本申请涉及电子设备技术领域，具体涉及一种ai模型的更新方法及相关产品。
背景技术
随着电子设备(如手机、平板电脑等)的大量普及应用，电子设备能够支持的应用越来越多，功能越来越强大，电子设备向着多样化、个性化的方向发展，成为用户生活中不可缺少的电子用品。
邻近感知网络(neighborhoodawarenetworking，nan)在电子设备之间应用开来，nan网络是指在该网络中各个nan设备都直接或间接的连接在一起，信息可以直接流通，是一个多设备已经相互连接的局域网。ai模型又称人工智能模型，其基于人工智能算法来处理终端内的信息，例如执行人脸识别算法，又如执行ai助理等等。
现有的ai模型无法实现更新，所以当ai模型计算精度较低时，影响用户的体验度。
技术实现要素：
本申请实施例提供了一种ai模型的更新方法及相关产品，能够提升用户的体验。
第一方面，本申请实施例提供一种ai模型的更新方法，所述方法应用与电子设备，所述方法包括如下步骤：
确定ai模型需要更新时，广播邻近感知网络nan网络的感知信息；
获取邻近设备接入请求，所述接入请求包括邻近网络的标识信息，对标识信息进行验证后，允许所述邻近设备接入nan网络；
在nan网络中广播ai模型更新请求，通过nan网络接收所述邻近设备返回的ai模型更新响应；
通过nan网络向邻近设备发送ai模型参数，接收邻近设备发送的ai模型更新参数，所述ai模型更新参数为依据所述ai模型参数完成更新计算后得到的参数；使用所述ai模型更新参数对ai模型进行更新。
第二方面，提供一种电子设备，所述电子设备包括：
通信单元，用于确定ai模型需要更新时，广播邻近感知网络nan网络的感知信息，获取邻近设备接入请求，所述接入请求包括邻近网络的标识信息；
处理单元，用于对标识信息进行验证后，允许所述邻近设备接入nan网络；
通信单元，用于在nan网络中广播ai模型更新请求，通过nan网络接收所述邻近设备返回的ai模型更新响应，通过nan网络向邻近设备发送ai模型参数，接收邻近设备发送的ai模型更新参数，所述ai模型更新参数为依据所述ai模型参数完成更新计算后得到的参数；
处理单元，还用于使用所述ai模型更新参数对ai模型进行更新。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出，本申请提供的技术方案确定ai模型需要更新时，建立nan网络，允许邻近设备接入nan网络后，向邻近设备发送ai模型参数，由邻近设备完成ai模型参数更新后，将更新后的参数发送给电子设备执行ai模型，这样本申请的技术方案即能够通过nan网络实现对ai模型的参数发送以及邻近设备执行ai模型的参数更新，实现了电子设备的ai模型更新，提高了用户体验度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a是本申请实施例提供的一种电子设备的结构示意图；
图1b是本申请实施例公开的用于实现一种邻近感知网络nan接入方法的网络架构图；
图2是本申请实施例公开的一种ai模型更新方法的流程示意图；
图3是本申请实施例公开的另一种ai模型更新方法的流程示意图；
图4是本申请实施例公开的另一种电子设备的结构示意图；
图5是本申请实施例公开的一种邻近感知网络nan的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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、完整地描述，显然，所描述的实施例仅仅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在没有作出创造性劳动前提下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及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在第一方面提供的方法中，
所述ai模型更新请求包括：ai模型的第一类型以及第一层数；
所述ai模型更新响应包括：所述邻近设备的ai模型的第二类型和第二层数。
在第一方面提供的方法中，
所述使用所述ai模型更新参数对ai模型进行更新具体包括：
将所述ai模型的参数替换成所述更新参数或将所述ai模型的参数与所述更新参数执行乘积运算得到的积作为更新后的ai模型的参数。
在第一方面提供的方法中，
所述通过nan网络向邻近设备发送ai模型参数具体包括：
从邻近设备中获取与所述第一层数与第一类型相同的m个邻近设备，向所述m个邻近设备发送ai模型参数，所述m为大于等于1的整数。
在第一方面提供的方法中，
如m大于等于2，所述向所述m个邻近设备发送ai模型参数具体包括：
获取m个邻近设备的m个负载值，选择m个负载值中最小的第一邻近设备，向第一邻近设备发送ai模型参数。
在第一方面提供的方法中，
如m大于等于2，所述向所述m个邻近设备发送ai模型参数，接收邻近设备发送的ai模型更新参数具体包括：
获取ai模型n层的参数尺寸，如n层参数尺寸均为三维数据【h】【w】【ci】，则沿ci方向将每层参数切割成m个子参数，将每层的m个子参数分发给m个邻近设备，接收m个邻近设备返回的m个n层子参数，将m个n层子参数沿ci方向拼接得到ai模型更新参数，所述n为大于等于2的整数，h为三维数据的高度值，w为三维数据的宽度值，ci为三维数据的深度值。
本申请实施例所涉及到的电子设备可以包括各种具有无线通信功能的手持设备(如智能手机)、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备(userequipment，ue)，移动台(mobilestation，ms)，终端设备(terminaldevice)等等。为方便描述，上面提到的设备统称为电子设备或终端，另外，邻近设备也属于电子设备中的一种或为具有nan功能的电子设备。
请参阅图1a，图1a是本申请实施例提供了一种电子设备的结构示意图，电子设备包括控制电路和输入-输出电路，输入输出电路与控制电路连接。
其中，控制电路可以包括存储和处理电路。该存储和处理电路中的存储电路可以是存储器，例如硬盘驱动存储器，非易失性存储器(例如闪存或用于形成固态驱动器的其它电子可编程只读存储器等)，易失性存储器(例如静态或动态随机存取存储器等)等，本申请实施例不作限制。存储和处理电路中的处理电路可以用于控制电子设备的运转。该处理电路可以基于一个或多个微处理器，微控制器，数字信号处理器，基带处理器，功率管理单元，音频编解码器芯片，专用集成电路，显示驱动器集成电路等来实现。
存储和处理电路可用于运行电子设备中的软件，例如播放来电提示响铃应用程序、播放短消息提示响铃应用程序、播放闹钟提示响铃应用程序、播放媒体文件应用程序、互联网协议语音(voiceoverinternetprotocol，voip)电话呼叫应用程序、操作系统功能等。这些软件可以用于执行一些控制操作，例如，播放来电提示响铃、播放短消息提示响铃、播放闹钟提示响铃、播放媒体文件、进行语音电话呼叫以及电子设备中的其它功能等，本申请实施例不作限制。
其中，输入-输出电路可用于使电子设备实现数据的输入和输出，即允许电子设备从外部设备接收数据和允许电子设备将数据从电子设备输出至外部设备。
输入-输出电路可以进一步包括传感器。传感器可以包括环境光传感器，基于光和电容的红外接近传感器，超声波传感器，触摸传感器(例如，基于光触摸传感器和/或电容式触摸传感器，其中，触摸传感器可以是触控显示屏的一部分，也可以作为一个触摸传感器结构独立使用)，加速度传感器，重力传感器，和其它传感器等。输入-输出电路还可以进一步包括音频组件，音频组件可以用于为电子设备提供音频输入和输出功能。音频组件还可以包括音调发生器以及其它用于产生和检测声音的组件。
输入-输出电路还可以包括一个或多个显示屏。显示屏可以包括液晶显示屏，有机发光二极管显示屏，电子墨水显示屏，等离子显示屏，使用其它显示技术的显示屏中一种或者几种的组合。显示屏可以包括触摸传感器阵列(即，显示屏可以是触控显示屏)。触摸传感器可以是由透明的触摸传感器电极(例如氧化铟锡(ito)电极)阵列形成的电容式触摸传感器，或者可以是使用其它触摸技术形成的触摸传感器，例如音波触控，压敏触摸，电阻触摸，光学触摸等，本申请实施例不作限制。
输入-输出电路还可以进一步包括通信电路可以用于为电子设备提供与外部设备通信的能力。通信电路可以包括模拟和数字输入-输出接口电路，和基于射频信号和/或光信号的无线通信电路。通信电路中的无线通信电路可以包括射频收发器电路、功率放大器电路、低噪声放大器、开关、滤波器和天线。举例来说，通信电路中的无线通信电路可以包括用于通过发射和接收近场耦合电磁信号来支持近场通信(nearfieldcommunication，nfc)的电路。例如，通信电路可以包括近场通信天线和近场通信收发器。通信电路还可以包括蜂窝电话收发器和天线，无线局域网收发器电路和天线等。
输入-输出电路还可以进一步包括其它输入-输出单元。输入-输出单元可以包括按钮，操纵杆，点击轮，滚动轮，触摸板，小键盘，键盘，照相机，发光二极管和其它状态指示器等。
其中，电子设备还可以进一步包括电池(未图示)，电池用于给电子设备提供电能。
请参阅图1b，图1b为本申请实施例提供的一种用于实施邻近感知网络nan接入方法的系统的网络架构图，其中，该网络架构图包括电子设备和至少一个邻近设备，具体地，电子设备接收任一邻近设备发送的接入请求，所述接入请求携带所述邻近设备的唯一标识信息，所述接入请求用于请求接入由所述电子设备建立的目标nan网络；对所述接入请求进行解析，得到所述唯一标识信息；在所述唯一标识信息属于预设标识信息集时，允许所述邻近设备接入所述目标nan网络。如此，在电子设备组建nan网络时，可以接收邻近设备的接入请求，该接入请求携带唯一标识信息，若唯一识别信息验证通过，则允许接入nan网络，如此，可以得到安全的nan网络。
基于上述图1a所示的电子设备以及图1b所示的系统，可以用于执行如下一种ai模型的更新方法，参阅图2，具体包括如下步骤：
101、确定ai模型需要更新时，广播nan网络的感知信息。
上述ai模型需要更新的方式具体可以为，ai模型的计算延时超过时间阈值，当然也可以为其他的条件，例如ai模型的使用时间超过设定时间等等。
其中，本申请实施例中，上述感知信息可以包括：nan网络的唯一标识信息，该唯一标识信息可以包括以下至少一种：电话号码、集成电路卡识别码(integratecircuitcardidentity，iccid)、国际移动设备识别码(internationalmobileequipmentidentity，imei)等等，在此不做限定。邻近设备接收到广播的感知信息以后，解析该感知信息得到唯一标识信息后，依据该唯一标识信息接入到nan网络。其中，具体的接入的方式可以为，确定该唯一标识信息是否属于预设标识信息，预设标识信息可以由用户自行设置或者系统默认。在唯一标识信息属于预设标识信息集时，电子设备可允许邻近设备接入目标nan网络，例如，邻近设备可以直接接入目标nan网络，或者，邻近设备需要进行注册，在注册完成时，可以接入目标nan网络。
102、获取该邻近设备接入请求，该接入请求包括邻近网络的标识信息，对标识信息进行验证后，允许邻近设备接入nan网络。
可选地，上述对标识信息进行验证的实现方法具体可以包括：
a1、检测所述邻近设备与所述电子设备之间的连接记录；
a2、依据所述连接记录确定所述邻近设备与所述电子设备之间的亲密度值；
a3、在所述亲密度值大于预设阈值时，执行所述允许所述邻近设备接入所述目标nan网络的步骤。
其中，上述预设阈值可以由用户自行设置或者系统默认。倘若邻近设备与电子设备之前连接过，则邻近设备与电子设备之间可存在连接记录，例如，电子设备与邻近设备之间之前进行过蓝牙连接，又或者，电子设备启动热点，则邻近设备接入该热点，等等。进而，电子设备可以检测邻近设备与电子设备之间的连接记录，进而，依据连接记录确定邻近设备与电子设备之间的亲密度值，亲密度值用于表示邻近设备与电子设备之前的关联性，上述连接记录可以包括以下至少一种信息：连接时长、连接次数、连接频率、连接方式、数据传输量等等，在此不做限定。其中，连接时长为邻近设备与电子设备之间的每一次连接的持续时长或者持续总时长、连接次数为邻近设备与电子设备之间的连接次数，连接频率为一段时间内邻近设备与电子设备之间的连接次数与该一段时间的时长之间的比值，数据传输量可以包括电子设备向邻近设备发送数据的数据内存大小，或者，邻近设备向电子设备发送数据的数据内存大小。故而，依据连接记录可以确定邻近设备与电子设备之间的亲密度值，例如，依据连接次数确定邻近设备与电子设备之间的亲密度值，如：连接5次，则亲密度值为5，又例如，依据连接时长确定邻近设备与电子设备之间的亲密度值，其中，连接时长越长，则亲密度值越大。电子设备在亲密度值大于预设阈值时，可允许邻近设备接入目标nan网络。
103、在nan网络中广播ai模型更新请求，通过nan网络接收邻近设备返回的ai模型更新响应。
该ai模型更新请求可以包括：ai模型的第一类型、第一层数。
携带这两个参数的目的是为了告知邻近设备需要更新那样的ai模型以及对应的层数，因为对于ai模型更新来说，其实际是一种对ai模型在训练的过程，下面说明一下ai模型的训练过程，这里的ai模型以神经网络模型为例，其层数可以为10层，当然在实际应用中，上述层数也可以为其他的层数。
神经网络模型训练分为正向运算和反向运算两个阶段，具体为：
神经网络模型的第1层接收训练样本，将该训练样本作为本层的输入数据与本层的权值数据进行计算得到第1层的输出结果，将第本层的输出结果作为下一层的输入数据执行下一层的计算，依次执行10层的正向运算得到正向运算结果，将该正向运算结果作为反向运算的第10层的反向输入数据，将第10层的反向输入数据与第10层的权值数据进行得到第10层权值参数，将第10层反向输入数据与第10层的正向输入数据计算得到第10层反向输出结果，对于反向运算，下一层的输出结果为上一层的反向输入数据，这样执行10层的反向运算即能够得到每层的权值参数，将每层的权值参数与本层的权值进行相乘即得到本次更新后的权值，执行多次迭代即可以完成神经网络模型的更新。通过上述说明，可以得到，如果该神经网络的层数不同，那么其更新的权值参数也不相同，并且其输入数据也不相同，所以必须保证该ai模型的层数相同。
104、通过nan网络向邻近设备发送ai模型参数，接收邻近设备发送的ai模型更新参数，所述ai模型更新参数为依据所述ai模型参数完成更新计算后得到的参数；
105、使用该ai模型更新参数对ai模型进行更新。
上述使用ai模型更新参数对ai模型进行更新的具体方式可以包括：
将ai模型的参数替换成更新参数或将ai模型的参数与更新参数执行乘积运算得到的积作为更新后的ai模型的参数。
此技术方案对于ai模型的更新参数来说，其具有两种方式，第一种方式为替换方式，此种方式的优点是比较直接，对于电子设备的计算量比较小，但是替换方式的更新参数传递的数据量比较大，这样会影响更新的效率，另外一种为，更新参数为原参数的加权值，将原有的参数与加权值进行乘法运算得到的积就是更新后的参数，此种方式能够减少更新参数的传递的数据量，因为对于ai模型的参数来说，由于ai模型具有多层，一般为10层以上，每层均具有不同的参数，如果所有的参数均发送，那么其数据量是非常大的，虽然通过nan网络传递数据无需网络流量，但是较大的数据量需要较长的时间接收，因此对于时延也比较大，另外，由于电子设备本身就具有ai模型的已有参数，通过ai模型更新来看，大部分的ai模型的参数是无需更新的，即该参数的加权值为1，此时将相同的参数值传输给电子设备也没有必要。
本申请提供的技术方案确定ai模型需要更新时，建立nan网络，允许邻近设备接入nan网络后，向邻近设备发送ai模型参数，由邻近设备完成ai模型参数更新后，将更新后的参数发送给电子设备执行ai模型，这样本申请的技术方案即能够通过nan网络实现对ai模型的参数发送以及邻近设备执行ai模型的参数更新，实现了电子设备的ai模型更新，提高了用户体验度。
可选的，如所述ai模型更新响应包括：邻近设备的ai模型的第二类型和第二层数；上述方法通过nan网络向邻近设备发送ai模型参数具体包括：
获取与第一层数以及第一类型相同的m个邻近设备，向该m个邻近设备发送ai模型参数。
其理由与上述类型，如邻近设备的ai模型类型不同或层数不同，那么其邻近设备无法对该ai模型进行更新，因此这里需要选择类型相同以及层数相同的邻近设备来执行ai模型更新。
可选的，上述方法向该m个邻近设备发送ai模型参数具体还可以包括：
获取m个邻近设备的m个负载值，选择m个负载值中最小的第一邻近设备，向第一邻近设备发送ai模型参数。
这里依据负载值选择负载值最小的邻近设备能够提高更新的效率，因为对于ai模型更新来说，其计算量是非常大的，以卷积神经网络为例，一次正向运算的乘积运算次数可能达到106次，反向运算的计算量比正向运算的计算量更大，另外训练要执行很多次的正向运算以及反向运算，所以此对于邻近设备的负载增加是很大的，所以这里需要选择负载值较小的邻近设备来执行ai模型更新。
可选的，上述方法向该m个邻近设备发送ai模型参数，接收邻近设备发送的ai模型更新参数具体还可以包括：
获取ai模型n层的参数尺寸，如n层参数尺寸均为三维数据【h】【w】【ci】，则沿ci方向将每层参数切割成m个子参数，将每层的m个子参数分发给m个邻近设备，接收m个邻近设备返回的m个n层子参数，将m个n层子参数沿ci方向拼接得到ai模型更新参数。上述n为大于等于2的整数，m为大于等于2的整数。其中h为三维数据的高度值，w为三维数据的宽度值，ci为三维数据的深度值，需要说明的是，对于n层的参数，其h、w、ci的具体值可能不同。
参阅图3，图3提供了一种ai模型更新方法，该方法在电子设备与邻近设备之间完成，为了方便说明，上述电子设备可以为如图1b所示的电子设备，该邻近设备可以为如图1b所示的邻近设备，如图3所示的方法可以在如图1b所示的系统的构架下实现，参阅图3，图3提供的基于nan的ai助理交互方法包括如下步骤:
步骤s301、电子设备确定ai模型需要更新时，广播邻近感知网络nan网络的感知信息；
步骤s302、邻近设备接收到感知信息后，向电子设备发送接入请求，所述接入请求包括邻近网络的标识信息；
步骤s303、电子设备获取邻近设备接入请求，对标识信息进行验证后，允许所述邻近设备接入nan网络。
步骤s304、在nan网络中广播ai模型更新请求，通过nan网络接收所述邻近设备返回的ai模型更新响应。
步骤s305、通过nan网络向邻近设备发送ai模型参数；
步骤s306、邻近设备依据该ai模型参数对ai模型进行训练得到ai模型更新参数，向电子设备发送ai模型更新参数；
步骤s307、电子设备使用ai模型更新参数对ai模型进行更新。
本申请提供的技术方案确定ai模型需要更新时，建立nan网络，允许邻近设备接入nan网络后，向邻近设备发送ai模型参数，由邻近设备完成ai模型参数更新后，将更新后的参数发送给电子设备执行ai模型，这样本申请的技术方案即能够通过nan网络实现对ai模型的参数发送以及邻近设备执行ai模型的参数更新，实现了电子设备的ai模型更新，提高了用户体验度。
请参阅图4，图4是本申请实施例公开的另一种电子设备的结构示意图，如图所示，该电子设备包括处理器、存储器、通信接口，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令：
确定ai模型需要更新时，广播邻近感知网络nan网络的感知信息；
获取邻近设备接入请求，所述接入请求包括邻近网络的标识信息，对标识信息进行验证后，允许所述邻近设备接入nan网络；
在nan网络中广播ai模型更新请求，通过nan网络接收所述邻近设备返回的ai模型更新响应；
通过nan网络向邻近设备发送ai模型参数，接收邻近设备发送的ai模型更新参数，所述ai模型更新参数为依据所述ai模型参数完成更新计算后得到的参数；使用所述ai模型更新参数对ai模型进行更新。
可选的，所述ai模型更新请求包括：ai模型的第一类型以及第一层数；
所述ai模型更新响应包括：所述邻近设备的ai模型的第二类型和第二层数。
可选的，所述使用所述ai模型更新参数对ai模型进行更新具体包括：
将所述ai模型的参数替换成所述更新参数或将所述ai模型的参数与所述更新参数执行乘积运算得到的积作为更新后的ai模型的参数。
可选的，所述通过nan网络向邻近设备发送ai模型参数具体包括：
从邻近设备中获取与所述第一层数与第一类型相同的m个邻近设备，向所述m个邻近设备发送ai模型参数，所述m为大于等于1的整数。
可选的，如m大于等于2，所述向所述m个邻近设备发送ai模型参数具体包括：
获取m个邻近设备的m个负载值，选择m个负载值中最小的第一邻近设备，向第一邻近设备发送ai模型参数。
可选的，如m大于等于2，所述向所述m个邻近设备发送ai模型参数，接收邻近设备发送的ai模型更新参数具体包括：
获取ai模型n层的参数尺寸，如n层参数尺寸均为三维数据【h】【w】【ci】，则沿ci方向将每层参数切割成m个子参数，将每层的m个子参数分发给m个邻近设备，接收m个邻近设备返回的m个n层子参数，将m个n层子参数沿ci方向拼接得到ai模型更新参数，所述n为大于等于2的整数，h为三维数据的高度值，w为三维数据的宽度值，ci为三维数据的深度值。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
请参阅图5，图5是本申请实施例公开的一种邻近感知网络nan电子设备的结构示意图，应用于图1a所示的电子设备，所述电子设备具体可以包括：通信单元501和处理单元502，
通信单元501，用于确定ai模型需要更新时，广播邻近感知网络nan网络的感知信息，获取邻近设备接入请求，所述接入请求包括邻近网络的标识信息；
处理单元502，用于对标识信息进行验证后，允许所述邻近设备接入nan网络；
通信单元501，用于在nan网络中广播ai模型更新请求，通过nan网络接收所述邻近设备返回的ai模型更新响应，通过nan网络向邻近设备发送ai模型参数，接收邻近设备发送的ai模型更新参数，所述ai模型更新参数为依据所述ai模型参数完成更新计算后得到的参数；
处理单元502，还用于使用所述ai模型更新参数对ai模型进行更新。
本申请提供的技术方案确定ai模型需要更新时，建立nan网络，允许邻近设备接入nan网络后，向邻近设备发送ai模型参数，由邻近设备完成ai模型参数更新后，将更新后的参数发送给电子设备执行ai模型，这样本申请的技术方案即能够通过nan网络实现对ai模型的参数发送以及邻近设备执行ai模型的参数更新，实现了电子设备的ai模型更新，提高了用户体验度。
可选的，所述感知信息包括：唯一标识信息，所述依据所述感知信息接入nan网络具体包括：
处理单元503，具体用于确定所述唯一标识信息是否属于预设标识信息集，如确定所述唯一标识信息属于预设标识信息集时，允许接入所述nan网络。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种ai模型更新方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种ai模型更新方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。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或者该技术方案的全部或部分可以以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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、rom、ram、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。