-
公开(公告)号：CN110840401B
公开(公告)日：2022-11-18
申请号：CN201911121591.7
申请日：2019-11-15
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种心率值测定方法，包括：获取生命信号，将生命信号输入卷积神经网络模型中；其中，卷积神经网络模型具有多个不同深度的预测网络；利用卷积神经网络模型在各个与深度对应的下采样率下对生命信号进行特征提取，得到多个心率估计特征；对各个心率估计特征进行一维非极大值抑制处理，得到多个预选心率估计特征；对各个预选心率估计特征进行基于主元分析的数据融合处理，得到生命信号对应的心率值；该方法可以避免传统心率检测技术由于无法彻底滤除呼吸信号导致心率测定不准确的问题，进而解决传统心率检测技术的心率监测准确度较低的问题；此外，本发明还提供了一种心率值测定装置、设备及计算机可读存储介质，同样具有上述有益效果。
-
公开(公告)号：CN114021708A
公开(公告)日：2022-02-08
申请号：CN202111165135.X
申请日：2021-09-30
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了一种数据处理方法、装置、系统、电子设备及计算机可读存储介质，该方法包括：获取设置指令，并根据设置指令设置计算网络；设置指令用于设置计算网络中各个计算核之间的数据流向；获取至少一个特征值，并将至少一个特征值分别输入计算网络中的至少一个起始计算核；以起始计算核为起点，按照数据流向传输特征值；利用各个计算核，基于特征值和对应的权重值生成计算结果；该方法通过设置指令设置计算网络中各个计算核之间的数据流向，使得数据在不同级之间流动，或者在同级之间流动，使得整个计算网络无论在处理什么形状的网络模型时，都能够被百分百全面利用。
-
公开(公告)号：CN119721153B
公开(公告)日：2025-05-23
申请号：CN202510245688.8
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：控制器将当前图像和历史图像特征分别写入对应输入缓存，将指令序列写入指令控制部件，指令控制部件接收指令序列并下发给参数分发部件，参数分发部件对指令序列进行解析后，将计算层访存参数、计算参数及启动指令分发到计算部件。计算部件在接收到启动指令后，依次读取输入缓存中的特征数据，访存参数和计算参数进行计算处理，使得计算部件能够根据不同的参数灵活地执行各类计算任务。整个加速器深度分析了强化学习模型的特点，能完整、高效、紧凑地支持该网络各层计算，提高该类模型的处理效率，避免交互时延，同时降低加速器的资源使用率。
-
公开(公告)号：CN119721168A
公开(公告)日：2025-03-28
申请号：CN202510229142.3
申请日：2025-02-28
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06N3/082 , G06N3/0464 , G06V10/82
Abstract: 本发明公开了一种模型压缩方法、图像识别方法、产品、设备及介质，涉及数据处理领域，为解决模型压缩效果欠佳，无法很好地适配计算设备的问题，该方法包括利用各个卷积层的预测剪枝掩码向量对各个卷积层的输出通道进行剪枝操作；在当前次迭代中对各卷积层逐层执行量化操作；响应于当前次迭代满足结束条件，将所有卷积层均执行完量化操作后的压缩后模型作为目标模型部署在计算设备上。本发明能够在减少计算设备的存储和计算成本的同时，尽可能保留模型的精度，从而更好的适配计算设备的图像识别任务。
-
公开(公告)号：CN119445006A
公开(公告)日：2025-02-14
申请号：CN202510046218.9
申请日：2025-01-13
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明公开了一种三维数字内容生成方法、装置、系统、设备、介质及产品，应用于三维数据处理技术领域。其中，方法包括通过将不同数据格式的三维网络模型数据和目标三维数据统一在同一坐标系下的方式，生成异构三维数据，并采用目标数据结构进行表示。从图像采集设备观察位置沿渲染像素的观察方向投射光线，并按照预设光线参数沿着光线采样；根据采样点与三维网络模型数据、目标三维数据的空间位置关系确定采样点的颜色值，根据各采样点的颜色值确定渲染像素的颜色，根据各渲染像素生成三维数字内容。本发明可以解决依赖手工创建三维数字内容存在的高成本问题，能够统一处理异构三维数据，实现高效且低成本地生成三维数字内容。
-
Patent Agency Ranking
公开(公告)号：CN113705775B
公开(公告)日：2024-10-01
申请号：CN202110866324.3
申请日：2021-07-29
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种神经网络的剪枝方法、装置、设备及存储介质；本方案对神经网络进行剪枝时，可将待剪枝网络层作为目标网络层进行通道剪枝及卷积核重构，因此，本方案对多分支结构进行压缩时，并不仅仅局限于中间层，还可对输入层、输出层、下采样层等等网络层进行压缩，大大提升了神经网络的压缩比，减少神经网络模型执行任务所需要的计算量，加快神经网络的任务处理速度；并且，本方案为数据无关的异步通道剪枝方法，有利于保持压缩后神经网络的鲁棒性，还能够在神经网络的不同网络层实现不同稀疏粒度的剪枝，提高压缩的灵活性。
-
公开(公告)号：CN116206188A
公开(公告)日：2023-06-02
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：CN114861878A
公开(公告)日：2022-08-05
申请号：CN202210469678.9
申请日：2022-04-30
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请提供一种深度神经网络量化方法，涉及人工智能领域，包括：获取浮点型模型参数和深度神经网络模型；利用所述浮点型模型参数并采用局部权重参数量化对所述深度神经网络模型进行量化，得到第一量化模型；若所述第一量化模型满足预设量化精度，结束量化；若所述第一量化模型不满足预设量化精度，采用全局激活输出量化处理所述第一量化模型，得到第二量化模型。本申请采用局部量化和全局量化相结合的量化策略，进行快速后训练量化。量化过程计算简单，每步优化目标单一，因此更容易找到最优解。本申请还提供一种深度神经网络量化系统、计算机可读存储介质和电子设备，具有上述有益效果。
-
公开(公告)号：CN114817513A
公开(公告)日：2022-07-29
申请号：CN202210745454.6
申请日：2022-06-29
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F16/332 , G06F16/33 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本申请涉及深度学习技术领域，公开了一种文本答案的确定方法、装置、设备和介质，获取包括文章文本和问题文本的待分析文本。基于待分析文本与设定的偏移量的相似度，确定出与待分析文本匹配的目标偏移量；依据目标偏移量，对神经网络模型以及待分析文本进行压缩处理。利用压缩后的神经网络模型对压缩后的待分析文本进行分析，以从文章文本中提取出与问题文本匹配的答案。基于待分析文本的文本特征选取匹配的偏移量，利用偏移量实现对神经网络模型以及待分析文本的压缩，减少了所需分析的文本数据量和神经网络模型的计算量，提升了文本的处理效率。根据不同类型的输入数据的特征灵活地选择偏移量，实现了神经网络模型的灵活调整和应用。
-
公开(公告)号：CN111857723B
公开(公告)日：2022-06-17
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。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.039 seconds)
