[发明专利]一种仓储模型训练方法、装置、计算机设备及存储介质

权利要求书

1.一种仓储模型训练方法，其特征在于，包括：

构建共享仓储模型，并将所述共享仓储模型发送到仓储服务器的节点上；

从所述仓储服务器的数据库内调取仓储货物的历史数据，并生成本地训练数据集；

将所述本地训练数据集导入到所述共享仓储模型，对所述共享仓储模型进行模型训练，得到本地仓储模型；

接收已训练完成的本地仓储模型，并对接收到的所述本地仓储模型进行加权聚合运算，得到初始仓储模型；

将检测样本数据集输入到所述初始仓储模型进行模型检测，输出模型检测结果，其中，所述检测样本数据集存储于云端服务器的数据库内；

判断所述模型检测结果是否在存在于预设标准检测结果的范围内，若所述模型检测结果不在预设标准检测结果的范围内，则对所述初始仓储模型进行迭代更新，直到所述模型检测结果落入预设标准检测结果的范围内为止，输出仓储模型。

2.如权利要求1所述仓储模型训练方法，其特征在于，所述构建共享仓储模型，并将所述共享仓储模型发送到仓储服务器的节点上，具体包括：

获取仓储分类标识，根据所述仓储分类标识构建共享仓储模型，其中，共享仓储模型包括若干个共享仓储子模型，每一个所述共享仓储子模型均对应一种仓储分类标识；

接收所述仓储服务器的建模请求指令，所述建模请求指令携带有仓储服务器对应的仓储分类标识；

将与所述仓储分类标识相对应的共享仓储子模型发送到仓储服务器的节点上。

3.如权利要求1所述仓储模型训练方法，其特征在于，所述共享仓储模型至少包括输入层、卷积层和输出层，所述将所述本地训练数据集导入到所述共享仓储模型，对所述共享仓储模型进行模型训练，得到本地仓储模型，具体包括：

将所述本地训练数据集导入所述共享仓储模型，通过所述输入层对所述本地训练数据集进行向量特征转换处理，得到目标数据；

采用所述卷积层对所述目标数据进行卷积计算，提取所述目标数据的特征数据；

将所述特征数据导入到所述输出层中进行适配计算，输出适配结果；

根据所述适配结果对所述共享仓储模型进行迭代更新，得到本地仓储模型。

4.如权利要求3所述仓储模型训练方法，其特征在于，在所述根据所述适配结果对所述共享仓储模型进行迭代更新，得到本地仓储模型，具体包括：

通过反向传播算法对所述适配结果与预设标准适配结果进行拟合，获取适配误差；

将所述适配误差与预设适配误差阈值进行比较；

若所述适配误差大于预设适配误差阈值，则对所述共享仓储模型进行迭代更新，直到所述适配误差小于等于预设适配误差阈值为止，得到本地仓储模型。

5.如权利要求1所述仓储模型训练方法，其特征在于，所述接收已训练完成的本地仓储模型，并对接收到的所述本地仓储模型进行加权聚合运算，得到初始仓储模型，具体包括：

提取多个已训练完成的所述本地仓储模型的损失函数；

对提取到的多个所述本地仓储模型的损失函数进行加权聚合运算，得到仓储模型的损失函数；

将所述仓储模型的损失函数填入所述共享仓储模型，得到初始仓储模型。

6.如权利要求5所述仓储模型训练方法，其特征在于，所述对提取到的多个所述本地仓储模型的损失函数进行加权聚合运算，得到仓储模型的损失函数，具体为：

通过以下公式对提取到的多个所述本地仓储模型的损失函数进行加权聚合运算：

其中，J(θ)为仓储模型的损失函数，ωⁱ为第i个本地仓储模型在仓储模型中的权重，h_θ(xⁱ)-yⁱ为第i个本地仓储模型的损失函数。