[发明专利]一种循环神经网络精度和分解秩的自动搜索方法和装置在审

专利信息
申请号: 202080003956.0 申请日: 2020-12-30
公开(公告)号: CN112771545A 公开(公告)日: 2021-05-07
发明(设计)人: 朱雪娟;常成;管子义;杜来民;李凯;毛伟;余浩 申请(专利权)人: 南方科技大学
主分类号: G06N3/04 分类号: G06N3/04;G06N3/08
代理公司: 北京品源专利代理有限公司 11332 代理人: 蒋黎丽;胡彬
地址: 518055 广东省*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要: 本申请实施例公开了一种循环神经网络精度和分解秩的自动搜索方法和装置,其中方法包括:初始化超网络,并循环执行如下操作:从超网络中采样出子网络,并对采样出子网络进行性能评估;根据性能评估结果,自动搜索目标超参数组合,根据目标超参数组合更新超网络的超参数;针对调整超参数后的超网络,返回执行采样子网络,并对采样出子网络进行性能评估的操作;响应于性能评估结果满足预设条件,将超网络当前的分解秩和每层网络的量化值输出。本申请实施例中,根据性能评估结果,不搜索并更新整超网络的分解秩和每层网络各自对应的量化值,以实现快速搜索模型压缩需要的最优分解秩和每层网络的最优量化值的目的。
搜索关键词: 一种 循环 神经网络 精度 分解 自动 搜索 方法 装置
【主权项】:
暂无信息
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南方科技大学,未经南方科技大学许可,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/202080003956.0/,转载请声明来源钻瓜专利网。

同类专利
  • 基于模拟退火算法优化BP神经网络的空调冷负荷预测方法-202010414114.6
  • 于军琪;黄馨乐;赵安军;王福 - 西安建筑科技大学
  • 2020-05-15 - 2023-05-02 - G06N3/04
  • 本发明公开了基于模拟退火算法优化BP神经网络的空调冷负荷预测方法,选取影响T时刻空调冷负荷的输入变量,输入变量包括T时刻的室外空气温度以及T时刻之前的室外空气温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、T时刻的相对湿度、T时刻的室外风速和T时刻之前的空调冷负荷,利用关联度分析法分析输入变量与T时刻空调冷负荷的相关性,剔除关联度低于0.8的输入变量,保留剩余输入变量;根据保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网络;利用模拟退火算法优化BP神经网络;利用优化后的BP神经网络进行负荷预测,得到预测值。本发明克服了BP神经网络在权值选择上的随机性,降低了空调冷负荷预测偏差大的问题。
  • 基于深度学习神经网络的海洋风能降尺度方法-202010291146.1
  • 张双益 - 四川北控清洁能源工程有限公司
  • 2020-04-14 - 2023-05-02 - G06N3/04
  • 本发明公开了一种基于深度学习神经网络的海洋风能降尺度方法,即:采集一段时期,0.2~0.3°高分辨率再分析数据中逐日海面100m风场数据,1~3°低分辨率再分析数据中逐日海面10m风场和海平面气压场数据,1~3°低分辨率全球气候模式数据中逐日海面10m风场和海平面气压场数据;将采集的数据进行归一化处理;训练深度学习神经网络模型;应用深度学习神经网络模型,得到目标区域降尺度后的0.2~0.3°高分辨率的逐日海面100m风场数据。本发明通过深度学习神经网络,提取数据蕴含的内在特征和本质规律,减小降尺度误差,使得海洋风能的预测更准确。
  • 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统-201910724065.3
  • 史帅彬;李锐;王雅倩;王灏;周洪;胡文山;周东国 - 深圳供电局有限公司
  • 2019-08-07 - 2023-05-02 - G06N3/04
  • 本发明提供一种基于Bi‑LSTM算法的非侵入式负荷检测方法,包括获取负荷系统入口处的有功功率,并根据有功功率,得到负荷投入及切除事件时刻;确定时间特征向量,并获取负荷投入及切除事件时刻各自对应时间特征向量的时间序列数据;构建Bi‑LSTM神经网络模型,该模型输入为负荷投入与切除事件的时间序列数据组合,输出为待辨识设备的概率值;基于投入及切除事件时刻,建立匹配的时间序列数据组合,基于Bi‑LSTM神经网络模型计算同一次负荷投入或负荷切除事件的概率值,将每次所得概率值最大的待辨识设备为对应负荷投入或切除事件发生的设备。实施本发明,能够提升现有的非侵入式负荷辨识算法在辨识多状态负荷和小功率负荷时的辨识性能和计算效率。
  • 缝纫机及其使用方法-202180043816.0
  • L·克瓦恩斯特兰德;M·尼尔森;A·席安德 - 胜家采购有限公司
  • 2021-06-18 - 2023-04-07 - G06N3/04
  • 一种示例性的缝纫机,包括缝纫头、保持针的针杆、用于在缝纫操作期间移动针的马达、用户界面、数据采集装置、数据存储装置和处理器。数据采集装置采集与缝纫机、缝纫机周围的环境、缝纫材料、由缝纫机执行的缝纫操作以及用户与缝纫机的一个或多个交互中的至少一个相关的数据。数据存储装置存储采集的数据和与神经网络相关的数据。处理器通过神经网络处理采集的数据以生成处理过的数据。基于处理过的数据,处理器控制用户界面、数据存储装置和马达中的至少一个。
  • 一种基于预训练和图神经网络的功能脑网络分类方法-202110545947.0
  • 胡金龙;李腾辉;黄旸珉;吴悦豪;董守斌 - 华南理工大学
  • 2021-05-19 - 2023-02-14 - G06N3/04
  • 本发明公开了一种基于预训练和图神经网络的功能脑网络分类方法,包括步骤:1)获取fMRI数据,并进行预处理;2)对fMRI数据进行大脑区域划分并提取特征,以图的形式构建功能脑网络;3)将无标签的的功能脑网络输入节点编码层训练;4)通过节点信息聚合网络训练;5)将步骤3)和4)的输出通过边关系预测网络训练;6)将带标签的功能脑网络数据输入步骤3)训练后的节点编码层训练;7)在步骤4)训练后的节点信息聚合网络中进行训练;8)通过功能脑网络分类模型,进行训练和分类。本发明利用大量无标签脑网络数据,通过对图神经网络的预训练,使完成预训练的网络只需在少量标签数据上训练即可适应下游的功能脑网络分类任务。
  • 一种基于LSTM的预测目标运动的方法-202110917552.9
  • 宁立江;陆小科 - 中国电子科技集团公司第十四研究所
  • 2021-08-11 - 2023-02-14 - G06N3/04
  • 本发明公开了一种基于LSTM的预测目标运动的方法,使用训练集训练模型,使用验证集评估模型,根据在验证集上获得的效果调整参数,迭代上述过程,选择在验证集上获得最佳效果的模型,使用测试集确认模型的效果,采用LSTM设计预测网络结构,训练数据依次通过序列输入层、LSTM层、全链接层、回归输出层,在当前时刻t向后预测目标在Δt后的的运动特征,第一个LSTM单元用初始状态更新状态并输出,向第二个单元传递,最后一个LSTM单元输出最终状态;本发明在线实时预测目标航迹点的高度和垂直方向的速度,以均方根误差为评估指标,利用深度学习方法,实现目标运动特征的智能预测,提取目标序列的智能处理方法,扩展应用于其他类目标序列处理。
  • 人工免疫模型获得方法和终端设备-202110893763.3
  • 李贝贝;郭宇清;毛红晶;李涛;何俊江 - 四川大学
  • 2021-08-04 - 2023-02-10 - G06N3/04
  • 本发明公开一种免疫检测器训练方法,包括:利用预设免疫检测器模型,在历史抗原数据中确定出目标自抗体和目标非自抗体;基于目标自抗体和预设免疫检测器模型的预设自抗体,获得更新自抗体;基于目标非自抗体和预设自抗体,获得更新抗原;利用更新自抗体和更新抗原,对预设免疫检测器模型进行更新,以获得更新后的预设免疫检测器模型。本发明还公开一种免疫检测器训练装置、终端设备以及存储介质。利用本发明的方法,不需要重新构建新的神经网络检测模型,省去了构建新的预设免疫检测器模型的时间,从而大大减少了预设免疫检测器模型的获得时间,提高了预设免疫检测器训练效率。
  • 卷积神经网络的计算方法、片上系统和电子设备-202110897011.4
  • 孙伟昶 - 安谋科技(中国)有限公司
  • 2021-08-05 - 2023-02-03 - G06N3/04
  • 本申请涉及神经网络领域,公开了一种卷积神经网络的计算方法、片上系统和电子设备。本申请的卷积神经网络的计算方法包括:根据深度学习处理芯片上参数缓存的大小确定卷积核的切分方式;根据切分方式对多个卷积核中每个卷积核进行切分,以将每个卷积核分成N个部分卷积核;对多个卷积核进行分组,以得到N个卷积核组;将第一到第N卷积核组分别加载至参数缓存,并将输入数据分别与加载至参数缓存中的卷积核组进行卷积运算,获得N个卷积运算结果;合并N个卷积运算结果。因此可在参数缓存的存储空间小于多个卷积核所需的存储空间时,无需频繁加载卷积核的数据,能够提高卷积运算的效率。
  • 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法-201910792583.9
  • 张润鑫;董方;武文波;李湜文;杨翊东;李阳;刘冰洁;郭进一;常淞泓 - 北京空间机电研究所
  • 2019-08-26 - 2023-02-03 - G06N3/04
  • 一种用于星上对舰船目标检测的Tiny‑YOLO网络的优化方法,采用舰船图像的样本集合,对原始Tiny‑YOLO网络进行训练,得到网络内各卷积层内的卷积核的参数;根据原始Tiny‑YOLO网络以及网络内各卷积层内的卷积核的参数,确定用于舰船目标检测的Tiny‑YOLO网络;通过减少卷积核,实现Tiny‑YOLO网络进行稀疏化,根据稀疏化后的Tiny‑YOLO网络的各卷积层的位置,进行迁移学习,使稀疏化后的Tiny‑YOLO网络在星上的运算速度和检测准确率达到要求;将迁移学习后的Tiny‑YOLO网络中的卷积核参数由浮点数转变为整数,获得最终的Tiny‑YOLO网络,实现星上利用改进Tiny‑YOLO网络提高运算速度的需求。
  • 从明确标签和推断标签中联合学习-202180035996.8
  • S·慕克吉;郑国庆;A·阿瓦达拉;M·肖库希;S·T·杜迈斯;舒凯 - 微软技术许可有限责任公司
  • 2021-04-20 - 2023-01-31 - G06N3/04
  • 此文档涉及机器学习模型的训练。一个示例方法涉及提供机器学习模型,该模型具有第一分类层、第二分类层,以及馈送到第一分类层和第二分类层中的编码器。该示例方法还涉及获得具有明确标签的第一训练示例和具有推断标签的第二训练示例。推断标签至少基于与第二训练示例相关联的动作。该示例方法还涉及使用训练目标利用第一训练示例和第二训练示例训练机器学习模型,该训练目标考虑第一分类层针对明确标签的第一训练损失和第二分类层针对推断标签的第二训练损失。该方法还涉及输出具有编码器和第一分类层的经训练的机器学习模型。
  • 一种卷积神经网络模型的训练方法及装置-202110345118.8
  • 张耀;李强;张滨;徐大鹏 - 深圳精智达技术股份有限公司
  • 2021-03-31 - 2023-01-31 - G06N3/04
  • 本申请实施例公开了一种卷积神经网络模型的训练方法及装置,用于减少用于显示面板良品检测的卷积神经网络模型的训练时间。本申请实施例方法包括:获取训练样本集和原始VGG‑16卷积神经网络模型;将原始VGG‑16卷积神经网络模型的卷积核数量删减为一半,并删减一个卷积层conv3‑256、两个卷积层conv3‑512以及一个全连接层FC‑1000;选取训练样本,并输入预训练卷积神经网络模型中;获取训练样本的特征,并对特征进行计算,以生成训练样本归属良品和非良品的模型概率分布;根据模型概率分布、真实概率分布与损失函数计算损失值,以生成损失值变化数据;判断损失值变化数据在预设区间内的损失值是否收敛于0;若是,则确定预训练卷积神经网络模型为目标卷积神经网络模型。
  • 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法-201911101914.6
  • 武颖莹;李建斌;王杜娟;曹洪波;荆留杰;王军;李小兵;李鹏宇;简鹏;徐剑安 - 中铁工程装备集团有限公司
  • 2019-11-12 - 2023-01-24 - G06N3/04
  • 本发明提出了一种基于迁移学习的隧道掘进机掘进性能与控制参数预测方法,步骤包括:在线采集反映设备运行状态的隧道掘进机掘进数据;对隧道掘进机掘进数据进行数据预处理,提取每个掘进循环的上升段及稳定段数据;根据已获得的上升段及稳定段数据确认输入及输出特征参数建立已竣工项目数据集;利用深度学习方法建立已竣工项目的掘进性能参数预测模型和控制参数预测模型;建立新开工项目试掘进数据的小样本数据集;基于小样本数据集并利用迁移学习的方法,生成新项目的掘进性能预测模型与控制参数预测模型。本发明能有效解决不同项目之间模型通用性问题,具有应用迅速、准确度高的优点。
  • 终端网络模型的数据处理方法、装置、终端以及存储介质-202010175997.X
  • 刘默翰;赵磊;石文元;俞清华;隋志成;周力 - 华为技术有限公司
  • 2020-03-13 - 2023-01-24 - G06N3/04
  • 本申请适用于人工智能技术领域,提供了一种终端网络模型的数据处理方法、装置、终端以及存储介质,该方法包括:获取待处理的数据;将所述待处理的数据输入至目标网络模型中进行处理,获得处理结果,其中所述目标网络模型中的至少一个网络层级配置有预处理函数,所述预处理函数用于在对应网络层级的输入数据的数据格式与该网络层级的量化精度不匹配时,对所述输入数据进行预处理。本申请提供的技术方案实现了在同一目标网络模型内处理不同精度的数据,解决了混合精度的神经网络的兼容性问题,提高了运算效率。
  • 神经元点火方法、芯片及电子设备-202211314660.8
  • 格雷戈尔·伦茨;西克·萨迪克·尤艾尔阿明;图芭·代米尔吉;乔宁 - 深圳时识科技有限公司;成都时识科技有限公司
  • 2022-10-26 - 2023-01-24 - G06N3/04
  • 本发明公开了一种神经元点火方法、芯片及电子设备。为解决类脑芯片中脉冲发放数量过多导致功耗高的技术问题,本发明公开的神经元点火方法至少应用于第一神经元,第一神经元基于若干突触接收若干脉冲,在编码阶段,至少基于所述若干突触累积所述第一神经元的膜电压;在编码阶段结束时,基于所述若干突触之外的第一突触,或基于注入电流,使得所述第一神经元在解码阶段内点火之前,所述第一神经元的膜电压以恒定速率累积。本发明以在解码阶段维持以恒定速率累积神经元膜电压为技术手段,解决了脉冲发放数量过高、容易过早发放脉冲等技术问题,获得了低功耗运行类脑芯片的技术效果。本发明适于类脑芯片领域。
  • 一种并行反卷积计算方法、单引擎计算方法及相关产品-201880003706.X
  • 曾成龙 - 深圳鲲云信息科技有限公司
  • 2018-08-28 - 2023-01-24 - G06N3/04
  • 本申请提供一种并行反卷积计算方法、单引擎计算方法及相关产品,所述并行反卷积计算方法包括如下步骤:获取Pd个输入数据,以及Pk个反卷积核参数;将Pd个输入数据同时与一个反卷积核进行运算,形成数据并行;在Pk个反卷积核中同时以Pd个输入数据进行数据并行,形成反卷积并行;其中,Pd和Pk为大于等于1的整数。本申请通过Pd个输入数据与一个反卷积核并行计算,再在Pk个反卷积核中同时以Pd个输入数据进行数据并行形成反卷积并行,极大提高了反卷积神经网络的并行度。
  • 一种基于阻变存储器的神经网络映射方法、加速器-202010722047.4
  • 何银涛;王颖;李华伟;李晓维 - 中国科学院计算技术研究所
  • 2020-07-24 - 2023-01-20 - G06N3/04
  • 本发明提供一种基于阻变存储器的神经网络权重映射方法,其中,所述阻变存储器以存储单元的高阻态和低阻态存储二值数据,所述映射方法包括:S1、获得神经网络以二值形式表示的二进制权重阵列;S2、获得二进制权重值阵列的每一列的第一值和第二值的数量;S3、将二进制权重值阵列的每一列权重值映射存储到所述阻变存储器的每一列存储单元中,其中,对于第一值的数量大于第二值的数量的列,第一值映射为高阻态,第二值映射为低阻态;否则第二值映射为高阻态,第一值映射为低阻态。本发明在硬件上只是改变了原有的权重存储映射方式,有效的降低存储阵列中低电阻状态数量,大幅降低电流及其在阻变存储器计算阵列和模拟‑数字转换装置的功耗。
  • 脉冲神经网络训练方法、装置以及终端-202211304460.4
  • 陈旭;陈克林;杨军民;梁龙飞 - 上海新氦类脑智能科技有限公司
  • 2022-10-24 - 2023-01-17 - G06N3/04
  • 本发明的脉冲神经网络训练方法、装置以及终端,通过脉冲神经网络,根据输入实值计算对应的输出脉冲编码;对所述输出脉冲编码进行脉冲解码,以获得输出实值;基于误差函数,根据所述输出实值与所述输入实值所对应的数据标签计算当前网络计算误差,以供在未达到目标精度的情况下更新所述脉冲神经网络的网络参数。本发明在脉冲神经网络训练中所需的脉冲周期数少,模型精度比传统方法高,同时训练时间比常规的直接训练方法短。
  • 一种基于模糊规则和决策树的策略强化学习方法-202211308748.9
  • 苏苒;刘鹏;孙倩 - 天津大学
  • 2022-10-25 - 2023-01-17 - G06N3/04
  • 本发明公开一种基于模糊规则和决策树的策略强化学习方法,基于策略生成模块、策略细化模块和规则决策模块,策略生成模块用于输出初始策略,策略细化模块用于优化初始策略以获得优化策略,规则决策模块用于评估优化策略和扩展模糊规则集;具体步骤如下:将模糊规则集输入策略生成模块,策略生成模块输出初始策略并将初始策略输入策略细化模块,策略细化模块输出优化策略;将优化策略输入规则决策模块,规则决策模块输出新的模糊规则集,新的模糊规则集进一步输入到策略生成模块;策略生成模块、策略细化模块和规则决策模块反复迭代形成自适应增长流程,并最终输出强化学习策略模型和全局最优的模糊规则集。
  • 一种基于卷积神经网络的通信包络线峰谷值的预测方法-202211099427.2
  • 周岩;陈建 - 南京邮电大学
  • 2022-09-08 - 2023-01-17 - G06N3/04
  • 本发明公开了一种基于卷积神经网络的通信包络线峰谷值的预测生成方法,通过使用多路卷积神经网络实现包络线峰值点P(tp)、谷值点V(tv)及其对应时间点tp、tv的预测。方法如下:首先通过并行的两路卷积神经网络块实现对包络线实部乘方和虚部乘方的预测,并合成包络线信号模值乘方值;随后基于包络线模值乘方值使用两路卷积神经网络块分别预测包络线峰值乘方值、谷值乘方值对应的时间信息;最后对输出结果进行相加开根就可得到包络线的峰值、谷值。本发明基于卷积神经网络简化了传统包络线峰值、谷值及其对应时间点的生成步骤,降低了所需要的计算硬件资源需求。
  • 基于映射层级联宽度回声状态的时序预测方法-202211104011.5
  • 刘文杰;白玉廷;金学波;苏婷立;孔建磊 - 北京工商大学
  • 2022-09-09 - 2023-01-17 - G06N3/04
  • 本发明提供了一种基于映射层级联宽度回声状态的时序预测方法,用于工业复杂时间序列数据预测。本发明方法基于映射层级联的宽度回声状态系统构建了映射层级联的宽度回声状态网络模型CFBESN,该模型中映射层各窗口通过级联形式依次连接,下一个窗口对上一个窗口的输出进行特征提取,最后所有窗口提取特征汇集输入到强化层,同时将CFBLS的强化层中单元优化为回声状态网络单元;本发明方法采集要预测场景中的时间序列数据,训练CFBESN网络生成当前时间序列数据的预测模型,利用训练好的模型进行未来时间序列预测。本发明方法实现了对复杂时间序列数据的可靠预测,并提高了预测的精度和准确度。
  • 知识蒸馏方法、装置、电子设备和存储介质-202211105070.4
  • 祝毅晨;杜杰;区志财;唐剑 - 美的集团(上海)有限公司;美的集团股份有限公司
  • 2022-09-09 - 2023-01-17 - G06N3/04
  • 本申请涉及计算机技术领域,提供一种知识蒸馏方法、装置、电子设备和存储介质,包括:基于初始图像样本集与教师模型,确定所述初始图像样本集中各图像样本的样本难度指标;基于各所述图像样本的样本难度指标,对所述初始图像样本集进行难样本剔除,得到目标图像样本集;基于所述目标图像样本集对学生模型进行知识蒸馏。本申请可以避免学生模型在知识蒸馏过程中收到教师模型也难以分辨的难样本标签监督,提高模型训练的效果,进而提高对神经网络进行知识蒸馏的效率。
  • 一种面向节点多维表征的图神经网络链接预测方法-202211394775.2
  • 刘博;朱念;王慧娜;李金梦;季新婵 - 北京工业大学
  • 2022-11-01 - 2023-01-17 - G06N3/04
  • 一种面向节点多维表征的图神经网络链接预测方法属于推荐系统技术领域。首先,利用中文语料库对节点属性特征信息进行中文分词,扩增节点的语义表征。同时,建立预训练直推式图卷积算法,得到另一维节点表征。然后,通过自定义初始化权重系数实现两节点特征向量的拼接,完成节点语义向量和预训练向量在用户侧和物品侧向量空间映射。运用归纳式图卷积神经网络算法SAGE实现邻居节点采样和聚合,在SAGE框架中添加了节点度的信息,提高度小的节点被采样的概率,降低度大的节点被采样的概率。利用机器学习分类算法LGB作为下游分类任务,进而实现多模态跨领域的链接预测任务。
  • 一种面向纳税人企业分类的重要因子提取方法及装置-202211414583.3
  • 郑庆华;王亦琛;师斌;董博;赵锐;武乐飞;徐一明;王嘉祥 - 西安交通大学
  • 2022-11-11 - 2023-01-17 - G06N3/04
  • 本发明公开了一种面向纳税人企业分类的重要因子提取方法及装置,包括:首先,对原始数据进行数据清洗,剔除残缺数据,并构建成异构图数据形式,用于后续步骤;其次,构建基于注意力机制的异构图神经网络,并利用半监督算法对网络进行优化,实现高精确率的异常企业检测结果;再次,设计基于元路径扰动的异构图解释器,实现影响异常数据检测的重要因子的提取;最后,将异常分类结果与重要因子结合,以可视化的形式展示,交付给专业税务稽查人员以备后续使用。
  • 提供神经网络的方法、计算装置和计算机可读存储介质-202011035467.1
  • 请求不公布姓名 - 安徽寒武纪信息科技有限公司
  • 2020-09-27 - 2023-01-17 - G06N3/04
  • 本披露公开了一种提供神经网络的方法、计算装置和计算机可读存储介质。该计算装置可以包括在组合处理装置中,该组合处理装置还可以包括接口装置和其他处理装置。该计算装置与其他处理装置进行交互,共同完成用户指定的计算操作。组合处理装置还可以包括存储装置,该存储装置分别与计算装置和其他处理装置连接,用于存储该计算装置和其他处理装置的数据。本披露的方案通过在对神经网络模型剪枝时增加通道对齐操作,解决了将剪枝压缩后的模型移植到专用硬件上可能存在的不匹配问题。
  • 卷积运算的处理方法、电子设备、移动终端及存储介质-202110553804.4
  • 庄晨;孟金涛;魏彦杰 - 中国科学院深圳先进技术研究院
  • 2021-05-20 - 2023-01-17 - G06N3/04
  • 本申请公开了一种卷积运算的处理方法、电子设备、移动终端及存储介质,该处理方法包括:获取待处理的卷积运算以及配置数据库;将卷积运算转换为矩阵乘法,矩阵乘法对应一卷积尺寸;若确定配置数据库中无卷积尺寸对应的配置参数,则根据卷积尺寸以及硬件参数定义一参数搜索空间;根据参数搜索空间中的配置参数生成多个运算代码,并利用多个运算代码对矩阵乘法进行计算,以得到多个运算结果;将多个运算结果中满足预设条件的一个运算结果对应的运算代码的配置参数,存储至配置数据库。通过上述方式,本申请能够对矩阵乘法进行重构优化,从而以性能较好的矩阵乘法对卷积运算进行提升。
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top