-
公开(公告)号：CN119719595B
公开(公告)日：2025-05-13
申请号：CN202510245690.5
申请日：2025-03-04
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F17/15 , G06N3/092 , G06N3/063 , G06N3/0464 , G06F17/16
Abstract: 本发明公开了一种数据处理方法、电子设备、介质及计算机程序产品，涉及计算机技术领域，包括：首先以批次为要素排列特征数据块，以输出通道为要素排列权重数据块，可在卷积计算能更有序访问特征数据和权重数据，然后通过判断网络数据规模与设定阈值大小，选择合适存储模式；数据规模小于设定阈值时用片上存储模式加载数据后进行卷积计算，能减少数据读取延迟，提升计算响应速度；数据规模大时采用片外访存模式边加载数据边卷积计算，避免因等待数据全部加载完成而造成的计算资源闲置。这样能够将强化学习前端进行特征提取的卷积计算部分协同部署到分块矩阵计算架构上，实现资源复用，有效降低硬件实现的复杂度和硬件资源的消耗。
-
公开(公告)号：CN119723114A
公开(公告)日：2025-03-28
申请号：CN202510229137.2
申请日：2025-02-28
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06V10/46 , G06V30/148 , G06V10/82 , G06N3/045 , G06N3/09
Abstract: 本申请公开了一种协同显著性检测方法、产品、设备及存储介质，涉及计算机视觉领域，包括：获取当前待检测的至少两个目标图像，得到当前图像组；将当前图像组输入至训练后的协同显著性检测模型中，以基于预训练语言模型对与当前图像组中各目标图像之间的协同显著性相关的目标文本信息进行提取，并基于目标文本信息引导分割一切模型对当前图像组中的协同显著目标和背景进行分割，得到当前协同显著性检测结果。本申请能够提高对协同显著目标和干扰背景的识别能力，并提升了协同显著性检测的准确性。
-
公开(公告)号：CN119719595A
公开(公告)日：2025-03-28
申请号：CN202510245690.5
申请日：2025-03-04
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F17/15 , G06N3/092 , G06N3/063 , G06N3/0464 , G06F17/16
Abstract: 本发明公开了一种数据处理方法、电子设备、介质及计算机程序产品，涉及计算机技术领域，包括：首先以批次为要素排列特征数据块，以输出通道为要素排列权重数据块，可在卷积计算能更有序访问特征数据和权重数据，然后通过判断网络数据规模与设定阈值大小，选择合适存储模式；数据规模小于设定阈值时用片上存储模式加载数据后进行卷积计算，能减少数据读取延迟，提升计算响应速度；数据规模大时采用片外访存模式边加载数据边卷积计算，避免因等待数据全部加载完成而造成的计算资源闲置。这样能够将强化学习前端进行特征提取的卷积计算部分协同部署到分块矩阵计算架构上，实现资源复用，有效降低硬件实现的复杂度和硬件资源的消耗。
-
公开(公告)号：CN119646525A
公开(公告)日：2025-03-18
申请号：CN202510162788.4
申请日：2025-02-14
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F18/214 , G06F18/25 , G06N3/042 , G06N3/08
Abstract: 本发明公开了一种应用于人工智能技术中的数据关联关系确定方法、系统、设备、介质及程序产品，方法包括将数据关联任务的待关联数据和关联数据信息中的各源数据作为节点特征，输入至关联关系识别模型。对关联关系识别模型进行图采样，基于目标多项式对各采样节点及其相邻邻居节点的特征信息进行聚合，并根据当前聚合特征确定当前图采样对应的各采样节点之间的关联关系识别结果；根据各关联关系识别结果，为待关联数据在关联数据信息中确定具有关联关系的目标数据。本发明可以解决相关技术任务精度和任务执行效率无法兼顾的问题，在提高数据关联关系确定任务执行效率的基础上，确保输出高精度的数据关联结果。
-
公开(公告)号：CN116431816B
公开(公告)日：2023-09-19
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。
-
Patent Agency Ranking
公开(公告)号：CN116127386B
公开(公告)日：2023-08-08
申请号：CN202310417849.8
申请日：2023-04-19
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F18/2415 , G06F18/214 , G06F18/22 , G06N3/08 , G06N3/0464
Abstract: 本申请涉及人工智能技术领域，公开了一种样本分类方法、装置、设备和计算机可读存储介质，利用训练样本包含的图结构信息和初始节点特征信息，对图神经网络模型进行训练，以得到融合后的节点特征信息以及训练得到的预测标签。基于节点特征信息中各节点之间的相似性，构建相似性概率矩阵。依据相似性概率矩阵以及训练样本包含的训练标签，确定出训练样本中所有节点各自对应的传播标签。根据传播标签、训练标签、预测标签，对图神经网络模型的权重进行调整，得到训练好的图神经网络模型，从而对待处理样本进行分析以输出样本类别。依据节点间相似性可以将训练标签传递到特征相似的节点上，从而增加训练时的标签数量，解决数据过拟合的问题。
-
公开(公告)号：CN115934661B
公开(公告)日：2023-07-14
申请号：CN202310188245.0
申请日：2023-03-02
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F16/174 , G06F9/50 , G06N3/0464 , G06N3/048 , G06N3/092
Abstract: 本发明提供一种图神经网络压缩方法、装置、电子设备及存储介质，涉及图神经网络领域，方法包括：获取待训练的图神经网络模型和训练图数据；训练图数据包含图顶点及其对应的顶点特征；控制强化学习的智能体学习图神经网络模型及训练图数据在不同聚类簇数序列条件下的压缩训练结果，并基于压缩训练结果生成最佳聚类簇数序列；聚类簇数序列中的聚类簇数与图神经网络模型中的图卷积层一一对应，聚类簇数用于将输入至对应图卷积层的顶点特征压缩为该图卷积层需处理的特征码字，以使特征码字的数量等于聚类簇数；利用最佳聚类簇数序列对图神经网络模型和训练图数据进行压缩及训练处理；可基于聚类簇数序列压缩图神经网络模型，以降低其对资源的需求。
-
公开(公告)号：CN116127386A
公开(公告)日：2023-05-16
申请号：CN202310417849.8
申请日：2023-04-19
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F18/2415 , G06F18/214 , G06F18/22 , G06N3/08 , G06N3/0464
Abstract: 本申请涉及人工智能技术领域，公开了一种样本分类方法、装置、设备和计算机可读存储介质，利用训练样本包含的图结构信息和初始节点特征信息，对图神经网络模型进行训练，以得到融合后的节点特征信息以及训练得到的预测标签。基于节点特征信息中各节点之间的相似性，构建相似性概率矩阵。依据相似性概率矩阵以及训练样本包含的训练标签，确定出训练样本中所有节点各自对应的传播标签。根据传播标签、训练标签、预测标签，对图神经网络模型的权重进行调整，得到训练好的图神经网络模型，从而对待处理样本进行分析以输出样本类别。依据节点间相似性可以将训练标签传递到特征相似的节点上，从而增加训练时的标签数量，解决数据过拟合的问题。
-
公开(公告)号：CN115357554B
公开(公告)日：2023-02-24
申请号：CN202211299256.8
申请日：2022-10-24
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F16/174 , G06F9/50 , G06N3/0464 , G06N3/048 , G06N3/092
Abstract: 本发明提供一种图神经网络压缩方法、装置、电子设备及存储介质，涉及神经网络领域，方法包括：获取已训练的图神经网络及其训练时所使用的图数据；确定图数据中所有图顶点对应的度数分布范围，并将度数分布范围划分为多个度数区间；在预设资源限制条件的约束下，利用强化学习及硬件加速器确定各度数区间对应的最优区间量化位宽以及图神经网络对应的最优网络量化位宽；利用最优区间量化位宽对图数据中对应度数的图顶点的顶点特征进行量化压缩，并利用最优网络量化位宽对图神经网络进行量化压缩，得到最优量化图数据和最优量化图神经网络；利用强化学习为图神经网络和图顶点特征确定最优量化位宽，确保量化图神经网络具有高精度及较低资源消耗率。
-
公开(公告)号：CN114970822A
公开(公告)日：2022-08-30
申请号：CN202210609520.7
申请日：2022-05-31
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本申请公开了一种神经网络模型量化方法、系统、设备及计算机介质，用于对神经网络模型进行量化，包括获取待量化的目标神经网络模型中各网络层的权重值、超参数及位置序号；对权重值、超参数及位置序号进行线性嵌入，生成目标嵌入矩阵；基于预先训练好的Transformer模型对目标嵌入矩阵进行处理，得到目标神经网络模型中各网络层的量化bit数；基于量化bit数对目标神经网络模型进行量化，得到目标量化神经网络模型。本申请中，借助Transformer模型对目标嵌入矩阵进行处理，得到目标神经网络模型中各层的量化bit数，可以降低模型大小和内存占用，同时保留原网络的精度损失较小，此外可以大大减少运算量，局限性低。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.045 seconds)
