“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]网络模型处理方法、设备、存储介质和程序产品-CN202211172204.4在审
发明人：伍国林;王哲;廖建文;陆二伟 -专利权人：荣耀终端有限公司
申请日： 2022-09-26 - 公布日： 2023-09-15 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例提供的一种网络模型处理方法、设备、存储介质和程序产品，该方法包括：获取待处理模型的原始计算图，所述原始计算图中包括至少一个算子结构；从所述原始计算图中检索出预设类型的目标算子结构；在所述原始计算图中，对所述目标算子结构进行融合操作，生成新的算子结构，所述新的算子结构中的算子数量小于所述目标算子结构中的算子数量；基于所述新的算子结构和所述原始计算图，构建所述待处理模型的新计算图。本申请可以从计算图结构的层级上简化模型中部分算子结构，进而简化模型的计算图，减少了模型中不必要的计算操作，以降低模型推理过程中的访存开销，降低模型推理时延。
网络模型处理方法设备存储介质程序产品

[发明专利]一种脉冲神经网络电路的失效评估方法、系统及设备-CN202310823424.7在审
发明人：孙博;黎晶莹 -专利权人：广东工业大学
申请日： 2023-07-05 - 公布日： 2023-09-15 - 主分类号： G06N3/082 文献下载
摘要：本发明公开了一种脉冲神经网络电路的失效评估方法、系统及设备，涉及脉冲神经网络电路技术领域，方法包括：向脉冲神经网络电路的脉冲神经网络单元注入预置故障，改变脉冲神经网络电路的稳定性，得到故障脉冲神经网络电路，然后根据预置样本集，计算部署于注入故障前的脉冲神经网络电路的脉冲神经网络的第一准确性，以及注入故障后的故障脉冲神经网络电路的脉冲神经网络的第二准确性，最后基于第一准确性、第二准确性和预置优化策略对脉冲神经网络电路进行优化，解决了现有的神经网络电路评估优化方法无法有效地提高脉冲神经网络电路本身的可靠性技术问题。
一种脉冲神经网络电路失效评估方法系统设备

[发明专利]一种大型预训练模型的训练方法和系统-CN202311020099.7在审
发明人：王明亮;肖宇轩 -专利权人：北京向量栈科技有限公司
申请日： 2023-08-14 - 公布日： 2023-09-15 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例公开了一种大型预训练模型的训练方法和系统，所述方法包括：将输入数据分别加载到受限处理单元和通用处理单元的存储器中；所述受限处理单元和所述通用处理单元分别根据预训练参数和参数增量执行前向计算，将计算结果存储；将标签加载到所述通用处理单元的存储器中并计算损失；根据计算的损失执行反向计算，计算梯度并更新所述参数增量；重复执行上述步骤，直至指标达到设定目标值或训练步数达到设定步数阈值，训练结束。可以使用计算能力受限的处理单元与通用处理单元共同实现大模型的训练，从而降低了训练过程对通用处理单元的需求，使得关键的大模型训练技术可以在更多的场景被采用，降低了功耗、时延和成本。
一种大型训练模型方法系统

[发明专利]基于带有闭集噪声和开集噪声标签的鲁棒学习方法-CN202311031130.7在审
发明人：李绍园;万文海;陈松灿 -专利权人：南京航空航天大学
申请日： 2023-08-16 - 公布日： 2023-09-15 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种基于带有闭集噪声和开集噪声标签的鲁棒学习方法，该方法旨在利用有用的开集示例，同时最大限度地减少闭集错误标记示例的负面影响。本发明分为两个阶段，第一阶段中，利用干净样本选择策略做训练初始化，并记录下来样本修正标记以及标记修正记录供第二阶段优化；在第二阶段中，利用Class Expansion的思想，将部分开集样本融入已知类进行训练，将剩余的具有判别性的开集样本进一步帮助模型提升其判别性。本发明方法针对数据集中存在闭集噪声和开集噪声的问题，使用了类扩展的思想，接纳了一部分开集类别样本，并且充分利用了剩余的开集样本，进一步提升了深度学习模型的准确率。
基于带有噪声标签学习方法

[发明专利]一种模型训练方法、装置、设备及介质-CN202310703722.2在审
发明人：史超;李同治 -专利权人：新奥新智科技有限公司
申请日： 2023-06-14 - 公布日： 2023-09-15 - 主分类号： G06N3/0895 文献下载
摘要：本申请实施例提供了一种模型训练方法、装置、设备及介质，用于解决相关技术模型学习效率及识别能力不佳的问题。由于在本申请实施例中，电子设备先确定包含识别目标的每个待训练图像中识别目标所处的区域，从而进行前景及背景的区分，并针对识别目标所处的区域的子图像为不包含识别目标的其他待训练图像对目标识别模型进行训练，从而可以提高目标识别模型对于正负样本的区分能力，进而提高目标识别模型的学习效率及识别能力。
一种模型训练方法装置设备介质

[发明专利]一种特征学习方法、装置、设备及介质-CN202310705500.4在审
发明人：史超;李同治 -专利权人：新奥新智科技有限公司
申请日： 2023-06-14 - 公布日： 2023-09-15 - 主分类号： G06N3/0895 文献下载
摘要：本申请实施例提供了一种特征学习方法、装置、设备及介质，用于解决现有技术中特征学习效率低的问题。由于在本申请实施例中，在进行特征学习时，通过对待训练图像中目标所处区域进行掩膜，并基于恢复模型输出掩膜后的待训练图像的恢复图像及待训练图像对恢复模型进行处理，从而可以使得恢复模型学习被掩膜的目标所处区域的特征，进而可以准确学习目标所处区域的特征，提高特征的学习效率。
一种特征学习方法装置设备介质

[发明专利]计算图的优化方法及装置、电子设备与存储介质-CN202310729287.0在审
发明人：请求不公布姓名 -专利权人：上海壁仞智能科技有限公司
申请日： 2023-06-19 - 公布日： 2023-09-15 - 主分类号： G06N3/082 文献下载
摘要：一种计算图的优化方法及装置、电子设备与存储介质。该计算图的优化方法包括：确定计算图中的第一参数的约束信息；对计算图进行最小依赖裁剪，得到多个子图；基于第一参数的约束信息，确定是否需要在多个子图中插入转换算子。该计算图的优化方法可以在对计算图进行最小依赖裁剪之前确定第一参数的约束信息，而不依赖于裁剪后的各个子图的具体结构，并且可以兼容特定芯片中的约束信息，支持算子的灵活组合，从而大大减小了计算图的设计难度和计算复杂度，提高了计算效率。
计算优化方法装置电子设备存储介质

[发明专利]神经网络的全局剪枝方法及其装置、电子设备及存储介质-CN202310729801.0在审
发明人：刘畅 -专利权人：中国工商银行股份有限公司
申请日： 2023-06-19 - 公布日： 2023-09-15 - 主分类号： G06N3/082 文献下载
摘要：本发明公开了一种神经网络的全局剪枝方法及其装置、电子设备及存储介质，涉及人工智能领域，其中，该全局剪枝方法包括：计算神经网络中每个卷积核的L1范数；基于每个卷积核的L1范数计算卷积层的目标剪枝数；计算每个卷积层中各卷积核的几何中值；基于每个卷积层的目标剪枝数和各卷积核的几何中值确定目标剪枝卷积核，并基于目标剪枝卷积核对神经网络进行全局剪枝。本发明解决了相关技术中，在对神经网络进行剪枝时，对于敏感程度不同的卷积层缺乏有效的剪枝策略的技术问题。
神经网络全局剪枝方法及其装置电子设备存储介质

[发明专利]卷积神经网络模型压缩方法、装置、设备及存储介质-CN202011007742.9有效
发明人：刘杰;王健宗;瞿晓阳 -专利权人：平安科技（深圳）有限公司
申请日： 2020-09-23 - 公布日： 2023-09-15 - 主分类号： G06N3/082 文献下载
摘要：本发明涉及人工智能技术领域，公开了卷积神经网络模型压缩方法、装置、设备及存储介质。该方法包括：对应用程序中的原始卷积神经网络模型进行复制，得到N个备选模型Mi；对各备选模型Mi的任意两层卷积核进行压缩并进行训练，得到调整后的备选模型Mi，并选择性能损失最少的最优备选模型Mk以运行该应用程序，得到移动终端的当前内部环境参数，并将满足预置的资源条件的最优备选模型Mk作为压缩后的卷积神经网络模型；否则将最优备选模型Mk作为下一轮模型压缩的原始卷积神经网络模型，重新进行压缩。本发明还涉及区块链技术，所述原始卷积神经网络模型存储于区块链中。本发明实现了卷积神经网络模型自动适配移动终端进行压缩。
卷积神经网络模型压缩方法装置设备存储介质

[发明专利]神经网络模型的训练方法和装置-CN202010383383.0有效
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-05-08 - 公布日： 2023-09-15 - 主分类号： G06N3/082 文献下载
摘要：本申请涉及人工智能领域，公开了神经网络模型的训练方法和装置。该方法包括执行如下搜索操作：根据预设的截断策略控制器，从预设的截断策略的搜索空间中确定出当前的截断策略，截断策略包括神经网络模型的参数或中间输出数据的二进制表征中被截断的位数；基于当前的截断策略对待训练的目标神经网络模型进行迭代训练，获取基于当前的截断策略训练完成的目标神经网络模型的性能并生成对应的反馈信息；响应于确定基于当前的截断策略训练完成的目标神经网络模型未达到预设的收敛条件，基于反馈信息迭代更新截断策略控制器，以基于更新后的截断策略控制器执行下一次搜索操作。通过该方法训练得到的神经网络模型在量化后的精度损失较小。
神经网络模型训练方法装置

[发明专利]基于动态编码卷积核融合的神经网络剪枝方法-CN202111005875.7有效
发明人：纪荣嵘;林明宝 -专利权人：厦门大学
申请日： 2021-08-30 - 公布日： 2023-09-15 - 主分类号： G06N3/082 文献下载
摘要：基于动态编码卷积核融合的神经网络剪枝方法，涉及人工神经网络的压缩与加速。1)计算当前训练轮数的温度系数；2)根据原始层的卷积核权重与当前训练轮数的温度系数，计算原始层每个卷积核的概率向量；3)根据原始层每个卷积核的概率向量，计算融合层卷积核的权重；4)前向传播过程只使用融合层，反向传播的梯度由当前融合层同时回传到当前原始层与上一个融合层；5)循环执行1)～4)，直至达到预定的训练轮数；6)训练结束保留所有融合层的权重，即得剪枝后的紧凑卷积神经网络。无需依赖预训练模型与稀疏约束，可直接从头训练得到，卷积核个数更少，可在无需特定硬件支持的情况下，在通用硬件平台上实现网络压缩与加速。
基于动态编码卷积融合神经网络剪枝方法

[发明专利]图像分类卷积神经网络压缩方法及芯粒器件数据分配方法-CN202310701555.8有效
发明人：王嘉诚;张少仲;张栩 -专利权人：中诚华隆计算机技术有限公司
申请日： 2023-06-14 - 公布日： 2023-09-15 - 主分类号： G06N3/082 文献下载
摘要：本发明涉及图像分类识别技术领域，特别涉及一种图像分类卷积神经网络压缩方法及芯粒器件数据分配方法，其中压缩方法包括：获取原始卷积神经网络模型；根据预设的第一剪枝率，对原始卷积神经网络模型中的滤波器进行随机剪枝；针对每个滤波器，分别计算各输入维对滤波器的输入影响因子，并进行归一化处理；针对每个滤波器，分别计算滤波器对各输出维的输出影响因子，并进行归一化处理；拼接归一化处理后的输入影响因子和输出影响因子，得到影响向量；基于各滤波器对应的影响向量，筛选待剪除的滤波器；剪除筛选出的滤波器，得到压缩后的图像分类卷积神经网络。本发明能够压缩卷积神经网络规模，为实现神经网络在移动端设备应用提供技术支持。
图像分类卷积神经网络压缩方法器件数据分配

[发明专利]一种模型训练方法及相关装置-CN202310552276.X在审
发明人：唐业辉;韩凯;丁宁;付中前;王云鹤 -专利权人：华为技术有限公司
申请日： 2023-05-16 - 公布日： 2023-09-12 - 主分类号： G06N3/084 文献下载
摘要：一种模型的训练方法，应用于人工智能技术领域。在该方法中，先将作为训练数据的多媒体数据输入至内容描述模型，由内容描述模型输出用于描述多媒体数据中内容的文本，并对该文本执行特征提取，得到文本特征；然后将该多媒体数据输入至待训练模型中，由待训练模型提取得到多媒体特征，进而基于该多媒体数据对应的文本特征和多媒体特征来构建损失函数，实现对待训练模型的训练。通过由内容描述模型来输出针对于多媒体数据的描述文本，能够提供多媒体数据中更多的细节信息，且基于文本特征和多媒体特征来构建损失函数，能够在文本特征和多媒体特征之间实现匹配，有助于增强模型对于多媒体数据的认知，进而有效地提高模型处理多媒体数据的精度。
一种模型训练方法相关装置

[发明专利]一种用于图像处理的神经网络的无监督预训练方法-CN202310656829.6在审
发明人：蓝如师;陈颖贤;罗笑南;杨睿 -专利权人：桂林电子科技大学;南宁桂电电子科技研究院有限公司
申请日： 2023-06-05 - 公布日： 2023-09-12 - 主分类号： G06N3/088 文献下载
摘要：本发明涉及神经网络无监督学习技术领域，具体涉及一种用于图像处理的神经网络的无监督预训练方法，包括如下步骤：首先将图像分成图像块，再进行掩膜操作，接着计算感知损失，计算对比损失与重建损失，最后利用损失进行训练。训练完毕以后，使用训练后的模型对输入图像处理，获得类别特征向量和重建的图像向量。本发明通过使用感知损失能够衡量掩膜操作对于神经网络的影响，同时使用对比损失使其特征更加明显，最后通过重建损失令网络学习如何将图像抽象为特征同时减少抽象过程中信息的丢失，提高了神经网络对于图像的特征提取能力。
一种用于图像处理神经网络监督训练方法

[发明专利]基于遗忘曲线的口算训练方法、装置、设备及存储介质-CN202310670202.6在审
发明人：梅前银 -专利权人：武汉达芬奇科技有限公司
申请日： 2023-06-07 - 公布日： 2023-09-12 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种基于遗忘曲线的口算训练方法、装置、设备及存储介质，涉及学习机技术领域。所述方法是在根据目标口算知识点的记忆次数，基于遗忘曲线确定下一次记忆时间节点后，若在下一次记忆时间节点到达前发生目标口算知识点重提事件，则使记忆次数自加1并重新确定下一次记忆时间节点，否则在下一次记忆时间节点到达时完成对应的再记忆任务，如此通过跳过执行部分再记忆任务，可以在保证口算训练效果的基础上，大大减少学生的且仅针对该目标口算知识点的所需再记忆任务及所需训练时间，进而可以避免学生浪费大量时间在重复题目的练习上，利于快速达成立竿见影的训练效果，便于实际应用和推广。
基于遗忘曲线口算训练方法装置设备存储介质