“G06N3/08”专利分类搜索_专利查询_文献下载_出售_求购_买卖_交易

钻瓜专利网为您找到相关结果4678个，建议您升级VIP下载更多相关专利

[发明专利]一种联邦学习自适应同步周期控制方法-CN202310354193.X在审
发明人：翟岩龙;郑研;李尤 -专利权人：北京理工大学
申请日： 2023-04-04 - 公布日： 2023-08-29 - 主分类号： G06N3/08 文献下载
摘要：本发明提供了一种联邦学习自适应同步周期控制方法(Adaptive Period Control,AdaPC)及实现所述方法的系统，属于联邦学习领域。所述方法设定初始迭代总次数为3次，从第四轮开始，在参数服务器聚合各个客户机的迭代数据之前，以递归的方式，根据以往的迭代信息自适应地调整客户机要执行的本地更新次数；所述系统由n个设备组成，其中一个设备作为参数服务器，用来收集并对客户机上传的信息进行处理，其余的设备作为客户机，用来执行本地计算，并将计算数据上传至参数服务器。本发明实现了收敛速率和通信效率之间的最佳平衡，有效地减少了客户服务器和参数服务器之间频繁交换模型参数所造成的通信开销，在达到模型收敛得更快的同时，保持较低的训练损失和最小的通信开销。
一种联邦学习自适应同步周期控制方法

[发明专利]一种多层级智能体同步嵌套训练方法-CN202310771470.7在审
发明人：马春华;张萌;王朝;刘盼盼;蒋少强;宿丁;何杰 -专利权人：中国电子科技集团公司第二十九研究所
申请日： 2023-06-27 - 公布日： 2023-08-29 - 主分类号： G06N3/08 文献下载
摘要：本发明提供一种多层级智能体同步嵌套训练方法，包括：构建多层级智能体同步嵌套训练架构；构建多层级智能体模型；设计多层级智能体同步训练引擎，并基于所述多层级智能体同步嵌套训练架构和多层级智能体同步训练引擎训练多层级智能体模型。本发明提出一种多层级智能体同步嵌套训练架构，并通过设计合理的多层级智能体模型和有效的多层级智能体同步训练引擎，可支撑多层级智能体进行同步嵌套训练，从而实现复杂场景下的多层级智能体同步收敛。
一种多层智能同步嵌套训练方法

[发明专利]基于句向量的对比学习训练方法、装置、设备和介质-CN202310692073.0在审
发明人：刘羲;蒋恒智;舒畅;陈又新 -专利权人：平安科技（深圳）有限公司
申请日： 2023-06-12 - 公布日： 2023-08-29 - 主分类号： G06N3/0895 文献下载
摘要：本发明属于文本识别技术领域，可应用于医疗领域中，特别是涉及一种基于句向量的对比学习训练方法、装置、设备和介质，其中，方法包括：获取训练样本；将训练样本输入待训练对比学习模型中；根据第一预设规则对训练文本进行文本构造及向量特征提取，得到第一句向量；根据第二预设规则对训练文本进行文本转换及向量特征提取，得到第二句向量；基于第一句向量和第二句向量对待训练对比学习模型进行训练，直至待训练对比学习模型的参数收敛，得到对比学习模型。本发明根据差异的句向量对对比学习模型进行训练，以获取具备对简单掩膜文本和替换、删除字符/词的复杂文本进行高效、准确识别性能的对比学习模型，实现对文本识别技术的优化。
基于向量对比学习训练方法装置设备介质

[发明专利]用于剪枝的方法和设备-CN202211375155.4在审
发明人：金钟锡;郑然宇;宋炫旿;孙昌用 -专利权人：三星电子株式会社;首尔大学校产学协力团
申请日： 2022-11-04 - 公布日： 2023-08-29 - 主分类号： G06N3/082 文献下载
摘要：公开用于剪枝的方法和设备。所述方法由包括处理器的设备执行，所述方法包括：确定训练后的神经网络的权重重要性；接收与操作资源相关的约束条件；以及根据约束条件，确定用于使训练后的神经网络的权重重要性最大化的剪枝掩码。
用于剪枝方法设备

[发明专利]用于测试套件生成的强化学习-CN202180077415.7在审
发明人： A·C·M·希克斯;D·A·弗曼;M·T·科霍恩;M·E·吉尔德因 -专利权人：国际商业机器公司
申请日： 2021-10-28 - 公布日： 2023-08-29 - 主分类号： G06N3/086 文献下载
摘要：本发明的各个方面包括使第一神经网络阵列的一部分中的每个神经网络突变，其中，第一神经网络阵列中的每个神经网络被配置为选择用于测试计算基础设施的相应的测试例序列。使得第二神经网络阵列中的每个神经网络选择用于测试计算基础设施的相应的测试例序列。通过执行第一阵列的该部分中的突变的神经网络与第二神经网络阵列中的神经网络之间的交叉操作来生成子神经网络，该子神经网络生成用于测试计算基础设施的新的测试例序列。
用于测试套件生成强化学习

[发明专利]通过网络图的容量适配优化深度神经网络的架构-CN202180083293.2在审
发明人： J·E·M·梅纳特 -专利权人：罗伯特·博世有限公司
申请日： 2021-12-09 - 公布日： 2023-08-29 - 主分类号： G06N3/082 文献下载
摘要：一种用于优化人工神经网络的网络架构的方法(100)，所述方法具有步骤：根据目标硬件确定(101)所述人工神经网络的所述网络架构的资源需求；对所述网络架构进行修剪(102)以得到经修剪的网络架构，其中所述经修剪的网络架构的资源需求小于所述网络架构的资源需求；将连接添加(103)到所述经修剪的网络架构以获得经扩展的网络架构。
通过网络图容量优化深度神经网络架构

[发明专利]一种数据处理方法及相关设备-CN202210138879.0在审
发明人：赵世雄;陈旭升;崔鹤鸣;王森;陈力;张弓 -专利权人：华为技术有限公司
申请日： 2022-02-15 - 公布日： 2023-08-29 - 主分类号： G06N3/08 文献下载
摘要：本申请涉及人工智能领域，公开了一种数据处理方法，方法应用于目标计算节点，其中，目标计算节点所属的计算节点集群可以并行训练超网，超网的训练样本包括第一批batch以及第二batch，且在对超网进行训练的过程中，根据第一batch进行的前向传播过程被配置为在根据第二batch进行的前馈过程之后进行，方法包括：目标计算节点在已完成根据第二输入数据对第二子模型的参数更新的情况下，通过第一子模型处理第一输入数据。本申请可以提升最终训练得到的超网的模型精度以及训练结果的确定性。
一种数据处理方法相关设备

[发明专利]一种梯度数据同步方法、系统、装置及介质-CN202310945008.4在审
发明人：曹芳;赵雅倩;郭振华;王丽;高开;唐轶男 -专利权人：浪潮电子信息产业股份有限公司
申请日： 2023-07-31 - 公布日： 2023-08-29 - 主分类号： G06N3/08 文献下载
摘要：本申请公开了一种梯度数据同步方法、系统、装置及介质，涉及神经网络技术领域，解决训练效率低以及模型参数陈旧的问题。该方案预先选中M个工作节点，作为触发节点；在每次迭代过程中，若存在Z个触发节点完成梯度数据计算，触发各个工作节点执行梯度数据聚合操作；根据梯度数据聚合操作得到的聚合结果更新神经网络模型的模型参数。可见，只要有Z个触发节点完成了梯度数据计算就触发各个工作节点执行梯度数据聚合，可减少等待所有加速器计算完一个批次的训练数据后才同步更新模型参数所需的时间，避免占用加速器的计算资源。此外，选择M个节点作为触发节点还可以减少模型参数陈旧性的问题，提高训练效率。
一种梯度数据同步方法系统装置介质

[发明专利]一种模型微调训练方法、装置、设备及介质-CN202310919300.9在审
发明人：刘微;张建安;曲磊 -专利权人：海信集团控股股份有限公司
申请日： 2023-07-26 - 公布日： 2023-08-29 - 主分类号： G06N3/08 文献下载
摘要：本申请涉及人工智能技术领域，尤其涉及一种模型微调训练方法、装置、设备及介质。在对模型进行微调训练时，基于奇异值分解算法对微调模型中的待调整矩阵进行分解，得到了多个分解矩阵，基于该多个分解矩阵确定目标数量，并基于所确定的目标数量和该多个分解矩阵构建增量矩阵，该增量矩阵是基于待调整矩阵中所蕴含的知识构建的，而不是与待调整矩阵完全独立的，将该增量矩阵添加到微调模型中得到目标模型，对目标模型进行微调训练，避免了模型的微调训练时间长、效果差的问题。本申请所保护的技术方案具有可靠性，可泛化，鲁棒性特点，符合可信赖特性。
一种模型微调训练方法装置设备介质

[发明专利]高效可解释的全自动化通道剪枝方法-CN202310566213.X在审
发明人：黄源翔;何杰;齐悦;杨文金;陈润和;李冠辰 -专利权人：北京科技大学
申请日： 2023-05-19 - 公布日： 2023-08-29 - 主分类号： G06N3/082 文献下载
摘要：本发明公开了高效可解释的全自动化通道剪枝方法，包括以下步骤：步骤S1：计算待剪枝卷积层的通道重要性，并将之转换为信息贡献率；步骤S2：结合当前探查的累计信息贡献率，保留信息贡献率最大的若干通道，步骤S3：为待剪枝模型的每个卷积层执行剪枝操作，得到剪枝后模型；步骤S4：对剪枝后模型进行评估，若其测试集精度相比于原模型的下降在可接受范围内，则将这个剪枝后模型保留为候选模型之一；步骤S5：更新搜索空间边界和累计信息贡献率，本发明的有益效果是：待剪枝通道的选择算法兼顾了基于度量的剪枝方法的高效性和基于误差重建的剪枝方法的可解释性，相比于这两类算法中的经典工作，可以在更高的模型压缩率下得到更高的测试集精度。
高效可解释自动化通道剪枝方法

[发明专利]一种多压缩版本的云边端DNN协同推理加速方法-CN202310675653.9在审
发明人：邓晓衡;任芳 -专利权人：中南大学
申请日： 2023-06-08 - 公布日： 2023-08-29 - 主分类号： G06N3/082 文献下载
摘要：本公开实施例中提供了一种多压缩版本的云边端DNN协同推理加速方法，属于计算技术领域，具体包括：步骤1，利用已有数据集对深度神经网络进行多个尺度的压缩，得到多个不同大小版本的DNN模型，对多个版本的DNN模型分类准确率、各层的输出特征图大小以及计算开销进行量化表示，从而计算出在选择分割点后本地和边缘端分别需要的计算总开销，构建量化模型；步骤2，根据量化模型建立计算卸载和资源分配模型；步骤3，利用深度强化学习算法对计算卸载和资源分配模型进行优化，根据任务的服务需求对延迟和准确率进行均衡。通过本公开的方案，提高了推理效率、精准度、适应性和安全性。
一种压缩版本云边端 dnn 协同推理加速方法

[发明专利]一种基于野生动物监测图像分类的神经网络自动设计方法-CN202310466097.4在审
发明人：张军国;贾靓;田野 -专利权人：北京林业大学
申请日： 2023-04-27 - 公布日： 2023-08-29 - 主分类号： G06N3/08 文献下载
摘要：本发明涉及一种野生动物监测图像分类的神经网络自动设计方法，包括，S1，动物边界的框定，生成代理数据集，输入目标像素高度、宽度，动物区域坐标；S2，训练并验证采样网络，验证了搜索用工作站与边缘设备间的“强延迟单调性”；S3，以代理数据集为基础，开展基于低轮数训练的神经网络结构搜索，以工作站为边缘设备的代理设备，测量网络推理时间；S4，基于近似准确率与近似推理时间，计算分段损失函数，并优化算法；S5，根据应用需求遴选网络。本发明通过不断的计算、优化算法、最终得到的网络数据相较于其余网络数据有最高的平均准确率以及最低的显存占用率。
一种基于野生动物监测图像分类神经网络自动设计方法

[发明专利]模型压缩方法、电子设备及存储介质-CN202310601194.X在审
发明人：王章定;陆晨昱 -专利权人：合众新能源汽车股份有限公司
申请日： 2023-05-22 - 公布日： 2023-08-29 - 主分类号： G06N3/082 文献下载
摘要：本发明公开了一种模型压缩方法、电子设备及存储介质。方法包括：对原始神经网络模型进行预训练和微调得到第一神经网络模型；基于第一神经网络模型生成第二神经网络模型；其中，第二神经网络模型的至少部分层具有伪量化节点，伪量化节点用于对相应层的权重进行伪量化；利用第一神经网络模型对第二神经网络模型进行蒸馏量化训练，得到目标神经网络模型。由此，能够得到准确率较高且参数量较少的目标神经网络模型，进而在保证模型性能的情况下，提升模型的压缩比例和推理速度，从而提高模型的执行效率。
模型压缩方法电子设备存储介质

[发明专利]量子神经网络的训练方法和数据分类方法-CN202310626399.3在审
发明人：艾博轩;汤韬;杨燕明;高鹏飞;郑建宾 -专利权人：中国银联股份有限公司
申请日： 2023-05-30 - 公布日： 2023-08-29 - 主分类号： G06N3/082 文献下载
摘要：本申请公开了一种量子神经网络的训练方法和数据分类方法。该量子神经网络的训练方法包括获取样本数据及其对应的样本类别标签；利用量子神经网络中的特征提取层对样本数据进行特征提取；将提取到的样本特征输入至酉矩阵层，得到与样本特征对应的酉矩阵；基于酉矩阵对第一量子比特进行量子态调整，得到第二量子比特，该第一量子比特的量子态与样本类别标签对应；利用量子电路确定第二量子比特与第一量子比特的量子态保真度，进而确定损失值；根据损失值调整量子神经网络中的网络参数，直至量子神经网络收敛，得到训练后的量子神经网络。本申请实施例可以降低量子神经网络的训练难度和复杂度、量子神经网络的计算成本，以及出现贫瘠高原现象的概率。
量子神经网络训练方法数据分类

[发明专利]BDI计划执行中的偏序关系的学习方法、介质和设备-CN202310489316.0在审
发明人：宋程程;姚远;产思贤;刘晓莹;郑可琛;刘一帆 -专利权人：浙江工业大学
申请日： 2023-05-04 - 公布日： 2023-08-29 - 主分类号： G06N3/08 文献下载
摘要：本发明涉及BDI计划执行中的偏序关系的学习方法、介质和设备，方法将传统智能体与学习结合，将计划中的步骤及偏序关系转化为决策树，用树形结构表示出计划步骤执行顺序的所有可能，通过学习得到计划中步骤执行的最优顺序，将计划对应决策树剪枝，得到最优的目标计划树；方法以计算机可读存储介质和计算机设备执行及应用。本发明根据计划步骤之间的偏序关系对其进行树结构化表示，将计划中步骤执行的所有可能顺序表示成树结构，能更清晰的得知计划步骤执行的最优顺序；由于学习可获得最优执行顺序，因此在基本不影响智能体目标实现效率的前提下，极大的缩短了花费时间，降低计算开销。
bdi 计划执行中的关系学习方法介质设备