-
公开(公告)号：CN115860122A
公开(公告)日：2023-03-28
申请号：CN202211566685.7
申请日：2022-12-07
IPC: G06N5/04 , G06N5/043 , G06N5/022 , G06F16/36 , G06F16/35 , G06N3/045 , G06N3/0442 , G06N3/042 , G06N3/047 , G06N3/048 , G06N3/092
Abstract: 本发明公开了一种基于多智能体强化学习的知识图谱多跳推理方法，针对知识图谱推理过程中存在的长路径推理性能差、只注重关系选择而忽略实体选择重要性和未能充分利用实体、关系多重语义的问题。该发明含有以下步骤，将知识图谱作为智能体感知的环境，并对知识图谱进行预处理；设计强化学习算法中用于训练智能体的网络结构；初始化所有智能体的状态信息和算法参数；将预处理的知识图谱作为智能体的环境，利用强化学习算法使智能体与环境交互进行迭代学习，得到训练完成的策略网络；使用训练完成的策略网络对待处理的知识图谱进行推理预测。本技术能够克服实体或关系的多重语义带来的语义歧义问题，从而提高智能体路径推理的准确性。
-
公开(公告)号：CN115424110A
公开(公告)日：2022-12-02
申请号：CN202210991817.4
申请日：2022-08-17
Abstract: 本发明涉及图像处理领域，具体涉及一种掩码变形方法，其能在仅知晓目标域标签信息的前提下，实现域之间的实例形变，且能够使得实例和掩码信息保持一致，其首先获得源域掩码的整体特征，然后将源域的各实例掩码分别与整体特征进行融合，获得各实例掩码特征；然后，再将目标域标签信息的特征编码分别嵌入各实例掩码特征；最后，通过生成器输出目标域生成掩码，作为对应目标域的实例掩码。同时，提供了一种掩码变形方法的掩码形变网络的训练方法，其以目标域真实掩码和通过上述掩码形变网络生成的掩码构成正负样本对，进行生成对抗网络训练，提出了一种有效且高效的训练范式。
-
公开(公告)号：CN112884021B
公开(公告)日：2022-09-02
申请号：CN202110127717.2
申请日：2021-01-29
Abstract: 本发明公开了一种面向深度神经网络可解释性的可视分析系统，包括：深度学习模型结构和计算过程的解释性可视化模块，揭示深度学习模型内部的网络结构和数据流的逐步计算流程；训练过程数据流的解释性可视化模块，揭示整个训练过程中数据流的统计信息；神经网络特征提取功能的解释性可视化模块，将神经元权重或神经元输出以可视化方式展示给用户，以解释各层神经元的特征提取能力，通过对比可视化方式，发现模型在不同时间点、不同参数等情况下的表现差异；数据异常值的解释性可视化模块，帮助用户发现数据中的异常和训练中模型参数的异常，提示用户及时暂停和修改模型参数；用户定制功能可视化模块，支持多种可视化模块在同一个页面中进行展示。
-
公开(公告)号：CN116975253A
公开(公告)日：2023-10-31
申请号：CN202310750125.5
申请日：2023-06-25
IPC: G06F16/34 , G06T11/20 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于Transformer自注意力的可视分析方法及装置。本发明通过可视分析图表了解深度学习模型的训练层及注意力头的自注意力的整体分布情况及统计规律，并可通过数据链接图和矩阵图具体训练样本查看自注意力在实例中的联系情况；计算机视觉领域的注意力可视分析揭示在训练任务中像素块之间的相互关注性，通过全局归一化和局部归一化两种方式查看不同层和头之间的自注意力分布情况，获得下游任务得出结果的过程。通过本发明，研究人员利用统计分析图表，可直观地观察Transformer模型内部注意力头的值分布情况，选择感兴趣的注意力头。且通过具体的单个注意力头可视化，研究人员可以分析注意力头在具体任务中所发挥的作用，帮助研究人员改进优化模型。
-
公开(公告)号：CN116821425A
公开(公告)日：2023-09-29
申请号：CN202310750193.1
申请日：2023-06-25
IPC: G06F16/901 , G06N3/0464 , G06N3/082 , G06N3/04
Abstract: 本发明公开了一种面向天枢人工智能平台的模型结构提取方法及装置。本发明首先“跟踪/记录”模型上的所有操作，并进一步提取模型计算图节点信息和连接关系，生成模型计算图树形结构。然后基于深度学习模型计算图信息，确定模型结构图中需要保留的层级名称，过滤基本层节点的子节点以及容器节点，同时删除相关的连接边。最后，基于美观性、易交互性和可读性为目标求解图布局方式。本发明不需要借助其他数据信息，完全基于深度神经网络计算图数据信息过滤结构图数据，解决了结构图难以获取的问题。同时，由于仅仅过滤了计算图中不重要节点，因而完整地保留了深度学习模型的主要结构信息。
-
Patent Agency Ranking
公开(公告)号：CN115424109A
公开(公告)日：2022-12-02
申请号：CN202210987590.6
申请日：2022-08-17
Abstract: 本发明涉及图像处理领域，具体涉及一种可形变实例级图像翻译方法，其解决了现有技术中，域之间差距过大而导致的实例难以形变、实例无法和掩码信息保持一致的问题。其将前景的边缘信息、背景掩码信息和目标域标签信息的特征编码进行融合，获得混合掩码；然后，将背景特征和混合掩码，输入生成器，生成器的解码网络将输入的背景特征进行解码，同时从混合掩码提取附加信息，并将提取的附加信息作用于归一化后的解码输出上，通过附加信息对归一化后的解码输出进行仿射变换，从而获得了包括对应目标域掩码的前景信息和指示前景位置的位置信息的融合信息；最终，利用位置信息将生成的前景信息和源域背景图像进行融合，输出保留源域背景的目标域图片。
-
公开(公告)号：CN112884021A
公开(公告)日：2021-06-01
申请号：CN202110127717.2
申请日：2021-01-29
Abstract: 本发明公开了一种面向深度神经网络可解释性的可视分析系统，包括：深度学习模型结构和计算过程的解释性可视化模块，揭示深度学习模型内部的网络结构和数据流的逐步计算流程；训练过程数据流的解释性可视化模块，揭示整个训练过程中数据流的统计信息；神经网络特征提取功能的解释性可视化模块，将神经元权重或神经元输出以可视化方式展示给用户，以解释各层神经元的特征提取能力，通过对比可视化方式，发现模型在不同时间点、不同参数等情况下的表现差异；数据异常值的解释性可视化模块，帮助用户发现数据中的异常和训练中模型参数的异常，提示用户及时暂停和修改模型参数；用户定制功能可视化模块，支持多种可视化模块在同一个页面中进行展示。
-
公开(公告)号：CN113673241B
公开(公告)日：2024-04-09
申请号：CN202110885791.0
申请日：2021-08-03
IPC: G06F40/289 , G06F40/211 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于范例学习的文本摘要生成框架及方法，允许在摘要生成的过程中参考一些写作范例，框架包括检索和生成两个阶段，检索阶段，给定一个文本，使用对比学习去数据库中检索一些范例，假定越好的摘要在语义空间应该和原文离得更近，检索器的模型使用了孪生网络的结构；生成阶段，提出了一种结合范例进行摘要生成的方法，可以方便的加在目前所有主流的条件生成模型上，为了更好的学习范例，将待生成的摘要和范例摘要按照句子对齐；通过训练好的模型进行预测，即解码阶段，使用集束搜索算法并鼓励那些和范例更相似的束。
-
公开(公告)号：CN116451808A
公开(公告)日：2023-07-18
申请号：CN202310451948.8
申请日：2023-04-23
IPC: G06N20/00 , G06V10/40 , G06F40/226 , G06F40/194
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，获取图文对和翻译文本对，将图文对中的描述文本和翻译文本对包含的两种语言文本输入到预设的视觉语言模型中的文本特征提取层中，以通过文本特征提取层得到描述文本和两种语言文本的文本特征，并将图文对中的图像输入到视觉语言模型中的图像特征提取层中，以通过图像特征提取层得到图像的图像特征。根据图文对中图像的图像特征与描述文本的文本特征，以及翻译文本对中包含的两种语言文本的文本特征，确定目标损失；根据目标损失，对视觉语言模型进行训练。
-
公开(公告)号：CN116028069A
公开(公告)日：2023-04-28
申请号：CN202310111355.7
申请日：2023-02-07
Applicant: 之江实验室
Abstract: 本说明书公开了一种模型部署的方法、装置、存储介质及电子设备。所述模型部署的方法包括：获取目标模型以及目标模型对应的配置文件，确定用于部署所述目标模型的目标设备，并在所述目标设备中创建用于部署所述目标模型的目标系统，根据所述配置文件，从指定的环境信息库中获取所述目标模型所需运行环境的数据包，基于所述数据包，在所述目标系统中创建所述目标模型所需的运行环境，根据所述目标系统中创建所述目标模型所需的运行环境，在所述目标系统中部署所述目标模型，以通过部署后的目标模型执行业务。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.024 seconds)
