“宁雪妃”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]面向3D目标检测算法的高效神经网络架构搜索方法及装置-CN202310799193.0在审
发明人：杜璇;宁雪妃;赵亚丽;汪玉;廖庆敏 -专利权人：清华大学
申请日： 2023-06-30 - 公布日： 2023-09-22 - 主分类号： G06N3/08 文献下载
摘要：本申请涉及一种面向3D目标检测算法的高效神经网络架构搜索方法及装置，方法包括：基于预先训练的超网模型，采样得到至少一个神经网络子架构，生成其单次和零次评估策略，并分别评估每个神经网络子架构的性能，得到最优神经网络子架构，同时采用独立评估策略对最优神经网络子架构进行独立训练，得到至少一个神经网络子架构的性能预测器；获取至少一个神经网络子架构的延迟数据训练延迟预测器，基于性能预测器和延迟预测器，结合帕累托进化算法搜索得到最优神经网络架构。由此，解决了在搜索过程需要耗费大量计算资源，且网络架构搜索精度低、高延迟的问题，通过采用多种评估策略训练对应的性能预测器，提高了网络架构的搜索效率及精度。
面向目标检测算法高效神经网络架构搜索方法装置

[发明专利]一种模型的部署方法及装置-CN202310537759.2在审
发明人：陆璞;李文硕;宁雪妃;孙寒泊;陈醒濠;汪玉;王云鹤 -专利权人：华为技术有限公司;清华大学
申请日： 2023-05-12 - 公布日： 2023-09-05 - 主分类号： G06N3/0464 文献下载
摘要：本申请提供一种模型的部署方法，包括获取待部署的神经网络模型，该神经网络模型包括多个融合层，该融合层依次包括批正则化层、激活层和卷积层；将神经网络模型部署到存在读和/或写错误的计算设备上；将训练样本作为神经网络模型的输入，利用上一层卷积层的输出，校准当前层批正则化层的参数。本申请通过将融合层的融合顺序修改为批正则化层、激活层和卷积层，将卷积层和批正则化层进行解耦，可实现利用上一层卷积层的输出校准当前层批正则化层的均值和方差，大幅度消除计算设备的读写错误对其上部署的神经网络模型的推理结果的影响。
一种模型部署方法装置

[发明专利]用于自动驾驶的神经网络架构自动优化部署方法及装置-CN202010520900.4有效
发明人：唐长成;陆天翼;李文硕;宁雪妃 -专利权人：北京超星未来科技有限公司
申请日： 2020-06-10 - 公布日： 2023-06-27 - 主分类号： G06F16/9535 文献下载
摘要：本发明实施例公开一种用于自动驾驶的神经网络架构自动优化部署方法及装置。该方法包括：获取客户端发送的初始数据，根据初始数据得到训练数据集和测试数据集；接收客户端发送的搜索配置条件；从与搜索空间范围匹配的搜索空间中抽样得到候选网络架构，根据训练数据集对各候选网络架构进行预设数量的训练得到各候选网络模型，根据测试数据集计算各候选网络模型的回报值；确定回报值从高到低排列的前N个候选网络模型，对各候选网络模型进行训练得到目标网络模型，并根据测试数据集计算各目标网络模型的准确率，将准确率最高的目标网络模型作为最终网络模型，并自动部署最终网络模型。应用本发明实施例提供的方案，能够提高模型优化效率。
用于自动驾驶神经网络架构优化部署方法装置

[发明专利]面向存算一体架构的软硬件联合搜索方法、装置及设备-CN202210226668.2在审
发明人：汪玉;孙寒泊;朱振华;宁雪妃 -专利权人：清华大学
申请日： 2022-03-09 - 公布日： 2022-11-04 - 主分类号： G06N3/08 文献下载
摘要：本申请涉及软硬件联合设计技术领域，特别涉及一种面向存算一体架构的软硬件联合搜索方法、装置及设备，其中，方法包括：获取存算一体架构的多组设计参数和每组设计参数的所有可能取值，并对所有可能取值进行组合，生成软硬件联合设计空间；在搜索开始时，构造种群，并采用多轮迭代的方式对联合设计空间进行搜索，得到满足待优化目标的候选设计参数，基于候选设计参数对种群进行更新，并利用种群中每个候选设计参数的优先级裁剪联合设计空间，且在裁剪后的联合设计空间中，搜索满足待优化目标的目标设计参数，并基于目标设计参数生成目标网络模型和目标硬件架构。由此，能够实现对于网络模型和硬件架构的联合高效设计，避免了繁琐的手工优化。
面向一体架构软硬件联合搜索方法装置设备

[发明专利]针对神经网络的软硬件联合攻击方法及装置-CN201810371573.3在审
发明人：李文硕;汪玉;余金城;宁雪妃;王鹏军;魏琦;杨华中 -专利权人：清华大学
申请日： 2018-04-24 - 公布日： 2018-09-28 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种针对神经网络的软硬件联合攻击方法及装置，其中，方法包括以下步骤：通过软件层面的预设训练流程将含有木马的子神经网络隐藏在原有的神经网络中，以在不影响原有的神经的精度下，植入木马；判断是否满足攻击条件；如果满足攻击条件，则通过硬件层面的预设硬件木马电路触发含有木马的子神经网络，以达到软硬件联合攻击的目的。该方法通过软件和硬件结合的方式在无需修改输入图片的情况下实现对神经网络的攻击，从而有效增减攻击的隐蔽性、可行性，简单易实现。
神经网络木马攻击软硬件攻击条件原有的预设电路触发软件层面输入图片硬件层面硬件结合联合植入隐蔽性神经