“网络模型”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果1484132个，建议您升级VIP下载更多相关专利

[发明专利]目标系统的网络语义模型的建立方法及系统-CN201710272335.2有效
发明人：余明;邱巍;贾晋昭 -专利权人：西门子(中国)有限公司
申请日： 2017-04-24 - 公布日： 2022-03-25 - 主分类号： G06F16/901 文献下载
摘要：本发明实施例中公开了目标系统的网络语义模型的建立方法及系统。其中，方法包括：根据所述目标系统的一相似系统的网络拓扑建立所述相似系统的网络语义模型；根据所述目标系统与所述相似系统之间的映射规则，将所述相似系统的网络语义模型映射为所述目标系统的初始网络语义模型；和根据所述目标系统中的可获知信息对所述初始网络语义模型进行修正和验证，得到验证后的网络语义模型，将所述验证后的网络语义模型作为所述目标系统的网络拓扑对应的网络语义模型。本发明实施例中的技术方案，能够便携高效地建立网络拓扑无法得到的系统应用的网络语义模型。
目标系统网络语义模型建立方法

[发明专利]模型训练方法、高精地图变更检测方法、装置及电子设备-CN202111091448.5在审
发明人：梁孝庆;何雷;彭亮;万国伟 -专利权人：北京百度网讯科技有限公司
申请日： 2021-09-17 - 公布日： 2021-12-17 - 主分类号： G06F16/23 文献下载
摘要：本公开提供了一种模型训练方法、高精地图变更检测方法、装置及电子设备，涉及自动驾驶技术领域，尤其涉及模型训练技术领域。模型训练方法的具体实现方案为：获取教师网络模型，基于训练样本对所述教师网络模型进行训练，并获取所述教师网络模型输出的第一特征图，其中，所述训练样本为地理图像；获取初始学生网络模型，对所述初始学生网络模型的通道数量进行缩减以得到学生网络模型，所述学生网络模型的通道数量小于所述教师网络模型的通道数量；基于所述训练样本和所述第一特征图对所述学生网络模型进行训练，得到用于高精地图变更检测的目标模型。
模型训练方法地图变更检测装置电子设备

[发明专利]一种神经网络模型结构搜索方法、装置及存储介质-CN202111096280.7在审
发明人：张选杨 -专利权人：北京旷视科技有限公司;北京迈格威科技有限公司
申请日： 2021-09-17 - 公布日： 2022-03-18 - 主分类号： G06N3/04 文献下载
摘要：本公开是关于一种神经网络模型结构搜索方法、装置及存储介质。神经网络模型结构搜索方法包括：初始化第一超网络和第二超网络；基于所述第一超网络和所述第二超网络，进行模型结构搜索，得到多个候选子网络，所述多个候选子网络具有相同网络结构但不同模型参数；基于所述多个候选子网络的模型参数变化程度，确定神经网络模型结构，其中，所述候选子网络的模型参数变化程度包括所述第一超网络中子网络的参数与所述第二超网络中子网络的参数之间的变化程度。通过本公开可以改善超网络中多个子网络之间参数共享的问题。
一种神经网络模型结构搜索方法装置存储介质

[发明专利]模型剪枝方法、装置、电子设备及存储介质-CN202211644018.6在审
发明人：李雪晨 -专利权人：哲库科技（上海）有限公司
申请日： 2022-12-20 - 公布日： 2023-04-18 - 主分类号： G06N3/082 文献下载
摘要：本申请实施例公开了一种模型剪枝方法、装置、电子设备及存储介质。所述方法包括：获取待剪枝模型的多个网络层各自对应的重要性；基于所述多个网络层各自对应的重要性，确定所述待剪枝模型的待加宽网络层和参考网络层，所述参考网络层为所述多个网络层中除所述待加宽网络层以外的网络层；对所述待剪枝模型的待加宽网络层进行加宽处理，得到包括加宽网络层和参考网络层的加宽待剪枝模型；基于预设稀疏度对所述加宽待剪枝模型进行剪枝处理，得到目标模型。通过上述方法，按照模型的每一网络层对应的重要性，确定待加宽网络层，从而对确定的重要性高的待加宽网络层进行加宽处理得到加宽模型，再对加宽模型进行剪枝处理，可以得到精度更高的目标模型。
模型剪枝方法装置电子设备存储介质

[发明专利]文本分类模型的训练方法及相关设备-CN202010514986.X在审
发明人：张冠华;白冰;白琨 -专利权人：腾讯科技（深圳）有限公司
申请日： 2020-06-08 - 公布日： 2020-09-15 - 主分类号： G06F16/9536 文献下载
摘要：本公开实施例提供了一种文本分类模型的训练方法及装置、电子设备和存储介质。该方法包括：获取训练文本及其类别标签信息和群体标签信息；通过第一神经网络模型对训练文本进行处理，并根据类别标签信息获得第一神经网络模型的初始网络参数；通过第二神经网络模型和第一神经网络模型对训练文本进行处理，获得训练文本的第一预测群体信息；根据训练文本的群体标签信息及其第一预测群体信息对抗训练第一神经网络模型和第二神经网络模型，确定第一神经网络模型的目标网络参数，将包括目标网络参数的第一神经网络模型确定为文本分类模型本公开实施例提供的方法得到的文本分类模型能够在不损失模型精度的条件下，给出无群体歧视的分类结果。
文本分类模型训练方法相关设备

[发明专利]神经网络模型自动生成方法、系统、电子设备及存储介质-CN202211683566.X在审
发明人：郭熹;贺鸣;张珂珂;程新洲 -专利权人：中国联合网络通信集团有限公司
申请日： 2022-12-27 - 公布日： 2023-06-06 - 主分类号： G06N3/0455 文献下载
摘要：本发明提供一种自动生成神经网络模型的方法(100)，应用于计算机领域，该方法(100)包括：信息获取步骤(S101)：获取神经网络模型信息；数据准备步骤(S102)：对获取到的神经网络模型信息进行编码，以得到神经网络模型信息编码序列；以及模型训练步骤(S103)：将神经网络模型信息编码序列作为神经网络生成模型的输入数据进行训练，以得到神经网络生成模型NNGM。本发明提供的自动生成神经网络模型的方法，可实现自动根据对业务应用的理解设计相应的神经网络模型，以及对已有神经网络模型的迁移学习。该方法可降低神经网络模型设计的门槛，提高设计效率，同时复用已有的知识和经验，助力推动AI的规模化应用。还提供了相应的系统、电子设备及存储介质。
神经网络模型自动生成方法系统电子设备存储介质

[发明专利]一种神经网络模型知识蒸馏方法、系统、设备及介质-CN202010850266.0在审
发明人：朱克峰;阚宏伟;仝培霖 -专利权人：苏州浪潮智能科技有限公司
申请日： 2020-08-21 - 公布日： 2020-11-24 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了一种神经网络模型知识蒸馏方法、系统、设备及介质，获取待知识蒸馏的第一神经网络模型；获取第二神经网络模型；生成用于对第二神经网络模型进行训练的目标样本集；将目标样本集作为第二神经网络模型的输入，将第一神经网络模型的输出作为第二神经网络模的输出，对第二神经网络模型进行知识蒸馏，得到目标神经网络模型。本申请中，在进行神经网络模型知识蒸馏的过程中，并不是直接应用第一神经网络模型训练过程中应用的训练样本集进行知识蒸馏，而是重新生成新的目标样本集来进行知识蒸馏，无需获取训练样本集，可以提高神经网络模型知识蒸馏的效率
一种神经网络模型知识蒸馏方法系统设备介质

[发明专利]基于知识蒸馏的神经网络训练方法、设备及存储介质-CN202210646401.9在审
发明人：常青玲;崔岩;任飞;徐世廷 -专利权人：五邑大学;中德（珠海）人工智能研究院有限公司
申请日： 2022-06-09 - 公布日： 2022-08-23 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于知识蒸馏的神经网络训练方法、设备及存储介质，方法包括如下步骤：构建未训练的学生网络模型和训练好的教师网络模型；根据训练样本、学生网络模型和教师网络模型，得到蒸馏损失函数组，其中，损失函数组包括编码损失函数、解码损失函数和预测结果损失函数；根据蒸馏损失函数组对学生网络模型进行训练，得到训练好的学生网络模型。本发明通过设置训练好的教师网络模型对学生网络模型进行知识蒸馏，可有效提高学生网络模型的场景信息获取能力以及数据泛化性能力，而且由多种损失函数组成的蒸馏损失函数组，再通过蒸馏损失函数组对学生网络模型进行训练，能够有效提高学生网络模型预测结果的准确性。
基于知识蒸馏神经网络训练方法设备存储介质

[发明专利]一种实现CosiMate网络和DDS网络互联的方法-CN201710806002.3有效
发明人：王晨光;于涛;李俊男 -专利权人：中国航空工业集团公司沈阳飞机设计研究所
申请日： 2017-09-08 - 公布日： 2020-09-18 - 主分类号： G06F30/15 文献下载
摘要：本发明提供一种实现CosiMate网络和DDS网络互联的模块及其设计方法，在CosiMate网络和DDS网络之间设置中继程序模块，该中继程序模块含有三个线程，线程C负责同步与CosiMate网络进行数据收发，线程A根据同步线程接收到的数据向DDS网络发送驱动事件，线程B负责监听DDS网络发来的数据，再通过同步线程将数据发送到CosiMate网络；多组功能逻辑模型、航电系统模型、飞控系统模型通过DDS网络实现数据连通，其中功能逻辑模型采用Rhapsody建立，航电系统模型以及飞控系统模型采用C代码建立；CosiMate网络包括机电模型以及与其相连的CosiMate中间件；基于CosiMate中间件，机电模型中的电源电气系统模型、环控系统模型、液压系统模型间实现互联。本发明模块及其设计方法能够实现DDS网络和CosiMate网络之间的互联。
一种实现 cosimate 网络 dds 方法

[发明专利]基于超网络的神经网络模型生成方法和装置-CN202010383358.2在审
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2020-05-08 - 公布日： 2020-08-21 - 主分类号： G06N3/08 文献下载
摘要：本申请涉及人工智能领域，公开了基于超网络的神经网络模型生成方法和装置。该方法包括：获取经过训练的候选超网络集合；从各候选超网络中分别采样出多个子网络，获取从各候选超网络中采样出的子网络的性能；对每一个候选超网络，对从候选超网络中采样出的子网络的性能进行排序，作为子网络对应的神经网络模型结构在候选超网络中的性能排序；基于各子网络对应的神经网络模型结构在候选超网络中的性能排序，确定各子网络对应的神经网络模型结构的综合性能排序；根据各子网络对应的神经网络模型结构的综合性能排序，确定出至少一个子网络对应的神经网络模型结构作为目标神经网络模型的结构该方法实现了目标神经网络模型结构的优化。
基于网络神经网络模型生成方法装置

[发明专利]神经网络模型调整方法、装置、设备及存储介质-CN202011092190.6在审
发明人：熊凯 -专利权人：广州视源电子科技股份有限公司
申请日： 2020-10-13 - 公布日： 2021-03-02 - 主分类号： G06K9/00 文献下载
摘要：本申请实施例公开了一种神经网络模型调整方法、装置、设备及存储介质，涉及神经网络技术领域，其包括：将目标数量的样本数据输入至神经网络模型，并根据神经网络模型的第一输出结果更新神经网络模型的模型参数，更新前模型参数为第一参数，更新后模型参数为第二参数；将目标数量的应用数据输入至更新后的神经网络模型，并根据所更新后的神经网络模型的第二输出结果和第二参数修正神经网络模型的模型参数，修正前模型参数为第一参数，修正后模型参数为第三参数采用上述方法可以解决现有技术中，将深度学习模型应用在不同场景时无法保证深度学习模型的性能的技术问题。
神经网络模型调整方法装置设备存储介质

[发明专利]智能体部署神经网络模型的方法、装置及存储介质-CN202111512755.6在审
发明人：韩振华;欧阳鹏 -专利权人：江苏清微智能科技有限公司
申请日： 2021-12-10 - 公布日： 2022-03-15 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种智能体部署神经网络模型的方法、装置及存储介质。其中，智能体部署神经网络模型的方法，包括：将待部署至智能体上的神经网络模型进行搜索剪枝，确定剪枝网络模型；通过网络微调训练剪枝网络模型，确定剪枝网络模型的第一模型精度值；在第一模型精度值达到预先设定的精度指标的情况下，将剪枝网络模型进行混合量化以及编译器图优化，确定第一推理状态矩阵，并将第一推理状态矩阵进行编码反馈至智能体。
智能部署神经网络模型方法装置存储介质

[发明专利]一种网络资源管理方法与系统-CN200810225021.8无效
发明人：陈刚 -专利权人：中国移动通信集团山东有限公司
申请日： 2008-10-24 - 公布日： 2009-07-22 - 主分类号： H04L12/24 文献下载
摘要：本发明公开了一种网络资源管理方法，包括：建立或删除网络资源的对象模型；同步所述对象模型和与所述网络资源的数据对应的物理模型。本发明还公开了一种网络资源管理系统，包括：对象模型管理模块，用于建立或删除网络资源的对象模型；同步模块，用于同步所述对象模型和所述网络资源的数据对应的物理模型；存储模块，用于存储所述对象模型和所述物理模型采用本发明能通过建立网络资源的对象模型，对网络资源数据实现模型化的有效管理，并保证资源数据的准确性。
一种网络资源管理方法系统

[发明专利]一种深度神经网络模型压缩方法及装置-CN201811015359.0有效
发明人：张渊;谢迪;浦世亮 -专利权人：杭州海康威视数字技术股份有限公司
申请日： 2018-08-31 - 公布日： 2023-06-30 - 主分类号： G06N3/082 文献下载
摘要：本申请实施例提供了一种深度神经网络模型压缩方法及装置，深度神经网络模型压缩方法包括：获取待压缩深度神经网络模型中网络层的当前计算状态；根据当前计算状态，通过预先训练的计算模型，得到网络层的压缩量；基于压缩量，对网络层进行压缩；确定网络层压缩后的深度神经网络模型。通过本方案，可以保证深度神经网络模型的输出性能。
一种深度神经网络模型压缩方法装置

[发明专利]面向嵌入式应用的深度神经网络压缩方法、装置及终端-CN201811510283.9在审
发明人：段秉环;文鹏程;白林亭;程陶然;刘飞阳;邹昌昊 -专利权人：中国航空工业集团公司西安航空计算技术研究所
申请日： 2018-12-11 - 公布日： 2019-04-19 - 主分类号： G06N3/04 文献下载
摘要：本发明提供一种面向嵌入式应用的深度神经网络压缩方法，包括：采用第一策略压缩所述深度神经网络，得到压缩后的网络模型；所述压缩后的网络模型中已去除冗余的权重参数，所述深度神经网络由训练样本训练得到；根据所述训练样本，对所述压缩后的网络模型进行训练，得到第一网络模型；采用第二策略压缩所述第一网络模型，得到第二网络模型；根据所述训练样本，对所述第二网络模型进行训练，得到新第一网络模型。
网络模型压缩神经网络训练样本嵌入式应用权重参数冗余去除终端

首页
«上一页
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条