[发明专利]模型转换系统和模型转换方法

说明书

本发明公开了一种模型转换系统和模型转换方法，包括：Loader模块：用于加载TensorFlow明文模型，依次把其每个变量数据分别保存为独立的文件，将其变量元数据信息保存为另外一个独立的文件；Generator模块：用于生成目标明文模型，生成新的网络拓扑结构代码所使用的TensorFlowAPIs都是由Rosetta可适配的APIs组成；Saver模块：用于加载目标明文模型，根据变量元数据信息把Loader模块中保存的变量数据分别赋值给目标明文模型，并保存为新的明文模型文件。本发明实现了任意明文预训练模型能够在Rosetta隐私框架上被复用，可以减少时间和节约成本。

技术领域

本发明涉及计算机软件领域，尤其涉及的是一种基于TensorFlow和Rosetta的模型转换系统和模型转换方法。

背景技术

隐私机器学习框架是结合密码学与AI能够解决现在数据行业隐私问题，主流的隐私机器框架如：TF-Encrypted、PySyft、Rosetta等，这些主流隐私机器学习框架前端都是使用主流AI框架的APIs接口进行适配，如：TensorFlow、pytorch等，故这些隐私AI框架看起来很像主流AI框架，它们利用了框架APIs的易用性，同时通过多种密码学算法对加密数据进行训练和预测，目的是让用户在并不精通密码学、分布式系统或高性能计算专业知识的情况下，也可以使用隐私保护加持的机器学习随时可用。但是这些隐私机器学习框架存在一个问题就是：可使用隐私机器学习框架(如：Rosetta)进行训练模型，训练好的模型也可保存为明文或者密文，但是目前暂未发现一个隐私框架可以支持加载使用明文框架(如：TensorFlow)训练好的明文模型来进行继续隐私训练或隐私预测。如果隐私框架支持加载预训练明文模型，那么大量基于明文框架(如：TensorFlow)训练好的模型就可以被复用，对隐私框架的推广具有里程碑式的意义，一方面预训练好的明文模型非常丰富，另外一方面较隐私训练，明文下训练模型会节省很大的成本。因此能够复用明文模型对隐私框架来说意义重大，可惜的是暂未发现一个隐私框架可支持任意的明文模型，本发明就是解决这个技术问题，使基于TensorFlow的任意明文预训练模型能够在Rosetta隐私框架上被复用。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明所要解决的技术问题是：提供一种基于TensorFlow的任意明文预训练模型能够在Rosetta隐私框架上被复用，可以减少时间和节约成本的模型转换系统和模型转换方法。

本发明的技术方案如下：一种基于TensorFlow和Rosetta的模型转换系统，包括：Loader模块：用于加载TensorFlow明文模型，依次把TensorFlow明文模型中每个变量数据分别保存为独立的文件，以及将TensorFlow明文模型的变量元数据信息保存为另外一个独立的文件；Generator模块：用于根据TensorFlow明文模型加载前的网络拓扑结构生成新的网络拓扑结构代码，并生成目标明文模型，其中，生成新的网络拓扑结构代码所使用的TensorFlow APIs都是由Rosetta可适配的APIs组成；Saver模块：用于加载目标明文模型，并根据变量元数据信息把Loader模块中保存的变量数据分别赋值给目标明文模型，然后保存目标明文模型为新的明文模型文件，这个新的明文模型文件可在Rosetta中加载并使用。

应用于上述技术方案，所述的模型转换系统中，所述变量元数据信息包含：变量名称、变量Shape Info、变量Tensor value对应的文件名。