专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果9067个,建议您升级VIP下载更多相关专利
  • [发明专利]浮点型卷积算子加速方法、装置、电子设备及存储介质-CN202310950528.4在审
  • 张雪霏;王晓雪 - 安谋科技(中国)有限公司
  • 2023-07-28 - 2023-10-27 - G06N3/0464
  • 本申请实施例提供了一种浮点型卷积算子加速方法、装置、电子设备及存储介质,涉及计算机技术领域,该方法包括:获取待处理的图像特征图,将待处理的图像特征图通过目标识别网络进行目标识别,目标识别网络包括:至少一个卷积层;通过任一卷积层对待处理的图像特征图进行卷积处理,具体可以包括:获取待处理的图像特征图以及卷积层所对应的权重数据和偏移数据,待处理的特征图、权重数据以及偏移数据均为浮点型数据,然后对这些数据划分为符号部分、基数部分以及尾数部分,然后将各个基数部分对齐,并调用整数型的卷积算子进行卷积计算,然后对卷积计算结果进行正则化处理,以使得降低卷积计算时所花费的时间,提高网络运行速度。
  • 浮点卷积算子加速方法装置电子设备存储介质
  • [发明专利]用于工业系统控制的神经网络训练方法及装置-CN202310452501.2在审
  • 刘浏;赵沛霖;刘子轩 - 腾讯科技(深圳)有限公司
  • 2023-04-17 - 2023-10-27 - G06N3/0442
  • 本公开的实施例提供了一种用于工业系统控制的神经网络训练方法、装置和存储介质,所述方法包括:获取源域中的专家数据;利用控制策略预测网络来获取目标域中的测试数据;基于专家数据和测试数据生成训练样本数据;利用数据分类网络来预测指示训练样本数据为专家的第一概率,并基于第一概率来确定针对训练样本数据的奖励系数;利用域分类网络来预测指示训练样本来自源域的第二概率,并基于第二概率来确定针对奖励系数的奖励系数修正量;基于奖励系数及奖励系数修正量来确定修正后的奖励系数;并且对控制策略预测网络、数据分类网络和域分类网络进行联合训练。通过本公开的方法能够在实际工业系统控制场景下制定出更合理的工业控制策略。
  • 用于工业系统控制神经网络训练方法装置
  • [发明专利]时间序列预测方法、装置、设备、介质和产品-CN202310753534.0在审
  • 赵书宝 - 新奥新智科技有限公司
  • 2023-06-25 - 2023-10-27 - G06N3/0464
  • 本申请公开了一种时间序列预测方法、装置、设备、介质和产品。该方法包括:利用预测模型对历史时间序列进行多次采样,获得多个候选时间序列;利用预测模型分别对每一候选时间序列进行特征提取,得到多个数据特征;利用预测模型分别对多个数据特征进行预测,获得每一候选时间序列对应的预测时间序列,根据每一预测时间序列确定未来时间序列。采用本申请的方法,可以基于更多的特征,全面地表征能源变化值的变化情况。进一步地,基于提取到的上述更多的特征预测得到的未来时间序列的准确性更高。也即,未来时间序列中的能源变化值更加准确。
  • 时间序列预测方法装置设备介质产品
  • [发明专利]面向计算机设备中的神经网络模型的加速方法及装置-CN202310790932.X在审
  • 朱明旭 - 腾讯科技(深圳)有限公司
  • 2023-06-29 - 2023-10-27 - G06N3/0495
  • 本申请公开了一种面向计算机设备中的神经网络模型的加速方法及装置,属于人工智能的深度学习技术领域。该方法包括:获取第一神经网络模型;对所述第一神经网络模型进行正则化训练,训练得到参数稀疏化后的第二神经网络模型,所述正则化训练是指通过正则化处理的方式对所述第一神经网络模型中的参数进行稀疏化,并基于稀疏化后的参数进行模型训练;对所述第二神经网络模型进行剪枝操作,得到剪枝后的第三神经网络模型,所述剪枝操作是指对所述第二神经网络模型中的参数进行裁剪。通过上述方法,可得到参数量较小的神经网络模型,从而对神经网络模型的加速起到了良好的效果。
  • 面向计算机设备中的神经网络模型加速方法装置
  • [发明专利]一种用于卷积神经网络的模型推理方法和装置-CN202310857190.8在审
  • 雍珊珊;陈强;樊华;宋若鹏;朱楷铭;陈锦鸿 - 深圳北理莫斯科大学
  • 2023-07-13 - 2023-10-27 - G06N3/0464
  • 本申请公开了一种用于卷积神经网络的模型推理方法和装置,首先提取已完成训练的第一卷积神经网络模型的模型参数;然后对提取模型参数进行剪枝,以去除其值在第一阈值区间的模型参数,保留其值在第二阈值区间的模型参数;再对每个模型参数进行量化处理,以获取每个所述模型参数的标志位、符号位和有效宽位的值;其中,模型参数的有效宽位的值为定点数值,是应用二分段量化方法或多分段量化方法对模型参数进行量化处理获得;最后将量化处理后获得的模型参数替换原模型参数,以获取第二卷积神经网络模型。由于新的卷积神经网络模型的模型参数是依据已完成训练的模型参数获取,大大提高了新卷积神经网络模型的训练效率。
  • 一种用于卷积神经网络模型推理方法装置
  • [发明专利]一种基于NNA的支持focus操作的卷积实现方法-CN202210322774.0在审
  • 李岩;王荔枝 - 合肥君正科技有限公司
  • 2022-03-29 - 2023-10-27 - G06N3/0464
  • 本发明提供一种基于NNA的支持focus操作的卷积实现方法,包括:S1,假定网络中存在2个连续层,focus层后紧接着为卷积层,并且卷积层进行卷积核为kernelX*kernelY的卷积,卷积步长为strideX*strideY,其中,kernelX、kernelY是未结合之前卷积层的卷积核在X、Y方向上的大小,strideX、strideY为未结合之前卷积层在X、Y方向上的卷积步长;S2,在把所述focus和卷积层进行合并,合并之后等价于在未进行focus操作的FeatureMap上进行卷积核为(2*kernelX)*(2*kernelY)的卷积,卷积步长为(2*strideX)*(2*strideY);S3,通过对每次卷积对应的输入FeatureMap数据进行重排序,把卷积核大小(2*kernelX)*(2*kernelY)且步长(2*strideX)*(2*strideY)的卷积等价的转化为大小1*1步长1*1的卷积,使得focus层和输入层结合后能够在NNA上正常实现。
  • 一种基于nna支持focus操作卷积实现方法
  • [发明专利]对应关系预测网络的训练方法、装置、设备及介质-CN202211604172.0在审
  • 徐晓伟;李欣 - 腾讯科技(深圳)有限公司
  • 2022-12-13 - 2023-10-27 - G06N3/0464
  • 本申请涉及一种对应关系预测网络的训练方法、装置、设备及介质。上述方法包括获取第一关联关系图;获取每一所述节点的特征信息;利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果;基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。本申请基于图学习获得对应关系预测网络,对应关系预测网络可以用来进行对应关系预测,也即预测基站能够为哪些地下建筑物对象提供定位服务,进而借助预测的对应关系提高定位准确度。本申请实施例可应用于云技术、人工智能、智慧交通、智慧娱乐等各种场景。
  • 对应关系预测网络训练方法装置设备介质
  • [发明专利]用平均平滑使图像到图像模型压缩-CN202280018987.2在审
  • 任健;柴梦蕾;谢尔盖·图利亚科夫;金庆 - 斯纳普公司
  • 2022-02-25 - 2023-10-27 - G06N3/0475
  • 用于使图像到图像模型压缩的系统和方法。生成式对抗网络(Generative Adversarial Network,GAN)在生成高保真图像方面取得了成功。一种图像压缩系统和方法向类依赖参数(CLADE)添加一种新的变体,称为CLADE‑Avg,其在不引入额外计算成本的情况下恢复图像质量。在参数层和归一化层之间执行额外的平均平滑层。与CLADE相比,该图像压缩系统和方法使突变边界平滑,并引入更多可能的缩放和移位值。此外,用于平均平滑的内核尺寸可以被选择为超参数,例如3×3的内核尺寸。该方法不引入额外的乘法,而只引入加法,因此不会引入较多计算开销,因为除法可以在训练后被吸收到参数中。
  • 平均平滑图像模型压缩
  • [发明专利]预测模型的训练方法、装置、设备、介质及程序产品-CN202310113390.2在审
  • 赵思杰;宋奕兵 - 腾讯科技(深圳)有限公司
  • 2023-01-31 - 2023-10-27 - G06N3/0464
  • 本申请公开了一种预测模型的训练方法、装置、设备、介质及程序产品,涉及人工智能技术领域。该方法包括:获取第一预测模型;将第二领域的第二样本数据输入第一预测模型,通过n个子网络对第二样本数据进行数据预测,得到第二样本数据对应的预测结果;基于第二样本数据对应的预测结果和预测标签之间的差异确定第一预测模型对应的预测损失值;基于预测损失值和第i个子网络的输出特征表示得到第i个子网络对应的输出梯度;基于第i个子网络对应的输出梯度对第i个偏置参数进行参数更新,得到第二预测模型。使用输出梯度针对偏置参数进行参数调整的方式能够避免使用输入特征表示/输出特征表示进行模型参数调整,降低了服务器内存存储负担。
  • 预测模型训练方法装置设备介质程序产品
  • [发明专利]神经网络训练时的特征量化方法、装置、介质及程序产品-CN202310118897.7在审
  • 赵思杰;宋奕兵 - 腾讯科技(深圳)有限公司
  • 2023-01-31 - 2023-10-27 - G06N3/0464
  • 本申请公开了一种神经网络训练时的特征量化方法、装置、介质及程序产品,属于神经网络技术领域。该方法包括:将训练数据输入到神经网络中,神经网络包括至少两个神经网络层,至少两个神经网络层包括非参数层,非参数层是指包括非线性函数的神经网络层;在前向传播的过程中,通过至少两个神经网络层对训练数据进行特征计算,得到每个神经网络层的输入特征和输出特征;获取非参数层的输入特征和输出特征中的至少一项作为目标特征;对目标特征进行量化处理,得到量化后的特征;存储量化后的特征至存储器中,释放存储器中的非参数层的输入特征和输出特征。该方法能够在神经网络训练的过程中减少对存储空间的占用。
  • 神经网络训练特征量化方法装置介质程序产品

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top