【技術實現步驟摘要】
本專利技術涉及人工智能，特別涉及一種人工智能模型搭建方法、裝置、設備及存儲介質。
技術介紹
1、隨著人工智能技術的快速發展，各行各業對ai模型的需求日益增長。然而，傳統的ai模型搭建方法往往存在數據隱私保護不足、特征提取能力有限、模型泛化性能不佳等問題。在大數據時代，如何在保護用戶隱私的同時，充分利用海量數據訓練出高性能的ai模型，成為了一個亟待解決的難題。此外，現有的ai模型往往難以有效捕捉數據中的多尺度特征和長程依賴關系，導致模型在處理復雜任務時表現不佳。
2、另一個顯著的挑戰是如何平衡模型的局部特征學習能力和全局語義理解能力。單一的網絡結構難以同時兼顧這兩個方面，而簡單的特征拼接又無法充分發揮不同類型特征的優勢。如何設計一種能夠有機融合多種深度學習技術的模型架構，以實現更優的特征表示和更強的模型性能，成為了亟需解決的難題。
技術實現思路
1、本專利技術的主要目的為提供一種人工智能模型搭建方法、裝置、設備及存儲介質，以實現提高了人工智能模型的訓練速度和收斂穩定性。
2、為實現上述目的，本專利技術提供了一種人工智能模型搭建方法，包括以下步驟：
3、對輸入的原始數據進行預處理，得到預處理數據集，對所述預處理數據集添加拉普拉斯噪聲，同時進行數據標準化和歸一化處理，得到隱私保護數據集；
4、通過目標模型中并聯的多尺度卷積神經網絡，對所述隱私保護數據集進行特征提取，得到目標多層次局部特征；
5、將所述多層次局部特征分為兩部分，得
6、對所述第一部分局部特征與所述全局語義特征進行拼接，并通過多頭注意力機制進行加權，得到融合特征表示；
7、基于所述融合特征表示，通過自適應學習率的批量梯度下降法對所述目標模型進行模型參數優化，得到訓練完成的人工智能模型。
8、本專利技術還提供了一種人工智能模型搭建裝置，包括：
9、預處理模塊，用于對輸入的原始數據進行預處理，得到預處理數據集，對所述預處理數據集添加拉普拉斯噪聲，同時進行數據標準化和歸一化處理，得到隱私保護數據集；
10、第一提取模塊，用于通過目標模型中并聯的多尺度卷積神經網絡，對所述隱私保護數據集進行特征提取，得到目標多層次局部特征；
11、第二提取模塊，用于將所述多層次局部特征分為兩部分，得到第一部分局部特征和第二部分局部特征，并將所述第二部分局部特征輸入目標模型中并聯的雙向長短時記憶網絡和雙向門控循環單元網絡進行特征提取，得到全局語義特征；
12、拼接模塊，用于對所述第一部分局部特征與所述全局語義特征進行拼接，并通過多頭注意力機制進行加權，得到融合特征表示；
13、優化模塊，用于基于所述融合特征表示，通過自適應學習率的批量梯度下降法對所述目標模型進行模型參數優化，得到訓練完成的人工智能模型。
14、本專利技術還提供一種計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述處理器執行所述計算機程序時實現上述任一項所述方法的步驟。
15、本專利技術還提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述任一項所述的方法的步驟。
16、綜上所述，本專利技術提供的技術方案通過對預處理數據集添加拉普拉斯噪聲，并結合數據標準化和歸一化處理，有效保護了原始數據的隱私，同時保留了數據的統計特性，采用并聯的多尺度卷積神經網絡，包括小、中、大三個尺度的卷積分支，能夠全面捕捉數據中的多尺度局部特征，提高了模型對不同尺度模式的識別能力。通過并聯的雙向長短時記憶網絡和雙向門控循環單元網絡，有效捕捉了數據中的長短期依賴關系，增強了模型對序列數據的理解能力。利用多頭注意力機制對局部特征和全局語義特征進行加權融合，實現了不同類型特征的有機結合，提高了特征表示的豐富性和表達能力。采用自適應學習率的批量梯度下降法，結合adam優化器和梯度裁剪技術，實現了模型參數的高效優化，提高了模型的訓練速度和收斂穩定性。通過引入殘差連接、層歸一化等技術，并應用權重衰減和早停策略，有效緩解了過擬合問題，提高了模型的泛化能力。多頭注意力機制和特征融合網絡的設計，為模型決策提供了更直觀的解釋途徑，增強了模型的可解釋性。
本文檔來自技高網...【技術保護點】
1.一種人工智能模型搭建方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的人工智能模型搭建方法，其特征在于，所述對輸入的原始數據進行預處理，得到預處理數據集，對所述預處理數據集添加拉普拉斯噪聲，同時進行數據標準化和歸一化處理，得到隱私保護數據集，包括：
3.根據權利要求1所述的人工智能模型搭建方法，其特征在于，所述通過目標模型中并聯的多尺度卷積神經網絡，對所述隱私保護數據集進行特征提取，得到目標多層次局部特征，包括：
4.根據權利要求1所述的人工智能模型搭建方法，其特征在于，所述將所述多層次局部特征分為兩部分，得到第一部分局部特征和第二部分局部特征，并將所述第二部分局部特征輸入目標模型中并聯的雙向長短時記憶網絡和雙向門控循環單元網絡進行特征提取，得到全局語義特征，包括：
5.根據權利要求4所述的人工智能模型搭建方法，其特征在于，所述基于所述LSTM全局特征和所述GRU全局特征構建特征融合網絡，包括一個多層感知機和一個殘差連接，通過特征交互和非線性變換，得到全局語義特征，包括：
6.根據權利要求1所述的人工智能模型
7.根據權利要求1所述的人工智能模型搭建方法，其特征在于，所述基于所述融合特征表示，通過自適應學習率的批量梯度下降法對所述目標模型進行模型參數優化，得到訓練完成的人工智能模型，包括：
8.一種人工智能模型搭建裝置，其特征在于，用于執行如權利要求1至7中任一項所述的人工智能模型搭建方法，所述裝置包括：
9.一種計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種人工智能模型搭建方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的人工智能模型搭建方法，其特征在于，所述對輸入的原始數據進行預處理，得到預處理數據集，對所述預處理數據集添加拉普拉斯噪聲，同時進行數據標準化和歸一化處理，得到隱私保護數據集，包括：
3.根據權利要求1所述的人工智能模型搭建方法，其特征在于，所述通過目標模型中并聯的多尺度卷積神經網絡，對所述隱私保護數據集進行特征提取，得到目標多層次局部特征，包括：
4.根據權利要求1所述的人工智能模型搭建方法，其特征在于，所述將所述多層次局部特征分為兩部分，得到第一部分局部特征和第二部分局部特征，并將所述第二部分局部特征輸入目標模型中并聯的雙向長短時記憶網絡和雙向門控循環單元網絡進行特征提取，得到全局語義特征，包括：
5.根據權利要求4所述的人工智能模型搭建方法，其特征在于，所述基于所述lstm全局特征和所述gru全局特征構建特征融合網絡，包括一個多層感知機和一個...
【專利技術屬性】
技術研發人員：鄭川立，楊思維，
申請(專利權)人：深圳領馭科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。