-
公开(公告)号：CN116681122A
公开(公告)日：2023-09-01
申请号：CN202310686783.2
申请日：2023-06-09
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06N3/082 , G06N3/096 , G06N3/0464 , G06V10/82
Abstract: 本申请公开了一种图像识别网络效率加速方法、装置、设备及介质，涉及神经网络轻量化与图像识别加速领域，包括：获取初始图像识别网络，并确定出与初始图像识别网络对应的初始卷积核权重；对初始图像识别网络分别进行随机输入通道剪枝操作和随机剪枝操作，以得到初始图像识别网络和图像识别网络之间的第一最大均值差异值的均值和第二最大均值差异值；确定出第二最大均值差异值和均值之间的大小关系，若第二最大均值差异值不大于均值，则构建第一优化函数，对第一优化函数进行求解，以得到卷积核权重改变量，基于卷积核权重改变量对初始卷积核权重进行更新，以便对图像识别网络效率进行加速。本申请能够实现结构化图像识别网络压缩与加速。
-
公开(公告)号：CN116257760B
公开(公告)日：2023-08-11
申请号：CN202310526511.6
申请日：2023-05-11
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F18/214 , G06F18/22 , G06F18/24 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种数据划分方法、系统、设备及计算机可读存储介质，涉及数据处理技术领域，获取目标数据集；基于数据的标签信息将目标数据集划分为第一数据集及第二数据集；基于数据的特征信息将第一数据集划分为目标数量的初始子数据集；确定各个初始子数据集的中心数据；确定第二数据集中至少一个第二数据与至少一个中心数据间的关联等级，关联等级基于第二数据与中心数据间关联的数据个数确定；对于第二数据，将与第二数据对应且等级最低的关联等级作为第二数据的目标关联等级，将第二数据划分至目标关联等级对应的中心数据所在的初始子数据集中，得到目标子数据集；实现了对目标数据集进行特征信息均衡及关联均衡的划分，数据划分效果好。
-
公开(公告)号：CN110782021A
公开(公告)日：2020-02-11
申请号：CN201911041052.2
申请日：2019-10-25
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种图像分类方法，包括：接收待分类图像信息；利用通过对比裁剪量化误差和max量化误差选取得到的量化阈值进行权重参数量化后的深度神经网络模型，对待分类图像信息进行分类操作，得到图像分类结果；其中，裁剪量化误差为基于深度神经网络模型的原权重参数计算得到的裁剪阈值进行权重参数量化得到，max量化误差为基于深度神经网络模型的原权重参数计算得到的最大绝对值权重阈值进行权重参数量化得到；输出图像分类结果。本发明缩小了图像分类设备中深度神经网络模型，保证了模型精度，降低了计算量，提高了图像分类效果。本发明还公开了一种图像分类装置、设备及存储介质，具有相应技术效果。
-
公开(公告)号：CN119718696A
公开(公告)日：2025-03-28
申请号：CN202510245683.5
申请日：2025-03-04
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种强化学习并行处理加速器、加速方法及电子设备，涉及加速器技术领域，包括：控制器将当前视图特征，至少两组批次历史视图特征和指令序列分别写入对应存储器；指令加载分发部件读取、译码指令序列并分发参数和开启计算指令给计算部件；数据加载控制部件按每个计算层的参数从存储器中选择所需的特征数据并加载至对应的特征缓存；计算部件在接收到开启计算指令后，同时读取多种视图特征数据并结合参数并行处理，可以大大提升数据处理效率。通过上述各部件的相互配合能够深度分析强化学习模型的特点，根据不同强化学习任务和数据特点，灵活调整参数和处理流程，提高强化学习模型处理效率，同时降低加速器的资源使用率，响应速度快。
-
公开(公告)号：CN116226388B
公开(公告)日：2023-07-21
申请号：CN202310509057.3
申请日：2023-05-08
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F16/35 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/09 , G06N3/084 , G06N3/088
Abstract: 本申请公开了一种文献分类方法、一种图神经网络训练方法及相关组件，应用于数据处理技术领域，包括：获取n篇文献作为一组训练样本，并将文献类别作为标签；得到训练样本的特征提取结果；确定出用于反映训练样本中的n篇文献之间的引用关系的第一信息，以及用于反映训练样本中的n篇文献之间的相似度的第二信息；将特征提取结果，第一信息及第二信息输入至预设的图神经网络，得到图神经网络所输出的针对训练样本中的n篇文献的类别预测结果；基于类别预测结果更新图神经网络的参数，并返回执行获取n篇文献作为一组训练样本的操作，直到图神经网络训练完成。应用本申请的方案，提高了文献分类的准确率。
-
Patent Agency Ranking
公开(公告)号：CN116206188B
公开(公告)日：2023-07-21
申请号：CN202310484624.4
申请日：2023-05-04
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06V10/82 , G06N3/082 , G06N3/0464
Abstract: 本申请公开了一种图像识别方法、系统、设备及存储介质，应用于图像识别技术领域，包括：对训练完成的图像识别网络的目标卷积层进行剪枝，得到压缩卷积层并判断与目标卷积层的差异是否超出差异范围；若否，则按照结构重参数化的方式对压缩卷积层进行重构，得到第一重构卷积层；若是，则按照核集理论的重要性权重更新规则，对压缩卷积层的卷积核进行缩放，得到缩放卷积层，再对缩放卷积层进行重构，得到第二重构卷积层；使用第一或第二重构卷积层替换图像识别网络中的目标卷积层，得到压缩图像识别网络以进行图像识别。应用本申请的方案，采用结构重参数化结合核集理论的方式，有效地保障了所得到的压缩图像识别网络的图像识别准确率。
-
公开(公告)号：CN116431816A
公开(公告)日：2023-07-14
申请号：CN202310694562.X
申请日：2023-06-13
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F16/35 , G06F16/33 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及数字化处理技术领域，公开了一种文献分类方法、装置、设备和计算机可读存储介质，构建文献数据库的初始文献特征矩阵、局部一致性矩阵和全局一致性矩阵。利用文献分类模型中的双通道神经网络，确定出初始文献特征矩阵和局部一致性矩阵对应的第一文献学习结果以及初始文献特征矩阵和全局一致性矩阵对应的第二文献学习结果。对双通道神经网络各图卷积层的输出特征进行相关性分析，以确定出第三文献学习结果。基于文献数据库的已有标签、局部一致性矩阵、第一文献学习结果、第二文献学习结果以及第三文献学习结果，对文献分类模型的参数进行修正，依据训练好的文献分类模型，确定出文献数据库中无标签文献的类别，提高了文献分类的准确度。
-
公开(公告)号：CN110533165B
公开(公告)日：2022-05-17
申请号：CN201910760134.6
申请日：2019-08-16
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种图像处理方法，由于本发明中对于通过饱和映射法得到的第一量化阈值以及通过非饱和映射法得到的第二量化阈值进行了加权计算，相当于对两个量化阈值进行了融合，得到的最佳量化阈值可以适用于大多数的激活输出层，因此也就能够更加有效的保留激活输出层的有效信息，并用于后续的图像处理工作，提高了量化后的深度神经网络在低位宽硬件平台上，进行推理计算的精度。本发明还公开了一种图像处理装置及设备，具有如上图像处理方法相同的有益效果。
-
公开(公告)号：CN111857723A
公开(公告)日：2020-10-30
申请号：CN202010604992.4
申请日：2020-06-29
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F8/41
Abstract: 本发明实施例公开了一种参数编译方法、装置和介质，提取各模型文件所包含的网络参数；按照预先设定的参数规格，将各网络参数转换为对应的中间参数；依据各中间参数对应的尺寸信息、权重信息和上下文操作序号，为各中间参数分配对应的内存地址；将各中间参数及其对应的内存地址按照设定的方式存储至预设存储空间。通过对各模型文件的网络参数进行转换，可以将不同框架的模型文件转换成统一的、硬件友好的中间参数，解除了网络参数的各种操作运算与硬件的相关性，很好的解决了支持多种框架带来的软件代码冗余、依赖库冲突等问题。本申请在FPGA预处理阶段把数据写入硬件，就不再需要主机和FPGA的通信，不存在主机与FPGA的通信压力。
-
公开(公告)号：CN110533165A
公开(公告)日：2019-12-03
申请号：CN201910760134.6
申请日：2019-08-16
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种图像处理方法，由于本发明中对于通过饱和映射法得到的第一量化阈值以及通过非饱和映射法得到的第二量化阈值进行了加权计算，相当于对两个量化阈值进行了融合，得到的最佳量化阈值可以适用于大多数的激活输出层，因此也就能够更加有效的保留激活输出层的有效信息，并用于后续的图像处理工作，提高了量化后的深度神经网络在低位宽硬件平台上，进行推理计算的精度。本发明还公开了一种图像处理装置及设备，具有如上图像处理方法相同的有益效果。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.042 seconds)
