-
公开(公告)号：CN114840217A
公开(公告)日：2022-08-02
申请号：CN202210612259.6
申请日：2022-05-31
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了计算机技术领域内的一种编译方法、装置、设备及可读存储介质。在本申请中，分布式系统中的任意节点在接收到目标源文件的编译指令后，先不进行编译，而是在当前节点中确定影响目标源文件编译的节点环境参数，并基于节点环境参数在预设编译结果库中查询目标源文件的编译结果信息，若在预设编译结果库中查到编译结果信息，则基于编译结果信息确定目标源文件的编译文件的存储位置，从存储位置获取编译文件，并在当前节点运行编译文件。本申请可避免节点进行冗长的编译工作，能够提高分布式系统中各节点的编译效率。相应地，本申请提供的一种编译装置、设备及可读存储介质，也同样具有上述技术效果。
-
公开(公告)号：CN114140619A
公开(公告)日：2022-03-04
申请号：CN202111278700.3
申请日：2021-10-31
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了一种图像数据生成方法、模型训练方法、装置、设备及介质，该方法包括：构建包含第一正则项和第二正则项的目标函数；获取预先经过训练的初始神经网络模型，然后从初始神经网络模型的归一化层中提取出预保存特征图信息；创建噪声图像，并将噪声图像作为初次迭代图像，然后提取出初次迭代图像的特征图；以初次迭代图像的特征图、预保存特征图信息和初次迭代图像作为初次迭代参数，并基于预设迭代次数针对目标函数展开多次迭代运算，以生成相应的图像数据，以便将图像数据作为训练数据对初始神经网络模型进行重新训练。通过上述方案，实现了能够避免获取原始数据集困难的情况，进而提高初始神经网络模型的精确度。
-
公开(公告)号：CN113850333A
公开(公告)日：2021-12-28
申请号：CN202111137999.0
申请日：2021-09-27
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种CNN分析方法，考虑到CNN模型的每一个卷积层在对图像进行处理时实际是利用自身的统计信息对图像进行处理，因此本申请在基于已训练神经网络模型的反向生成算法中添加了基于统计信息构建的特征表达式，得到新的反向生成算法，如此一来，通过新的反向生成算法生成的图像便能够反映出目标卷积层的一些特性，也即可以实现对于CNN模型中各个卷积层的可解释性分析，以便细致了解CNN模型中每一层的具体特征，并对CNN模型进行针对性改进，促进了CNN模型的发展。本发明还公开了一种CNN分析装置、设备及计算机可读存储介质，具有如上CNN分析方法相同的有益效果。
-
公开(公告)号：CN111858460A
公开(公告)日：2020-10-30
申请号：CN202010614684.X
申请日：2020-06-30
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F15/177 , G06F1/3234
Abstract: 本申请公开了一种FPGA异构计算平台的控制方法及相关组件，应用于每个板卡管理模块，包括：接收远程管理中心下发的工作指令；根据工作指令、所有FPGA板卡组的开启状态和低功耗原则，确定所在的FPGA板卡组中待开启的FPGA加速卡；向待开启的FPGA加速卡的微控制器发送配置指令，以降低该FPGA加速卡的动态功耗。本发明中的控制方法应用于远程管理中心、板卡管理模块和FPGA加速卡的结构的FPGA异构计算平台，由板卡管理模块控制所在FPGA板卡组的FPGA加速卡，进而实现降低动态功耗的效果。由于FPGA加速卡与远程管理中心的通讯通过网络实现，每张FPGA加速卡可独立控制，灵活满足实际运行需求。
-
公开(公告)号：CN111858038A
公开(公告)日：2020-10-30
申请号：CN202010616628.X
申请日：2020-06-30
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F9/50
Abstract: 本申请公开了一种FPGA板卡内存数据的读取方法、装置及计算机可读存储介质。其中，方法包括FPGA板卡在接收主机端的硬件信息获取请求后将控制器数量和DDR内存总个数进行反馈；当接收到主机端的数据空间申请请求，基于数据空间申请请求将待计算数据进行数据切片处理；数据空间申请请求携带各DDR的专用申请空间容量和待计算数据，待计算数据的切片总数与DDR内存总个数相同；将各切片数据传输至相应的DDR空间中，并根据每片DDR中切片数据的数据存储位置通过多个控制器并行从DDR内存空间中读取数据并计算，从而有效提升FPGA板卡读取数据效率和资源利用率，从而提高整体运行效率，降低系统数据处理延时。
-
Patent Agency Ranking
公开(公告)号：CN111857866A
公开(公告)日：2020-10-30
申请号：CN202010606000.1
申请日：2020-06-29
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F9/445
Abstract: 本发明实施例公开了一种多动态核的加载方法、装置和介质，当检测到动态核加载启动时，从预设的存储空间中读取重配置数据流；依据重配置数据流中携带的原始数据流，加载动态核。当重配置数据流中携带的读取地址不是结束地址时，依据重配置数据流中携带的读取地址从存储空间中读取下一条重配置数据流，并返回依据重配置数据流中携带的原始数据流，加载原始数据流所对应的动态核的步骤。通过从存储空间中读取重配置数据流，可以减少软件层面的加载操作命令。并且在每条重配置数据流中加入了下一条数据流的读取地址，FPGA依赖于读取地址可以实现动态核的自动加载，无需在每次加载动态核时通过软件层面触发FPGA，提升了动态核加载的效率。
-
公开(公告)号：CN111857236A
公开(公告)日：2020-10-30
申请号：CN202010614690.5
申请日：2020-06-30
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F1/08
Abstract: 本申请公开了一种FPGA系统时钟频率设定系统，包括：时钟资源管理器、时钟频率判定模块和负反馈配置模块；时钟资源管理器，用于根据时钟频率配置寄存器中的数值输出相应时钟频率的时钟信号；时钟频率判定模块，用于获取反馈信号，根据反馈信号输出相应的调整信号至负反馈配置模块；负反馈配置模块，用于根据调整信号，向时钟资源管理器输出与调整信号对应的时钟频率配置寄存器中的数值。本申请时钟频率判定模块根据反馈信号判断是否需要调整时钟频率，输出相应的调整信号至负反馈配置模块，由负反馈配置模块获取相应的时钟频率配置寄存器中的数值，并发送至时钟资源管理器，改变输出的时钟频率，使时钟频率能够根据实际应用需求进行动态调整。
-
公开(公告)号：CN113722090B
公开(公告)日：2024-12-27
申请号：CN202110845282.5
申请日：2021-07-26
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F9/50 , G06F15/173
Abstract: 本发明公开了一种任务管理方法、装置、设备及计算机可读存储介质，本申请中响应端的加速卡在无法将已完成命令加入到响应端CPU的CQ时可以将该状况告知CPU，并在预设时长内持续尝试将已完成命令加入到CQ中，在这预设时长之内请求端的加速卡不会继续发送数据，而在预设时长内将已完成命令加入到CQ中后，响应端的加速卡便可以向请求端的加速卡发送确认信号以便其继续发送数据，减少了对于网络带宽的占用，而且面对异常情况时通过信号延时较小的加速卡进行确认信号的发送，提高了工作效率。
-
公开(公告)号：CN114863120B
公开(公告)日：2024-11-26
申请号：CN202210428476.X
申请日：2022-04-22
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了一种图像实例标注方法、装置、设备及介质，涉及计算机视觉技术领域，所述方法包括：通过卷积神经网络对目标图像进行特征提取，得到提取后卷积特征；基于提取后卷积特征确定出一个或多个目标预测框以及目标预测框的坐标向量；利用目标预测框对提取后卷积特征进行截取，并通过图卷积网络对每一目标预测框对应的截取后特征分别进行实例类别标注以及实例坐标标注，得到目标图像中每一目标预测框内的目标实例分别对应的类别向量以及标注坐标序列，可见，本申请通过目标预测框对所述目标图像的卷积特征进行截取，并对截取后特征进行进一步的推理，精简了网络结构中复杂的多尺度特征，提高了生产效率。
-
公开(公告)号：CN114140619B
公开(公告)日：2024-09-06
申请号：CN202111278700.3
申请日：2021-10-31
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种图像数据生成方法、模型训练方法、装置、设备及介质，该方法包括：构建包含第一正则项和第二正则项的目标函数；获取预先经过训练的初始神经网络模型，然后从初始神经网络模型的归一化层中提取出预保存特征图信息；创建噪声图像，并将噪声图像作为初次迭代图像，然后提取出初次迭代图像的特征图；以初次迭代图像的特征图、预保存特征图信息和初次迭代图像作为初次迭代参数，并基于预设迭代次数针对目标函数展开多次迭代运算，以生成相应的图像数据，以便将图像数据作为训练数据对初始神经网络模型进行重新训练。通过上述方案，实现了能够避免获取原始数据集困难的情况，进而提高初始神经网络模型的精确度。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.04 seconds)
