[发明专利]神经网络的处理方法及装置、存储介质、电子设备在审
| 申请号： | 201711090247.7 | 申请日： | 2017-11-08 |
| 公开（公告）号： | CN107944544A | 公开（公告）日： | 2018-04-20 |
| 发明（设计）人： | 何孟华;胡雨隆;何春江 | 申请（专利权）人： | 科大讯飞股份有限公司 |
| 主分类号： | G06N3/02 | 分类号： | G06N3/02 |
| 代理公司： | 深圳市华优知识产权代理事务所(普通合伙)44319 | 代理人： | 余薇 |
| 地址： | 230000 安徽省*** | 国省代码： | 安徽;34 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本公开提供一种神经网络的处理方法及装置、存储介质、电子设备。该方法包括获取网络层的输入向量和权重向量集合，所述权重向量集合包括N个原始权重向量，N为所述网络层的输出向量的个数；从所述权重向量集合中选取至少两个第一权重向量，并将所述至少两个第一权重向量替换为预设权重向量，所述至少两个第一权重向量为相似权重向量，且每个第一权重向量与所述输入向量的相关度小于预设相关度；利用所述输入向量以及处理后的权重向量集合，计算得到所述网络层的N个输出向量，所述处理后的权重向量集合包括所述权重向量集合中未被选取的原始权重向量、以及所述预设权重向量。如此方案，有助于降低神经网络的计算量，提高计算效率。 | ||
| 搜索关键词： | 神经网络 处理 方法 装置 存储 介质 电子设备 | ||
【主权项】：
一种神经网络的处理方法，其特征在于，所述方法包括：获取网络层的输入向量和权重向量集合，所述权重向量集合包括N个原始权重向量，N为所述网络层的输出向量的个数；从所述权重向量集合中选取至少两个第一权重向量，并将所述至少两个第一权重向量替换为预设权重向量，所述至少两个第一权重向量为相似权重向量，且每个第一权重向量与所述输入向量的相关度小于预设相关度；利用所述输入向量以及处理后的权重向量集合，计算得到所述网络层的N个输出向量，所述处理后的权重向量集合包括：所述权重向量集合中未被选取的原始权重向量、以及所述预设权重向量。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于科大讯飞股份有限公司，未经科大讯飞股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201711090247.7/，转载请声明来源钻瓜专利网。
- 同类专利
- 用于在卷积神经网络中进行矩阵处理的方法和设备-201880014717.8
- M·N·莫戴;S·加干纳坦;M·马修;J·T·琼斯 - 德克萨斯仪器股份有限公司
- 2018-01-12 - 2019-10-22 - G06N3/02
- 所描述的示例包括集成电路，该集成电路包括矢量乘法单元(314)，该矢量乘法单元(314)包括乘法/累加节点。矢量乘法单元(314)可操作以提供来自乘法/累加节点的输出。此外，集成电路包括：用于以矢量格式向矢量乘法单元提供第一数据的第一数据馈送器(312)；以及用于以矢量格式向矢量乘法单元提供第二数据的第二数据馈送器(310)。
- 使用用于深度神经网络的改进的训练和学习的方法和系统-201780088106.3
- 郭怡文;姚安邦;D.蔡;L.王;L.徐;P.胡;S.王;W.程;Y.陈 - 英特尔公司
- 2017-04-07 - 2019-10-18 - G06N3/02
- 公开了使用用于深度神经网络的改进的训练和学习的方法和系统。在一个示例中，深度神经网络包括多个层，并且每个层具有多个节点。对于多个层中的每个L层，每个L层的节点随机连接至L+1层中的节点。对于多个层中的每个L+1层，每个L+1层的节点以一对一的方式连接至后续L层中的节点。与每个L层的节点相关的参数是固定的。更新与每个L+1层的节点相关的参数，并且L是以1开始的整数。在另一示例中，深度神经网络包括输入层、输出层和多个隐藏层。输入层的输入和输出层的标签是与第一样本相关地确定的。使用高斯回归过程来估计第二样本与第一样本之间的不同对的输入和标签之间的相似性。
- 一种神经网络参数压缩方法及相关装置-201910402406.5
- 何施茗;李卓宙;唐杨宁;王进;邓玉芳;陈启民 - 长沙理工大学
- 2019-05-15 - 2019-09-24 - G06N3/02
- 本申请公开了一种神经网络参数压缩方法，包括：对低阶输入数据进行升阶处理，得到高阶输入数据；对所述高阶输入数据进行张量分解处理，得到高阶输出结果；根据所述低阶输入数据的阶数对所述高阶输出结果进行展开处理，得到低阶输出结果。通过将低阶输入数据升阶为高阶输入数据，然后再对高阶输入数据进行张量分解处理，最后将张量分解的结果展开为低阶输入数据相同阶数的参数，实现对低阶输入数据进行压缩，降低神经网络处理时的数据量，提高性能利用率。本申请还公开了一种神经网络参数压缩装置、计算机设备以及计算机可读存储介质，具有以上有益效果。
- 联邦学习模型训练方法、设备、系统及存储介质-201910538946.6
- 程勇;蔡杭;衣志昊;刘洋;陈天健 - 深圳前海微众银行股份有限公司
- 2019-06-20 - 2019-09-20 - G06N3/02
- 本发明公开了一种联邦学习模型训练方法、设备、系统及存储介质，该方法包括：向各参与设备发送携带联合模型参数和等待时长的模型更新请求消息；接收各参与设备根据本地数据和联合模型参数对待训练模型进行本地训练得到、并在确定有时间参与本次模型更新时发送的模型参数更新；对各模型参数更新进行处理得到最新的联合模型参数；统计各参与设备对本次模型更新的参与状态，根据统计结果得到下次模型更新的等待时长；在下次模型更新的模型更新请求消息中携带最新的联合模型参数和下次模型更新的等待时长，直到待训练模型处于收敛状态时将最新的联合模型参数作为待训练模型的最终参数。本发明实现了很好地兼顾联邦学习模型的训练时间和质量。
- 运行至少部分自动化的车辆的方法、设备和计算机程序-201910154846.3
- C.肖恩;J.托普;L.高尔霍夫;S.格雷尔 - 罗伯特·博世有限公司
- 2019-03-01 - 2019-09-10 - G06N3/02
- 本发明涉及运行至少部分自动化的车辆的方法、设备和计算机程序。本发明涉及一种用于运行至少部分自动化的车辆（10）的方法（30），该方法包括如下步骤：确定深度神经元网络的输出参量。深度神经元网络的输出参量根据所检测到的输入参量和多个表征深度神经元网络的参量以及至少一个激活函数（20）来确定。激活函数（20）将第一值域（21）的如下值线性地映射到第二值域（22）上，所述值在第一值域（21）的第一规定值（e）与第一值域（21）的第二规定值（a）之间。根据深度神经元网络的所确定的输出参量来操控车辆（10）。本发明还涉及一种用于实施该方法（30）的计算机程序和设备以及一种机器可读存储元件（12），在其上存储有该计算机程序。
- 基于物理条件采取动作-201880007175.1
- V·米塔尔;R·亚伯拉罕;O·科勒;V·朱;杜亮;周宁;A·C·弗吕特;A·W·李;F·K·F·伊莱维;J·萨卡 - 微软技术许可有限责任公司
- 2018-01-11 - 2019-09-03 - G06N3/02
- 设置针对其执行一个或多个标识动作的(多个)物理条件。这是经由物理图的使用来实现的，该物理图表示物理空间内并且由传感器观察的一个或多个物理实体的状态。系统针对物理条件的发生来监测物理图。如果发生物理条件，则执行一个或多个标识动作。这样的动作的标识可以在检测到物理条件之前发生，和/或可以推迟到直到物理条件发生。物理条件可以是单个物理条件，也可以是更复杂的物理条件。这样的动作可以包括诸如向用户呈现信息以及将通信发送给其他方等动作。但是，这些动作甚至可以包括物理动作。
- 信号段的自动叙述-201880007406.9
- V·米塔尔 - 微软技术许可有限责任公司
- 2018-01-12 - 2019-08-30 - G06N3/02
- 对信号段(实时或录制)中发生的内容的叙述的自动生成。要叙述的信号段是从物理图访问。在物理图中，信号段证明物理实体的状态，并且因此具有对信号段中描绘的内容的语义理解。然后，系统基于该语义理解自动确定物理实体在信号段内如何动作，并且基于所确定的动作构建活动的叙述。系统可以基于各种标准来确定叙述什么是有趣的。系统可以使用机器学习来确定叙述什么将会是有趣的。
- 支持感测特征的信号段的组织-201880006663.0
- V·米塔尔;O·科勒;R·亚伯拉罕 - 微软技术许可有限责任公司
- 2018-01-12 - 2019-08-27 - G06N3/02
- 用于随时间感测物理实体的特征的感测的信号的管理。生成感测的特征的计算机可导航图。对于每个感测的特征，将用于感测该特征的信号段与感测的特征计算机相关联。稍后，可以将感测的特征图导航到该特征。然后，所得到的(多个)信号段可以被访问，从而允许绘制产生感测的特征的信号证据。因此，本文中描述的原理允许对物理世界中的物理实体的感测的特征进行复杂和有组织的导航，并且允许快速绘制证明感测的特征的信号。
- 信息处理方法、信息处理装置、计算机可读存储介质-201780082338.8
- 内田祐介;酒泽茂之;永井有希 - 凯迪迪爱通信技术有限公司
- 2017-12-20 - 2019-08-23 - G06N3/02
- 一种信息处理方法，包括：从两个神经网络的模型的每一个模型中，读取层结构和层参数；对于所述两个神经网络的模型，从输入层开始顺序地，通过使用宽度优先搜索或深度优先搜索，比较在对应的隐藏层中被构造成图状形式的层，基于对应的层之间的相似度来确定所述两个神经网络的模型之间的匹配度。
- 一种基于SOM神经网络与K-均值聚类的窃电检测方法及系统-201910308311.7
- 刘厦;薛阳;王子龙;杨恒;徐英辉;林繁涛 - 中国电力科学研究院有限公司;国家电网有限公司
- 2019-04-17 - 2019-08-20 - G06N3/02
- 本发明公开了一种基于SOM神经网络与K‑均值聚类的窃电检测方法及系统，其中方法包括：从用户负荷曲线中随机抽取数据作为训练样本，并对所述训练样本进行归一化处理，获取处理样本；基于SOM神经网络对所述处理样本进行聚类，获取所述处理样本的聚类数和初始聚类中心；将所述聚类数和所述初始聚类中心作为K‑均值聚类的初始值，基于所述K‑均值聚类对所述处理样本进行聚类，获取用户负荷特征曲线；计算待检测用户负荷与其用户负荷特征曲线的欧式距离，获取所述待检测用户负荷与其用户负荷特征曲线的欧式距离；当所述欧式距离大于预先设定的阈值时，则将所述用户判断为窃电嫌疑用户。
- 用于深度学习的装置、方法和计算机程序产品-201680091938.6
- 李鸿杨 - 诺基亚技术有限公司
- 2016-12-30 - 2019-08-13 - G06N3/02
- 公开了用于深度学习的装置(10)、方法、计算机程序产品和计算机可读介质。所述装置(10)包括至少一个处理器(11)；包括计算机程序代码的至少一个存储器(12)，所述存储器(12)和所述计算机程序代码被配置为与所述至少一个处理器(11)一起工作，使得所述装置(10)在深度学习架构中使用二维激活函数，其中所述二维激活函数包括表示要激活的元素的第一参数和表示所述元素的邻居的第二参数。
- 一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法-201910356715.3
- 顾海洋;孙艳辉;吕日琴;陈晖;刘淑兰;步显勇;蔡金鑫 - 滁州学院
- 2019-04-29 - 2019-08-09 - G06N3/02
- 本发明属于食品快速检测领域，具体涉及一种便携式荧光光谱快速检测人工神经网络智能判别模型的建立方法，主要通过训练集食用植物油样本的酸价和过氧化值等理化数值和荧光光谱数据进行关联，建立食用植物油品质智能检测训练集模型，再通过训练集检测模型对测试集中的未知食用植物油样本进行模型预测，得到相关的未知食用植物油样本理化数值，通过比较预测结果和实际检测结果间的差别，对智能检测模型进行评价，最终获得最佳食用植物油智能检测模型。本发明方法既可以对待测样本荧光数据进行采集，又可以通过windows操作系统对便携式荧光光谱检测设备进行二次建模，可以对食用植物油特征性荧光物质进行快速响应，应用于食用植物油真伪快速辨别。
- 信息推送对象预测模型获取方法、终端及存储介质-201910341062.1
- 赖浩哲;刁奇标 - 深圳市豪斯莱科技有限公司
- 2019-04-25 - 2019-08-06 - G06N3/02
- 本发明提供一种信息推送对象预测模型获取方法、终端及存储介质，包括：接收初始脱敏数据集；根据预设的数据筛选策略在所述初始脱敏数据集中进行数据筛选，以得到筛选数据集；将所述筛选数据集中具有相同用户识别信息的数据进行合并，得到合并后数据集；根据预先设置的字段筛选策略在所述合并后数据集中进行目标数据获取，以得到训练集；将所述训练集中的输入字段值作为待训练深度神经网络的输入，将所述训练集中的输出字段值为待训练深度神经网络的输出对待训练深度神经网络进行训练，得到用于预测信息的目标推送对象的深度神经网络。本发明的实施例实现了对数据集中缺失字段的有效预测，无需人工回访以补全该缺失值，提高了数据处理效率。
- 基于神经网络的分类方法、装置、终端及可读介质-201910251875.1
- 周翊民;孙菁聪;庞昊然;胡静 - 中国科学院深圳先进技术研究院
- 2019-03-29 - 2019-07-30 - G06N3/02
- 本发明实施例公开了一种基于神经网络的分类方法、装置、终端及计算机可读介质，其中，所述方法包括：获取待分类的多媒体文件；将所述待分类的多媒体文件分别输入多个并行的训练好的自组织竞争神经网络模型，获取所述多个自组织竞争神经网络模型输出的备选分类结果；根据所述备选分类结果，确定与所述待分类的多媒体文件对应的目标分类结果。采用本发明实施例，可提高多媒体文件分类的准确性和分类效率。
- 生成式对抗神经网络的逐步修改-201811242789.6
- 泰罗·塔帕尼·卡拉斯;T·O·艾拉;萨穆利·马蒂亚斯·莱内;J·T·莱赫蒂宁 - 辉达公司
- 2018-10-24 - 2019-07-26 - G06N3/02
- 本发明公开了生成式对抗神经网络(GAN)的逐步修改。具体地，GAN通过展示许多示例来学习特定任务。在一种情景中，可以训练GAN以生成包括特定对象(例如人脸、自行车等)的新图像。当针对该任务训练GAN时，GAN的拓扑被修改，而不是训练具有预定特征拓扑和特征之间的互连的复杂GAN以学习任务。GAN的拓扑在开始时可以是简单的并且随着在训练期间GAN学习而变得更加复杂，最终演变为匹配复杂GAN的预定拓扑。在开始时，GAN学习任务的大规模细节(自行车有两个轮子)，然后，随着GAN变得更加复杂，学习更小的细节(轮子有轮辐)。
- 神经网络训练方法以及装置-201910110389.8
- 曹佳炯;李亮 - 阿里巴巴集团控股有限公司
- 2019-02-11 - 2019-07-19 - G06N3/02
- 本申请提供神经网络训练方法以及装置，所述神经网络训练方法，包括：将训练样本簇中的样本图像输入第一神经网络进行特征提取，获得所述样本图像在至少一个网络层级的图像特征；根据所述图像特征确定所述训练样本簇在所述网络层级的样本簇关系集合；根据所述样本簇关系集合确定对第二神经网络进行训练的损失函数；基于所述损失函数，采用所述训练样本簇对所述第二神经网络进行训练。该方法将高性能神经网络提取出的样本图像之间的关系迁移到轻量级神经网络，通过轻量级神经网络展现高性能神经网络的表现；同时，可将轻量级神经网络部署到计算资源有限的设备上，在计算资源有限的设备上实现高性能神经网络的表现。
- 人类体验到机器人和其他自主机器的高效传递-201680090974.0
- 马立伟;宋继强;张红 - 英特尔公司
- 2016-12-22 - 2019-07-16 - G06N3/02
- 描述了一种用于促进将人类体验传递到自主机器的机制。如本文所描述的，实施例的方法包括：促进由一个或多个传感器感测与用户相关的一个或多个输入；以及评估所述一个或多个输入以捕获所述用户的一个或多个行为特性。所述方法可以进一步包括：基于所述一个或多个行为特性来训练神经网络模型；以及将经训练的神经网络模型应用于计算装置，以便促进所述计算装置采用所述一个或多个行为特性来像所述用户一样表现。
- 一种训练模型的参数生成方法、装置及电子设备-201910253159.7
- 鞠策;陶睿涓 - 百度在线网络技术（北京）有限公司
- 2019-03-29 - 2019-07-05 - G06N3/02
- 本发明提供一种训练模型的参数生成方法、装置及电子设备，该方法包括：获取N组第一参数组，其中，每一第一参数组包括神经网络模型中的至少一个可调参数的参数值，N为大于1的整数；基于当前训练数据和N组第一参数组，确定目标参数组，其中，目标参数组为：N组第一参数组或者M组第二参数组中的一组参数组，M组第二参数组由N组第一参数组变化生成，M为正整数；将当前训练数据的训练模型的参数设置为目标参数组的参数。本发明实施例提供的训练模型的参数生成方法，使电子设备可以针对当前批的训练数据快速确定合适的训练模型，且操作便捷，提升获取训练模型的效率。
- 一种自动搜索深度神经网络架构的方法-201910225018.4
- 李鹏华;杨奕枫;黄子恒;方昳凡;滕飞宇 - 重庆邮电大学
- 2019-03-22 - 2019-06-28 - G06N3/02
- 本发明涉及一种自动搜索深度神经网络架构的方法，属于自动化设计深度神经网络架构技术领域，包括步骤S1：学习一个元控制器用于生成网络转换操作；S2：元控制器中使用单层双向长短期记忆网络作为编码器网络，并使用优化器对编码器网络进行训练；S3：使用编码器网络学习给定网络架构的低维表示；S4：将低维表示馈送到每个单独的行动者网络以生成特定类型的网络转换操作；S5：利用网络转换操作进行自动化网络架构空间搜索；S6：验证精确度。本发明能够利用先前训练过的网络的成果以及目标任务中现有的成功的架构来有效地搜索架构空间，具有更加出色的性能和效率。
- 一种模型应用方法、管理方法、系统及服务器-201910176811.X
- 杨绳春;李金锋 - 网宿科技股份有限公司
- 2019-03-08 - 2019-06-07 - G06N3/02
- 本发明公开了一种模型应用方法、管理方法、系统及服务器，其中，所述模型应用方法包括：接收用户终端发出的请求信息；确定与所述请求信息对应的目标业务场景；基于预设配置规则，确定与所述目标业务场景对应的目标调度规则；所述目标调度规则包括：目标模型的名称及目标顺序；根据所述目标调度规则中的目标顺序从存储的模型中调度目标模型进行信息处理，得到与所述请求信息对应的请求结果；将所述请求结果反馈给所述用户终端。本申请提供的技术方案，能够节省计算机资源和模型维护成本。
- 具有输出缓冲器反馈与遮蔽功能的神经网络单元-201610864055.6
- G·葛兰·亨利;泰瑞·派克斯;凯尔·T·奥布莱恩 - 上海兆芯集成电路有限公司
- 2016-09-29 - 2019-06-04 - G06N3/02
- 输出缓冲器用以装载N个文字，分配至N/J个互斥的输出缓冲文字群组。N个处理单元分配至N/J个互斥的处理单元群组。各个处理单元包括第一与第二多任务缓存器，一累加器与一算术单元。各个多任务缓存器包括至少J+1个输入与一输出，其中的第一输入从存储器接收操作数，其它输入接收相对应输出缓冲文字群组的文字。累加器提供其输出至相对应输出缓冲文字。算术单元对第一与第二多任务缓存器的输出以及累加器输出执行运算以产生结果累加至累加器。输出缓冲器包括一屏蔽输入以控制N个文字中那些文字会维持原本数值或是以相对应累加器输出进行更新。
- 用于使用惯性自动编码器来学习和预测时间序列数据的系统和方法-201780062129.7
- P.伯查德 - 高盛有限责任公司
- 2017-08-01 - 2019-06-04 - G06N3/02
- 一种方法包括使用计算网络（100）来学习和预测时间序列数据。计算网络被配置成接收时间序列数据并执行对时间序列数据的变换‑不变编码。计算网络包括一个或多个编码层（102、104、106）。该方法还包括通过变换的惯性调整来反馈对时间序列数据的未来预测。惯性调整维持计算网络中的不变量。计算网络可以进一步包括一个或多个池化层（108、110、112），每个池化层被配置成降低数据的维度，其中所述一个或多个池化层提供该编码的变换不变性。
- 用于增强学习的神经模型-201380063033.4
- 科里·M·蒂博;纳拉延·斯里尼瓦桑 - HRL实验室有限责任公司
- 2013-05-16 - 2019-05-28 - G06N3/02
- 一种用于增强学习和行动选择的神经模型，该神经模型包括多个通道、位于每个通道中的输入神经元组、位于每个通道中的输出神经元组，每个通道中的每组输入神经元耦接到每个通道中的每组输出神经元，还包括位于每个通道中的奖赏神经元组。每个通道的奖赏神经元组接收来自环境输入的输入，并且只耦接到奖赏神经元所属的通道中的输出神经元。如果通道的环境输入是正的，则相应通道的输出神经元被奖赏并具有增强的响应，否则，相应通道的输出神经元被惩罚并具有衰减的响应。
- 神经突触电路和脉冲神经网络电路-201811634214.9
- 满梦华;马贵蕾;张明亮;武翠霞;刘尚合 - 中国人民解放军陆军工程大学
- 2018-12-29 - 2019-05-24 - G06N3/02
- 本发明属于仿生电路技术领域，提供一种神经突触电路和脉冲神经网络电路。所述脉冲神经网络电路包括：多个输出兴奋性突触电流的神经突触电路、多个输出抑制性突触电流的神经突触电路和多个神经元仿生电路；神经元仿生电路包括充放电模块、钠通道模块和钾通道模块；钠通道模块输出钠通道电流，钾通道模块输出钾通道电流；充放电模块还根据突触电流和钠通道电流进行充电，以及根据钾通道电流进行放电，最后输出神经仿生脉冲，突触电流为兴奋性突触电流或抑制性突触电流。本发明的电路成本小、功耗低，模拟两种不同功能的神经突触，还模拟生物神经突触和神经元的动力学特性，产生的神经仿生脉冲更接近于真实的生物神经系统输出神经脉冲的动态特性。
- 一种基于CGBP算法的深度基准面拟合方法-201810433781.1
- 张亮;张佳丽;付晓梅;翟京生;常帅 - 天津大学
- 2018-05-08 - 2019-05-14 - G06N3/02
- 本发明公开了一种基于CGBP算法的深度基准面拟合方法，包括以下步骤：步骤A，确定网络结构，确定网络层数、节点数与传递函数；步骤B，采用基于Fletcher‑Reeves共轭梯度算法对网络进行训练；步骤C，对网络性能进行测试。本发明基于CGBP算法构建BP神经网络模型对深度基准面进行拟合，用于提高网络训练速度与拟合精度，相比于传统的深度基准面拟合方法，具有更好的拟合精度，且基于CGBP算法的BP网络所具有的泛化能力使该方法在海洋无缝深度基准面构建中，对不同海域的验潮站数据都具有较好的适用性。
- 翻拍图像识别方法、装置、计算机设备和存储介质-201811574530.1
- 徐国诚 - 平安科技（深圳）有限公司
- 2018-12-21 - 2019-05-14 - G06N3/02
- 本申请涉及图像检测技术领域，特别涉及一种翻拍图像识别方法、装置、计算机设备和存储介质。所述方法包括：获取待识别图像；根据待识别图像生成对应的哈尔特征图；从哈尔特征图中提取LBP特征值；计算所述LBP特征值在各预设特征值范围内的统计概率；将所述LBP特征值的统计概率输入神经网络模型，通过所述神经网络模型对所述LBP特征值的统计概率进行识别处理，获得第一翻拍概率；当所述第一翻拍概率达到概率阈值时，则所述待识别图像为翻拍图像。采用本方法能够避免翻拍图像而造成用户信息出现安全性问题。
- 神经网络模型运行方法及装置、以及存储介质-201910073661.X
- 孙智;陀健 - 网易（杭州）网络有限公司
- 2019-01-25 - 2019-05-10 - G06N3/02
- 本发明公开了一种神经网络模型运行方法及装置、以及存储介质。其中，该方法包括：根据前向计算框架的软件环境和硬件环境确定待运行神经网络模型的目标计算模式，其中，前向计算框架设置有至少一种计算模式，用于运行神经网络模型；根据目标计算模式在前向计算框架中运行待运行神经网络模型。本发明解决了由于相关技术中只包含前向计算功能的计算框架硬件兼容性差，计算速度慢，而导致神经网络训练模型运行效率低的技术问题。
- 基于人工智能的节能灯亮度调节方法及节能灯-201910079973.1
- 朱军;何鎏 - 浙江大川照明有限公司
- 2019-01-28 - 2019-05-10 - G06N3/02
- 本发明公开了一种基于人工智能的节能灯亮度调节方法，包括步骤：1)以光传感器采集到的环境亮度数据为x、灯具发光强度数据为y，对x与y进行配对并制作成数据集合D；2)数据集合D中的数据分为训练数据集和效果验证数据，使用训练数据集训练神经网络使之最终收敛；3)将由n个光传感器的测量值组成的向量作为神经网络的输入，经过神经网络的回归处理后，将神经网络输出作为节能灯驱动电路的输入，控制节能灯发光强度。节能灯包括灯体、神经网络模块、以及控制灯体的工作电压和电流的输出控制模块。本发明能实现灯具发光强度根据环境亮度自然变换，达到符合人类视觉的最佳照明效果。
- 用于高效数字对象分割的深度突出内容神经网络-201810886944.1
- 卢昕;林哲;沈晓辉;杨济美;张健明;J-C·J·陈;刘晨曦 - 奥多比公司
- 2018-08-06 - 2019-05-07 - G06N3/02
- 公开了用于利用一个或多个突出内容神经网络在数字视觉媒体中分割对象的系统、方法和非暂态计算机可读介质。具体地，在一个或多个实施例中，所公开的系统和方法训练一个或多个突出内容神经网络以高效地标识数字视觉媒体中的前景像素。此外，在一个或多个实施例中，所公开的系统和方法向移动设备提供经训练的突出内容神经网络，允许移动设备利用经训练的神经网络来直接地选择数字视觉媒体中的突出对象。此外，在一个或多个实施例中，所公开的系统和方法训练并提供多个突出内容神经网络，使得移动设备可以标识实时数字视觉媒体馈送中的对象(利用第一突出内容神经网络)并且标识静态数字图像中的对象(利用第二个突出内容神经网络)。
- 用于有效神经网络部署的系统和方法-201610772116.6
- 克里斯托弗·丰纳;布赖恩·卡坦扎罗 - 百度（美国）有限责任公司
- 2016-08-30 - 2019-05-07 - G06N3/02
- 公开了对于诸如神经网络部署的计算密集型任务实现有效引擎的系统和方法。提供本发明各实施方式，以针对在诸如实时语音转录的高流量应用中提高串流数据吞吐量的高吞吐量分批。在实施方式中，通过动态聚集成分批以及共同处理在未知定时下随机到达的用户请求来提高吞吐量，使得并非所有数据在进行分批时便立即呈现。一些实施方式允许利用预处理来执行流分类。性能增益允许更有效地使用计算引擎并且极大降低了大规模部署大型神经网络的成本，同时满足严格的应用要求并使增加的计算延迟相对较小，从而保持令人满意的应用体验。
- 专利分类
