“神经网络训练”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1164261个，建议您升级VIP下载更多相关专利

[发明专利]一种神经网络的生成方法、系统、计算机设备及存储介质-CN202111666463.8在审
发明人：牛雅哲;赵梁煊;刘宇;王晓刚 -专利权人：深圳市商汤科技有限公司
申请日： 2021-12-31 - 公布日： 2022-04-12 - 主分类号： G06N3/04 文献下载
摘要：本公开提供了一种神经网络的生成方法、系统、计算机设备及存储介质，其中，该方法包括：在至少两个训练周期中的每个训练周期中执行：响应于接收到当前训练周期的第一训练指令，从当前训练周期的至少两个辅助神经网络中确定目标辅助神经网络；利用所述目标辅助神经网络控制第一虚拟角色，并利用当前训练周期的待训练神经网络控制第二虚拟角色进行对战，得到对所述当前训练周期的待训练神经网络进行训练的第一对战样本数据；向深度学习框架发送所述当前训练周期的第一对战样本数据；至少两个训练周期分别对应的第一对战样本数据，用于所述深度学习框架对待训练神经网络进行至少两个训练周期的强化训练，得到目标神经网络。
一种神经网络生成方法系统计算机设备存储介质

[发明专利]一种神经网络模型的训练方法及装置-CN202110346062.8在审
发明人：陈仙萍 -专利权人：华为技术有限公司
申请日： 2021-03-31 - 公布日： 2022-10-04 - 主分类号： G06N3/04 文献下载
摘要：本申请提供了一种神经网络模型的训练方法及装置，该神经网络模型的训练方法包括：部分或全部的神经网络层中的每个神经网络层被划分为S个部分，训练系统包括的S个加速器分别训练对应的神经网络层的一部分，每个加速器在本地只保存每一个神经网络层的训练输出结果的一部分本申请通过将训练输出结果进行分布式存储，有效优化了训练输出结果占用的显存，提高了神经网络模型的算力，进而提高了集群训练性能。
一种神经网络模型训练方法装置

[发明专利]一种神经网络模型知识蒸馏方法、系统、设备及介质-CN202010850266.0在审
发明人：朱克峰;阚宏伟;仝培霖 -专利权人：苏州浪潮智能科技有限公司
申请日： 2020-08-21 - 公布日： 2020-11-24 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了一种神经网络模型知识蒸馏方法、系统、设备及介质，获取待知识蒸馏的第一神经网络模型；获取第二神经网络模型；生成用于对第二神经网络模型进行训练的目标样本集；将目标样本集作为第二神经网络模型的输入，将第一神经网络模型的输出作为第二神经网络模的输出，对第二神经网络模型进行知识蒸馏，得到目标神经网络模型。本申请中，在进行神经网络模型知识蒸馏的过程中，并不是直接应用第一神经网络模型训练过程中应用的训练样本集进行知识蒸馏，而是重新生成新的目标样本集来进行知识蒸馏，无需获取训练样本集，可以提高神经网络模型知识蒸馏的效率
一种神经网络模型知识蒸馏方法系统设备介质

[发明专利]一种神经网络训练方法、装置、计算设备及存储介质-CN202211517866.0在审
发明人：赵娟萍 -专利权人：哲库科技（上海）有限公司
申请日： 2022-11-30 - 公布日： 2023-04-18 - 主分类号： G06N3/09 文献下载
摘要：本申请涉及一种神经网络训练方法、装置、计算设备及存储介质，其中，所述方法包括：获取第一神经网络模型和第二神经网络模型；根据该第一神经网络模型和该第二神经网络模型，对超网络在超网络的子网络维度以及子网络的网络层维度进行双网知识蒸馏的联合训练，得到目标神经网络；其中，该目标神经网络为已训练好的超网络。采用本申请，通过双网络联合知识蒸馏提高了网络性能。
一种神经网络训练方法装置计算设备存储介质

[发明专利]一种基于人工智能的深度学习网络训练方法-CN202110910635.5在审
发明人：王俊凯 -专利权人：郑州大学
申请日： 2021-08-09 - 公布日： 2021-11-02 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于人工智能的深度学习网络训练方法、系统、设备及存储介质，涉及人工智能技术领域，一种基于人工智能的深度学习网络训练方法，包括以下步骤：构建神经网络；神经网络参数初始化；获取验证集和多个训练集，将神经网络分别在多个训练集上训练以得到多个子神经网络模型；分别在验证集上对多个子神经网络模型进行验证；依据验证结果的精确度由高到低选取固定比例的子神经网络模型，对被选出的子神经网络模型的参数进行调整，然后令被选出的子神经网络模型继续进行训练；训练完成后，选取最优子神经网络模型。本发明所提供的方法、系统有效解决了模型的过拟合问题，提升了模型的训练性能和精确度。
一种基于人工智能深度学习网络训练方法

[发明专利]一种识别障碍物的方法和装置-CN201911243392.3在审
发明人：刘浩;徐卓然;董博 -专利权人：北京京东乾石科技有限公司
申请日： 2019-12-06 - 公布日： 2021-06-08 - 主分类号： G06K9/00 文献下载
摘要：该方法的一具体实施方式包括：采用第一训练集训练卷积神经网络，得到训练后的卷积神经网络；将第二训练集输入到所述训练后的卷积神经网络，得到所述第二训练集的基础特征；采用所述第二训练集的基础特征对自组织神经网络半监督的训练，得到训练后的自组织神经网络；通过所述训练后的卷积神经网络和所述训练后的自组织神经网络，识别待测图像中的障碍物的所属分类。该实施方式能够解决对数据打标和离线训练模型耗费大量的人力、财力的技术问题。
一种识别障碍物方法装置

[发明专利]一种基于神经网络的目标识别方法及系统-CN201811280428.0在审
发明人：黄永祯;于仕琪 -专利权人：银河水滴科技（北京）有限公司;中科水滴科技（深圳）有限公司
申请日： 2018-10-30 - 公布日： 2019-04-02 - 主分类号： G06K9/62 文献下载
摘要：本发明实施例提供一种基于神经网络的目标识别方法及系统。包括：云平台获取训练后的神经网络，训练后的神经网络通过第一神经网络对训练样本集进行训练获得；所述云平台将训练后的神经网络的模型参数发送至目标设备，以使得所述目标设备根据所述模型参数配置第二神经网络，并利用配置后的第二神经网络对待识别图像进行识别本发明实施例在云平台上进行神经网络的训练，并将训练好的神经网络参数发送至目标设备，利用目标设备对待识别图像进行识别，由于云计算具有低成本、高性能、通用性强、利用率高的特点，它的出现可以解决传统的目标识别方法成本较高的问题
神经网络目标设备目标识别云平台模型参数图像神经网络参数训练样本集发送目标物体通用性强传统的低成本云计算配置

[发明专利]增强神经网络-CN201880059961.6在审
发明人：谢里·摩尔;杰里迈亚·哈姆森;诺亚·菲德尔 -专利权人：谷歌有限责任公司
申请日： 2018-09-12 - 公布日： 2020-05-08 - 主分类号： G06N3/10 文献下载
摘要：方法、系统和装置，包括在计算机存储介质上编码的计算机程序，用于利用附加操作增强神经网络。方法之一包括由管理表示计算图系统的用户的神经网络操作的计算图的执行的计算图系统维护指定多个预训练的神经网络的数据，其中，预训练的神经网络中的每一个是已经对训练数据进行训练以确定该神经网络的相应参数的已训练值的神经网络；获得指定表示神经网络操作的用户计算图的数据，该用户计算图包括通过边连接的多个节点；识别(i)用户计算图中的第一节点之后的插入点和(ii)来自多个预训练的神经网络中的特定预训练的神经网络；以及将远程调用节点插入到用户计算图中
增强神经网络

[发明专利]训练神经网络的方法和装置-CN201880095511.2在审
发明人：张丰伟;沈灿泉;邵云峰 -专利权人：华为技术有限公司
申请日： 2018-09-30 - 公布日： 2021-02-23 - 主分类号： G06F9/50 文献下载
摘要：一种训练神经网络的方法，包括:确定神经网络训练任务的训练参数数量；根据训练参数数量从训练资源库中确定目标训练资源，其中，训练资源库包括至少一个训练资源，至少一个训练资源与至少一个参数数量之间存在对应关系，至少一个训练资源包括目标训练资源，至少一个参数数量包括神经网络训练任务的训练参数数量；通过目标训练资源执行神经网络训练任务。按照该训练神经网络的方法，数据中心根据神经网络训练任务可以从训练资源库中确定目标训练资源，无需向用户提供资源池的基础架构即可完成神经网络训练任务，从而减小了资源池的基拙架构暴露导致的风险，提高了数据中心的安全性
训练神经网络方法装置

[发明专利]一种面向事件相机的神经网络模型压缩方法-CN202011016049.8在审
发明人：赵江;曾逸文;蔡志浩;王英勋;陈文军 -专利权人：北京航空航天大学
申请日： 2020-09-24 - 公布日： 2021-01-12 - 主分类号： G06N3/04 文献下载
摘要：本发明属于神经网络模型压缩技术领域，特别涉及一种面向事件相机的神经网络模型压缩方法，包括步骤：从事件相机获取事件流数据，生成事件图像，完成数据集制作；构建神经网络模型，并利用预训练模型初始化所述神经网络模型参数，之后利用数据集进行训练，得到神经网络模型的基础网络；设置学习率，对基础网络进行稀疏训练；对经过稀疏训练后的神经网络模型进行通道剪枝和层剪枝；利用知识蒸馏方法，对经过剪枝后的神经网络模型进行微调；对经过微调后的神经网络模型进行量化训练，进一步压缩神经网络模型大小。本发明通过对神经网络模型进行剪枝和量化，降低模型的大小，提高了模型在嵌入式平台上进行目标检测的速度。
一种面向事件相机神经网络模型压缩方法

[发明专利]数据处理方法、神经网络的训练方法及相关装置、设备-CN202010134455.8在审
发明人：程健;隋志成;周力;白立勋;蒋洪睿 -专利权人：华为技术有限公司;中国科学院自动化研究所
申请日： 2020-02-29 - 公布日： 2021-08-31 - 主分类号： G06N3/08 文献下载
摘要：本申请提供了一种数据处理方法、神经网络的训练方法及相关装置、设备，方法应用于训练设备，方法包括：将神经网络的模型参数设置为浮点数进行训练，直到训练设备训练第一神经网络达到收敛状态；确定训练后的第一神经网络中第l个卷积层包含的各个卷积核之间的相关度；其中，卷积核对应的相关度越大，训练设备在进行计算时产生的冗余计算越多；将M个卷积核进行量化训练，直至训练设备训练第一神经网络达到收敛状态，得到量化后的第二神经网络实施本申请，可以在提高神经网络的运算效率的同时，尽可能地保持神经网络的运算精度。
数据处理方法神经网络训练相关装置设备

[发明专利]一种神经网络训练方法、图像处理方法及装置-CN202211364967.9有效
发明人：邢一博;姚祎 -专利权人：荣耀终端有限公司
申请日： 2022-11-03 - 公布日： 2023-05-12 - 主分类号： G06F30/27 文献下载
摘要：本申请实施例提供一种神经网络训练方法、图像处理方法及装置，该神经网络训练方法中，首先确定需要处理的训练图像和处理后的目标图像，然后确定训练图像对应的第一灰度图像，再通过待训练的神经网络对训练图像和第一灰度图像进行处理，确定训练图像对应的预测图像，再通过预测图像和目标图像，确定待训练的神经网络进行图像处理的损失，然后通过损失，调整待训练的神经网络的参数，直至满足预设条件，满足预设条件的神经网络为训练后的神经网络。通过本申请实施例提供的神经网络进行图像处理，能够使处理后的图像更符合审美自然的要求，减少现有的图像处理技术存在的失真的问题，使处理后的图像具有较为自然的显示效果，符合自然美学。
一种神经网络训练方法图像处理装置

[发明专利]进行活体检测的神经网络的训练方法、检测方法及装置-CN202010270821.2有效
发明人：杨赟 -专利权人：浙江大华技术股份有限公司
申请日： 2020-04-08 - 公布日： 2023-05-16 - 主分类号： G06V40/40 文献下载
摘要：本发明图像识别技术领域，特别是涉及一种进行活体检测的神经网络的训练方法、检测方法及装置，所述训练方法包括：根据场景特征将总训练样本集划分为多个子训练样本集，所述训练样本集包括活体样本和非活体样本；利用所述训练样本集训练子神经网络的活体分类，建立初始的总神经网络；将所述总训练样本集中的部分活体样本分别输入到所述总神经网络和与场景特征对应的所述子神经网络，获取所述活体样本的总样本特征和子样本特征；利用总样本特征和子样本特征，对场景特征分类器及总神经网络进行对抗训练，训练后的总神经网络用于进行活体检测。本发明的神经网络可以准确的检测出不同场景下的活体目标。
进行活体检测神经网络训练方法装置

[发明专利]一种神经网络均衡器的优化训练方法-CN02137237.3无效
发明人：侯越先;王宁 -专利权人：深圳市中兴通讯股份有限公司
申请日： 2002-09-24 - 公布日： 2004-03-31 - 主分类号： G06N3/06 文献下载
摘要：本发明提供一种神经网络均衡器的优化训练方法，首先记录神经网络均衡器在典型信道条件下的训练时间开销；利用所得的训练时间开销，计算神经网络均衡器的优化重起点；将优化重起点作为训练过程的控制参数，利用发送端传送的训练序列训练神经网络均衡器，如果训练开销超过优化重起点所对应的期望开销，则随机化神经网络的权值参数和偏移参数，重起训练过程；神经网络均衡器训练收敛后，其输出补偿失真的无线信号。本发明可以有效降低典型的前馈神经网络的训练时间开销，从而在保留神经网络均衡器的自适应性和非线性建模能力的情况下，显著提高可用性。
一种神经网络均衡器优化训练方法

[发明专利]一种卷积神经网络训练方法及装置-CN201811481643.7在审
发明人：贾书军;程帅;袁淮;刘威 -专利权人：东软睿驰汽车技术（沈阳）有限公司
申请日： 2018-12-05 - 公布日： 2019-04-16 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了一种卷积神经网络的训练方法及装置，采用第一神经网络和第二神经网络同时训练的方式。在训练过程中，第二神经网络的卷积核参数是第一神经网络对自身的卷积核参数进行量化之后传递给第二神经网络的；第一神经网络的卷积核参数的权重的更新，受到第二神经网络的约束，具体地，用于第一神经网络的卷反向传播计算中的第三差值Delta1′，是利用第二神经网络的损失函数计算得到的第二差值Delta2，更新利用第一神经网络的损失函数确定的第一差值Delta1得到的。利用本申请实施例的方法，可以同时训练得到原始卷积神经网络模型和量化卷积神经网络模型。无需用户手动执行加载原始卷积神经网络模型的步骤，提升了得到量化卷积神经网络模型的效率。
神经网络卷积神经网络卷积核损失函数量化反向传播手动执行训练过程更新加载权重申请传递