-
公开(公告)号：CN110457068A
公开(公告)日：2019-11-15
申请号：CN201910352202.5
申请日：2019-04-29
Applicant: 国际商业机器公司
Abstract: 本公开涉及用于深度学习加速的非常低精度浮点表示。一种专用电路被配置为使用由非常低精度格式(VLP格式)表示的数字进行浮点计算。VLP格式包括少于十六位并且分配为符号位、指数位(e)和尾数位(p)。经配置的专用电路被操作以存储VLP格式的数值的近似，其中该近似被表示为分数的倍数的函数，其中分数是能够仅使用尾数位表示的离散值的数量的倒数。
-
Patent Agency Ranking
公开(公告)号：CN111435461B
公开(公告)日：2023-08-11
申请号：CN202010020033.8
申请日：2020-01-09
Applicant: 国际商业机器公司
IPC: G06N3/063 , G06N3/0475 , G06N3/094
Abstract: 本申请涉及使用降低精度的深度神经网络的对抗性输入识别。处理器接收输入数据，并将输入数据提供给包括第一神经网络模型的第一神经网络。第一神经网络模型具有第一数值精度水平。使用第一神经网络从输入数据生成第一特征向量。将输入数据提供给包括第二神经网络模型的第二神经网络。第二神经网络模型具有与第一数值精度水平不同的第二数值精度水平。使用第二神经网络从输入数据生成第二特征向量。计算第一特征向量和第二特征向量之间的差异度量。差异度量指示输入数据是否包括对抗性数据。
-
公开(公告)号：CN111226233A
公开(公告)日：2020-06-02
申请号：CN201880067753.0
申请日：2018-10-04
Applicant: 国际商业机器公司
IPC: G06N3/08
Abstract: 描述了促进提高神经网络的效率的技术。在一个实施例中，提供了一种系统，该系统包括存储计算机可执行组件的存储器和执行存储在存储器中的计算机可执行组件的处理器。在一个实现方式中，计算机可执行组件包括选择输出限制的初始值的初始化组件，其中输出限制指示神经网络的激活函数的输出的范围。计算机可执行组件还包括训练组件，训练组件在训练期间将输出限制的初始值修改为输出限制的第二值，输出限制的第二值被提供为激活函数的参数。计算机可执行组件还包括激活函数组件，激活函数组件基于作为参数的输出限制的第二值来确定激活函数的输出。
-
公开(公告)号：CN110390390A
公开(公告)日：2019-10-29
申请号：CN201910306082.5
申请日：2019-04-17
Applicant: 国际商业机器公司
Abstract: 本申请涉及利用分块GEMM的深度学习加速器架构。计算矩阵被配置为包括一组计算单元，每个计算单元包括乘法器和累加器，乘法器和累加器中的每一个使用至少一个浮点单元(FPU)形成。累加器阵列被配置为包括一组外部累加器。操作计算矩阵以使用第一输入向量的第一块和第二输入向量的第一块来产生块点积。操作累加器阵列以使用块点积输出第一输入向量和第二输入向量的点积。
-
公开(公告)号：CN110457068B
公开(公告)日：2023-03-14
申请号：CN201910352202.5
申请日：2019-04-29
Applicant: 国际商业机器公司
Abstract: 本公开涉及用于深度学习加速的非常低精度浮点表示。一种专用电路被配置为使用由非常低精度格式(VLP格式)表示的数字进行浮点计算。VLP格式包括少于十六位并且分配为符号位、指数位(e)和尾数位(p)。经配置的专用电路被操作以存储VLP格式的数值的近似，其中该近似被表示为分数的倍数的函数，其中分数是能够仅使用尾数位表示的离散值的数量的倒数。
-
公开(公告)号：CN111435461A
公开(公告)日：2020-07-21
申请号：CN202010020033.8
申请日：2020-01-09
Applicant: 国际商业机器公司
IPC: G06N3/063
Abstract: 本申请涉及使用降低精度的深度神经网络的对抗性输入识别。处理器接收输入数据，并将输入数据提供给包括第一神经网络模型的第一神经网络。第一神经网络模型具有第一数值精度水平。使用第一神经网络从输入数据生成第一特征向量。将输入数据提供给包括第二神经网络模型的第二神经网络。第二神经网络模型具有与第一数值精度水平不同的第二数值精度水平。使用第二神经网络从输入数据生成第二特征向量。计算第一特征向量和第二特征向量之间的差异度量。差异度量指示输入数据是否包括对抗性数据。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
