学习多个随机变量之间的随机推断模型的方法和装置

    公开(公告)号:CN113516153B

    公开(公告)日:2024-05-24

    申请号:CN202110381691.4

    申请日:2021-04-09

    Abstract: 一种用于操作神经网络的系统和方法。在一些实施例中,神经网络包括变分自编码器,并且训练神经网络包括用第一随机变量的多个样本以及第二随机变量的多个样本来训练变分自编码器,第一随机变量的多个样本和第二随机变量的多个样本不成对,训练神经网络包括基于第一损失函数来更新神经网络中的权重,第一损失函数基于与以下之间的一致性的偏差的度量:从第一随机变量到第二随机变量的条件生成路径,以及从第二随机变量到第一随机变量的条件生成路径。

    训练用于合成图像数据的生成器的方法和系统

    公开(公告)号:CN114187373A

    公开(公告)日:2022-03-15

    申请号:CN202110968407.3

    申请日:2021-08-23

    Abstract: 公开了训练用于合成图像数据的生成器的方法和系统。所述方法包括:从预训练的模型的批归一化层提取训练统计特征,训练统计特征包括训练均值μ和训练方差σ2;对配置有生成器参数的生成器进行初始化;使用生成器生成一批合成图像数据;将所述一批合成图像数据提供给预训练的模型;测量批归一化层处的激活的统计特征和预训练的模型响应于所述一批合成图像数据的输出,统计特征包括测量均值和测量方差基于μ、σ2、和根据损失函数Lψ计算训练损失;以及根据训练损失迭代地更新生成器参数,直到满足训练完成条件为止,其中,预训练的模型基于训练图像集被预先训练,并且预训练的模型被训练为执行图像识别。

    用于训练用于图像分类的模型的方法和设备

    公开(公告)号:CN114118196A

    公开(公告)日:2022-03-01

    申请号:CN202110925655.X

    申请日:2021-08-12

    Abstract: 提供了用于训练用于图像分类的模型的方法和设备。用于图像分类的模型的训练方法包括:接收基础任务的基础类的第一图像样本集;基于第一图像样本集训练模型,以从训练后的模型获得针对基础任务的基础类的基础分类权重;顺序地接收多个新任务;以及在接收到所述多个新任务中的任意一个新任务时:接收所述任意一个新任务的新类的第二图像样本集,基于基础分类权重、针对所述多个新任务中的先前接收到的一个或多个其他新任务的新类的一个或多个其他新分类权重、第一图像样本集和第二图像样本集中的一个或多个来训练权重生成器,以获得针对所述任意一个新任务的新类的新分类权重,以及利用针对所述任意一个新任务的新类的新分类权重来更新所述模型。

    电子装置及其操作方法和操作无线通信系统的方法

    公开(公告)号:CN119449110A

    公开(公告)日:2025-02-14

    申请号:CN202411049121.5

    申请日:2024-08-01

    Abstract: 公开了电子装置及其操作方法和操作无线通信系统的方法。所述电子装置包括:至少一个存储器;通信接口,包括天线阵列,天线阵列被配置为形成多个候选波束;以及至少一个处理器,可操作地连接到通信接口和所述至少一个存储器。所述至少一个处理器被配置为:基于针对从外部装置接收的信号在所述多个候选波束中的每个中测量的参考信号接收功率(RSRP),生成多个RSRP模式数据;通过将所述多个RSRP模式数据中的每个应用于基于深度学习算法训练的神经网络,估计针对所述多个RSRP模式数据中的每个的到达角(AoA)分布;并且基于估计的AoA分布,执行用于与外部装置的无线通信的波束管理。

    学习多个随机变量之间的随机推断模型的方法和装置

    公开(公告)号:CN113516153A

    公开(公告)日:2021-10-19

    申请号:CN202110381691.4

    申请日:2021-04-09

    Abstract: 一种用于操作神经网络的系统和方法。在一些实施例中,神经网络包括变分自编码器,并且训练神经网络包括用第一随机变量的多个样本以及第二随机变量的多个样本来训练变分自编码器,第一随机变量的多个样本和第二随机变量的多个样本不成对,训练神经网络包括基于第一损失函数来更新神经网络中的权重,第一损失函数基于与以下之间的一致性的偏差的度量:从第一随机变量到第二随机变量的条件生成路径,以及从第二随机变量到第一随机变量的条件生成路径。

    一种构造卷积神经网络(CNN)模型的方法和系统

    公开(公告)号:CN110490296A

    公开(公告)日:2019-11-22

    申请号:CN201910312776.X

    申请日:2019-04-18

    Abstract: 本文公开了一种用于构造卷积神经网络(CNN)模型的方法和系统。该方法包括正则化空间域权重,提供空间域权重的量化,修剪空间域中的小权重或零权重,微调量化码本,压缩来自量化码本的量化输出,以及解压缩空间域权重并在修剪Winograd域权重之后使用稀疏空间域卷积和稀疏Winograd卷积。

Patent Agency Ranking