-
公开(公告)号：CN106275945A
公开(公告)日：2017-01-04
申请号：CN201610677736.1
申请日：2016-08-17
Applicant: 浪潮电子信息产业股份有限公司
Inventor： 黄伟
CPC classification number: Y02W30/10 , B65F1/006 , B65F1/1484 , B65F2001/008 , B65F2210/138 , B65F2210/176
Abstract: 本发明提供了一种垃圾回收装置、垃圾分类系统和使用方法，该装置包括：包含至少一个垃圾投放窗的壳体，用于存放至少一个垃圾储存箱，且每一个垃圾储存箱对应一个垃圾投放窗；至少一个电动闸门中每一个电动闸门安装于对应的垃圾投放窗，与主控单元相连；主控单元及信息采集单元设置于包含至少一个垃圾投放窗的壳体；信息采集单元，用于采集当前预丢弃垃圾的信息；主控单元，用于获取预丢弃垃圾的信息，根据预丢弃垃圾的信息，控制目标电动闸门开启，当预丢弃垃圾丢弃完成后，控制目标电动闸门闭合。本发明能够引导人们对垃圾进行正确分类。
-
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：CN117910521B
公开(公告)日：2024-06-14
申请号：CN202410317335.X
申请日：2024-03-20
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06N3/0495 , G06N3/08 , G06N20/00 , G06F17/10
Abstract: 本发明公开了一种梯度压缩方法、装置、设备、分布式集群及存储介质，属于分布式计算领域，用于别参考模型性能优化速率以及当前的单步训练时长两个指标，对梯度压缩程度进行调节，解决了应对低速网络进行梯度压缩时无法平衡模型性能与通信开销的问题。本发明以单个训练步为粒度，在预热阶段后的任一个训练步得到梯度数据后，在模型性能优化速率不达标的情况下对梯度压缩程度进行缩小，以便提升模型性能，而在模型性能优化速率达标且当前的单步训练时长超标的情况下，便可对梯度压缩程度进行放大，以便降低通信开销，本发明可结合网络状况的影响动态的调节梯度数据的压缩程度，从而在兼顾模型性能与网络状况的基础上，尽可能的降低通信开销。
-
公开(公告)号：CN117910536A
公开(公告)日：2024-04-19
申请号：CN202410309633.4
申请日：2024-03-19
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明涉及人工智能技术领域，公开了文本生成方法及其模型梯度剪枝方法、装置、设备、介质，训练预热阶段保持文本生成模型当前的模型梯度不变；非训练预热阶段，基于滑窗尺寸信息和性能损失函数，确定出文本生成模型在每个训练步数下以损失函数变化率为表征的性能；根据设定的训练状态条件以及每个训练步数下以损失函数变化率为表征的性能和单步训练时长，依次对每个训练步数下的梯度剪枝量进行调整。每得到一个调整后的梯度剪枝量，则按照调整后的梯度剪枝量对文本生成模型进行梯度剪枝操作，直至当前训练步数达到文本生成模型的总训练步数，结束对文本生成模型的剪枝操作，保证了文本生成模型的训练任务能够在低速不稳定的网络环境中顺利完成。
-
公开(公告)号：CN117910521A
公开(公告)日：2024-04-19
申请号：CN202410317335.X
申请日：2024-03-20
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06N3/0495 , G06N3/08 , G06N20/00 , G06F17/10
Abstract: 本发明公开了一种梯度压缩方法、装置、设备、分布式集群及存储介质，属于分布式计算领域，用于别参考模型性能优化速率以及当前的单步训练时长两个指标，对梯度压缩程度进行调节，解决了应对低速网络进行梯度压缩时无法平衡模型性能与通信开销的问题。本发明以单个训练步为粒度，在预热阶段后的任一个训练步得到梯度数据后，在模型性能优化速率不达标的情况下对梯度压缩程度进行缩小，以便提升模型性能，而在模型性能优化速率达标且当前的单步训练时长超标的情况下，便可对梯度压缩程度进行放大，以便降低通信开销，本发明可结合网络状况的影响动态的调节梯度数据的压缩程度，从而在兼顾模型性能与网络状况的基础上，尽可能的降低通信开销。
-
Patent Agency Ranking
公开(公告)号：CN105336159A
公开(公告)日：2016-02-17
申请号：CN201510904639.7
申请日：2015-12-09
Applicant: 浪潮电子信息产业股份有限公司
Inventor： 黄伟
IPC: G08G1/00
Abstract: 本发明公开了一种基于云计算技术的智能公共交通系统，属于公共交通系统领域，本发明要解决的技术问题为公共交通系统效能低、信息化和调度化差，其结构包括公共交通调度服务中心、分调度中心和公交车队，公共交通调度服务中心、分调度中心通过数字数据网连接，公交车队的车辆中设置有全球定位系统接收设备、无线双向通讯设备，公交车队的车辆通过全球定位系统接收设备和无线双向通讯设备与分调度中心连接。
-
公开(公告)号：CN119167068B
公开(公告)日：2025-04-25
申请号：CN202411667150.8
申请日：2024-11-21
Applicant: 浪潮电子信息产业股份有限公司
IPC: G06F18/213 , G06F18/25 , G06F16/31 , G06F16/38 , G06F16/51 , G06F16/583
Abstract: 本发明涉及数据处理技术领域，公开了一种多模态数据处理方法、设备、介质及计算机程序产品，该方法包括：对视觉数据和文本数据进行特征提取，将提取的视觉模态特征写入主机扩展内存中，并将提取的文本模态特征写入设备内存中；对视觉模态特征进行切分，得到视觉特征片段并写入设备内存中；将文本模态特征与视觉特征片段进行融合，并将融合后的特征经切分和相应计算后输出的中间结果写入片上静态内存中；将最终得到的目的结果写入设备内存中。这样可以减少显存占用，保障特征对齐的正确性，避免多模态特征文本注意力的缺失。
-
公开(公告)号：CN118337710A
公开(公告)日：2024-07-12
申请号：CN202410726395.7
申请日：2024-06-06
Applicant: 浪潮电子信息产业股份有限公司
Abstract: 本发明提供一种拥塞避免方法、装置、数据发送设备、程序产品及介质，应用于数据发送设备，方法包括：在处于拥塞避免阶段时，根据拥塞窗口值向数据接收设备执行当前传输轮次的数据包传输，并统计当前传输轮次从数据接收设备处连续收到的重复确认请求的最大连续数量；在确定当前传输轮次正常结束时，根据最大连续数量所表征的数据发送设备与数据接收设备间的网络状态，对拥塞窗口值进行增大、保持或减小；根据调整后的拥塞窗口值向数据接收设备执行下一传输轮次的数据包传输；能够根据数据发送设备与数据接收设备间实际的网络状态，对拥塞窗口值进行动态调整，从而可确保拥塞窗口值与网络状态相吻合，进而可提升拥塞避免的可靠度。
-
公开(公告)号：CN117910536B
公开(公告)日：2024-06-07
申请号：CN202410309633.4
申请日：2024-03-19
Applicant: 浪潮电子信息产业股份有限公司
IPC: H04L43/08 , G06N3/082 , G06N3/098 , G06N3/0495 , G06N5/04
Abstract: 本发明涉及人工智能技术领域，公开了文本生成方法及其模型梯度剪枝方法、装置、设备、介质，训练预热阶段保持文本生成模型当前的模型梯度不变；非训练预热阶段，基于滑窗尺寸信息和性能损失函数，确定出文本生成模型在每个训练步数下以损失函数变化率为表征的性能；根据设定的训练状态条件以及每个训练步数下以损失函数变化率为表征的性能和单步训练时长，依次对每个训练步数下的梯度剪枝量进行调整。每得到一个调整后的梯度剪枝量，则按照调整后的梯度剪枝量对文本生成模型进行梯度剪枝操作，直至当前训练步数达到文本生成模型的总训练步数，结束对文本生成模型的剪枝操作，保证了文本生成模型的训练任务能够在低速不稳定的网络环境中顺利完成。
-
公开(公告)号：CN114863120A
公开(公告)日：2022-08-05
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。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.039 seconds)
