-
公开(公告)号：CN114169490A
公开(公告)日：2022-03-11
申请号：CN202010945736.1
申请日：2020-09-10
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本发明提供一种模型优化方法、装置、设备及可读存储介质，涉及深度学习技术领域，该模型优化方法包括确定M个网络模型；基于待分析数据集确定所述M个网络模型的描述长度；从所述M个网络模型中确定描述长度最小的目标网络模型作为优化的网络模型，基于所述优化的网络模型进行数据处理。这样，解决了现有的深度学习网络模型的优化程度较弱，不能有效降低深度学习网络模型的复杂度的问题。
-
公开(公告)号：CN114169490B
公开(公告)日：2025-04-15
申请号：CN202010945736.1
申请日：2020-09-10
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06N3/0464
Abstract: 本发明提供一种模型优化方法、装置、设备及可读存储介质，涉及深度学习技术领域，该模型优化方法包括确定M个网络模型；基于待分析数据集确定所述M个网络模型的描述长度；从所述M个网络模型中确定描述长度最小的目标网络模型作为优化的网络模型，基于所述优化的网络模型进行数据处理。这样，解决了现有的深度学习网络模型的优化程度较弱，不能有效降低深度学习网络模型的复杂度的问题。
-
公开(公告)号：CN119357186A
公开(公告)日：2025-01-24
申请号：CN202411341433.3
申请日：2024-09-25
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Inventor： 徐青青
Abstract: 本发明公开了一种向量数据处理方法、系统、设备、存储介质及程序产品，该方法包括：对向量数据进行预处理，得到预处理后的向量数据；根据向量距离不变约束规则，确定升维转换矩阵；根据所述升维转换矩阵，对预处理后的向量数据进行升维量化；本发明根据向量距离不变约束规则，对向量数据进行升维量化，可以解决采用存算一体芯片部署后对向量直接量化带来的精度损失的问题。
-
公开(公告)号：CN118819634A
公开(公告)日：2024-10-22
申请号：CN202311569065.3
申请日：2023-11-22
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06F9/30 , G06F16/901 , G06F16/903
Abstract: 本申请实施例提供了一种向量查找方法、装置、设备和存储介质，应用于存算一体芯片，存算一体芯片包括多个第一存储结构，各第一存储结构包括多个第二存储结构；多个第二存储结构与第一集成单元连接；方法包括：获取查询请求，查询请求携带第一信息和第二信息，第一信息用于指示目标特征类别，第二信息用于指示目标特征类别下的目标特征；基于第一信息，激活存算一体芯片中目标特征类别对应的第一存储结构；基于第二信息，激活第一存储结构中目标特征对应的第二存储结构，得到目标特征对应的第一向量；利用第一集成单元对至少一个目标特征对应的第一向量进行集成，得到目标特征类别的第一集成向量，避免无法命中向量在其他存储器中加载向量。
-
公开(公告)号：CN116912323A
公开(公告)日：2023-10-20
申请号：CN202310275179.0
申请日：2023-03-21
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本发明提供一种双目视觉引导方法、系统及可读存储介质。所述方法包括：使用双目相机采集目标对象的图像信息，所述双目相机的标定参数存储在存算一体芯片；通过存算一体芯片对所述图像信息进行分析，确定所述目标对象的位置信息；根据所述位置信息控制机器人对所述目标对象进行预设操作。本申请的实施例将视觉引导算法部署并应用在基于存算一体技术的计算架构中，在实现更加快速、高效计算的同时，大幅减少传统架构实现同量级计算所带来的能源损耗，提升视觉引导场景的智能化，实现降本增效。
-
Patent Agency Ranking
公开(公告)号：CN111401102A
公开(公告)日：2020-07-10
申请号：CN201910000456.0
申请日：2019-01-02
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/00 , G06T7/12 , G06T7/136 , G06T7/155 , G06T7/187
Abstract: 本发明实施例提供一种深度学习模型训练方法及装置、电子设备及存储介质。所述方法包括：利用第一深度学习模型对第一训练数据进行标注，获得第一标注结果；基于所述第一标注结果，获得各条所述第一训练数据的第一特征数据；获取所述第一特征数据的第二标注结果；基于所述第一特征数据和所述第二标注结果组成的第一训练集，训练第二深度学习模型。
-
公开(公告)号：CN118740168A
公开(公告)日：2024-10-01
申请号：CN202310326586.X
申请日：2023-03-30
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本发明实施例提供一种LDPC编码方法、装置、网络设备及存储介质。该方法包括：对待编码信息进行数模转换，获得所述待编码信息的电压编码数据；根据LDPC校验矩阵与所述电压编码数据，利用存算一体阵列进行计算，获得对所述待编码信息进行编码的校验数据；对所述校验数据进行二进制参数映射，获得所述待编码信息对应的校验码；根据所述待编码信息和所述校验码，生成所述待编码信息的LDPC编码数据。采用该方法，基于LDPC校验矩阵，并利用存算一体阵列进行LDPC编码，整个运算过程无需反复从存储器读取大量模型参数，能够有效提升编码算力和编码效率，并解决现有技术LDPC编码存在的功耗较高的问题。
-
公开(公告)号：CN118211682A
公开(公告)日：2024-06-18
申请号：CN202211623565.6
申请日：2022-12-16
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06N20/20
Abstract: 本发明提供一种模型训练方法、装置、服务器及终端，涉及通信技术领域。该方法包括：在目标模型的每次联合训练开始前，确定满足训练需求的目标终端；向所述目标终端发送的第一训练信息，所述第一训练信息为所述目标模型的初始模型信息；接收所述目标终端反馈的第二训练信息，所述第二训练信息为所述目标终端基于所述初始模型信息在本地进行训练后所得的模型信息；根据所述第二训练信息进行一次联合训练。本发明实施例的方法，解决了现有训练方式影响模型训练结果准确性的问题。
-
公开(公告)号：CN111414930B
公开(公告)日：2023-10-27
申请号：CN201910013188.6
申请日：2019-01-07
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06F18/214 , G06F18/21 , G06F18/2113
Abstract: 本发明实施例公开了一种深度学习模型训练方法及装置、电子设备及存储介质。所述深度学习模型训练方法包括：利用第一模型进行待标注数据进行分类，获得分类参数；根据所述分类参数，确定所述待标注数据的难分指标；根据所述难分指标，从所述待标注数据中选择训练数据；利用所述训练数据对所述第一模型进行优化训练，获得训练后的第二模型。
-
公开(公告)号：CN114764614A
公开(公告)日：2022-07-19
申请号：CN202110029346.4
申请日：2021-01-11
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本发明提供一种神经网络压缩方法、装置和存储介质，属于计算机视觉领域。所述神经网络压缩方法，通过对训练后的神经网络的每一指定卷积层进行逐层执行如下操作：在所述指定卷积层后分别添加编码层和激活层，得到待压缩的神经网络；采用训练图像集和验证图像集，将所述待压缩的神经网络训练m个迭代，直到所述激活层输出的特征向量的稀疏性满足第一阈值；根据所述激活层输出的特征向量和第二阈值，删除所述指定卷积层中的冗余通道，获取剪枝后的指定卷积层；最后，获得对所有指定卷积层都完成剪枝后的压缩后的神经网络模型；通过上述方法实现对通过对剪枝方法的优化，实现对卷积神经网络的压缩效果的优化。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.065 seconds)
