-
公开(公告)号：CN118694765B
公开(公告)日：2024-12-27
申请号：CN202411187773.5
申请日：2024-08-28
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: H04L67/1001 , G06F18/214
Abstract: 本发明公开了一种数据传输方法、装置、设备及计算机可读存储介质，涉及计算机应用技术领域，包括：利用发送端智能网卡接收浮点型模型训练数据集，并进行量化操作，分别对得到的各量化后模型训练数据进行损失度计算；利用发送端智能网卡将损失度计算结果满足预设损失度允许范围的量化后模型训练数据发送给接收端智能网卡，并将损失度计算结果超出预设损失度允许范围的量化后模型训练数据对应的浮点型模型训练数据发送给接收端智能网卡；利用接收端智能网卡对量化后模型训练数据进行反量化，将各浮点型模型训练数据均上传至接收端。本发明解决了数据量化速度慢，数据传输耗时长等问题，较大地提高了数据量化速度，降低了传输耗时。
-
公开(公告)号：CN118674731B
公开(公告)日：2024-12-03
申请号：CN202411132770.1
申请日：2024-08-19
Applicant: 浪潮(北京)电子信息产业有限公司
Abstract: 本申请公开了一种图像分割方法、设备、程序产品及介质，涉及计算机视觉技术领域。该方法包括：构建基于预设卷积神经网络的基础图像分割模型；利用多尺度卷积操作对用于进行图像分割的数据集进行特征提取，以得到不同尺度的特征；基于预设深度学习模型架构构建线性注意力机制并利用高斯误差线性单元激活函数作为所述线性注意力机制的构造函数，将所述特征通过所述线性注意力机制进行特征融合，以得到多尺度融合特征图；对所述多尺度融合特征图进行上采样与拼接操作，并为所述基础图像分割模型配置相应的损失函数与优化器以得到目标图像分割模型，以便利用所述目标图像分割模型进行图像分割。通过本申请的技术方案，可以显著提升整体图像分割性能。
-
公开(公告)号：CN118694765A
公开(公告)日：2024-09-24
申请号：CN202411187773.5
申请日：2024-08-28
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: H04L67/1001 , G06F18/214
Abstract: 本发明公开了一种数据传输方法、装置、设备及计算机可读存储介质，涉及计算机应用技术领域，包括：利用发送端智能网卡接收浮点型模型训练数据集，并进行量化操作，分别对得到的各量化后模型训练数据进行损失度计算；利用发送端智能网卡将损失度计算结果满足预设损失度允许范围的量化后模型训练数据发送给接收端智能网卡，并将损失度计算结果超出预设损失度允许范围的量化后模型训练数据对应的浮点型模型训练数据发送给接收端智能网卡；利用接收端智能网卡对量化后模型训练数据进行反量化，将各浮点型模型训练数据均上传至接收端。本发明解决了数据量化速度慢，数据传输耗时长等问题，较大地提高了数据量化速度，降低了传输耗时。
-
公开(公告)号：CN117635476A
公开(公告)日：2024-03-01
申请号：CN202311632057.9
申请日：2023-11-30
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G06T5/70 , G06T5/60 , G06N3/082 , G06N3/0495 , G06N3/0455
Abstract: 本发明涉及图像处理技术领域，公开了一种图像生成方法、装置、设备和计算机可读存储介质，依据噪声生成器输出的随机噪声对训练图像进行加噪处理，以得到带噪图像；利用扩散模型包含的编解码器和潜变量空间，对带噪图像和高斯分布采样器采样得到的时间向量进行分析，以得到噪声预测结果。基于噪声预测结果和随机噪声，确定出扩散模型中各模型参数的贡献度；依据各模型参数的贡献度通过剪枝器对扩散模型进行剪枝，以得到压缩后的扩散模型。通过将扩散模型的噪声训练过程压缩到潜变量空间进行学习，提升了扩散模型在服务器上的运行效率。利用压缩后的扩散模型对新获取的噪声图像进行分析，以生成去噪图像，降低了图像生成过程的计算开销。
-
Patent Agency Ranking
公开(公告)号：CN116992943B
公开(公告)日：2024-02-09
申请号：CN202311255746.2
申请日：2023-09-27
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明涉及深度学习技术领域，公开了一种深度神经网络模型的链路剪枝方法、装置、设备和介质，根据待剪枝模型对应的模型图结构，构建第一链路图。在出现具有链接关系的目标相邻顶点时，向第一链路图中填充目标相邻顶点对应的链接关系；直至遍历完第一链路图中的所有相邻顶点，将最终的第一链路图作为第二链路图。基于剪枝需求，从第二链路图中确定出与剪枝需求相关联的所有待剪枝层和剪枝维度，按照各待剪枝层对应的剪枝维度对待剪枝层进行剪枝，从而快速完成待剪枝模型的链路剪枝。通过构建反映各顶点之间链接关系的第二链路图，可以快速自动化实现结构化剪枝策略，极大的提升了模型剪枝的效率。
-
公开(公告)号：CN116992943A
公开(公告)日：2023-11-03
申请号：CN202311255746.2
申请日：2023-09-27
Applicant: 浪潮(北京)电子信息产业有限公司
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明涉及深度学习技术领域，公开了一种深度神经网络模型的链路剪枝方法、装置、设备和介质，根据待剪枝模型对应的模型图结构，构建第一链路图。在出现具有链接关系的目标相邻顶点时，向第一链路图中填充目标相邻顶点对应的链接关系；直至遍历完第一链路图中的所有相邻顶点，将最终的第一链路图作为第二链路图。基于剪枝需求，从第二链路图中确定出与剪枝需求相关联的所有待剪枝层和剪枝维度，按照各待剪枝层对应的剪枝维度对待剪枝层进行剪枝，从而快速完成待剪枝模型的链路剪枝。通过构建反映各顶点之间链接关系的第二链路图，可以快速自动化实现结构化剪枝策略，极大的提升了模型剪枝的效率。
-
公开(公告)号：CN116701692A
公开(公告)日：2023-09-05
申请号：CN202310974784.7
申请日：2023-08-04
Applicant: 浪潮(北京)电子信息产业有限公司
Abstract: 本发明公开了一种图像生成方法、装置、设备及介质，应用于图像生成技术领域，包括：将第一输入数据输入至目标扩散模型进行推理，并在推理过程中获取每次迭代的输出结果；第一输入数据包括第一噪声和第一文本信息；基于相邻两次迭代的输出结果计算散度，得到散度序列；对所述散度序列进行分组以得到散度组，并依次对每个散度组对应的推理阶段中的目标扩散模型进行参数量化；推理阶段为散度组中各散度对应的迭代次数所对应的推理阶段；基于第二输入数据以及参数量化后的目标扩散模型生成图像；所述第二输入数据包括第二噪声和第二文本信息。能够解决模型推理速度慢的问题，提升模型推理速度，进而提升图像的生成效率。
-
公开(公告)号：CN116701692B
公开(公告)日：2023-11-03
申请号：CN202310974784.7
申请日：2023-08-04
Applicant: 浪潮(北京)电子信息产业有限公司
Abstract: 本发明公开了一种图像生成方法、装置、设备及介质，应用于图像生成技术领域，包括：将第一输入数据输入至目标扩散模型进行推理，并在推理过程中获取每次迭代的输出结果；第一输入数据包括第一噪声和第一文本信息；基于相邻两次迭代的输出结果计算散度，得到散度序列；对所述散度序列进行分组以得到散度组，并依次对每个散度组对应的推理阶段中的目标扩散模型进行参数量化；推理阶段为散度组中各散度对应的迭代次数所对应的推理阶段；基于第二输入数据以及参数量化后的目标扩散模型生成图像；所述第二输入数据包括第二噪声和第二文本信息。能够解决模型推理速度慢的问题，提升模型推理速度，进而提升图像的生成效率。
-
公开(公告)号：CN118674731A
公开(公告)日：2024-09-20
申请号：CN202411132770.1
申请日：2024-08-19
Applicant: 浪潮(北京)电子信息产业有限公司
Abstract: 本申请公开了一种图像分割方法、设备、程序产品及介质，涉及计算机视觉技术领域。该方法包括：构建基于预设卷积神经网络的基础图像分割模型；利用多尺度卷积操作对用于进行图像分割的数据集进行特征提取，以得到不同尺度的特征；基于预设深度学习模型架构构建线性注意力机制并利用高斯误差线性单元激活函数作为所述线性注意力机制的构造函数，将所述特征通过所述线性注意力机制进行特征融合，以得到多尺度融合特征图；对所述多尺度融合特征图进行上采样与拼接操作，并为所述基础图像分割模型配置相应的损失函数与优化器以得到目标图像分割模型，以便利用所述目标图像分割模型进行图像分割。通过本申请的技术方案，可以显著提升整体图像分割性能。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.033 seconds)
