“卷积计算”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果1551642个，建议您升级VIP下载更多相关专利

[发明专利]卷积计算的定点加速方法及装置-CN201910005954.4在审
发明人：陈志杰;戴宏凯;龚秋棠;傅松林;张伟 -专利权人：厦门美图之家科技有限公司
申请日： 2019-01-03 - 公布日： 2019-05-10 - 主分类号： G06N3/04 文献下载
摘要：本发明提供一种卷积计算的定点加速方法及装置，涉及卷积计算技术领域。该卷积计算的定点加速方法，包括：对预设卷积算法中的浮点矩阵进行第一转换操作，得到转换后的定点矩阵；将预设卷积算法中的浮点矩阵替换为定点矩阵，得到替换后的卷积算法；根据替换后的卷积算法、以及输入数据进行卷积计算，获取卷积计算结果；对卷积计算结果进行第二转换操作，获取输入数据的卷积计算结果。本申请实施例中，通过将预设卷积算法中的浮点矩阵替换为定点矩阵得到替换后的卷积算法，由于不再包括浮点矩阵，可以直接应用于定点计算，减少了卷积过程中的乘法运算，可以有效减少定点卷积算法中数据量的访问和计算量，可以提升卷积计算的性能。
卷积计算矩阵卷积算法替换浮点预设转换操作乘法运算有效减少计算量数据量转换申请应用访问

[发明专利]一种卷积类神经网络计算结构及应用方法-CN202211441148.X在审
发明人：张海俊;汪锦想;于振华;丁杰;凌震华 -专利权人：中国科学技术大学
申请日： 2022-11-17 - 公布日： 2023-05-02 - 主分类号： G06N3/063 文献下载
摘要：本申请提供了一种卷积神经网络结构及应用方法，所述计算结构包括至少N层卷积层，所述N层卷积层依次相连；所述N个卷积层包括第一卷积层和计算卷积层，所述第一卷积层用于对所述输入层的输入数据集进行卷积计算，所述计算卷积层包括N‑1个卷积层，所述计算卷积层用于对当前卷积层连接的上一个卷积层的计算结果和次层历史数据进行卷积计算；通过调整卷积和池化层的位置，在最开始的输入数据上末尾添加若干可学习的数据参数，保证最后的数据输出维度符合预期，如此，通过对一般的卷积类神经网络模型的计算结构进行调整，来保证流式推理过程中，各计算阶段计算图逻辑一致。
一种卷积神经网络计算结构应用方法

[发明专利]一种基于卷积神经网络的图像处理方法、装置及相关设备-CN202111166369.6在审
发明人：徐天赐;景璐 -专利权人：苏州浪潮智能科技有限公司
申请日： 2021-09-30 - 公布日： 2022-02-01 - 主分类号： G06T1/40 文献下载
摘要：本申请公开了一种基于卷积神经网络的图像处理方法，应用于卷积计算单元控制器，包括获取目标图像数据；读取所述目标图像数据对应的配置信息；根据所述配置信息确定各卷积计算单元的卷积计算参数；将所述卷积计算参数下发至对应的卷积计算单元，以使所述卷积计算单元利用所述卷积计算参数对所述目标图像数据进行卷积计算；该基于卷积神经网络的图像处理方法可以有效降低卷积神经网络处理过程中的资源耗费。本申请还公开了一种基于卷积神经网络的图像处理装置、卷积计算单元控制器及计算机可读存储介质，均具有上述有益效果。
一种基于卷积神经网络图像处理方法装置相关设备

[发明专利]一种卷积计算方法、数据处理方法、芯片及电子设备-CN202310096518.9有效
发明人：王刚;孙洁;王平 -专利权人：上海登临科技有限公司
申请日： 2023-02-10 - 公布日： 2023-04-14 - 主分类号： G06F17/15 文献下载
摘要：本申请涉及一种卷积计算方法、数据处理方法、芯片及电子设备，属于计算机技术领域。卷积计算方法包括：获取多个子卷积核中的每个子卷积核对应的权重矩阵，其中，每个子卷积核对应卷积计算所需的卷积核中的一部分，且每个子卷积核对应的权重矩阵的K维中的元素个数不大于张量引擎的高度值；获取每个子卷积核对应的输入特征矩阵；根据每个子卷积核对应的权重矩阵、输入特征矩阵，得到卷积计算结果。本申请中，通过将卷积计算所需的卷积核拆分为多个子卷积核，再分别获取多个子卷积核中的每个子卷积核对应的权重矩阵及输入特征矩阵进行卷积计算，从而实现任意形状的卷积核与输入特征图的卷积计算。
一种卷积计算方法数据处理方法芯片电子设备

[发明专利]一种卷积计算方法及装置-CN201811199925.8在审
发明人：梁晓峣;景乃锋;崔晓松;廖健行 -专利权人：华为技术有限公司
申请日： 2018-10-15 - 公布日： 2020-04-21 - 主分类号： G06N3/063 文献下载
摘要：本申请实施例提供一种卷积计算方法及装置，涉及计算机领域，可以实现高效的卷积计算。卷积计算装置包括：P*P个数据计算单元，P*P个地址计算单元，K*K大小的卷积核；当K>P时，将卷积核切分为子卷积核；对于每一个子卷积核，按照卷积计算方式，将特征矩阵中的特征数据和卷积核中的权值数据相乘，将计算结果按照预定的加法规则相加得到输出数据；计算每个特征数据的目标地址，将具有相同目标地址的输出数据相加得到卷积矩阵。
一种卷积计算方法装置

[发明专利]基于卷积神经网络的数据处理方法和装置-CN201910580367.8有效
发明人：梅国强;郝锐 -专利权人：苏州浪潮智能科技有限公司
申请日： 2019-06-28 - 公布日： 2021-08-31 - 主分类号： G06F17/16 文献下载
摘要：本发明提供一种基于卷积神经网络的数据处理方法，对于所述卷积神经网络的任意一个卷积层，利用卷积层的卷积核逐个计算卷积层的输入数据中的元素，得到每个元素的卷积值，每计算得到一个卷积值，将卷积值与利用同一个卷积核计算得到，且属于同一个区域的元素的卷积值进行累加，得到一个卷积核对应一个区域的输出元素。本发明提供的数据处理方法，在计算卷积值的过程中，每计算得到一个卷积值，就将这个卷积值累加至对应的卷积和中，最后直接得到卷积层的输出中的元素，因此本发明计算完所有卷积值就可以得到卷积层的输出，不必再读取存储设备中的卷积值进行计算，有效的减少了计算卷积层的输出的过程中与存储设备的交互，提高数据处理效率。
基于卷积神经网络数据处理方法装置

[发明专利]一种基于winograd动态卷积块的图像处理方法-CN202011140346.3有效
发明人：张兴军;纪泽宇;魏嘉;闫玮;魏正;李靖波;高柏松 -专利权人：西安交通大学
申请日： 2020-10-22 - 公布日： 2023-09-19 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于winograd动态卷积块的图像处理方法，属于卷积网络领域。本发明利用中国剩余定理算法生成winograd快速卷积方法的计算复杂度函数，计算复杂度函数将卷积神经网络模型中每一层的卷积参数作为常量引入，得到变量为winograd卷积块尺寸的计算复杂度模型；基于所述计算复杂度模型最小化计算开销；根据最小化计算开销得到的卷积块尺寸，完成相应层数的winograd快速卷积计算；抽取图片的特征并将其送入卷积神经网络进行分类处理；本发明解决winograd算法在通用计算平台上单一卷积块效率不平衡导致的卷积性能下降问题，本发明的图像处理方法能够加速处理器计算卷积神经网络的计算。
一种基于 winograd 动态卷积图像处理方法

[发明专利]轻量级神经网络加速器及量化方法-CN202111679279.7在审
发明人：乐超;汪小勇;何金;柳铭哲;李艺峰 -专利权人：思特威（上海）电子科技股份有限公司
申请日： 2021-12-31 - 公布日： 2023-07-14 - 主分类号： G06N3/063 文献下载
摘要：本发明公开了一种轻量级神经网络加速器及量化方法，轻量级神经网络加速器，包括：指令调度模块、卷积计算模块，其中；所述指令调度模块与所述卷积计算模块相连，用于发送操作指令给所述卷积计算模块对输入数据执行卷积计算；所述卷积计算模块，用于接收操作指令，根据操作指令对所述输入数据执行卷积计算，并输出卷积推理结果；其中，所述卷积计算模块包括移位器，所述卷积计算模块的每一卷积层对所述输入数据执行卷积计算时，通过所述移位器进行本发明能够确保加速器的模型计算架构高效、低功耗、精度高。
轻量级神经网络加速器量化方法

[发明专利]匹配存储器中数据位宽的卷积计算方法和装置、设备、介质-CN201710775655.X有效
发明人：李清正;毛宁元;刘文志 -专利权人：深圳市商汤科技有限公司
申请日： 2017-08-31 - 公布日： 2020-10-09 - 主分类号： G06N3/04 文献下载
摘要：本发明实施例公开了一种匹配存储器中数据位宽的卷积计算方法和装置、设备、介质，其中，方法包括：根据卷积神经网络的算法模型，为卷积神经网络配置卷积计算配置信息；卷积神经网络包括至少一个卷积层；卷积计算配置信息包括至少一个卷积层中的各卷积层对应的数据位宽值；按照卷积计算配置信息从存储器读取待处理数据，待处理数据的位宽等于数据位宽值；通过卷积神经网络对待处理数据进行卷积计算，得到计算结果数据。本发明实施例提供的方法，通过读取设定位宽的输入数据使输入到卷积层中的数据的位宽符合该卷积层要求的位宽，使卷积层的运算速度得到加快；并且在保证计算结果精度的同时提升了计算效率。
匹配存储器数据卷积计算方法装置设备介质

[发明专利]基于忆阻器交叉阵列的全尺寸卷积计算器及其卷积方法-CN202211550060.1在审
发明人：王丽丹;谭金沛;段书凯 -专利权人：西南大学
申请日： 2022-12-05 - 公布日： 2023-05-09 - 主分类号： G06G7/19 文献下载
摘要：基于忆阻器交叉阵列的全尺寸卷积计算器，其特征在于，包括卷积核矩阵；输入阵列：输出电路输出卷积结果。一种全尺寸卷积计算器的卷积方法，卷积核矩阵获取输入数据，卷积核矩阵将低于忆阻器阈值电压的脉冲电压信号送卷积核正值输入端，经运算电路后得m个数据；每个数据接入输入阵列，在F个卷积计算单元内与存储在忆阻器交叉阵列中的输入数据实现累加求和显著效果，利用忆阻器阵列的高集成度和尺寸优势，通过增加存储区域来加速卷积计算；该卷积器能并行计算卷积矩阵上平铺的所有卷积区域的卷积计算，计算效率显著增加，且输入数据越大，效果越显著。
基于忆阻器交叉阵列尺寸卷积计算器及其方法

[发明专利]应用于神经网络的计算方法及计算装置-CN201711102485.5有效
发明人：韩银和;许浩博;王颖 -专利权人：中国科学院计算技术研究所
申请日： 2017-11-10 - 公布日： 2020-07-31 - 主分类号： G06N3/04 文献下载
摘要：本发明提供了一种应用于神经网络的计算方法和计算装置。该计算方法包括以下步骤：获取仅包含数值1和‑1权重的二值卷积核；将所述二值卷积核分解为初始卷积核和特征卷积核，其中，所述初始卷积核和所述特征卷积核与所述二值卷积核的维数相同，所述初始卷积核是由数值为1的权重构成的矩阵，所述特征卷积核是相对于所述二值卷积核保留了数值为‑1的权重所形成的矩阵；基于所述初始卷积核和所述特征卷积核执行神经网络中的卷积计算。利用本发明的计算方法和计算装置能够提高卷积计算的效率并节省存储电路的开销。
应用于神经网络计算方法计算装置

[发明专利]用于稀疏化卷积计算的硬件系统和计算方法-CN202210678136.2有效
发明人：郭帅;陈巍;耿云川;杨施洋;尚会滨;江博;李冰倩 -专利权人：千芯半导体科技（北京）有限公司
申请日： 2022-06-16 - 公布日： 2022-09-06 - 主分类号： G06F17/15 文献下载
摘要：本发明提供一种用于稀疏化卷积计算的硬件系统和计算方法，硬件系统包括数据获取模块、监测模块和卷积计算模块，数据获取模块分别与监测模块和卷积计算模块连接，用于获取权重数据和目标数据，并将获取的权重数据输入至监测模块，以及将获取的目标数据输入至卷积计算模块；监测模块与卷积计算模块连接，用于基于预设阈值对数据获取模块输入的权重数据进行筛选，将筛选得到的关键影响数据输入至卷积计算模块；卷积计算模块，用于根据监测模块输入的关键影响数据对数据获取模块输入的目标数据进行卷积计算，以获得目标数据对应的卷积输出结果。本发明整体架构额外开销较小，可以降低卷积计算模块的计算功耗，提高整体运算速度以及流水线计算效率。
用于稀疏卷积计算硬件系统计算方法

[发明专利]一种卷积神经网络卷积膨胀处理电路及方法-CN201810431351.6在审
发明人：王子彤;姜凯;聂林川 -专利权人：济南浪潮高新科技投资发展有限公司
申请日： 2018-05-08 - 公布日： 2018-10-12 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种卷积神经网络卷积膨胀处理电路及方法，属于人工智能数据处理技术领域。本发明的卷积神经网络卷积膨胀处理电路包括特征图输入拆分模块、卷积核输入缓冲模块、卷积计算阵列、输出填充组合模块和控制模块，卷积计算阵列包括若干卷积基本计算单元，特征图输入拆分模块、卷积核输入缓冲模块分别与卷积计算阵列相连接，卷积计算阵列与输出填充组合模块相连接，控制模块与特征图输入拆分模块、卷积核输入缓冲模块、卷积计算阵列、输出填充组合模块分别连接。该发明的卷积神经网络卷积膨胀处理电路无需增加复杂的单元互联及缓存空间，可以节省大量逻辑资源、布线资源及存储资源，处理不同膨胀系数的卷积运算，具有很好的推广应用价值。
卷积计算卷积卷积神经网络膨胀处理输入缓冲模块组合模块电路分模块卷积核特征图填充控制模块输出数据处理技术人工智能布线资源存储资源缓存空间计算单元卷积运算逻辑资源膨胀系数互联

[发明专利]一种图像超分辨率卷积神经网络加速计算方法-CN201710940557.7有效
发明人：高钦泉;张鹏涛;童同 -专利权人：福建帝视信息科技有限公司
申请日： 2017-09-30 - 公布日： 2021-01-12 - 主分类号： G06T3/40 文献下载
摘要：本发明公开一种图像超分辨率卷积神经网络加速计算方法，其包括以下步骤：（1）获取已训练好的卷积核组，（2）将已训练好的卷积核组转化为易于卷积计算处理的矩阵形式的卷积核组；（3）解析出中间卷积层矩阵形式的卷积核组作为原始卷积核组；（4）基于原始卷积核组构造低秩学习模型：（5）通过低秩学习模型求解基卷积核组；（6）通过最小二乘模型求解重构系数；（7）将原始卷积核组的卷积计算利用基卷积核组以及对应的重构系数进行卷积计算等价代换，实现卷积计算加速本发明对卷积核组进行重构，保证在准确率不降低的情况下，实现卷积计算加速，且该方法只是涉及卷积计算过程，未改变原有准确率，可进一步结合其他加速方法进一步加速。
一种图像分辨率卷积神经网络加速计算方法

[发明专利]用于卷积计算的芯片及其控制方法、电子装置-CN202110800143.0在审
发明人：吕启深;向真;李艳;薛荣;阳浩;邱方驰;余鹏;余英 -专利权人：深圳供电局有限公司
申请日： 2021-07-15 - 公布日： 2021-11-12 - 主分类号： G06N3/063 文献下载
摘要：本申请涉及一种用于卷积计算的芯片，包括存储器、处理器及卷积计算模块，其中，所述存储器用于存储卷积参数数据及卷积计算结果；所述处理器与所述存储器连接，基于RISC‑V开源指令集架构，用于接收用户的自定制指令，基于所述自定制指令生成控制指令；所述卷积计算模块与所述处理器及所述存储器均连接，用于接收所述控制指令及所述卷积参数数据，并基于所述控制指令及所述卷积参数数据进行计算，输出卷积计算结果。本申请的用于卷积计算的芯片采用最精简的架构RISC‑V，可以舍去非常多的冗余指令，使内核设计简单，功耗降低。同时把卷积加速的计算用卷积计算模块实现，而不是内核中的软件应用实现，极大提升了卷积加速的计算速度。
用于卷积计算芯片及其控制方法电子装置

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条