-
公开(公告)号：CN116721399A
公开(公告)日：2023-09-08
申请号：CN202310925867.7
申请日：2023-07-26
Applicant: 之江实验室
IPC: G06V20/56 , G06V20/58 , G06V20/70 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0495 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本说明书公开了一种量化感知训练的点云目标检测方法及装置，可以获取训练样本，将训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以对全精度网络进行训练，得到训练后的全精度网络，而后，将训练后的全精度网络进行模型量化，得到量化后网络，量化后网络的参数精度低于全精度网络的参数精度，而后，将训练样本输入到量化后网络中，得到量化后网络得到的目标检测结果，根据标注信息和目标检测结果，对量化后网络进行参数微调训练，得到训练后的量化后网络，最后，将训练后的量化后网络部署在无人驾驶设备中，以使无人驾驶设备通过量化后网络进行点云目标检测，从而在保证准确性的情况下提高了无人驾驶设备的点云检测效率。
-
公开(公告)号：CN116562218A
公开(公告)日：2023-08-08
申请号：CN202310493297.9
申请日：2023-05-05
Applicant: 之江实验室
IPC: G06F30/392 , G06F17/16 , G06N3/0464 , G06N3/092
Abstract: 一种基于强化学习实现矩形宏单元的布图规划方法，包含：根据公开数据集ispd2005整理宏单元和标准单元信息；用GCN对宏单元编码；将宏单元按照面积从大到小排序，将排好顺序的宏单元信息和宏单元编码作为双线性模型的输入，提取环境特征；根据宏单元大小计算掩模矩阵确定当前宏单元可摆放的范围；将环境特征作为强化学习策略网络的输入，策略网络输出宏单元摆放位置的概率；根据策略网络的输出和掩模矩阵确定宏单元的位置；奖励函数设为总线长、拥塞程度和布局密度的加权和。还包括一种基于强化学习实现矩形宏单元的布图规划系统。本发明在满足宏单元互相不相交的约束条件下，为用强化学习求解不同大小的矩形宏单元的布图规划问题提供了一种解决方案。
-
公开(公告)号：CN116502679A
公开(公告)日：2023-07-28
申请号：CN202310543696.1
申请日：2023-05-15
Applicant: 之江实验室
IPC: G06N3/0464 , G06N3/063 , G06N3/08
Abstract: 本说明书公开了一种模型构建方法、装置、存储介质及电子设备，可以对需要进行测试的各候选模型架构进行筛选，以筛选出通过代理模型预测出的性能参数的准确率较低的部分候选模型架构，来通过部署测试模型的方式获得该候选模型架构的真实性能参数，而针对剩余的候选模型架构，可以直接通过代理模型来获取出性能参数，并且可以通过主动学习的方法，在线对代理模型进行训练，从而可以在保证候选模型架构的性能评估准确率的同时，提升自动化构建深度学习模型的效率。
-
公开(公告)号：CN116483547A
公开(公告)日：2023-07-25
申请号：CN202310742056.3
申请日：2023-06-21
Applicant: 之江实验室
Abstract: 本申请涉及一种资源调度方法、装置、计算机设备和存储介质。所述方法包括：获取待调度的容器组；基于待调度的容器组，确定集群中与容器组匹配的目标节点；在待调度的容器组的优先级标志位为低延迟的情况下，将目标节点中的处理器资源分配至容器组中的容器，生成资源调度结果。采用本方法能够解决不同容器间资源抢占的问题。
-
公开(公告)号：CN116467061A
公开(公告)日：2023-07-21
申请号：CN202310724767.8
申请日：2023-06-19
Applicant: 之江实验室
Abstract: 本说明书公开了一种任务执行的方法、装置、存储介质及电子设备。所述任务执行的方法包括：接收待执行任务的任务代码；通过所述主机节点，将所述待执行任务拆分为各子任务，并针对每个子任务，根据所述任务代码确定执行该子任务所需的各算子；将各子任务分配给所述各计算节点，以针对每个计算节点，以使该计算节点根据执行分配给该计算节点的子任务所需的各算子，以及执行分配给该计算节点的子任务所需的各算子之间的数据传输关系，生成该计算节点的可执行任务子图；通过各计算节点运行各可执行任务子图，以执行所述待执行任务。
-
Patent Agency Ranking
公开(公告)号：CN116166275B
公开(公告)日：2023-07-18
申请号：CN202310442740.X
申请日：2023-04-24
Applicant: 之江实验室
Abstract: 本发明涉及一种深度学习任务构图方法、装置、介质，包括如下步骤：构建前向算子并进行前向计算，获取包括前向算子输入张量、输出张量和输出梯度的备选张量集，实现前向构图，其中，所述前向算子与深度学习任务和运行设备无关；构建后向算子，基于所述备选张量集进行后向计算，实现后向构图；在计算过程中，针对所述前向算子和所述后向算子，以及所述前向算子的输出张量和所述后向算子的输出张量的生命周期进行控制。与现有技术相比，本发明具有构图效率高、易于实现、资源开销小等优点。
-
公开(公告)号：CN116167437B
公开(公告)日：2023-07-11
申请号：CN202310427390.X
申请日：2023-04-18
Applicant: 之江实验室
Abstract: 本说明书公开了一种芯片管理系统、方法、设备及存储介质，可以通过对不同芯片的芯片管理程序模板进行抽象，得到芯片管理程序统一模板，从而可以在用户需要添加新的芯片的时，仅需要使用户根据芯片管理程序统一模板设计新的芯片对应的芯片管理程序模板即可，并且可以通过注册中心模块根据各芯片管理程序模板生成各芯片对应的芯片管理程序，对各芯片进行管理，从而可以避免对深度学习框架的程序代码进行大量的重写的情况发生。
-
公开(公告)号：CN116167463B
公开(公告)日：2023-07-07
申请号：CN202310461389.9
申请日：2023-04-26
Applicant: 之江实验室
Abstract: 本说明书公开了一种面向智能计算的分布式模型训练容器调度方法及装置，将目标模型进行拆分，以得到各子模型，根据各个子模型，确定用于部署各个子模型的各计算节点，并在各计算节点上创建各容器，以将各子模型分别部署到所述各容器内。采用样本数据执行模型训练任务，以训练各容器内的部署的子模型。根据各计算节点的负载数据以及各容器对应的运算时长，确定出需要调整容器分布的计算节点，作为目标节点。以部署有子模型的各计算节点中的容器所对应的运算时长相接近为调整目标，对目标节点中各容器的分布进行调整；基于调整容器分布后的各计算节点，执行目标模型的训练任务。
-
公开(公告)号：CN116382599A
公开(公告)日：2023-07-04
申请号：CN202310669715.5
申请日：2023-06-07
Applicant: 之江实验室
Abstract: 本说明书公开了一种面向分布式集群的任务执行方法、装置、介质及设备。所述面向分布式集群的任务执行方法包括：获取样本数据，根据磁盘带宽和本地延迟，以及网络带宽和网络延迟，对样本数据的数量进行划分，将第一样本数量的样本数据存储在各计算节点的本地磁盘，将第二样本数量的样本数据存储在存储节点，针对每个计算节点，将该计算节点的本地磁盘中指定数量的样本数据与其他计算节点的本地磁盘中的样本数据进行交换，得到更新后样本数据，以及，从所述存储节点中读取远端样本数据，根据更新后本地样本数据和远端样本数据，在该计算节点上执行当前训练周期针对目标模型的训练任务。
-
公开(公告)号：CN116301904A
公开(公告)日：2023-06-23
申请号：CN202310559970.4
申请日：2023-05-18
Applicant: 之江实验室
IPC: G06F8/41 , G06N3/006 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了一种用于深度学习编译器的算子优化加速方法及装置，目的是减少算子优化空间的搜索时间。该方法首先将神经网络抽象成计算图的形式，再对计算图进行图优化，并为优化后的计算图中的每个算子定义优化空间。然后以LightGBM为代价模型，粒子群优化算法为搜索算法对优化空间进行搜索。在每轮搜索中，对搜索算法输出的候选解采用DBSCAN进行聚类和采样，减少在硬件上的实测次数，进一步提升搜索效率。
-
-
-
-
-
-
-
-
-
Search Results
242
records
(took 0.03 seconds)
