“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]脉冲神经网络的训练方法和训练装置-CN202110385314.8在审
发明人：郭青海;程捷;蔡炎松 -专利权人：华为技术有限公司
申请日： 2021-04-09 - 公布日： 2022-10-18 - 主分类号： G06N3/04 文献下载
摘要：本申请提供了一种脉冲神经网络的训练方法和训练装置，可以通过长时控制和短时控制的方式实现脉冲神经网络的归一化，从而提高脉冲神经网络的训练效果。该训练方法包括：基于时序方式，将训练数据输入至脉冲神经网络的输入层，逐层对该脉冲神经网络进行训练，直至得到该脉冲神经网络的输出层的输出结果，其中，在t时刻，该控制神经元的输入包括：第i层神经元中的至少一个其他神经元在t时刻的输出、该至少一个其他神经元在t‑1时刻的输出以及该控制神经元在t‑1时刻的输出；基于该输出结果，确定该脉冲神经网络的误差；基于该误差，更新该脉冲神经网络的连接权重，并继续对该脉冲神经网络进行训练，直至该脉冲神经网络收敛。
脉冲神经网络训练方法装置

[发明专利]神经网络模型的训练计算量计算方法、设备及介质-CN202010950698.9在审
发明人：任智祥 -专利权人：鹏城实验室
申请日： 2020-09-11 - 公布日： 2020-10-23 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种神经网络模型的训练计算量计算方法、设备及存储介质，对目标神经网络模型进行解析，得到所述目标神经网络多个类型的神经网络层；计算多个类型的神经网络层分别对待训练数据进行反向传播的多个训练计算量；对多个所述训练计算量进行预设运算，得到目标训练计算量。本发明通过多个类型的神经网络层计算神经网络模型对待训练数据进行反向传播的多个训练计算量，避免对单个神经元在训练过程中产生的浮点数计算量进行计算，有效减少计算浮点数计算量需要的时间，提高神经网络复杂度的描述效率
神经网络模型训练计算计算方法设备介质

[发明专利]神经网络加水印-CN202080099159.7在审
发明人： J·施特恩比;B·约翰逊 -专利权人：瑞典爱立信有限公司
申请日： 2020-04-01 - 公布日： 2022-11-25 - 主分类号： G06F21/16 文献下载
摘要：本文公开了一种用于训练神经网络并在神经网络中嵌入水印的方法。水印用于证明神经网络的所有权。神经网络包括与多个网络节点相关的多个可训练参数。该方法包括：将多个可训练参数分成第一可训练参数集和第二可训练参数集；将第一训练样本集输入到神经网络；通过迭代第一训练样本集经过神经自学习网络以更新第一可训练参数集来训练神经网络，并在第一训练样本集的迭代期间阻止第二可训练参数集被更新；将第二训练样本集输入到神经网络；以及通过迭代第二训练样本集经过神经网络以更新第二可训练参数集来嵌入水印，并在第二训练样本集的迭代期间阻止第一可训练参数集被更新。
神经网络水印

[发明专利]神经网络模型的并行训练方法、装置、电子设备-CN202110925104.3在审
发明人：方佳瑞;于洋 -专利权人：腾讯科技（深圳）有限公司
申请日： 2021-08-12 - 公布日： 2022-04-12 - 主分类号： G06N3/08 文献下载
摘要：本发明提供了一种神经网络模型的并行训练方法包括：对目标神经网络模型进行分割，得到所述目标神经网络模型的块结构；当对所述目标神经网络模型进行训练时，对所述张量信息的状态变化进行监测；根据所述张量信息的状态变化，确定所述目标神经网络模型的块结构的状态；基于所述目标神经网络模型的块结构的状态，对不同块结构对应的目标神经网络模型的参数的存储位置进行调整，本发明还提供了神经网络模型的并行训练装置、电子设备及存储介质本发明能够使实现对目标神经网络模型并行进行训练，通过并行训练的方式，提升神经网络模型的并行训练速度，同时也提高了对大规模神经网络模型的处理能力。
神经网络模型并行训练方法装置电子设备

[发明专利]神经网络训练的方法及装置、智能行驶控制的方法及装置-CN202110124780.0在审
发明人：侯跃南;刘春晓;马政;王哲 -专利权人：商汤集团有限公司
申请日： 2021-01-29 - 公布日： 2021-05-18 - 主分类号： G06N3/08 文献下载
摘要：本公开提供了一种神经网络训练的方法及装置、智能行驶控制的方法及装置，其中，训练的方法包括：构建与原始神经网络对应的待训练神经网络；将构建的待训练神经网络包括的多个网络层划分为多个网络层组，并基于当前资源池中的可分配运算资源对划分的每个网络层组进行资源分配；基于为每个网络层组分配的运算资源以及预先采集的图像样本，控制待训练神经网络包括的每个网络层进行训练，得到训练后的神经网络。由于待训练神经网络的通道数量更少，且经过网络层组的资源分配使得训练阶段所分配的资源更为合理，这样所训练得到的神经网络的性能更佳，从而可以更好的应用在图像处理技术领域。
神经网络训练方法装置智能行驶控制

[发明专利]一种卷积神经网络训练方法、图像识别方法和装置-CN202010529092.8在审
发明人：王世安 -专利权人：广州工程技术职业学院
申请日： 2020-06-11 - 公布日： 2020-09-18 - 主分类号： G06N3/08 文献下载
摘要：本申请公开了一种卷积神经网络训练方法、图像识别方法和装置，其中卷积神经网络训练方法包括：获取待训练的卷积神经网络；将测度损失和软最大损失结合，构建卷积神经网络训练时的类信息和节点结构的学习损失函数，基于反向传播算法和随机梯度下降法，通过学习损失函数对卷积神经网络进行训练。节点结构和类信息的丢失可以加快训练的收敛速度，同时保持或提高训练精度，故本申请中以节点结构和类信息作为训练时的训练指标，同时结合将测度损失和软最大损失构建训练卷积神经网络时的学习损失函数，解决了现有的卷积神经网络训练方法，在面对小型的卷积神经网络时，难以适用的技术问题。
一种卷积神经网络训练方法图像识别装置

[发明专利]神经网络分类器的建立方法、装置及图像分类方法、装置-CN202210002172.7在审
发明人：聂玉虎;刘加国;张永波;崔文朋;刘浩;池颖英;刘瑞;郑哲;李滕浩;徐鲲鹏;曹波;杨剑;荆臻 -专利权人：北京智芯微电子科技有限公司;国网信息通信产业集团有限公司;国网山东省电力公司营销服务中心（计量中心）;国家电网有限公司
申请日： 2022-01-04 - 公布日： 2022-05-13 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种神经网络分类器的建立方法、装置及图像分类方法、装置，建立方法包括：获取训练图像集，其中，训练图像集中的训练图像包括目标图像和背景图像两种类型；将训练图像集中的训练图像输入至神经网络分类器，获取每一训练图像的特征向量；根据特征向量及其对应训练图像所属类型构建损失函数；基于损失函数对神经网络分类器进行训练，得到训练好的神经网络分类器。该建立方法在建立神经网络分类器时，根据训练图像所属类型构建损失函数，并利用损失函数对神经网络分类器进行训练，可加快神经网络分类器的收敛速度，以获取对含有背景图像的图片集进行快速分类的神经网络分类器。
神经网络分类建立方法装置图像

[发明专利]一种神经网络的剪枝方法及装置-CN202210869151.5在审
发明人：陆强 -专利权人：嬴彻星创智能科技（上海）有限公司
申请日： 2022-07-21 - 公布日： 2022-11-18 - 主分类号： G06N3/08 文献下载
摘要：本发明提供一种神经网络的剪枝方法及装置，包括：获取训练图像，并构建神经网络模型；将神经网络模型的训练过程分成多个训练阶段；在每一训练阶段，根据预设的目标剪枝率以及当前训练次数生成每一训练阶段所对应的模型剪枝率；根据模型剪枝率生成每一训练阶段所对应的剪枝配置；基于训练图像并利用剪枝配置对神经网络模型进行训练剪枝，得到每一训练阶段输出的剪枝后的神经网络模型，从而构成剪枝后的神经网络模型集合，该剪枝后的神经网络模型集合中各个剪枝后的神经网络模型具有不同的剪枝率本发明能够大大节省训练时间，加快模型的部署。
一种神经网络剪枝方法装置

[发明专利]一种训练模型的训练方法、场景识别方法、计算机设备-CN202010343518.0在审
发明人：李叶伟 -专利权人：武汉TCL集团工业研究院有限公司
申请日： 2020-04-27 - 公布日： 2021-11-12 - 主分类号： G06K9/62 文献下载
摘要：本申请涉及一种训练模型的训练方法、场景识别方法、计算机设备，所述训练方法包括：获取训练模型和训练图片集；基于所述训练图片集对所述训练模型进行训练，得到已训练模型的模型参数；若所述已训练模型不满足预设条件，确定该神经网络模块中的目标神经网络层，并确定更新神经网络模块；根据更新神经网络模块，确定所述已训练模型对应的更新模型，并将所述更新模型作为训练模型，继续训练，直至所述已训练模型满足预设条件。为了得到高效神经网络，采用训练模型表示搜索空间，由于所述训练模型包括若干个模块，所述模块包括若干个神经网络层，通过在训练过程中对神经网络模块进行更新得到更新模型，减少神经网络层是数量，来大幅度降低搜索开销
一种训练模型方法场景识别计算机设备

[发明专利]神经网络后门攻击的检测方法、装置和电子设备-CN202010334293.2在审
发明人：林建滨 -专利权人：支付宝（杭州）信息技术有限公司
申请日： 2020-04-24 - 公布日： 2020-06-05 - 主分类号： G06N3/04 文献下载
摘要：本说明书实施例提出了一种神经网络后门攻击的检测方法、装置和电子设备，其中，上述神经网络后门攻击的检测方法中，在获取训练数据之后，利用上述训练数据对神经网络进行训练，获得训练好的神经网络模型，然后获取上述训练数据中第一标签类别对应的训练数据，将第一标签类别对应的训练数据输入到训练好的神经网络模型中，获得上述神经网络模型的隐层数据；然后，将上述隐层数据进行聚类，根据聚类结果对神经网络后门攻击进行检测。
神经网络后门攻击检测方法装置电子设备

[发明专利]神经网络模型的训练方法及装置-CN202111423212.7在审
发明人：王玉龙;王东霞;曹梦华;苏森;徐鹏;双锴;张忠宝;程祥 -专利权人：北京邮电大学;中国人民解放军32802部队
申请日： 2021-11-26 - 公布日： 2022-04-15 - 主分类号： G06N3/08 文献下载
摘要：本公开提供一种神经网络模型的训练方法及装置。所述方法包括：获取与所述神经网络模型的攻击防御需求相应的原始数据集；利用所述原始数据集对所述神经网络模型进行预训练，以得到预训练模型；基于协方差矩阵自适应进化策略CMA‑ES，利用训练数据集对所述预训练模型进行补充训练本公开提供的神经网络模型的训练方法及装置，利用基于协方差矩阵自适应进化策略的神经网络训练算法对神经网络进行补充训练，获得鲁棒神经网络模型，提高神经网络对抗防御的准确性和高效性，确保深度学习相关系统的安全性
神经网络模型训练方法装置

[发明专利]训练神经网络的方法、训练神经网络的系统以及神经网络-CN202210366063.3在审
发明人：斯文·迈尔;奥克塔夫·马里奥蒂;哈坎·比伦;O·马卡欧达 -专利权人：丰田自动车株式会社;爱丁堡大学管理处
申请日： 2022-04-08 - 公布日： 2022-10-28 - 主分类号： G06V10/774 文献下载
摘要：本公开涉及训练神经网络的方法、训练神经网络的系统以及神经网络。一种用于训练第一神经网络，以在图像输入到第一神经网络时，检测在该图像上可见并且属于给定对象类别的对象的视点的方法，包括：提供不同视点下的多对图像的数据集，提供被配置成能够得出对象的外观信息的第二神经网络，提供被配置成能够使用外观信息和视点，得出所述类别的对象的合成图像的第三神经网络，联合训练第一神经网络、第二神经网络和第三神经网络。
训练神经网络方法系统以及

[发明专利]一种神经网络增强方法、系统及其应用-CN202011330421.2在审
发明人：赵帅;周立广;蔡登;林天麟;徐扬生 -专利权人：深圳市人工智能与机器人研究院;香港中文大学（深圳）
申请日： 2020-11-24 - 公布日： 2021-02-26 - 主分类号： G06F7/483 文献下载
摘要：本发明公开了一种神经网络增强方法、系统及其应用，方法包括步骤：将给定的神经网络模型划分成若干个子神经网络；对每个子神经网络进行初始化处理；应用不同的数据增强方法对每个子神经网络进行训练，使每个子神经网络学到关于相同数据的不同知识；在训练过程中，计算每个子神经网络的输出的交叉熵损失函数，以及每个子神经网络的输出之间的协同训练损失函数，将交叉熵损失函数以及协同训练损失函数结合作为优化目标函数；根据优化目标函数更新每个子神经网络的权重参数，达到预设训练次数后结束训练，得到训练好的子神经网络。本发明在不显著增加甚至减少网络参数量或者浮点运算数的情况下，可实现比单个神经网络模型更好的图像分类表现和性能。
一种神经网络增强方法系统及其应用

[发明专利]深度神经网络模型的压缩方法及装置、终端、存储介质-CN201710266304.6在审
发明人：林福辉;赵晓辉 -专利权人：展讯通信（上海）有限公司
申请日： 2017-04-21 - 公布日： 2018-11-02 - 主分类号： G06N3/04 文献下载
摘要：一种深度神经网络模型的压缩方法及装置、终端、存储介质，所述方法包括：基于所获取的深度神经网络模型中各层的精简单元的贡献度的信息，对所述深度神经网络模型进行精简，直至精简后的深度神经网络模型满足预设的精度需求；对所述精简后的深度神经网络模型进行重新训练，得到重新训练后的深度神经网络模型；当确定重新训练后的深度神经网络模型不满足预设的压缩体积需求时，对重新训练后的深度神经网络模型中的各层参数进行迭代量化；对重新训练后的深度神经网络模型进行N次迭代量化，直至量化后的深度神经网络模型满足预设的压缩体积需求。上述的方案，可以是在对深度神经网络模型压缩时，兼顾深度神经网络模型的精度及有效性。
神经网络模型预设压缩方法及装置存储介质迭代量化压缩终端精度需求贡献度量化

[发明专利]一种神经网络模型训练方法、装置及系统-CN201810514928.X在审
发明人：郑星 -专利权人：杭州海康威视数字技术股份有限公司
申请日： 2018-05-25 - 公布日： 2019-12-03 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例提供了一种神经网络模型训练方法、装置及系统，其中，神经网络模型训练系统包括多个训练设备和参数服务器，神经网络模型训练方法可以应用于各训练设备，包括：获取样本数据，样本数据为针对各训练设备、将原始训练样本集进行划分得到各子样本集中的数据；将样本数据输入神经网络模型，得到神经网络输出；根据神经网络输出及预先指定的标签数据，计算神经网络模型的调整数据；将调整数据发送至参数服务器；接收参数服务器反馈的按照预设叠加方式对各训练设备的调整数据叠加得到的叠加数据；基于叠加数据，更新神经网络模型的网络参数。通过本方案，可以提高神经网络模型训练的效率。
神经网络模型训练设备调整数据样本数据神经网络输出参数服务器叠加数据计算神经网络输入神经网络原始训练样本服务器反馈装置及系统标签数据叠加方式接收参数网络参数训练系统预先指定子样本预设叠加发送更新申请应用