公开(公告)号：CN109716365A

公开(公告)日：2019-05-03

申请号：CN201780052695.X

申请日：2017-06-27

申请人： 罗宾·杨

发明人： 罗宾·杨

IPC分类号： G06N3/08 ,  G06N3/04

CPC分类号： G06N3/0454 ,  G06K9/6256 ,  G06N3/082 ,  G06N20/20 ,  G06Q10/04 ,  G06Q10/063112 ,  G06Q10/10 ,  G06Q10/1053 ,  G06Q30/0201 ,  G06Q30/0202

摘要： 在一些实施例中，所公开的主题涉及在机器学习系统中使用具有多个人工神经网络的套接字层，来为机器学习服务创建可定制的输入和输出。机器学习服务可以包括多个卷积神经网络和多个预训练的全连接神经网络以找到最佳拟合。在一个实施例中，当定制的输入或输出数据不是预训练的人工神经网络的良好拟合时，套接字层可以自动请求附加卷积层或神经网络的新训练，以动态地管理机器学习系统，以适应定制的输入或定制的输出。描述并保护了其他实施例。

公开(公告)号：CN109657918A

公开(公告)日：2019-04-19

申请号：CN201811378877.9

申请日：2018-11-19

申请人： 平安科技(深圳)有限公司

发明人： 陈凯帆 ,  叶素兰 ,  李国才 ,  王芊 ,  宋哲 ,  吴雨甜

IPC分类号： G06Q10/06 ,  G06F16/36 ,  G06N3/04 ,  G06N3/08

CPC分类号： G06Q10/0635 ,  G06N3/0454 ,  G06N3/082 ,  G06Q10/06393

摘要： 本申请涉及人工智能技术领域，应用于金融行业，特别是涉及一种关联评估对象的风险预警方法、装置、计算机设备和存储介质。一个实施例中的方法包括：获取评估对象知识图谱以及评估对象的状态指标信息，提取评估对象知识图谱中的关联关系特征向量，将关联关系特征向量和评估对象的状态指标信息进行特征工程整合，得到整合后的特征向量；获取评估对象的出险状态，根据整合后的特征向量以及评估对象的出险状态对深度神经网络模型进行训练，得到已训练的深度神经网络模型；获取出险评估对象，根据已训练的深度神经网络模型以及出险评估对象，得到出险评估对象对应的关联评估对象的风险概率，根据风险概率对关联评估对象进行风险预警。

公开(公告)号：CN109492762A

公开(公告)日：2019-03-19

申请号：CN201710809000.X

申请日：2017-09-11

申请人： 北京博越世纪科技有限公司

发明人： 胡昌杰 ,  朱红军 ,  蒋海涛

IPC分类号： G06N3/08

CPC分类号： G06N3/082

摘要： 本发明涉及一种优化神经网络结构的技术，特别涉及一种迭代算法，以使神经网络用户输入和用户输出之间的重构误差最小化，实现神经网络结构某一层结构的优化。本发明涉及一种优化神经网络结构的技术，利用一种迭代算法，初始化神经网络的参数，计算步长，动态的调整神经网络隐藏层的节点数，以使神经网络用户输入和用户输出之间的重构误差最小化，实现神经网络结构某一层结构的优化。

公开(公告)号：CN109284820A

公开(公告)日：2019-01-29

申请号：CN201811259033.2

申请日：2018-10-26

申请人： 北京图森未来科技有限公司

发明人： 黄泽昊 ,  张新邦 ,  王乃岩

IPC分类号： G06N3/04 ,  G06N3/08

CPC分类号： G06N3/0454 ,  G06N3/082

摘要： 本发明提供了一种深度神经网络的结构搜索方法及装置，涉及人工智能技术领域。方法包括：在预先设置的搜索空间中获得深度神经网络中依次串接的每个模块中的每层计算单元结构；在每个模块中采用预设连接方式将各计算单元进行连接，得到每个模块中的信息流；根据模块及每个模块中的计算单元的连接情况，得到初始神经网络；对初始神经网络中的信息流设置稀疏缩放算子，其中稀疏缩放算子用于对信息流进行缩放；采用预置的训练样本数据对初始神经网络的权重和信息流的稀疏缩放算子进行训练，得到中间神经网络；将中间神经网络中稀疏缩放算子为零的信息流删除，得到搜索空间内的搜索结果神经网络。本发明可以节省网络结构搜索的时间。

公开(公告)号：CN109063835A

公开(公告)日：2018-12-21

申请号：CN201810766922.1

申请日：2018-07-11

申请人： 中国科学技术大学

发明人： 周文罡 ,  周争光 ,  李厚强

IPC分类号： G06N3/08

CPC分类号： G06N3/082

摘要： 一种神经网络的压缩装置及方法，其中，该装置包括：因子矢量确定单元，分别确定用于对神经网络中每一层的滤波器和滤波器形状进行衰减的第一因子矢量和第二因子矢量，其中，第一因子矢量包括衰减因子c＝1和第一衰减因子α，第二因子矢量包括衰减因子c和第一衰减因子β，其中α和β均大于0且小于1；衰减单元，用于根据所述第一因子矢量与第二因子矢量分别对所述滤波器和滤波器形状进行衰减；剪枝单元，用于对衰减后的滤波器和滤波器形状进行剪枝，确定压缩后的神经网络。本发明基于渐进抑制学习，对神经网络进行压缩，在网络训练过程中加入削弱权值的第一和第二衰减因子，将权值衰减为零从而可将其剪枝，从而得到结构精简的神经网络模型。

公开(公告)号：CN108805265A

公开(公告)日：2018-11-13

申请号：CN201810488132.1

申请日：2018-05-21

申请人： OPPO广东移动通信有限公司

发明人： 陈岩

IPC分类号： G06N3/04 ,  G06N3/08 ,  G06T7/00

CPC分类号： G06N3/0454 ,  G06N3/082 ,  G06T7/0002 ,  G06T2207/20081 ,  G06T2207/20084

摘要： 本申请涉及一种神经网络模型处理方法和装置、图像处理方法和装置、移动终端、计算机可读存储介质。所述方法包括：获取神经网络模型中每一层权重值集合；获取所述每一层权重值集合中的最大权重值和最小权重值，根据所述最大权重值、最小权重值及第一量化区间获取所述每一层权重值集合的量化步长和偏移量；根据所述每一层权重值集合的量化步长和偏移量对对应层的各个权重值进行量化处理得到对应层的各个权重值所对应的量化值。通过对权重值量化，适用于移动终端。

公开(公告)号：CN108604312A

公开(公告)日：2018-09-28

申请号：CN201780008721.9

申请日：2017-06-09

申请人： 松下知识产权经营株式会社

发明人： 石田谅

IPC分类号： G06N3/04 ,  G06F17/28

CPC分类号： G06F17/289 ,  G06F17/2818 ,  G06F17/2836 ,  G06N3/0445 ,  G06N3/08 ,  G06N3/082 ,  G06N3/084 ,  G10L15/16

摘要： 信息处理装置(2)基于时间序列数据(D1)作为神经网络(10)起作用。信息处理装置具备存储部(21)和运算处理部(20)。存储部存放时间序列数据中的每个次序的输入变量(x[t])以及用于作为神经网络起作用的参数群(W1～W3)。运算处理部进行基于参数群的变换，基于各次序的输入变量算出中间变量(h[t])，基于算出的中间变量算出输出变量(y[t])。运算处理部在算出第n+1个中间变量时，将第n个中间变量的算出结果(51)、和基于参数群对第n个中间变量以及第n+1个输入变量进行变换后得到的变换结果(50)加权相加，算出第n+1个中间变量。

公开(公告)号：CN108537864A

公开(公告)日：2018-09-14

申请号：CN201711009867.3

申请日：2017-10-25

申请人： 奥多比公司

发明人： M·E·于梅 ,  杨济美 ,  刘桂林 ,  D·C·阿克斯特

IPC分类号： G06T15/00 ,  G06T15/20 ,  G06T15/50 ,  G06T15/55 ,  G06T15/60

CPC分类号： G06T11/001 ,  G06F17/50 ,  G06N3/0454 ,  G06N3/082 ,  G06T11/60 ,  G06T15/005 ,  G06T15/205 ,  G06T15/506 ,  G06T15/55 ,  G06T15/60 ,  G06T2200/04 ,  G06T2200/28 ,  G06T2215/12

摘要： 本公开的各实施例总体涉及利用具有网络渲染层的神经网络编辑数字图像。具体地，本公开包括用于利用包括渲染层的神经网络来生成已修改数字图像的方法和系统。特别地，所公开的系统和方法可以训练神经网络以将输入数字图像分解成固有的物理属性(例如，诸如材料、照明和形状)。此外，系统和方法可以用目标属性(例如，已修改材料、照明或形状)替换固有物理属性之一。系统和方法可以利用被训练为合成数字图像的渲染层以基于目标属性和剩余的(未替换的)固有物理属性生成已修改数字图像。系统和方法可以通过生成已修改数字图像来提高已修改数字图像的准确度，已修改数字图像实际上反映输入数字图像的固有物理属性和目标(即，已修改)属性的融合。

公开(公告)号：CN108334945A

公开(公告)日：2018-07-27

申请号：CN201810088723.X

申请日：2018-01-30

申请人： 中国科学院自动化研究所

发明人： 程健 ,  胡庆浩

IPC分类号： G06N3/063 ,  G06N3/08

CPC分类号： G06N3/063 ,  G06N3/082

摘要： 本发明属于神经网络技术领域，具体涉及一种深度神经网络的加速与压缩方法及装置。旨在解决现有技术对深度神经网络进行压缩和加速占用大量内存并且精度下降的问题。本发明提供深度神经网络的加速与压缩方法，包括获取原始深度神经网络中各层的输入数据与参数矩阵；基于输入数据与参数矩阵，计算原始深度神经网络中各层的二值矩阵与浮点系数；将二值矩阵替换原始深度神经网络各层的参数矩阵，并在原始深度神经网络中构建尺度因子层，基于浮点系数初始化尺度因子层的参数，得到新的深度神经网络。本发明的方案能够将神经网络的网络参数二值化，占用更少的内存且提升精度。

公开(公告)号：CN107977703A

公开(公告)日：2018-05-01

申请号：CN201710994309.0

申请日：2017-10-23

申请人： 辉达公司

发明人： 帕夫洛·莫尔恰诺夫 ,  斯蒂芬·沃尔特·泰里 ,  泰罗·塔帕尼·卡拉斯 ,  蒂莫·奥斯卡伊·艾拉 ,  简·考茨

IPC分类号： G06N3/04

CPC分类号： G06N3/082 ,  G06N3/0454 ,  G06N3/084

摘要： 公开了一种用于神经网络修剪的方法、计算机可读介质和系统。所述方法包括步骤：接收用于经训练的神经网络的成本函数相对层参数的一阶梯度和基于与所述层参数相对应的所述一阶梯度计算每个层参数的修剪标准，其中所述修剪标准指示包括在所述经训练的神经网络中并与所述层参数相关联的每个神经元的重要性。所述方法包括附加步骤：识别具有最低重要性的至少一个神经元以及从所述经训练的神经网络中移除所述至少一个神经元以产生经修剪的神经网络。