公开(公告)号：CN114580630B

公开(公告)日：2024-05-31

申请号：CN202210196466.8

申请日：2022-03-01

Applicant: 厦门大学

Inventor： 罗晔 ,  刘丽莹

IPC: G06N3/08 ,  G06N3/049 ,  G06V10/82 ,  G06V10/774 ,  G06V10/764 ,  G06V10/94

Abstract: 本发明公开了一种用于AI芯片设计的神经网络模型训练方法及图像分类方法，涉及神经网络领域，训练方法包括：构建基于chip‑firing的储备池层；使用上述储备池层，并针对相应的任务，增加输出处理层等必要结构，构建满足需求的神经网络模型；使用训练数据训练神经网络模型的输出处理层。本发明中，储备池层设计并使用了基于chip‑firing的图结构，拥有和脉冲神经网络一样的类脑能力，更加接近自然神经元。图结构中每个节点可以并行参与计算，可更利于将其用在小终端及AI芯片中。此外，通过仅训练输出处理层参数的方式，大大减轻脉冲神经网络的训练困难，并为神经网络模型提供非线性拟合能力。

公开(公告)号：CN114580630A

公开(公告)日：2022-06-03

申请号：CN202210196466.8

申请日：2022-03-01

Applicant: 厦门大学

Inventor： 罗晔 ,  刘丽莹

IPC: G06N3/08 ,  G06N3/04 ,  G06V10/82 ,  G06V10/774 ,  G06V10/764 ,  G06V10/94 ,  G06K9/62

Abstract: 本发明公开了一种用于AI芯片设计的神经网络模型训练方法及图像分类方法，涉及神经网络领域，训练方法包括：构建基于chip‑firing的储备池层；使用上述储备池层，并针对相应的任务，增加输出处理层等必要结构，构建满足需求的神经网络模型；使用训练数据训练神经网络模型的输出处理层。本发明中，储备池层设计并使用了基于chip‑firing的图结构，拥有和脉冲神经网络一样的类脑能力，更加接近自然神经元。图结构中每个节点可以并行参与计算，可更利于将其用在小终端及AI芯片中。此外，通过仅训练输出处理层参数的方式，大大减轻脉冲神经网络的训练困难，并为神经网络模型提供非线性拟合能力。

公开(公告)号：CN114723997B

公开(公告)日：2024-05-31

申请号：CN202210468382.5

申请日：2022-04-29

Applicant: 厦门大学

Inventor： 罗晔 ,  刘丽莹

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了基于Tropical代数的复合型卷积运算方法、存储介质及电子设备，基于Tropical代数的复合型卷积运算方法包括：A、准备训练数据和预测数据，将训练数据和预测数据整理成预设格式信息；B、构建基于Tropical代数的复合型卷积操作，生成基于Tropical代数的复合型卷积神经网络层；C、构建基于Tropical代数的复合卷积神经网络层的神经网络模型；D、将训练数据导入到神经网络模型中，学习得到神经网络模型的参数，完成模型训练；E、将预测数据导入至训练好的神经网络模型中，由神经网络模型生成预测结果并输出，本方案运算速度快、参数可被训练和准确率高。

公开(公告)号：CN114723997A

公开(公告)日：2022-07-08

申请号：CN202210468382.5

申请日：2022-04-29

Applicant: 厦门大学

Inventor： 罗晔 ,  刘丽莹

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于Tropical代数的复合型卷积运算方法、存储介质及电子设备，基于Tropical代数的复合型卷积运算方法包括：A、准备训练数据和预测数据，将训练数据和预测数据整理成预设格式信息；B、构建基于Tropical代数的复合型卷积操作，生成基于Tropical代数的复合型卷积神经网络层；C、构建基于Tropical代数的复合卷积神经网络层的神经网络模型；D、将训练数据导入到神经网络模型中，学习得到神经网络模型的参数，完成模型训练；E、将预测数据导入至训练好的神经网络模型中，由神经网络模型生成预测结果并输出，本方案运算速度快、参数可被训练和准确率高。