117834427A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H04L41/082—Configuration setting characterised by the conditions triggering a change of settings the condition being updates or upgrades of network functionality

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种更新AI模型参数的方法、装置及通信设备，该方法包括：第一节点向第二节点发送与AI模型参数相关的第一信息；其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的指示方式。

Description

更新AI模型参数的方法、装置及通信设备
技术领域
本申请属于通信技术领域，具体涉及一种更新AI模型参数的方法、装置及通信设备。
背景技术
人工智能(Artificial Intelligence，AI)目前在各个领域获得了广泛的应用。AI模型有多种实现方式，例如神经网络、决策树、支持向量机、贝叶斯分类器等。
现有技术中通过传输AI模型进行模型更新，然而这种更新方式效率较低以及网络信令开销较大。
发明内容
本申请实施例提供一种更新AI模型参数的方法、装置及通信设备，解决现有技术中AI模型的更新方式效率较低以及网络信令开销较大的问题。
第一方面，提供一种更新AI模型参数的方法，包括：
第一节点向第二节点发送与AI模型参数相关的第一信息；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的更新参数的指示方式。
第二方面，提供一种更新AI模型参数的方法，包括：
第二节点接收第一节点发送的与AI模型参数相关的第一信息；
所述第二节点根据所述第一信息更新所述AI模型参数；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的更新参数的指示方式。
第三方面，提供一种更新AI模型参数的装置，包括：
第一发送模块1001，用于向第二节点发送与AI模型参数相关的第一信息；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的更新参数的指示方式。
第四方面，提供一种更新AI模型参数的装置，包括：
第一接收模块，用于接收第一节点发送的与AI模型参数相关的第一信息；
更新模块，用于根据所述第一信息更新所述AI模型参数；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的更新参数的指示方式。
第五方面，提供了一种通信设备，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第六方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第七方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面或第二方面所述的法的步骤。
第八方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在非瞬态的存储介质中，所述程序/程序产品被至少一个处理器执行以实现如第一方面或第二方面所述的方法的步骤。
第九方面，提供一种通信系统，所述通信系统包括终端与网络侧设备，所述终端用于执行如第一方面所述的方法的步骤，所述网络侧设备用于执行如第二方面所述的方法的步骤。
在本申请实施例中，第一节点可以向第二节点发送所述AI模型参数的更新模式和/或AI模型参数的更新参数的指示方式，第二节点不需要对AI模型进行编译或重编译，第二节点根据接收到的AI模型参数的更新模式和/或AI模型参数的更新参数的指示方式更新已有AI模型参数，能够有效提升无线通信系统中传输AI模型的效率，以及减少网络信令开销。
附图说明
图1为神经网络的示意图；
图2为神经元的示意图；
图3为本申请实施例的无线通信系统的架构示意图；
图4为本申请实施例的更新AI模型参数的方法的流程图之一；
图5为本申请实施例的更新AI模型参数的方法的流程图之二；
图6为本申请实施例的AI模型参数的指示方式的示意图之一；
图7为本申请实施例的AI模型参数的指示方式的示意图之二；
图8为本申请实施例的AI模型参数的指示方式的示意图之三；
图9为本申请实施例的AI模型参数的指示方式的示意图之四；
图10为本申请实施例的更新AI模型参数的装置的流程图之一；
图11为本申请实施例的更新AI模型参数的装置的流程图之二；
图12为本申请实施例的终端的示意图；
图13为本申请实施例的网络侧设备的示意图；
图14为本申请实施例的通信设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long TermEvolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time DivisionMultiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)系统，并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR系统应用以外的应用，如第6代(6th Generation，6G)通信系统。
为了便于理解本申请的实施方式，下面先介绍以下技术点。
1、关于神经网络的介绍
本申请以神经网络为例进行说明，但是并不限定AI模块的具体类型，神经网络的结构如图1所示。
其中，神经网络由神经元组成，神经元的示意图如图2所示。其中a1,a2,…aK为输入，w为权值(乘性系数)，b为偏置(加性系数)，σ(.)为激活函数，z＝a1*w1+…+ak*wk+…+aK*wK+b。常见的激活函数包括Sigmoid函数、tanh函数、修正线性单元(Rectified LinearUnit，ReLU)等等。
神经网络的参数可以通过优化算法进行优化。优化算法就是一种能够最小化或者最大化目标函数(有时候也叫损失函数)的一类算法。而目标函数往往是模型参数和数据的数学组合。例如给定数据X和其对应的标签Y，构建一个神经网络模型f(.)，有了模型后，根据输入x就可以得到预测输出f(x)，并且可以计算出预测值和真实值之间的差距(f(x)-Y)，这个就是损失函数。如果找到合适的W,b使上述的损失函数的值达到最小，损失值越小，则说明模型越接近于真实情况。
目前常见的优化算法，基本都是基于误差反向传播(error Back Propagation，BP)算法。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐藏层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐藏层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。
一般而言，根据解决类型不同，选取的AI算法和采用的模型也有所差别。根据相关技术，借助AI提升第五代移动通信技术(5th Generation，5G)网络性能的主要方法是通过基于神经网络的算法和模型增强或者替代目前已有的算法或处理模块。在特定场景下，基于神经网络的算法和模型可以取得比基于确定性算法更好的性能。比较常用的神经网络包括深度神经网络、卷积神经网络和循环神经网络等。借助已有AI工具，可以实现神经网络的搭建、训练与验证工作。
常见的优化算法有梯度下降(Gradient Descent)、随机梯度下降(StochasticGradient Descent，SGD)、小批量梯度下降(mini-batch gradient descent)、动量法(Momentum)、内斯特洛夫(Nesterov)加速算法、自适应梯度下降(ADAptive GRADientdescent，Adagrad)、Adadelta、均方根误差降速(Root Mean Square prop，RMSprop)、自适应动量估计(Adaptive Moment Estimation，Adam)等。
这些优化算法在误差反向传播时，都是根据损失函数得到的误差/损失，对当前神经元求导数/偏导，加上学习速率、之前的梯度/导数/偏导等影响，得到梯度，将梯度传给上一层。图3示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端31和网络侧设备32。
其中，终端31可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer，UMPC)、移动上网装置(Mobile Internet Device，M标识)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(Wearable Device)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。除了上述终端设备，本申请涉及的终端也可以是终端内的芯片，例如调制解调器(Modem)芯片，系统级芯片(System on Chip，SoC)。需要说明的是，在本申请实施例并不限定终端31的具体类型。
网络侧设备32可以包括接入网设备或核心网设备，其中，接入网设备也可以称为无线接入网设备、无线接入网(Radio Access Network，RAN)、无线接入网功能或无线接入网单元。接入网设备32可以包括基站、WLAN接入点或WiFi节点等，基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set，BSS)、扩展服务集(Extended Service Set，ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本申请实施例中仅以NR系统中的基站为例进行介绍，并不限定基站的具体类型。
核心网设备可以包含但不限于如下至少一项：核心网节点、核心网功能、移动管理实体(Mobility Management Entity，MME)、接入和移动管理功能(Access and MobilityManagement Function，AMF)、会话管理功能(Session Management Function，SMF)、用户平面功能(User Plane Function，UPF)、策略控制功能(Policy Control Function，PCF)、策略与计费规则功能单元(Policy and Charging Rules Function，PCRF)、边缘应用服务发现功能(Edge Application Server Discovery Function，EASDF)、统一数据管理(UnifiedData Management，UDM)，统一数据仓储(Unified Data Repository，UDR)、归属用户服务器(Home Subscriber Server，HSS)、集中式网络配置(Centralized networkconfiguration，CNC)、网络存储功能(Network Repository Function，NRF)，网络开放功能(Network Exposure Function，NEF)、本地NEF(Local NEF，或L-NEF)、绑定支持功能(Binding Support Function，BSF)、应用功能(Application Function，AF)、非3GPP互通功能(Non-3GPP InterWorking Function，N3IWF)等。需要说明的是，在本申请实施例中仅以NR系统中的核心网设备为例进行介绍，并不限定核心网设备的具体类型。
下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的更新AI模型参数的方法、装置、通信设备及可读存储介质进行详细地说明。
参见图4，本申请实施例提供一种更新AI模型参数的方法，应用于第一节点，该第一节点可以是网络侧设备或终端，具体步骤包括：步骤401。
步骤401：第一节点向第二节点发送与AI模型参数相关的第一信息；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的指示方式。
在本实施例中，所述第一信息用于第二节点更新AI模型参数，第一信息中的AI模型参数的更新模式用于表示采用哪种方式更新AI模型参数，第一信息中的AI模型参数的指示方式用于指示更新参数的位置或者用于指示AI模型参数的发送顺序，比如第一节点可以向第二节点指示所有AI模型参数的发送顺序，第二节点根据情况对接收到的所有AI模型参数中的部分参数进行AI模型更新，或者第一节点可以向第二节点指示部分AI模型参数的发送顺序，第二节点根据接收到的部分AI模型参数进行AI模型更新，其中的部分AI模型参数也可以称为AI模型更新参数。
在本实施例中，第一节点可以向第二节点发送所述AI模型参数的更新模式和/或AI模型参数的指示方式，第二节点不需要对AI模型进行编译或重编译，第二节点根据接收到的AI模型参数的更新模式和/或AI模型参数的指示方式更新已有AI模型参数，能够有效提升无线通信系统中传输AI模型的效率，以及减少网络信令开销。
在本申请的一种实施例中，所述第一节点为第一网络侧设备或第一终端，所述第二节点为第二网络侧设备或第二终端，比如，第一节点为第一网络侧设备，第二节点为第二终端，或者，第一节点为第一终端，第二节点为第二网络侧设备，或者，第一节点为第一网络侧设备，第二节点为第二网络侧设备，或者第一节点为第一终端，第二节点为第二终端。
在本申请的一种实施例中，所述更新模式包括以下之一：
(1)第一模式；
可选的，所述第一模式包括：更新第一参数子集中的所有参数，所述第一参数子集是所述AI模型参数的子集，所述第一参数子集是预配置或者协议约定的或者网络侧指示的；
(2)第二模式；
可选的，所述第二模式包括：更新第二参数子集中的所有参数，所述第二参数子集是所述第一参数子集的子集；
(3)第三模式；
可选的，所述第三模式包括：更新所述AI模型的所有参数；
(4)第四模式；
可选的，所述第四模式包括：更新第三参数子集，所述第三参数子集是所述AI模型参数的子集。
在本申请的一种实施例中，所述指示方式包括以下之一：
(1)第一信息，所述第一信息用于指示更新参数在所述AI模型中的位置；
(2)第二信息，所述第二信息用于指示所述AI模型中更新参数的发送顺序。
示例性的，本申请实施例适用的一种神经网络的结构如图1所示，一层对应一列，即输入层为第一列，输出层为最后一列，隐藏层为中间列，当然本申请实施例也可以适用其他结构的神经网络。
在一种实施方式中，可以基于图1所示的神经网络的结构“指示更新参数在所述AI模型中的位置”，以及“指示所述AI模型中更新参数的发送顺序”。
在另一种实施方式中，神经网络的结构可以是根据图1旋转得到的神经网络的另一种结构，这样基于该神经网络的另一种结构“指示更新参数在所述AI模型中的位置”，以及“指示所述AI模型中更新参数的发送顺序”，指示方式应用在图1所示的神经网络的结构，与应用在神经网络的其他结构相似，在此不再赘述。
比如，神经网络的另一种结构可以是相对于图1的示意向右旋转90度，即一层对应一行，输入层为第一行，输出层为最后一行，隐藏层为中间行；又比如，神经网络的另一种结构可以是相对于图1的示意的神经网络结构向左旋转90度，同样一层对应一行，输入层为最后一行，输出层为第一行，隐藏层为中间行，可以理解的是神经网络的结构并不限于以上三种形式。
在本申请的一种实施例中，所述AI模型为神经网络，所述神经网络包括输入层、一个或多个隐藏层和输出层，所述输入层、一个或多个隐藏层、输出层，以及各层的神经元组成多行多列的结构，所述神经网络中神经元的参数的发送顺序是根据所述神经元在所述神经网络中的位置确定的。
在本申请的一种实施例中，所述神经网络中神经元的参数的发送顺序，包括以下之一：
(1)第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数；
在一种实施方式中，所述第一列对应所述输入层，所述最后一列对应所述输出层；或者，所述第一列对应所述输出层，所述最后一列对应所述输入层。
(2)第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数。
在一种实施方式中，所述第一行对应所述输入层，所述最后一行对应所述输出层；或者，所述第一行对应所述输出层，所述最后一行对应所述输入层；
在一种实施方式中，所述第一行是所述神经网络中最上方一行，所述最后一行是所述神经网络中最下方一行；或者，所述第一行是所述神经网络中最下方一行，所述最后一行是所述神经网络中最上方一行。
在本申请的一种实施例中，在所述神经网络中神经元的参数的发送顺序包括：第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
(1)每一列中神经元的参数按照从上往下的神经元的顺序发送；
(2)每一列中神经元的参数按照从下往上的神经元的顺序发送；
(3)每一列中神经元的参数的发送顺序相同，如图6所示；
(4)相邻列的神经元的参数的发送顺序相反，如图7所示。
在本申请的一种实施例中，在所述神经网络中神经元的参数的发送顺序包括第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
(1)每一行中神经元的参数按照从左往右的神经元的顺序发送；
(2)每一行中神经元的参数按照从右往左的神经元的顺序发送；
(3)每一行中神经元的参数的发送顺序相同，如图8所示；
(4)相邻行的神经元的参数的发送顺序相反，如图9所示。
在本申请的一种实施例中，当每层的神经元数目不是完全相同时，通过以下至少一项发送神经元的参数：
(1)每一行都按最多神经元数量的行发送所述神经元的参数，缺少神经元的层补预设值(比如，0)。
比如，第一层50个神经元，第二层40个神经元，第三层60个神经元，第四层30个神经元，如第50行，第二层、第四层没有神经元，则发送时第50行的第二层、第四层补0。
(2)每一行都按实际神经元数量发送所述神经元的参数。
比如，第一层50个神经元，第二层40个神经元，第三层60个神经元，第四层30个神经元，如第50行，第二层、第四层没有神经元，则发送时跳过第二层和第四层，第50行发送第一层和第三层的神经元的参数。
在本申请的一种实施例中，所述AI模型参数的发送顺序是预配置的或协议约定的或者网络侧指示的。
在本申请的一种实施例中，所述AI模型参数包括乘性系数和加性系数，所述乘性系数的发送优先级高于加性系数的发送优先级；或者，所述加性系数的发送优先级高于乘性系数的发送优先级。
在本申请的一种实施例中，所述AI模型的量化等级和/或压缩方式是预配置的或者协议约定的或者网络侧指示的。
在本申请的一种实施例中，更新后的AI模型的模型ID与更新前的AI模型的模型ID相同，不保存所述更新前的AI模型；
或者，
更新后的AI模型的模型ID与更新前的AI模型的模型ID不同，保存所述更新前的AI模型，且所述更新前的AI模型的模型ID不变。
在本申请的一种实施方式中，所述AI模型包括第一功能模块，所述第一功能模块用于以下至少一项：
(1)信号处理，包括但不限于以下至少一项：信号检测、滤波、均衡等，其中信号包括但不限于以下至少一项：解调参考信号(Demodulation Reference Signal，DMRS)、探测参考信号(Sounding Reference Signal，SRS)、同步信号块(Synchronization Signal andPBCH block，SSB)、跟踪参考信号(Tracking Reference Signal，TRS)、相位跟踪参考信号(Phase-tracking reference signals，PTRS)、信道状态信息参考信号(Channel-State-Information Reference Signal，CSI-RS)等；
(2)信道信号传输、信道信号接收、信道解调或信道信号发送，其中信道包括但不限于以下至少一项：物理下行控制信道(Physical Downlink Control Channel，PDCCH)、物理下行共享信道(Physical Downlink Shared Channel，PDSCH)、物理上行控制信道(Physical Uplink Control Channel，PUCCH)、物理上行共享信道(Physical UplinkShared Channel，PUSCH)、物理随机接入信道(Physical Random Access Channel，PRACH)、物理广播信道(Physical Broadcast Channel，PBCH)；
(3)获取处理信道状态信息；
比如，信道状态信息反馈，包括但不限于以下至少一项：信道相关信息、信道矩阵相关信息、信道特征信息、信道矩阵特征信息、预编码矩阵指示(Precoding matrixindicator，PMI)、秩指示(Rank indicator，RI)、CSI-RS资源指示(CSI-RS ResourceIndicator，CRI)、信道质量指示(Channel quality indicator，CQI)、层指示(LayerIndicator，LI)等。
又比如，频分双工(Frequency Division Duplex，FDD)上下行部分互易性。对于FDD系统，根据部分互异性，基站根据上行信道获取角度和时延信息，可以通过CSI-RS预编码或者直接指示的方法，将角度信息和时延信息通知终端，终端根据基站的指示上报或者在基站的指示范围内选择并上报，从而减少终端的计算量和CSI上报的开销。
(4)波束管理，包括但不限于以下至少一项：波束测量、波束上报、波束预测、波束失败检测、波束失败恢复、波束失败恢复中的新波束指示；
(5)信道预测，包括但不限于以下至少一项：信道状态信息的预测、波束预测；
(6)干扰抑制，包括但不限于以下至少一项：小区内干扰、小区间干扰、带外干扰、交调干扰等；
(7)定位，比如通过参考信号(例如SRS)，估计出终端的具体位置(包括水平位置和/或垂直位置)或未来可能的轨迹，或估计出终端的辅助位置估计或轨迹估计的信息；
(8)预测或管理高层业务和/或高层参数，包括但不限于以下至少一项：吞吐量、所需数据包大小、业务需求、移动速度、噪声信息等；
(9)解析控制信令，包括但不限于以下至少一项：功率控制的相关信令，波束管理的相关信令。
在本申请实施例中，能够有效提升无线通信系统中传输AI模型的效率，以及减少网络信令开销。
参见图5，本申请实施例提供一种更新AI模型参数的方法，应用于第二节点，该第二节点为网络侧设备或终端，该方法包括：步骤501和步骤502。
步骤501：第二节点接收第一节点发送的与AI模型参数相关的第一信息；
步骤502：第二节点根据所述第一信息更新所述AI模型参数；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的指示方式。
在本申请的一种实施例中，所述第一节点为第一网络侧设备或第一终端，所述第二节点为第二网络侧设备或第二终端，比如，第一节点为第一网络侧设备，第二节点为第二终端，或者，第一节点为第一终端，第二节点为第二网络侧设备，或者，第一节点为第一网络侧设备，第二节点为第二网络侧设备，或者第一节点为第一终端，第二节点为第二终端。
在本申请的一种实施例中，所述更新模式包括以下之一：
(1)第一模式；
可选的，所述第一模式包括：更新第一参数子集中的所有参数，所述第一参数子集是所述AI模型参数的子集，所述第一参数子集是预配置或者协议约定的或者网络侧指示的；
(2)第二模式；
可选的，所述第二模式包括：更新第二参数子集中的所有参数，所述第二参数子集是所述第一参数子集的子集；
(3)第三模式；
可选的，所述第三模式包括：更新所述AI模型的所有参数；
(4)第四模式；
可选的，所述第四模式包括：更新第三参数子集，所述第三参数子集是所述AI模型参数的子集。
在本申请的一种实施例中，所述指示方式包括以下之一：
(1)第一信息，所述第一信息用于指示所述AI模型参数在AI模型中的位置；
(2)第二信息，所述第二信息用于指示所述AI模型中更新参数的发送顺序。
在本申请的一种实施例中，所述AI模型为神经网络，所述神经网络包括输入层、一个或多个隐藏层和输出层，所述输入层、一个或多个隐藏层、输出层，以及各层的神经元组成多行多列的结构，所述神经网络中各个神经元的参数的发送顺序是根据所述神经元在所述神经网络中的位置确定的。
在本申请的一种实施例中，所述神经网络中各个神经元的参数的发送顺序，包括：
第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数；
或者，
第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数。
在本申请的一种实施例中，所述第一列对应所述输入层，所述最后一列对应所述输出层；或者，所述第一列对应所述输出层，所述最后一列对应所述输入层；
或者，
所述第一行对应所述输入层，所述最后一行对应所述输出层；或者，所述第一行对应所述输出层，所述最后一行对应所述输入层。
在本申请的一种实施例中，每一列中神经元的参数按照从上往下的神经元的顺序发送，或者每一列中神经元的参数按照从下往上的神经元的顺序发送，或者每一列中神经元的参数的发送顺序相同，或者相邻列的神经元的参数的发送顺序相反。
在本申请的一种实施例中，所述第一行是所述神经网络中最上方一行，所述最后一行是所述神经网络中最下方一行；或者，所述第一行是所述神经网络中最下方一行，所述最后一行是所述神经网络中最上方一行。
在本申请的一种实施例中，每一行中神经元的参数按照从左往右的神经元的顺序发送，或者每一行中神经元的参数按照从右往左的神经元的顺序发送，或者每一行中神经元的参数的发送顺序相同，或者相邻行的神经元的参数的发送顺序相反。
在本申请的一种实施例中，在每层的神经元数目不是完全相同的情况下，每一行都按最多神经元数量的行发送所述神经元的参数，缺少神经元的层补预设值，或者，每一行都按实际神经元数量发送所述神经元的参数。
在本申请的一种实施例中，所述AI模型参数的发送顺序是预配置的或协议约定的或者网络侧指示的。
在本申请的一种实施例中，所述AI模型参数包括乘性系数和加性系数，所述AI模型中乘性系数的发送优先级高于加性系数的发送优先级；或者，所述AI模型中加性系数的发送优先级高于乘性系数的发送优先级。
在本申请的一种实施例中，所述AI模型的量化等级和/或压缩方式是预配置的或者协议约定的或者网络侧指示的。
在本申请的一种实施例中，更新后的AI模型的模型ID与更新前的AI模型的模型ID相同，不保存所述更新前的AI模型；
或者，
更新后的AI模型的模型ID与更新前的AI模型的模型ID不同，保存所述更新前的AI模型，且所述更新前的AI模型的模型ID不变。
在本申请的一种实施方式中，所述AI模型包括第一功能模块，所述第一功能模块用于以下至少一项：
(1)信号处理，包括但不限于以下至少一项：信号检测、滤波、均衡等，其中信号包括但不限于以下至少一项：DMRS、SRS、SSB、TRS、PTRS、CSI-RS等；
(2)信道信号传输、信道信号接收、信道解调或信道信号发送，其中信道包括但不限于以下至少一项：PDCCH、PDSCH、PUCCH、PUSCH、PRACH、PBCH；
(3)获取处理信道状态信息；
比如，信道状态信息反馈，包括但不限于以下至少一项：信道相关信息、信道矩阵相关信息、信道特征信息、信道矩阵特征信息、PMI、RI、CRI、CQI、LI等。
又比如，FDD上下行部分互易性。对于FDD系统，根据部分互异性，基站根据上行信道获取角度和时延信息，可以通过CSI-RS预编码或者直接指示的方法，将角度信息和时延信息通知终端，终端根据基站的指示上报或者在基站的指示范围内选择并上报，从而减少终端的计算量和CSI上报的开销。
(4)波束管理，包括但不限于以下至少一项：波束测量、波束上报、波束预测、波束失败检测、波束失败恢复、波束失败恢复中的新波束指示；
(5)信道预测，包括但不限于以下至少一项：信道状态信息的预测、波束预测；
(6)干扰抑制，包括但不限于以下至少一项：小区内干扰、小区间干扰、带外干扰、交调干扰等；
(7)定位，比如通过参考信号(例如SRS)，估计出终端的具体位置(包括水平位置和/或垂直位置)或未来可能的轨迹，或估计出终端的辅助位置估计或轨迹估计的信息；
(8)预测或管理高层业务和/或高层参数，包括但不限于以下至少一项：吞吐量、所需数据包大小、业务需求、移动速度、噪声信息等；
(9)解析控制信令，包括但不限于以下至少一项：功率控制的相关信令，波束管理的相关信令。
在本申请实施例中，能够有效提升无线通信系统中传输AI模型的效率，以及减少网络信令开销。
参见图10，本申请实施例提供一种更新AI模型参数的装置，应用于第一节点，该装置1000包括：
第一发送模块1001，用于向第二节点发送与AI模型参数相关的第一信息；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的指示方式。
在本申请的一种实施方式中，所述更新模式包括以下之一：第一模式、第二模式、第三模式、第四模式；
其中，所述第一模式包括：更新第一参数子集中的所有参数，所述第一参数子集是所述AI模型参数的子集，所述第一参数子集是预配置或者协议约定的或者网络侧指示的；
所述第二模式包括：更新第二参数子集中的所有参数，所述第二参数子集是所述第一参数子集的子集；
所述第三模式包括：更新所述AI模型的所有参数；
所述第四模式包括：更新第三参数子集，所述第三参数子集是所述AI模型参数的子集。
在本申请的一种实施方式中，所述指示方式包括以下之一：
第一信息，所述第一信息用于指示所述AI模型参数在所述AI模型中的位置；
第二信息，所述第二信息用于指示所述AI模型参数的发送顺序。
在本申请的一种实施方式中，所述AI模型为神经网络，所述神经网络包括输入层、一个或多个隐藏层和输出层，所述输入层、一个或多个隐藏层、输出层，以及各层的神经元组成多行多列的结构，所述神经网络中各个神经元的参数的发送顺序是根据所述神经元在所述神经网络中的位置确定的。
在本申请的一种实施方式中，所述神经网络中各个神经元的参数的发送顺序，包括：
第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数；或，
第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数。
在本申请的一种实施方式中，所述第一列对应所述输入层，所述最后一列对应所述输出层，或者，所述第一列对应所述输出层，所述最后一列对应所述输入层；
或者，
所述第一行对应所述输入层，所述最后一行对应所述输出层，或者，所述第一行对应所述输出层，所述最后一行对应所述输入层。
在本申请的一种实施方式中，在所述神经网络中神经元的参数的发送顺序包括第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
每一列中神经元的参数按照从上往下的神经元的顺序发送；
每一列中神经元的参数按照从下往上的神经元的顺序发送；
每一列中神经元的参数的发送顺序相同；
相邻列的神经元的参数的发送顺序相反。
在本申请的一种实施方式中，所述第一行是所述神经网络中最上方一行，所述最后一行是所述神经网络中最下方一行；或者，所述第一行是所述神经网络中最下方一行，所述最后一行是所述神经网络中最上方一行。
在本申请的一种实施方式中，在所述神经网络中神经元的参数的发送顺序包括第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
每一行中神经元的参数按照从左往右的神经元的顺序发送；
每一行中神经元的参数按照从右往左的神经元的顺序发送；
每一行中神经元的参数的发送顺序相同；
相邻行的神经元的参数的发送顺序相反。
在本申请的一种实施方式中，所述AI模型参数的发送顺序是预配置的或协议约定的或者网络侧指示的。
在本申请的一种实施方式中，所述AI模型参数包括乘性系数和加性系数，所述乘性系数的发送优先级高于加性系数的发送优先级；或者，所述加性系数的发送优先级高于乘性系数的发送优先级。
在本申请的一种实施方式中，所述AI模型的量化等级和/或压缩方式是预配置的或者协议约定的或者网络侧指示的。
在本申请的一种实施方式中，更新后的AI模型的模型ID与更新前的AI模型的模型ID相同，不保存所述更新前的AI模型；
或者，
更新后的AI模型的模型ID与更新前的AI模型的模型ID不同，保存所述更新前的AI模型，且所述更新前的AI模型的模型ID不变。
在本申请的一种实施方式中，所述AI模型包括第一功能模块，所述第一功能模块用于以下一项或多项：
信号处理；
信道传输、信道接收、信道解调或信道发送；
获取信道状态信息；
波束管理；
信道预测；
干扰抑制；
定位；
预测或管理高层业务和/或高层参数的预测；
解析控制信令。
在本申请的一种实施方式中，所述第一节点为第一网络侧设备或第一终端，所述第二节点为第二网络侧设备或第二终端。
本申请实施例提供的装置能够实现图4的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
参见图11，本申请实施例提供一种更新AI模型参数的装置，应用于第二节点，该装置1100包括：
第一接收模块1101，用于接收第一节点发送的与AI模型参数相关的第一信息；
更新模块1102，用于根据所述第一信息更新所述AI模型参数；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的指示方式。
在本申请的一种实施方式中，所述更新模式包括以下之一：第一模式、第二模式、第三模式、第四模式；
其中，所述第一模式包括：更新第一参数子集中的所有参数，所述第一参数子集是所述AI模型参数的子集，所述第一参数子集是预配置或者协议约定的或者网络侧指示的；
所述第二模式包括：更新第二参数子集中的所有参数，所述第二参数子集是所述第一参数子集的子集，所述第一参数子集是所述AI模型参数的子集，所述第一参数子集是预先指示或协议约定的；
所述第三模式包括：更新所述AI模型的所有参数；
所述第四模式包括：更新第三参数子集，所述第三参数子集是所述AI模型参数的子集。
在本申请的一种实施方式中，所述指示方式包括以下之一：
第一信息，所述第一信息用于指示所述AI模型参数在所述AI模型中的位置；
第二信息，所述第二信息用于指示所述AI模型参数的发送顺序。
在本申请的一种实施方式中，所述AI模型为神经网络，所述神经网络包括输入层、一个或多个隐藏层和输出层，所述输入层、一个或多个隐藏层、输出层，以及各层的神经元组成多行多列的结构，所述神经网络中各个神经元的参数的发送顺序是根据所述神经元在所述神经网络中的位置确定的。
在本申请的一种实施方式中，所述神经网络中各个神经元的参数的发送顺序，包括：
第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数；
或者，
第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数。
在本申请的一种实施方式中，所述第一列对应所述输入层，所述最后一列对应所述输出层，或者，所述第一列对应所述输出层，所述最后一列对应所述输入层；
或者，
所述第一行对应所述输入层，所述最后一行对应所述输出层，或者，所述第一行对应所述输出层，所述最后一行对应所述输入层。
在本申请的一种实施方式中，在所述神经网络中神经元的参数的发送顺序包括第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
每一列中神经元的参数按照从上往下的神经元的顺序发送；
每一列中神经元的参数按照从下往上的神经元的顺序发送；
每一列中神经元的参数的发送顺序相同；
相邻列的神经元的参数的发送顺序相反。
在本申请的一种实施方式中，所述第一行是所述神经网络中最上方一行，所述最后一行是所述神经网络中最下方一行；或者，所述第一行是所述神经网络中最下方一行，所述最后一行是所述神经网络中最上方一行。
在本申请的一种实施方式中，在所述神经网络中神经元的参数的发送顺序包括第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
每一行中神经元的参数按照从左往右的神经元的顺序发送；
每一行中神经元的参数按照从右往左的神经元的顺序发送；
每一行中神经元的参数的发送顺序相同；
相邻行的神经元的参数的发送顺序相反。
在本申请的一种实施方式中，在每层的神经元数目不是完全相同的情况下，每一行都按最多神经元数量的行发送所述神经元的参数，缺少神经元的层补预设值，或者，每一行都按实际神经元数量发送所述神经元的参数。
在本申请的一种实施方式中，所述AI模型参数的发送顺序是预配置的或协议约定的或者网络侧指示的。
在本申请的一种实施方式中，所述AI模型参数包括乘性系数和加性系数，乘性系数的发送优先级高于加性系数的发送优先级；或者，加性系数的发送优先级高于乘性系数的发送优先级。
在本申请的一种实施方式中，所述AI模型的量化等级和/或压缩方式是预配置的或者协议约定的或者网络侧指示的。
在本申请的一种实施方式中，更新后的AI模型的模型ID与更新前的AI模型的模型ID相同，不保存所述更新前的AI模型；
或者，
更新后的AI模型的模型ID与更新前的AI模型的模型ID不同，保存所述更新前的AI模型，且所述更新前的AI模型的模型ID不变。
在本申请的一种实施方式中，所述AI模型包括第一功能模块，所述第一功能模块用于以下一项或多项：
信号处理；
信道传输、信道接收、信道解调或信道发送；
获取信道状态信息；
波束管理；
信道预测；
干扰抑制；
定位；
预测或管理高层业务和/或高层参数的预测；
解析控制信令。
在本申请的一种实施方式中，所述第二节点为第二网络侧设备或第二终端，所述第一节点为第一网络侧设备或第一终端。
本申请实施例提供的装置能够实现图5的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
图12为实现本申请实施例的一种终端的硬件结构示意图。该终端1200包括但不限于：射频单元1201、网络模块1202、音频输出单元1203、输入单元1204、传感器1205、显示单元1206、用户输入单元1207、接口单元1208、存储器1209以及处理器1210等中的至少部分部件。
本领域技术人员可以理解，终端1200还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1210逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图12中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本申请实施例中，输入单元1204可以包括图形处理单元(GraphicsProcessing Unit，GPU)12041和麦克风12042，图形处理器12041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1206可包括显示面板12061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板12061。用户输入单元1207包括触控面板12071以及其他输入设备12072中的至少一种。触控面板12071，也称为触摸屏。触控面板12071可包括触摸检测装置和触摸控制器两个部分。其他输入设备12072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
本申请实施例中，射频单元1201接收来自网络侧设备的下行数据后，可以传输给处理器1210进行处理；另外，射频单元1201可以向网络侧设备发送上行数据。通常，射频单元1201包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器1209可用于存储软件程序或指令以及各种数据。存储器1209可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器1209可以包括易失性存储器或非易失性存储器，或者，存储器1209可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本申请实施例中的存储器1209包括但不限于这些和任意其它适合类型的存储器。
处理器1210可包括一个或多个处理单元；可选的，处理器1210集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1210中。
本申请实施例提供的终端能够实现图4的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
请参阅图13，图13是本申请实施例应用的网络侧设备的结构图，如图13所示，通信设备2200包括：处理器1301、收发机1302、存储器1303和总线接口，其中，处理器1301可以负责管理总线架构和通常的处理。存储器1303可以存储处理器1301在执行操作时所使用的数据。
在本申请的一个实施例中，通信设备2200还包括：存储在存储器1303并可在处理器1301上运行的程序，程序被处理器1301执行时实现以上图4所示方法中的步骤。
在图13中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1301代表的一个或多个处理器和存储器1303代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1302可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。
可选的，如图14所示，本申请实施例还提供一种通信设备2300，包括处理器2301和存储器1402，存储器1402上存储有可在所述处理器1401上运行的程序或指令，例如，该通信设备1400为终端时，该程序或指令被处理器1401执行时实现上述图4方法实施例的各个步骤，该通信设备1400为网络侧设备时，该程序或指令被处理器1401执行时实现上述图5方法实施例的各个步骤且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现图4或图5方法及上述各个实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现图4或图5所示及上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现图4或图5所示及上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例另提供一种通信系统，所述通信系统包括终端与网络侧设备，所述终端用于执行如图3及上述各个方法实施例的各个过程，所述网络侧设备用于执行如图4及上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (36)

1.一种更新AI模型参数的方法，其特征在于，包括：
第一节点向第二节点发送与AI模型参数相关的第一信息；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的指示方式。
2.根据权利要求1所述的方法，其特征在于，所述更新模式包括以下之一：第一模式、第二模式、第三模式、第四模式；
其中，所述第一模式包括：更新第一参数子集中的所有参数，所述第一参数子集是所述AI模型参数的子集，所述第一参数子集是预配置或者协议约定的或者网络侧指示的；
所述第二模式包括：更新第二参数子集中的所有参数，所述第二参数子集是所述第一参数子集的子集；
所述第三模式包括：更新所述AI模型的所有参数；
所述第四模式包括：更新第三参数子集，所述第三参数子集是所述AI模型参数的子集。
3.根据权利要求1所述的方法，其特征在于，所述指示方式包括以下之一：
第一信息，所述第一信息用于指示所述AI模型参数在AI模型中的位置；
第二信息，所述第二信息用于指示所述AI模型参数的发送顺序。
4.根据权利要求3所述的方法，其特征在于，所述AI模型为神经网络，所述神经网络包括输入层、一个或多个隐藏层和输出层，所述输入层、一个或多个隐藏层、输出层，以及各层的神经元组成多行多列的结构，所述神经网络中神经元的参数的发送顺序是根据所述神经元在所述神经网络中的位置确定的。
5.根据权利要求4所述的方法，其特征在于，所述神经网络中神经元的参数的发送顺序，包括：
第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数；或，
第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数。
6.根据权利要求5所述的方法，其特征在于，
所述第一列对应所述输入层，所述最后一列对应所述输出层，或者，所述第一列对应所述输出层，所述最后一列对应所述输入层；
或者，
所述第一行对应所述输入层，所述最后一行对应所述输出层；或者，所述第一行对应所述输出层，所述最后一行对应所述输入层。
7.根据权利要求5所述的方法，其特征在于，在所述神经网络中神经元的参数的发送顺序包括第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
每一列中神经元的参数按照从上往下的神经元的顺序发送；
每一列中神经元的参数按照从下往上的神经元的顺序发送；
每一列中神经元的参数的发送顺序相同；
相邻列的神经元的参数的发送顺序相反。
8.根据权利要求5所述的方法，其特征在于，所述第一行是所述神经网络中最上方一行，所述最后一行是所述神经网络中最下方一行；或者，所述第一行是所述神经网络中最下方一行，所述最后一行是所述神经网络中最上方一行。
9.根据权利要求5所述的方法，其特征在于，在所述神经网络中神经元的参数的发送顺序包括第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
每一行中神经元的参数按照从左往右的神经元的顺序发送；
每一行中神经元的参数按照从右往左的神经元的顺序发送；
每一行中神经元的参数的发送顺序相同；
相邻行的神经元的参数的发送顺序相反。
10.根据权利要求9所述的方法，其特征在于，在每层的神经元数目不是完全相同的情况下，每一行都按最多神经元数量的行发送所述神经元的参数，缺少神经元的层补预设值，或者，每一行都按实际神经元数量发送所述神经元的参数。
11.根据权利要求3所述的方法，其特征在于，所述AI模型参数的发送顺序是预配置的或协议约定的或者网络侧指示的。
12.根据权利要求3所述的方法，其特征在于，所述AI模型参数包括乘性系数和加性系数，所述乘性系数的发送优先级高于所述加性系数的发送优先级；
或者，
所述加性系数的发送优先级高于所述乘性系数的发送优先级。
13.根据权利要求1所述的方法，其特征在于，所述AI模型的量化等级和/或压缩方式是预配置的或者协议约定的或者网络侧指示的。
14.根据权利要求1所述的方法，其特征在于，更新后的AI模型的模型ID与更新前的AI模型的模型ID相同，不保存所述更新前的AI模型；
或者，
更新后的AI模型的模型ID与更新前的AI模型的模型ID不同，保存所述更新前的AI模型，且所述更新前的AI模型的模型ID不变。
15.根据权利要求1所述的方法，其特征在于，所述AI模型包括第一功能模块，所述第一功能模块用于以下一项或多项：
信号处理；
信道传输、信道接收、信道解调或信道发送；
获取信道状态信息；
波束管理；
信道预测；
干扰抑制；
定位；
预测或管理高层业务和/或高层参数的预测；
解析控制信令。
16.根据权利要求1所述的方法，其特征在于，所述第一节点为第一网络侧设备或第一终端，所述第二节点为第二网络侧设备或第二终端。
17.一种更新AI模型参数的方法，其特征在于，包括：
第二节点接收第一节点发送的与AI模型参数相关的第一信息；
所述第二节点根据所述第一信息更新所述AI模型参数；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的指示方式。
18.根据权利要求17所述的方法，其特征在于，所述更新模式包括以下之一：第一模式、第二模式、第三模式、第四模式；
其中，所述第一模式包括：更新第一参数子集中的所有参数，所述第一参数子集是所述AI模型参数的子集，所述第一参数子集是预配置或者协议约定的或者网络侧指示的；
所述第二模式包括：更新第二参数子集中的所有参数，所述第二参数子集是所述第一参数子集的子集，所述第一参数子集是所述AI模型参数的子集，所述第一参数子集是预先指示或协议约定的；
所述第三模式包括：更新所述AI模型的所有参数；
所述第四模式包括：更新第三参数子集，所述第三参数子集是所述AI模型参数的子集。
19.根据权利要求17所述的方法，其特征在于，所述指示方式包括以下之一：
第一信息，所述第一信息用于指示所述AI模型参数在所述AI模型中的位置；
第二信息，所述第二信息用于指示所述AI模型参数的发送顺序。
20.根据权利要求19所述的方法，其特征在于，所述AI模型为神经网络，所述神经网络包括输入层、一个或多个隐藏层和输出层，所述输入层、一个或多个隐藏层、输出层，以及各层的神经元组成多行多列的结构，所述神经网络中神经元的参数的发送顺序是根据所述神经元在所述神经网络中的位置确定的。
21.根据权利要求20所述的方法，其特征在于，所述神经网络中神经元的参数的发送顺序，包括：
第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数；
第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数。
22.根据权利要求21所述的方法，其特征在于，
所述第一列对应所述输入层，所述最后一列对应所述输出层，或者，所述第一列对应所述输出层，所述最后一列对应所述输入层；
或者，
所述第一行对应所述输入层，所述最后一行对应所述输出层；或者，所述第一行对应所述输出层，所述最后一行对应所述输入层。
23.根据权利要求21所述的方法，其特征在于，在所述神经网络中神经元的参数的发送顺序包括第一列所有神经元的参数，第二列所有神经元的参数，以此类推，直至最后一列所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
每一列中神经元的参数按照从上往下的神经元的顺序发送；
每一列中神经元的参数按照从下往上的神经元的顺序发送；
每一列中神经元的参数的发送顺序相同；
相邻列的神经元的参数的发送顺序相反。
24.根据权利要求21所述的方法，其特征在于，所述第一行是所述神经网络中最上方一行，所述最后一行是所述神经网络中最下方一行；或者，所述第一行是所述神经网络中最下方一行，所述最后一行是所述神经网络中最上方一行。
25.根据权利要求21所述的方法，其特征在于，在所述神经网络中神经元的参数的发送顺序包括第一行所有神经元的参数，第二行所有神经元的参数，以此类推，直至最后一行所有神经元的参数的情况下，所述神经网络中神经元的参数的发送顺序还包括以下之一：
每一行中神经元的参数按照从左往右的神经元的顺序发送；
每一行中神经元的参数按照从右往左的神经元的顺序发送；
每一行中神经元的参数的发送顺序相同；
相邻行的神经元的参数的发送顺序相反。
26.根据权利要求25所述的方法，其特征在于，在每层的神经元数目不是完全相同的情况下，每一行都按最多神经元数量的行发送所述神经元的参数，缺少神经元的层补预设值，或者，每一行都按实际神经元数量发送所述神经元的参数。
27.根据权利要求19所述的方法，其特征在于，所述AI模型参数的发送顺序是预配置的或协议约定的或者网络侧指示的。
28.根据权利要求19所述的方法，其特征在于，所述AI模型中乘性系数的发送优先级高于加性系数的发送优先级；
或者，
所述AI模型中加性系数的发送优先级高于乘性系数的发送优先级。
29.根据权利要求17所述的方法，其特征在于，所述AI模型的量化等级和/或压缩方式是预配置的或者协议约定的或者网络侧指示的。
30.根据权利要求17所述的方法，其特征在于，更新后的AI模型的模型ID与更新前的AI模型的模型ID相同，不保存所述更新前的AI模型；
或者，
更新后的AI模型的模型ID与更新前的AI模型的模型ID不同，保存所述更新前的AI模型，且所述更新前的AI模型的模型ID不变。
31.根据权利要求17所述的方法，其特征在于，所述AI模型包括第一功能模块，所述第一功能模块用于以下一项或多项：
信号处理；
信道传输、信道接收、信道解调或信道发送；
获取信道状态信息；
波束管理；
信道预测；
干扰抑制；
定位；
预测或管理高层业务和/或高层参数的预测；
解析控制信令。
32.根据权利要求17所述的方法，其特征在于，所述第二节点为第二网络侧设备或第二终端，所述第一节点为第一网络侧设备或第一终端。
33.一种更新AI模型参数的装置，其特征在于，包括：
第一发送模块，用于向第二节点发送与AI模型参数相关的第一信息；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的指示方式。
34.一种更新AI模型参数的装置，其特征在于，包括：
第一接收模块，用于接收第一节点发送的与AI模型参数相关的第一信息；
更新模块，用于根据所述第一信息更新所述AI模型参数；
其中，所述第一信息包括以下至少一项：所述AI模型参数的更新模式，所述AI模型参数的指示方式。
35.一种通信设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至32中任一项所述的方法的步骤。
36.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至32中任一项所述的方法的步骤。
CN202211177497.5A 2022-09-26 2022-09-26 更新ai模型参数的方法、装置及通信设备 Pending CN117834427A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211177497.5A CN117834427A (zh) 2022-09-26 2022-09-26 更新ai模型参数的方法、装置及通信设备
PCT/CN2023/119938 WO2024067280A1 (zh) 2022-09-26 2023-09-20 更新ai模型参数的方法、装置及通信设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211177497.5A CN117834427A (zh) 2022-09-26 2022-09-26 更新ai模型参数的方法、装置及通信设备

Publications (1)

Publication Number Publication Date
CN117834427A true CN117834427A (zh) 2024-04-05

Family

ID=90476175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211177497.5A Pending CN117834427A (zh) 2022-09-26 2022-09-26 更新ai模型参数的方法、装置及通信设备

Country Status (2)

Country Link
CN (1) CN117834427A (zh)
WO (1) WO2024067280A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108924910B (zh) * 2018-07-25 2021-03-09 Oppo广东移动通信有限公司 Ai模型的更新方法及相关产品
US20200151558A1 (en) * 2018-11-13 2020-05-14 Gyrfalcon Technology Inc. Systems and methods for updating an artificial intelligence model by a subset of parameters in a communication system
CN114091679A (zh) * 2020-08-24 2022-02-25 华为技术有限公司 一种更新机器学习模型的方法及通信装置
CN114363921B (zh) * 2020-10-13 2024-05-10 维沃移动通信有限公司 Ai网络参数的配置方法和设备
CN114519435A (zh) * 2022-02-14 2022-05-20 维沃移动通信有限公司 模型参数更新方法、模型参数更新装置和电子设备

Also Published As

Publication number Publication date
WO2024067280A1 (zh) 2024-04-04

Similar Documents

Publication Publication Date Title
CN115037608B (zh) 量化的方法、装置、设备及可读存储介质
EP4404613A1 (en) Parameter selection method, parameter configuration method, terminal and network side device
CN116488747A (zh) 信息交互方法、装置及通信设备
CN115913486A (zh) 信息上报方法、装置、终端及可读存储介质
EP4422248A1 (en) Model request method, model request processing method and related device
CN115022172B (zh) 信息处理方法、装置、通信设备及可读存储介质
CN114501353B (zh) 通信信息的发送、接收方法及通信设备
CN117834427A (zh) 更新ai模型参数的方法、装置及通信设备
WO2024067281A1 (zh) Ai模型的处理方法、装置及通信设备
WO2024032695A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
WO2024125525A1 (zh) Ai算力上报方法、终端及网络侧设备
WO2024041420A1 (zh) 测量反馈处理方法、装置、终端及网络侧设备
WO2024032694A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
EP4447530A1 (en) Measurement method and apparatus, device, and storage medium
CN118413897A (zh) 通信处理方法、装置、设备及可读存储介质
CN117692954A (zh) 测量反馈处理方法、装置、终端及网络侧设备
CN118785234A (zh) 基于ai的csi预测的数据采集方法及装置
CN118785189A (zh) Csi预测性能的监测方法、装置、终端及网络侧设备
CN118055421A (zh) 波束预测方法、装置、终端、网络侧设备及存储介质
CN118413898A (zh) 通信处理方法、装置、设备及可读存储介质
CN117692032A (zh) 信息传输方法、装置、设备、系统及存储介质
CN117856942A (zh) Csi预测处理方法、装置、通信设备及可读存储介质
CN118214667A (zh) Ai模型监测方法、ai模型性能的测量方法、装置及设备
CN118158118A (zh) Ai网络模型的确定方法、信息传输方法、装置和通信设备
CN116996898A (zh) Ai网络模型确定方法、装置、参考节点和网络侧设备

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