“瓦希德·帕托维·尼亚”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]使用和积网络进行双向翻译的系统和方法-CN202080101974.2在审
发明人：梅赫迪·雷扎霍利扎德;瓦希德·帕托维·尼亚;穆迪·阿克马尔·海达尔;帕斯卡·普帕特 -专利权人：华为技术有限公司
申请日： 2020-07-02 - 公布日： 2023-04-04 - 主分类号： G06F40/40 文献下载
摘要：本发明描述了一种用于文本序列在第一语言和第二语言之间进行双向翻译的方法和机器翻译系统。所述机器翻译系统包括：第一自动编码器，用于接收所述第一语言的第一文本序列的向量表示，并且将所述第一文本序列的所述向量表示编码为第一句子嵌入；和积网络(sum‑product network，SPN)，用于接收所述第一句子嵌入，并且通过在已知所述第一句子嵌入的情况下最大化第二句子嵌入的第一条件概率，生成所述第二句子嵌入；第二自动编码器，用于接收所述第二句子嵌入，其中，训练所述第二自动编码器将所述第二句子嵌入解码为所述第二语言的第二文本序列的向量表示。
使用网络进行双向翻译系统方法

[发明专利]用于经训练神经网络的低资源计算块-CN202080101532.8在审
发明人：李忻林;瓦希德·帕托维·尼亚 -专利权人：华为技术有限公司
申请日： 2020-06-19 - 公布日： 2023-01-31 - 主分类号： G06N3/082 文献下载
摘要：一种计算块，所述计算块用于通过以下方式执行推理任务：将多个低资源计算操作应用于二元输入特征张量，以生成整数特征张量，所述整数特征张量相当于对三元权重张量和所述二元输入特征张量执行的乘法累加运算的输出；将所述生成的整数特征张量与比较阈值进行比较运算，以生成二元输出特征张量。使用所述第一权重张量和所述第二权重张量将所述多个低资源计算操作应用于所述二元输入特征张量，所述第一权重张量和所述第二权重张量各自包括n个二元元素，并且共同表示所述三元权重张量的相应n个元素。
用于训练神经网络资源计算

[发明专利]用于选择训练对象的系统和方法-CN201980054185.5有效
发明人：阿里·瓦赫达特;瓦希德·帕托维·尼亚 -专利权人：华为技术有限公司
申请日： 2019-08-15 - 公布日： 2022-10-18 - 主分类号： H04J14/02 文献下载
摘要：本发明描述用于训练机器学习(ML)模型以预测多信道放大器设备的目标信道的增益的方法和系统。可使用训练对象的现有集合预先训练ML模型。接着可利用训练后ML模型来建议待标记的另外的有用的训练对象，这将通过在给定信道输入的接通/断开值的情况下更精确地预测目标信道增益来改进ML模型的性能。
用于选择训练对象系统方法

[发明专利]用于量化神经网络的权重和输入的训练方法-CN202080062073.7在审
发明人： 瓦希德·帕托维·尼亚;瑞安·拉扎尼 -专利权人：华为技术有限公司
申请日： 2020-09-24 - 公布日： 2022-07-15 - 主分类号： G06N3/08 文献下载
摘要：训练神经网络以选择性地将所述神经网络的滤波器的权重量化为二进制权重或三进制权重。执行多个训练迭代，每个训练迭代包括：量化滤波器的一组实值权重，以生成对应一组量化权重；基于输入特征张量与所述一组量化权重的矩阵乘法，生成输出特征张量；基于所述输出特征张量，计算基于正则化函数的损失，所述正则化函数用于在以下任一种情况下使所述损失接近最小值：(i)所述量化权重接近二进制权重，或者(ii)所述量化权重接近三进制权重；计算梯度，以最小化所述损失为目标；基于所述计算的梯度，更新所述实值权重。当所述训练迭代完成时，将根据所述更新的实值权重量化的一组权重存储为一组二进制权重或一组三进制权重。
用于量化神经网络权重输入训练方法

[发明专利]神经网络剪枝-CN202080060921.0在审
发明人： 瓦希德·帕托维·尼亚;拉姆查拉姆·基纳丁卡拉·拉马克里希南;埃尤布·哈赫米·莎莉 -专利权人：华为技术有限公司
申请日： 2020-09-05 - 公布日： 2022-04-12 - 主分类号： G06N3/08 文献下载
摘要：一种用于在训练期间剪枝神经网络的神经网络(neural network，NN)块的方法和系统，所述NN块包括：卷积运算，所述卷积运算用于使用多个滤波器对输入特征图进行卷积，每个所述滤波器包括多个权重，以生成多个滤波器输出，每个所述滤波器输出对应于相应的滤波器；激活运算，所述激活运算用于为每个所述滤波器输出生成相应的非线性化输出；比例运算，所述比例运算用于通过将所述非线性化输出与掩码函数以及对应于所述滤波器的相应比例因子相乘，按比例缩放针对每个所述滤波器生成的所述非线性化输出。在训练期间：对于对应于滤波器的每个比例因子，通过最小化包括关于所述比例因子的第一正则化函数的损失函数的损失来学习所述比例因子；当所述比例因子的值满足预定标准时，通过从所述卷积运算中屏蔽所述滤波器来对与所述比例因子对应的所述滤波器进行选择性地剪枝。
神经网络剪枝