-
公开(公告)号：CN120031073A
公开(公告)日：2025-05-23
申请号：CN202510519904.3
申请日：2025-04-24
Applicant: 之江实验室
Abstract: 本说明书公开了一种神经网络架构搜索方法、装置、存储介质及电子设备。本方法利用架构拓扑结构和候选操作特征的分布变量实现原始离散架构空间的连续松弛化；通过网络架构的图数据表示和编码，以及基于图神经网络的代理模型训练，实现对原始空间的代理表征；采用重参数化方法，分别实现了基于梯度的图拓扑结构和特征矩阵的可微搜索；以离散架构采样、代理模型训练、架构搜索在线、协同交替进行的方式，端到端实现了架构的优化搜索。综上所述，本方法对于任意架构空间，无需预先定义用于代理模型预训练的数据点数量，仅需要确定好采样架构点总数作为搜索预定义开销，即可完成神经网络架构的搜索。
-
公开(公告)号：CN117952182B
公开(公告)日：2024-06-14
申请号：CN202410345301.1
申请日：2024-03-25
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于数据质量的混合精度模型训练方法及装置。所述任务执行方法包括：服务器首先接收训练指令，并执行训练指令，以获取目标模型，将预设的样本数据输入到预设的精度调整模型中，得到针对目标模型中包含的每个网络层对应关联数据的调整后精度。并根据调整后精度，对目标模型进行精度调整，得到调整后目标模型，并将样本数据输入调整后目标模型中，得到针对样本数据的预测结果，以最小化预测结果与样本数据对应的实际结果之间的偏差，以及最小化调整后目标模型处理样本数据所消耗的时间为优化目标，对目标模型以及精度调整模型进行训练。
-
公开(公告)号：CN117909746A
公开(公告)日：2024-04-19
申请号：CN202410322521.2
申请日：2024-03-20
Applicant: 之江实验室
IPC: G06F18/214 , G06F18/20
Abstract: 本说明书公开了一种用于空间探索的代理模型的在线数据选择方法，可以获取训练样本集，首先确定出训练样本集中样本的实际排序结果，在每一轮迭代训练前，通过上一轮得到的代理模型对训练样本集中的各样本进行排序，得到一个排序结果，通过实际排序结果确定出子数据集A和子数据集C，以及通过另一种排序结果，确定出子数据集B。根据子数据集A、B、C，对代理模型进行每一轮训练，训练完成后的代理模型可以对给出的若干待排序数据进行排序，本方法重点考虑排序高的空间点的数据拟合能力，并提供了一种高排序点和全空间点之间权衡的可控调节机制，从而提高了空间探索准确性，且由于提高了对高排序点的预测准确性，提高了探索的空间采样效率。
-
公开(公告)号：CN117077726B
公开(公告)日：2024-01-09
申请号：CN202311344094.X
申请日：2023-10-17
Applicant: 之江实验室
Abstract: 本申请公开了一种生成存内计算神经网络模型的方法，首先根据待构建的神经网络模型的目标任务，根据历史执行所述目标任务的任务数据作为训练样本，以及将目标任务的执行结果作为标注，之后通过对量化可微超网络的模型结构进行初始化，确定模型各节点之间数据传递顺序的有向无环图，确定架构参数以及权重参数，依该有向无环图的顺序，通过训练样本对权重参数进行调整，然后通过调整后的权重参数配置的模型，调整架构参数，得到存内运行的神经网络模型。通过权值继承，实现了可交替优化的两种参数，分别通过有监督训练和启发式学习进行调整，使得可以更为高效的学习深度神经网络架构。
-
公开(公告)号：CN117075918B
公开(公告)日：2024-01-09
申请号：CN202311328294.6
申请日：2023-10-13
Applicant: 之江实验室
Abstract: 在一种模型部署方法、装置、存储介质及电子设备中，响应于待优化模型，生成计算逻辑单元以及对应的张量程序，并确定各所述计算逻辑单元对应的类型。然后，依次确定各计算逻辑单元之后计算逻辑单元为约束单元，根据该计算逻辑单元的张量程序以及约束单元的张量程序，确定数据排布优化转换方案。最后，将该计算逻辑单元的张量程序、约束单元的张量程序以及转换方案组合，得到候选策略，根据耗时从各候选策略中选择目标策略并根据目标策略并进行模型部署。通过获取全局最优部署策略，解决了优化后各层中间表示最优结果存在冲突的情况，提高了模型部署效率。
-
Patent Agency Ranking
公开(公告)号：CN116931955A
公开(公告)日：2023-10-24
申请号：CN202311202659.0
申请日：2023-09-18
Applicant: 之江实验室
Abstract: 本说明书公开了基于人工智能的编译器自动调优方法及装置，在此方法中，将程序输入到模型中得到各优化序列，编译器针对每个优化序列对程序进行编译运行得到实际运行时间，据此来调整智能体模型输出各优化序列的概率，使得训练后的智能体模型能够输出最优的优化序列，而编译器使用最优优化序列对待运行程序进行编译优化，从而在一定程度上提高运行效率和减少资源浪费。
-
公开(公告)号：CN116756293A
公开(公告)日：2023-09-15
申请号：CN202311010104.6
申请日：2023-08-11
Applicant: 之江实验室
IPC: G06F16/332 , G06F40/289 , G06F18/214 , G06F40/211 , G06F40/30 , G06F18/23
Abstract: 本说明书公开了一种模型训练的方法、装置、存储介质及电子设备，预先将文本对话生成模型的一次迭代训练过程划分为若干训练阶段，针对该文本对话生成模型的每个训练阶段，获取用于完成该训练阶段的各文本特征，作为当前文本特征，根据各当前文本特征及预设的该训练阶段的精度需求，对各当前文本特征进行聚类，得到聚类后的文本特征，对该聚类后的文本特征进行稀疏处理，得到稀疏后的文本特征，根据该稀疏后的文本特征，执行该训练阶段的训练。本方法通过将模型一次迭代过程分为多个阶段，并根据各阶段的精度需求，对文本特征进行聚类，再稀疏聚类后的文本特征，以根据稀疏聚类后的文本特征对文本对话生成模型进行训练。
-
公开(公告)号：CN116225192B
公开(公告)日：2023-08-01
申请号：CN202310509059.2
申请日：2023-05-08
Applicant: 之江实验室
Abstract: 本说明书公开了一种散热系统的控制方法、装置、存储介质及电子设备，本说明书实施例先根据历史上散热系统对计算集群散热时的各历史记录中确定出用于控制散热的各策略组合，针对每个策略组合，对各历史记录进行处理，确定在该策略组合下特征向量涉及的至少一个特征维度所对应的特征值范围，作为该策略组合的适用条件。根据每个策略组合的适用条件，构建模型，并通过模型输出的目标策略组合控制散热系统。在此方法中，通过对各历史记录进行分析，确定出采用每个策略组合所适用的条件。当需要控制散热系统时，将当前散热系统和计算集群的状态信息与各条件进行匹配，以确定出匹配上的条件所对应的目标策略组合，以控制散热系统。
-
公开(公告)号：CN116777010B
公开(公告)日：2023-12-19
申请号：CN202311080508.2
申请日：2023-08-25
Applicant: 之江实验室
IPC: G06N20/00
Abstract: 本说明书公开了一种模型训练的方法以及任务执行方法及装置，可以将获取到的在指定空间中混合物态在第一时刻下的各物理场数据输入到预测模型中，来训练该预测模型，这样一来，在将训练后的预测模型应用到实际任务执行的过程中时，相比于现有技术并不需要耗费过多的时间来一步步推导出下一时刻的指定空间中混合物态在第二时刻下的各物理场数据，这样不仅提高了预测物理场数据的效率，而且由于在训练阶段，是以混合物态在第一时刻和第二时刻前后之间的质量分布符合质量约束为条件，对预测模型进行训练，所以可以保证预测模型在实际应用中所预测出的物理场数据的准确性。(56)对比文件Shuai Wang et al..Multi-scalenumerical simulation of fluidized beds:Model applicability assessment.《Particuology 80》.2022,11-41.
-
公开(公告)号：CN116776135B
公开(公告)日：2023-12-19
申请号：CN202311072802.9
申请日：2023-08-24
Applicant: 之江实验室
IPC: G06F18/2136 , G06N3/0464
Abstract: 本说明书公开了一种基于神经网络模型的物理场数据预测方法及装置，可以根据物理场数据整体在数据空间中各空间区域的数据稀疏情况，来对物理场数据进行划分，得到各分块数据，这样可以将具有计算价值的数据从物理场数据的整体中分割出来，使得预测模型对有价值的分块数据进行计算，以完成物理场数据的预测任务，从而相比于现有技术来说，可以显著的提升预测模型的运算效率。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.029 seconds)
