“迭代训练”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396437个，建议您升级VIP下载更多相关专利

[发明专利]一种AI分布式训练系统的参数更新方法、装置、设备-CN202010820131.X有效
发明人：郭振华;范宝余;曹芳;赵雅倩;李仁刚 -专利权人：苏州浪潮智能科技有限公司
申请日： 2020-08-14 - 公布日： 2022-12-23 - 主分类号： G06N20/00 文献下载
摘要：本申请公开了一种AI分布式训练系统的参数更新方法，包括：在分布式异构系统的目标worker节点上启动AI算法模型的训练任务，控制该节点加载模型参数，并为其随机选择第k次迭代训练的样本数据，对模型参数进行梯度更新，并随机创建目标节点集合，利用该集合对邻接矩阵进行非零值更新，并利用更新邻接矩阵对该集合中各个节点上的模型参数进行更新；当完成第k次迭代训练时，若AI算法模型收敛，则重复对该节点进行迭代训练，直至该节点完成M次迭代训练，则判定分布式异构系统完成AI加速任务。
一种 ai 分布式训练系统参数更新方法装置设备

[发明专利]模型生成方法和装置-CN201911045637.1有效
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： 2019-10-30 - 公布日： 2023-04-28 - 主分类号： G06N3/045 文献下载
摘要：该方法包括：通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型；迭代操作包括：基于当前的反馈奖励值对预设的模型结构控制器进行更新，采用更新后的模型结构控制器生成多个待训练的神经网络；按照预设的分级训练方式，对待训练的神经网络进行至少两级训练；根据经过至少两级训练后的神经网络的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，确定当前迭代操作中经过至少两级训练后性能最优的神经网络为用于执行深度学习任务的神经网络模型
模型生成方法装置

[发明专利]一种反欺诈模型的训练方法及装置-CN201911302469.X在审
发明人：刘正夫 -专利权人：第四范式（北京）技术有限公司
申请日： 2019-12-17 - 公布日： 2020-05-05 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种反欺诈模型的训练方法及装置，主要方案包括：执行模型迭代训练过程：将训练样本数据集中留存的训练样本数据拆分为训练集和验证集；用训练集分别训练多个弱分类器后，获取多个弱分类器分别在验证集上的预测分值；对于每个弱分类器，根据其在验证集上的预测分值确定该弱分类器的数据分布适应度值；根据各弱分类器的数据分布适应度值选取目标弱分类器；利用目标弱分类器对训练集进行预测，根据预测分值对训练样本数据集进行训练样本数据剔除处理；当训练样本数据集中留存的训练样本数据的数据量小于数据量阈值时结束迭代训练过程，否则进行下一轮训练；在结束迭代训练过程后组合各轮训练中得到的目标弱分类器形成反欺诈模型。
一种欺诈模型训练方法装置

[发明专利]基于隐私保护的模型联合训练方法及装置-CN202011465465.6有效
发明人：周启贤;张君涛 -专利权人：支付宝（杭州）信息技术有限公司
申请日： 2020-12-14 - 公布日： 2021-06-18 - 主分类号： G06F21/60 文献下载
摘要：本说明书实施例提供了一种基于隐私保护的模型联合训练方法及装置。在联合训练过程是在目标数量是在迭代的轮次大于或等于预设的目标迭代的轮次的条件下，开始基于目标数量对用于联合训练的梯度的数量进行调整，由服务器确定出在下一轮或几轮迭代中终端需向服务器发送的梯度的数量（即，目标数量），使得参与联合训练的终端不必在整个联合训练的过程中将得到的所有梯度都上传至服务器。
基于隐私保护模型联合训练方法装置

[发明专利]一种基于各异元学习器的AdaBoost集成学习方法-CN202110264831.X在审
发明人：王玥;庄星;李世龙;李柯绪;徐东方 -专利权人：北京理工大学
申请日： 2021-03-11 - 公布日： 2021-08-24 - 主分类号： G06K9/62 文献下载
摘要：本公开的基于各异元学习器的AdaBoost集成学习方法，对训练集进行预处理，并初始化训练集的权重；设定AdaBoost算法的迭代次数和阈值；将训练集输入到AdaBoost算法库，计算得到各异元学习器的错误率；选择错误率最低的算法所对应的元学习器作为当前基本模型，计算当前基本模型的权重；根据当前基本模型的权重对所述训练集的权重进行调整得到新的训练集；迭代上述过程，当迭代次数小于等于设定迭代次数或错误率小于等于设定阈值时，将迭代过程中获得的各异元学习器进行加权组合得到AdaBoost算法模型。
一种基于各异学习 adaboost 集成学习方法

[发明专利]层位追踪训练数据生成方法及系统-CN202011007608.9在审
发明人：李海山;杨午阳;贺东阳;杨庆;杜炳毅 -专利权人：中国石油天然气股份有限公司
申请日： 2020-09-23 - 公布日： 2022-03-29 - 主分类号： G01V1/30 文献下载
摘要：本发明提供一种层位追踪训练数据生成方法及系统。该方法包括：执行如下循环处理：执行如下迭代处理：根据初始地震数据体得到断裂变形地震数据体，根据初始相对时间体得到断裂变形相对时间体；当当前迭代次数达到预设迭代次数时，确定当前迭代中的断裂变形地震数据体和断裂变形相对时间体以生成一个层位追踪训练样本对，否则根据断裂变形地震数据体更新初始地震数据体，根据断裂变形相对时间体更新初始相对时间体，继续执行迭代处理；根据预设数量的层位追踪训练样本对生成层位追踪训练数据集。本发明可以提供低成本、高效率、高精度的包含足够数目样本对的层位追踪训练数据集，从而提高深度学习层位追踪网络的准确性和泛化能力，加快研究进程。
层位追踪训练数据生成方法系统

[发明专利]一种提取目标RCS特征的DMPSO-LSTM模型训练方法及系统-CN202310548352.X在审
发明人：孙合敏;李宏权;冯讯;郑茂;汤景棉;张晨浩 -专利权人：中国人民解放军空军预警学院
申请日： 2023-05-12 - 公布日： 2023-09-12 - 主分类号： G06N3/0442 文献下载
摘要：本发明公开提取目标RCS特征的DMPSO‑LSTM模型训练方法及系统，该包括：步骤101，获取目标的原始航迹数据和RCS序列，生成数据集，将数据集划分为训练集和测试集，将训练集输入到LSTM模型中，开始训练模型模型中每个粒子的适应度，根据每个粒子的适应度更新每个粒子的个体极值，以及种群的全局极值，根据个体极值和全局极值更新每个粒子的速度和位置，并更新DMPSO模型的惯性权重，并对每个粒子进行自适应变异；步骤103，迭代步骤102，判断是否达到设置的DMPSO模型的最大迭代次数，若未完成迭代，则继续循环步骤102，若已达到最大迭代次数，则找到LSTM模型的第一个隐藏层的神经元个数、第二个隐藏层的神经元个数、学习率、迭代次数的最优值，完成DMPSO‑LSTM模型训练。
一种提取目标 rcs 特征 dmpso lstm 模型训练方法系统

[发明专利]用于生成识别模型的方法和装置-CN201910741129.0在审
发明人：姚霆;梅涛 -专利权人：北京沃东天骏信息技术有限公司;北京京东世纪贸易有限公司
申请日： 2019-08-12 - 公布日： 2021-02-09 - 主分类号： G06N3/04 文献下载
摘要：该方法包括：获取基于神经网络构建的初始模型和样本数据集；基于样本数据集迭代训练初始模型，在迭代训练过程中，按照预设的时间表执行结构搜索操作，预设的时间表用于指示迭代过程中确定神经元之间的转换操作的时刻，预设的时间表与已完成的迭代操作的迭代次数关联，结构搜索操作包括基于初始模型在迭代操作中被更新得到的参数，从预设的操作集合中确定出初始模型中的神经元之间的转换操作；基于训练完成后得到的初始模型中的各神经元之间的转换操作和训练完成后得到的初始模型的参数
用于生成识别模型方法装置

[发明专利]一种基于人工智能的CT迭代重建加速方法及系统-CN201910324763.4有效
发明人：曾凯 -专利权人：深圳安科高技术股份有限公司
申请日： 2019-04-22 - 公布日： 2023-05-16 - 主分类号： G06T11/00 文献下载
摘要：本发明公开了一种基于人工智能的CT迭代重建加速方法及系统，所述方法包括步骤：利用迭代过程的图像序列构建图像数据库；根据图像数据库构建神经网络，并进行神经网络训练；训练好的神经网络对每次迭代计算得到的当前图像进行处理后输出新的图像由于利用神经网络对每次迭代计算得到的当前图像进行处理，可减少迭代次数，降低计算难度，从而解决现有CT迭代重建的计算量大的问题。
一种基于人工智能 ct 重建加速方法系统

[发明专利]推荐器系统和方法-CN202010793842.2在审
发明人： A·扎多罗伊尼;M·马辛;E·申丁;N·马施基夫 -专利权人：国际商业机器公司
申请日： 2020-08-10 - 公布日： 2021-03-12 - 主分类号： G06F16/9535 文献下载
摘要：一种用于预测至少一个项目的至少一个评分的方法包括：在多个迭代中的至少一个迭代中：接收具有多个用户属性值的用户简档；通过将用户简档和多个项目输入到由以下训练的预测模型中根据用户简档和多个其他用户简档之间的相似度来计算至少一个评分：在多个训练迭代中的每一个中：接收多个训练用户简档中的一个训练用户简档，训练用户简档具有多个训练用户属性值；响应于训练用户简档和多个训练项目，由预测模型计算多个预测评分，每个预测评分用于多个训练项目之一，其中多个训练项目中的每一个具有多个训练项目属性。
推荐系统方法

[发明专利]网络模型的训练方法、训练装置及计算机可读存储介质-CN202111447393.7在审
发明人：蒋伟 -专利权人：浙江大华技术股份有限公司
申请日： 2021-11-30 - 公布日： 2022-03-22 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了网络模型的训练方法、训练装置及计算机可读存储介质。该网络模型用于图像处理，训练方法包括：利用训练样本对网络模型集合中的多个网络模型进行多次迭代训练至满足训练停止条件；多次迭代中的第i次迭代训练包括：利用训练样本对网络模型集合中的多个网络模型进行基础训练，得到多个训练后的网络模型；其中，i为大于1的整数；对至少两个第一目标网络模型进行交叉修正，得到对应数量的第二目标网络模型；第一目标网络模型为多个训练后的网络模型中的网络模型；利用对应数量的第二目标网络模型更新网络模型集合
网络模型训练方法装置计算机可读存储介质

[发明专利]基于小数据生成网络的模型训练方法、装置、设备及介质-CN202210846124.6在审
发明人：林彦硕 -专利权人：深圳万兴软件有限公司
申请日： 2022-07-04 - 公布日： 2022-10-21 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了基于小数据生成网络的模型训练方法、装置、设备及介质，方法包括：根据人脸图像集对初始图像生成网络进行迭代训练得到训练后的第一图像生成网络，根据人脸图像集训练编码器得到目标编码器并对第一图像生成网络进行参数配置得到第二图像生成网络，对第二图像生成网络的权重进行固定，并根据卡通图像集对权重固定的第二图像生成网络进行迭代训练得到目标图像生成网络。本发明属于模型训练技术领域，可基于成对出现的人脸图像及卡通图像对生成网络进行训练，通过人脸图像对初始图像生成网络进行训练后，再通过卡通图像对固定权重的第二图像生成网络进行迭代训练，可基于较少训练数据对初始图像生成网络进行高效训练
基于数据生成网络模型训练方法装置设备介质

[发明专利]任务处理模型训练、任务处理方法、装置及设备-CN202111319455.6在审
发明人：方建生 -专利权人：广州视源电子科技股份有限公司;广州视源人工智能创新研究院有限公司
申请日： 2021-11-09 - 公布日： 2023-05-12 - 主分类号： G06V10/764 文献下载
摘要：本申请提供一种任务处理模型训练、任务处理方法、装置及设备。该任务处理模型训练方法包括：获取训练数据集，训练数据集中包括多个训练数据，每个训练数据对应有标签，标签与用户需求的任务处理模型所具备的功能相关；使用训练数据集对预设模型进行迭代训练，得到任务处理模型；预设模型在第i次迭代训练时所使用的权重分布矩阵，为对预设模型在第i‑1次迭代训练时基于梯度下降法更新后的权重分布矩阵进行调整得到的，任务处理模型用于进行目标任务的处理，目标任务为用户需求的任务处理模型所具备的功能，本申请的方法减少了训练得到的任务处理模型的过拟合现象，提高了任务处理模型的预测准确度。
任务处理模型训练方法装置设备

[发明专利]模型训练方法及其装置、医学图像配准方法及其装置-CN202210067924.8有效
发明人：韩紫丞;黄文豪;张欢;王瑜;陈宽;王少康 -专利权人：推想医疗科技股份有限公司
申请日： 2022-01-20 - 公布日： 2022-09-20 - 主分类号： G06T7/30 文献下载
摘要：本申请提供了一种模型训练方法，用于迭代训练初始神经网络模型，得到非刚性配准模型，迭代训练过程中利用的模型约束函数包括全局相似度损失函数、平滑损失函数和肝动脉损失函数。训练方法包括：基于初始神经网络模型，利用预配准动脉期肝脏图像序列样本和门静脉期肝脏图像序列样本，得到当前次训练的配准数据；基于模型约束函数，利用当前次训练的配准数据、当前次训练对应的上一次训练的配准数据、门静脉期肝脏图像序列样本和其对应的门静脉分割数据，确定当前次训练的损失函数值；基于当前次训练的损失函数值，调整初始神经网络模型的参数，并循环迭代训练初始神经网络模型，直至确定的损失函数值满足预设条件，
模型训练方法及其装置医学图像

[发明专利]训练方法、训练装置、电子设备和存储介质-CN202210965579.X有效
发明人：刘永磊 -专利权人：国仪量子（合肥）技术有限公司
申请日： 2022-08-12 - 公布日： 2022-11-08 - 主分类号： G06T5/00 文献下载
摘要：本申请公开了一种训练方法、训练装置、电子设备和存储介质。训练方法包括执行如下迭代处理：将噪声图像和清晰图像输入预训练模型的判别器网络；计算判别器网络的第一判别结果与图像对应度的第一误差；将预训练模型的去噪器处理得到的去噪图像和清晰图像输入判别器；计算判别器输出的第二判别结果与图像对应度的第二误差；根据第一误差和第二误差更新判别器网络的权重；训练预训练模型的去噪器网络；在迭代次数每达到预定次数后，保存一个训练后的模型；选取一个训练后的模型作为图像降噪模型。如此，通过选取满足预定次数的迭代后保存的训练后的模型来使用，可以基于训练结果的随机性实现网络自行估计图像噪声特征的目的。
训练方法装置电子设备存储介质