-
公开(公告)号：CN112019510B
公开(公告)日：2021-07-06
申请号：CN202010739741.7
申请日：2020-07-28
Applicant: 北京大学
Abstract: 本发明提供了一种深度神经网络架构的自适应搜索方法和系统，旨在保护数据隐私的前提下，降低计算开销和通信开销，实现深度学习从云端分载到终端，提高终端参与效率。所述方法包括：终端调度模块根据终端属性对终端分组；网络架构搜索模块搜索到若干模型架构；决策与聚合模块基于动态训练策略，控制终端组对模型架构进行短期训练测试；根据融合模型架构准确率，得到优选模型架构；优选模型架构满足资源限制，则更新资源限制，进行新一轮迭代，不满足资源限制，则停止迭代；对每轮获得的优选模型架构，进行长期训练，得到每轮对应资源限制下最优模型架构。
-
公开(公告)号：CN105487960A
公开(公告)日：2016-04-13
申请号：CN201511000936.5
申请日：2015-12-28
Applicant: 北京大学
IPC: G06F11/30
CPC classification number: H04W24/08 , G01R21/00 , G06F11/30 , H04L43/0864 , H04L67/02 , H04L67/2842 , H04W88/02 , Y02D10/34 , G06F11/3051 , G06F11/3062
Abstract: 本发明公开了一种基于物理实测的移动端APP加载能耗自动测量方法。本方法为：1)将指定的移动端Web和移动端机型发送给服务器；2)服务器将该移动端Web传送到对应移动端上运行的浏览器中加载该移动端Web，并启动电表开始测量；在测量过程中获取每一网络资源的请求时间、接收时间以及计算时间；3)当该移动端Web在该移动端上加载完成后，服务器对测量数据进行处理：首先根据网络资源的请求时间、接收时间以及计算时间得到页面加载过程及其中的时间戳，然后将获得的时间戳与该服务器的时间进行同步；然后根据同步后的时间和电表测量数据计算该移动端Web在该移动端上加载产生的能耗。本方法大大提高了测量精度。
-
公开(公告)号：CN109656529A
公开(公告)日：2019-04-19
申请号：CN201811290235.3
申请日：2018-10-31
Applicant: 北京大学
Abstract: 本发明提供一种针对客户端深度学习的在线定制化方法及系统，包括服务器、至少一个客户端，所述方法包括：所述服务器利用公共数据集对预设机器学习模型进行训练，获得公共模型；所述客户端从所述服务器获取所述公共模型；所述客户端获取用户个性化数据；所述客户端利用所述用户个性化数据对所述公共模型进行训练，得到定制化模型。本发明采用服务器端-客户端协同训练的方式，在计算资源较强的服务器端先利用大量的公共数据集进行预训练，将模型的参数调整到合适的位置；然后将模型下发到各个移动设备，利用本地产生的数据进行定制化训练。在客户端进行预测和定制化训练的过程中，无需上传训练数据，从而保证了隐私信息不会被泄露。
-
公开(公告)号：CN105610909A
公开(公告)日：2016-05-25
申请号：CN201510964171.0
申请日：2015-12-21
Applicant: 北京大学
IPC: H04L29/08
CPC classification number: H04L47/82 , H04L29/08 , H04L67/02 , H04L67/146 , H04L67/2842 , H04W88/02 , H04L67/10
Abstract: 本发明公开了一种基于云-端协同的移动浏览器资源加载优化方法。本方法为：1)在用户的手机端建立一代理服务器，在该用户的个人云上搭建一云服务器；2)手机端代理服务器将接收并解析浏览器的URL请求，如果手机端代理服务器已缓存该URL请求对应的资源，或者通过URL匹配算法计算出存在对应的资源，则直接将该资源返回给浏览器；否则将其发送给云服务器；3)云服务器检查是否已缓存该URL请求对应的资源，如果已缓存则将该资源返回给代理服务器；否则向该URL请求对应的目标网站进行资源请求并将结果返回给手机端代理服务器；4)该手机端代理服务器将收到的返回结果依照HTTP响应的结构发回浏览器。本发明大大提高了加载速度。
-
公开(公告)号：CN105573764A
公开(公告)日：2016-05-11
申请号：CN201510983203.1
申请日：2015-12-24
Applicant: 北京大学
IPC: G06F9/44
Abstract: 本发明公开了一种面向智能手表的Android应用重构方法。本方法为：1)对于一设定的Android应用，创建一空文件夹Mobile，将该应用的源文件都迁移到该Mobile文件夹中，然后在该应用的根目录下生成一Wear模块；2)在该Wear模块中添加支持手表特性的代码，以及添加手表的依赖库文件；并将该应用源码复制到该Wear模块中；3)将Wear模块中的API替换为手表应用的API；4)将该应用的整体页面布局按照手机与手表的对应比例进行缩小；或者先识别出该应用的页面中所有单元控件，然后将每个单元控件缩小至符合手表屏幕宽度的尺寸，并对单元控件重要性排序。本方法降低了智能手表应用的开发维护成本。
-
Patent Agency Ranking
公开(公告)号：CN105487960B
公开(公告)日：2019-01-18
申请号：CN201511000936.5
申请日：2015-12-28
Applicant: 北京大学
IPC: G06F11/30
Abstract: 本发明公开了一种基于物理实测的移动端APP加载能耗自动测量方法。本方法为：1)将指定的移动端Web和移动端机型发送给服务器；2)服务器将该移动端Web传送到对应移动端上运行的浏览器中加载该移动端Web，并启动电表开始测量；在测量过程中获取每一网络资源的请求时间、接收时间以及计算时间；3)当该移动端Web在该移动端上加载完成后，服务器对测量数据进行处理：首先根据网络资源的请求时间、接收时间以及计算时间得到页面加载过程及其中的时间戳，然后将获得的时间戳与该服务器的时间进行同步；然后根据同步后的时间和电表测量数据计算该移动端Web在该移动端上加载产生的能耗。本方法大大提高了测量精度。
-
公开(公告)号：CN108363478A
公开(公告)日：2018-08-03
申请号：CN201810020303.8
申请日：2018-01-09
Applicant: 北京大学
CPC classification number: G06F1/3234 , G06N3/0454 , G06N3/082 , G10L15/265
Abstract: 本发明提供一种针对可穿戴设备深度学习应用模型分载系统及方法，包括：预测模型模块，用以预测运行该深度学习应用模型的各层所需的时间与电量作为预测数据；开发者接口模块，用以作为将模型分载算法和数据引入深度学习应用中的接口；状态信息收集模块，用以收集硬件信息以及应用模型运行时状态，作为分载依据；模型分载决策模块，加载模型分载算法和数据，用以获取全部可能的分载情况，然后根据分载依据及预测数据从中搜索最优的分载方式；依据该最优分载方式将深度学习应用模型分载为两个子模型。作为自动化深度学习运行和优化框架，其核心思想是根据当前运行时环境寻找最优的模型分载方式，将一部分子模型的运算卸载到配对的移动手机上。
-
公开(公告)号：CN105630907A
公开(公告)日：2016-06-01
申请号：CN201510965139.4
申请日：2015-12-21
Applicant: 北京大学
CPC classification number: G06F9/44578 , G06F8/60 , G06F9/4881 , G06F9/54 , G06F17/30 , G06F17/30675 , G06F17/3097
Abstract: 本发明公开了一种基于应用内容的安卓应用组装方法。本方法为：1)服务器端抓取安卓应用的页面信息并建立索引，然后将页面的元数据、索引信息以及保存到数据库中；其中，元数据中包括安卓应用的页面跳转逻辑；2)客户端将用户输入的关键词发送给服务器端；3)服务器端从数据库中获取符合该关键词的应用列表，并将该应用列表对应的元数据返回给该客户端；4)用户根据返回信息从该应用列表中选择一目标安卓应用后，该客户端启动该目标安卓应用并根据该目标安卓应用的页面跳转逻辑自动跳转到与该关键词对应页面。本发明打破安卓应用之间信息的孤立以及提供安卓应用间更自然的组装服务。
-
公开(公告)号：CN115470901A
公开(公告)日：2022-12-13
申请号：CN202211083545.4
申请日：2022-09-06
Applicant: 北京大学
Abstract: 本发明提供了一种支持移动端异构处理器分载的混合精度训练方法及设备，应用于移动端，所述移动端包括混合精度算法抽象模块、异构处理器抽象模块、CPU和异构处理器，本发明实施例中，基于混合精度训练算法，通过混合精度算法抽象模块将原本高精度的训练模型转化能够直接在移动端执行的混合精度的中间表示模型，进而实现在不损失准确率的情况下减小运算负载，并使用移动端均包含的支持低精度的异构处理器来分载训练中所需的关键计算任务，实现在移动端快速高效地训练，进而减小了在移动端上训练的能耗和延迟。
-
公开(公告)号：CN109656529B
公开(公告)日：2021-05-25
申请号：CN201811290235.3
申请日：2018-10-31
Applicant: 北京大学
Abstract: 本发明提供一种针对客户端深度学习的在线定制化方法及系统，包括服务器、至少一个客户端，所述方法包括：所述服务器利用公共数据集对预设机器学习模型进行训练，获得公共模型；所述客户端从所述服务器获取所述公共模型；所述客户端获取用户个性化数据；所述客户端利用所述用户个性化数据对所述公共模型进行训练，得到定制化模型。本发明采用服务器端‑客户端协同训练的方式，在计算资源较强的服务器端先利用大量的公共数据集进行预训练，将模型的参数调整到合适的位置；然后将模型下发到各个移动设备，利用本地产生的数据进行定制化训练。在客户端进行预测和定制化训练的过程中，无需上传训练数据，从而保证了隐私信息不会被泄露。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.012 seconds)
