“C·迪基奇”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16个，建议您升级VIP下载更多相关专利

[发明专利]离散傅立叶相关变换的硬件实施-CN202211259113.4在审
发明人： S·拉曼蒂亚;J·伊姆伯;C·迪基奇;T·阿瑟顿 -专利权人：想象技术有限公司
申请日： 2022-10-14 - 公布日： 2023-04-21 - 主分类号： G06N3/063 文献下载
摘要：离散傅立叶相关变换的硬件实施。公开了一种使用硬件加速器执行离散傅立叶相关变换的机制，所述硬件加速器包括固定功能电路系统，所述固定功能电路系统包括被配置为执行一个或多个卷积运算的卷积硬件。在所述离散傅立叶相关变换中使用的矩阵乘法运算由所述卷积硬件使用卷积运算来执行。所述卷积运算的卷积核是从表示所述矩阵乘法运算的被乘数或乘数的权重矩阵中导出的。
离散傅立叶相关变换硬件实施

[发明专利]ARGMAX或ARGMIN在硬件中的实施-CN202210733526.5在审
发明人： A·阿马迪;M·阿萨德;C·迪基奇;E·康多雷利 -专利权人：想象技术有限公司
申请日： 2022-06-27 - 公布日： 2023-01-13 - 主分类号： G06N3/063 文献下载
摘要：ARGMAX或ARGMIN在硬件中的实施。一种用于在包括固定功能电路系统的硬件加速器上根据神经网络过程处理数据的机制，所述神经网络过程包括具有相关联的argmax或argmin函数的神经网络。将所述argmax或argmin函数映射到可用于所述固定功能电路系统的基本神经网络运算的集合。然后使用所述固定功能电路系统执行所述神经网络过程。使用所述神经网络过程处理的数据包括图像和/或音频数据。
argmax argmin 硬件中的实施

[发明专利]在硬件中实施池化和反池化或反向池化-CN202210733532.0在审
发明人： A·阿马迪;M·阿萨德;C·迪基奇;E·康多雷利 -专利权人：想象技术有限公司
申请日： 2022-06-27 - 公布日： 2023-01-13 - 主分类号： G06N3/063 文献下载
摘要：在硬件中实施池化和反池化或反向池化。一种用于在包括固定功能电路系统的硬件加速器上根据神经网络过程来处理数据的机制，所述神经网络过程包括池化、反池化或反向池化和/或二进制argmax/argmin函数。将所述函数映射到能够供所述固定功能电路系统使用的基本神经网络运算集合。随后使用所述固定功能电路系统执行所述神经网络过程。使用所述神经网络过程处理的所述数据包括图像和/或音频数据。
硬件实施反池化反向

[发明专利]包括矩阵乘法的神经网络-CN202210739664.4在审
发明人： B·乔杜里;A·阿马迪;J·伊姆伯;C·迪基奇;T·阿瑟顿 -专利权人：想象技术有限公司
申请日： 2022-06-28 - 公布日： 2022-12-30 - 主分类号： G06N3/063 文献下载
摘要：本申请涉及包括矩阵乘法的神经网络。本发明公开了一种用于实施包含至少一个矩阵乘法运算的神经网络的方法和数据处理系统。矩阵乘法运算被映射到包括至少一个逐元素运算的神经网络运算图。至少一个逐元素运算在神经网络加速器的固定功能硬件中实施。
包括矩阵乘法神经网络

[发明专利]双向RNN的数字格式选择-CN202210748373.1在审
发明人： B·乔杜里;C·迪基奇;J·罗杰斯;P·席尔瓦 -专利权人：想象技术有限公司
申请日： 2022-06-29 - 公布日： 2022-12-30 - 主分类号： G06N3/04 文献下载
摘要：双向RNN的数字格式选择。选择数字格式的计算机实施方法，数字格式用于配置BRNN硬件实施以对输入序列进行运算，方法包括：接收BRNN的表示；将输入张量序列上的BRNN的表示实施为测试神经网络，测试神经网络的每一步长都用于对a)序列的输入张量、b)关于序列的后续输入张量生成的对应后向状态张量，c)关于序列的先前输入张量生成的对应前向状态张量进行运算，测试神经网络包括：前向递归神经网络，用于对序列的输入张量上的前向状态张量进行运算；后向递归神经网络，用于对序列的输入张量上的后向状态张量进行运算；对输入张量序列操作测试神经网络，收集统计数据以提供给数字格式选择算法；将数字格式选择算法应用于统计数据。
双向 rnn 数字格式选择

[发明专利]在硬件中运行双向递归神经网络-CN202210750389.6在审
发明人： B·乔杜里;C·迪基奇;J·罗杰斯;P·席尔瓦 -专利权人：想象技术有限公司
申请日： 2022-06-29 - 公布日： 2022-12-30 - 主分类号： G06N3/063 文献下载
摘要：在硬件中运行双向递归神经网络。一种在硬件中实施用于对输入序列进行运算的双向递归神经网络(BRNN)的方法，BRNN的每一步长都用于对(a)序列的输入、(b)关于序列的后续输入生成的对应后向状态，以及(c)关于序列的先前输入生成的对应前向状态进行运算，方法包括：接收BRNN的表示；将BRNN的表示变换成等价于输入序列上的BRNN的微分神经网络，微分神经网络包括：前向递归神经网络(RNN)，前向递归神经网络用于对序列的输入的前向状态进行运算；和后向递归神经网络(RNN)，后向递归神经网络用于对序列的输入的后向状态进行运算；以及在硬件中实施微分神经网络以便对输入序列执行BRNN。
硬件运行双向递归神经网络

[发明专利]用于生成关于卷积层权重的损失函数的梯度的方法和系统-CN202210269449.2在审
发明人： A·阿马迪;C·迪基奇 -专利权人：想象技术有限公司
申请日： 2022-03-18 - 公布日： 2022-09-27 - 主分类号： G06N3/04 文献下载
摘要：用于生成关于卷积层权重的损失函数的梯度的方法和系统。针对神经网络(NN)生成关于所述NN的卷积层的权重的损失度量的梯度的方法和系统，所述NN的卷积层配置成接收输入值的输入张量和权重的权重张量并生成输出值的输出张量。所述方法包括使用硬件逻辑执行第一y维张量与第二z维张量之间的组卷积，其中z＝y+1，第一y维张量由来自输入张量的一组值形成，并且第二z维张量由来自输出梯度张量的一组值形成，所述输出梯度张量包括针对所述NN关于所述输出值的所述损失度量的梯度；其中所述第一y维张量、所述第二z维张量和所述组卷积配置成生成所述输入张量的所述一组值的每个通道与所述输出梯度张量的所述一组值的每个通道之间的卷积运算的输出。
用于生成关于卷积权重损失函数梯度方法系统

[发明专利]SOFTMAX和指数在硬件中的实施-CN202210173368.2在审
发明人： J·英伯;B·乔杜里;C·迪基奇;T·阿瑟顿;A·阿马迪 -专利权人：想象技术有限公司
申请日： 2022-02-24 - 公布日： 2022-08-30 - 主分类号： G06N3/04 文献下载
摘要：本公开涉及SOFTMAX和指数在硬件中的实施。公开了用于在神经网络加速器硬件中实施指数运算和softmax神经网络层的方法。还公开了一种实施所述指数运算的数据处理系统和一种实施所述softmax层的数据处理系统。所述指数运算或softmax层映射到多个基本的神经网络运算，并且所述神经网络加速器硬件评估这些运算，以分别产生所述运算或层的结果。
softmax 指数硬件中的实施

[发明专利]在硬件中实施扩张卷积-CN202210064367.4在审
发明人： A·阿马迪;C·迪基奇;C·查奈 -专利权人：想象技术有限公司
申请日： 2022-01-20 - 公布日： 2022-07-26 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了在硬件中实施扩张卷积。提供了一种在硬件中实施扩张卷积运算的方法和数据处理系统。实施方案提供了基于许多组成卷积来实施扩张卷积的各种方法，要么通过拆分核来构建具有较小的核的一组组成卷积，要么通过将输入数据分成多个部分并且将卷积单独地应用于每个部分。在硬件中评估组成卷积，并且组合其结果以产生该扩张卷积的结果。
硬件实施扩张卷积

[发明专利]包括矩阵乘法的神经网络-CN202111669283.5在审
发明人： B·乔杜里;A·阿马迪;J·英伯;C·迪基奇;T·阿瑟顿 -专利权人：想象技术有限公司
申请日： 2021-12-31 - 公布日： 2022-07-08 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了包括矩阵乘法的神经网络。本发明公开了一种用于实施包含至少一个矩阵乘法运算的神经网络的方法和数据处理系统。所述矩阵乘法运算被映射到包括至少一个变换和至少一个卷积的神经网络运算图。所述至少一个卷积在神经网络加速器的固定功能硬件中实施。
包括矩阵乘法神经网络

[发明专利]在硬件中实现全连接神经网络层-CN202111600769.3在审
发明人： M·阿萨德;C·迪基奇 -专利权人：想象技术有限公司
申请日： 2021-12-24 - 公布日： 2022-07-08 - 主分类号： G06N3/04 文献下载
摘要：在硬件中实现全连接神经网络层。公开了用于在硬件中实现神经网络的一个或多个全连接层的方法和数据处理系统。根据实施例，至少一个全连接层的系数数据被加载到硬件加速器的输入缓冲器中，并且至少一个全连接层的输入数据被加载到硬件加速器的系数缓冲器中。
硬件实现连接神经网络

[发明专利]训练神经网络-CN202111563574.6在审
发明人： M·阿萨德;E·康多雷利;C·迪基奇 -专利权人：想象技术有限公司
申请日： 2021-12-20 - 公布日： 2022-06-24 - 主分类号： G06N3/04 文献下载
摘要：一种计算机实现的训练神经网络的方法，所述神经网络被配置为将一组系数与相应的输入数据值进行组合，所述方法包括：为了训练所述神经网络的测试实现方式：根据稀疏性参数将稀疏性应用于所述系数中的一个或多个系数，所述稀疏性参数指示待应用于所述系数集的稀疏性水平；使用所述系数对训练输入数据操作所述神经网络的所述测试实现方式，以便形成训练输出数据；根据所述训练输出数据，评估所述神经网络的准确性；并且根据所述神经网络的所述准确性来更新所述稀疏性参数；以及根据所述更新的稀疏性参数来配置所述神经网络的运行时实现方式。
训练神经网络

[发明专利]压缩系数集以供随后在神经网络中使用-CN202111562170.5在审
发明人： M·阿萨德;E·康多雷利;C·迪基奇 -专利权人：想象技术有限公司
申请日： 2021-12-20 - 公布日： 2022-06-24 - 主分类号： G06N3/04 文献下载
摘要：提供了一种压缩系数集以供随后在神经网络中使用的方法，该方法包括：将稀疏性应用于多个系数组，每一组包括预定义的多个系数；以及根据与系数组配准的压缩方案来压缩系数组，以便通过整数个一个或多个压缩值来表示每个系数组。
压缩系数随后神经网络使用

[发明专利]在三个或更多个维度中的加窗运算的硬件实施方式-CN202111091907.X在审
发明人： I·谢思;A·阿马迪;J·英伯;C·迪基奇 -专利权人：想象技术有限公司
申请日： 2021-09-17 - 公布日： 2022-03-29 - 主分类号： G06N3/063 文献下载
摘要：本发明涉及在三个或更多个维度中的加窗运算的硬件实施方式。公开了一种数据处理系统和方法，用于在至少三个遍历维度中实施加窗运算。所述数据处理系统将至少三个遍历维度中的所述加窗运算映射到两个遍历维度中的多个组成的加窗运算。所述多个2‑D加窗运算照此在至少一个硬件加速器中实施。所述数据处理系统汇编所述组成的2‑D加窗运算的所述结果，以产生至少三个遍历维度中的所述加窗运算的所述结果。
三个更多维度中的运算硬件实施方式

[发明专利]循环神经网络中的数字格式选择-CN202110753342.0在审
发明人： M·阿萨德;E·康多雷利;J·英伯;C·迪基奇 -专利权人：想象技术有限公司
申请日： 2021-07-02 - 公布日： 2022-01-04 - 主分类号： G06N3/06 文献下载
摘要：循环神经网络中的数字格式选择。一种计算机实现的方法，所述计算机实现的方法选择用于表示用在配置循环神经网络(RNN)的硬件实施中的所述RNN的两个或更多个值的数字格式，所述方法包括：接收所述RNN的表示；将所述RNN的所述表示实施为用于对测试输入序列进行运算的测试神经网络，所述测试神经网络的每个步骤包括所述RNN的所述两个或更多个值的实例；针对所述测试输入序列运算所述测试神经网络进行多个步骤，并且收集统计数据以提供给数字格式选择算法；以及将数字格式选择算法应用于所述统计数据，以便导出所述RNN的所述两个或更多个值的所述多个实例的通用数字格式。
循环神经网络中的数字格式选择

1
2
下一页»
尾页
共 16 条