CN109643229A - 网络模型的应用开发方法及相关产品 - Google Patents

网络模型的应用开发方法及相关产品 Download PDF

Info

Publication number
CN109643229A
CN109643229A CN201880003164.6A CN201880003164A CN109643229A CN 109643229 A CN109643229 A CN 109643229A CN 201880003164 A CN201880003164 A CN 201880003164A CN 109643229 A CN109643229 A CN 109643229A
Authority
CN
China
Prior art keywords
network model
neural network
calculating
computing module
training sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201880003164.6A
Other languages
English (en)
Other versions
CN109643229B (zh
Inventor
赵睿哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Corerain Technologies Co Ltd
Original Assignee
Shenzhen Corerain Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Corerain Technologies Co Ltd filed Critical Shenzhen Corerain Technologies Co Ltd
Publication of CN109643229A publication Critical patent/CN109643229A/zh
Application granted granted Critical
Publication of CN109643229B publication Critical patent/CN109643229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G06N3/105—Shells for specifying net layout
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/34—Graphical or visual programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/40—Transformation of program code
    • G06F8/41—Compilation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • User Interface Of Digital Computer (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种网络模型的应用开发方法及相关产品，所述方法包括如下步骤：接收神经网络模型建立命令，依据该建立命令建立初始神经网络模型计算图；获取用户选择的计算模块以及该计算模块的连接关系，将该计算模块以及连接关系添加如该初始神经网络模型计算图内得到中间神经网络模型；采集神经网络模型的建立结束命令，依据该结束命令对该中间神经网络模型进行验证确定该计算模块是否与其他计算模块冲突，如不冲突，生成与该中间网络模型的计算图匹配的建成神经网络模型并生成与该计算图匹配的执行代码。本申请提供的技术方案具有通用性高的优点。

Description

网络模型的应用开发方法及相关产品
技术领域
本申请涉及信息处理技术领域，具体涉及一种网络模型的应用开发方法及相关产品。
背景技术
随着信息技术的不断发展和人们日益增长的需求，人们对信息及时性的要求越来越高了。网络模型例如神经网络模型随着技术的发展应用的越来越广泛，对于计算机、服务器等设备而言，其对网络模型执行训练以及运算的均能够实现，但是现有的神经网络的平台需要专业的开发人员来开发，这样用户使用不方便，通用性不强，影响用户体验度。
申请内容
本申请实施例提供了一种网络模型的应用开发方法及相关产品，可以实现图形化的神经网络平台实现对神经网络模型的编译，提高通用性和用户体验度。
第一方面，提供一种网络模型的应用开发方法，所述方法包括如下步骤：
接收神经网络模型建立命令，依据该建立命令建立初始神经网络模型计算图；
获取用户选择的计算模块以及该计算模块的连接关系，将该计算模块以及连接关系添加到该初始神经网络模型计算图内，并得到中间神经网络模型；
采集神经网络模型的建立结束命令，依据该结束命令对该中间神经网络模型进行验证确定该计算模块是否与其他计算模块冲突，如不冲突，生成与该中间网络模型的计算图匹配的建成神经网络模型并生成与该计算图匹配的执行代码。
第二方面，提供一种网络模型的应用开发平台，所述网络模型的应用开发平台包括：
收发单元，用于接收神经网络模型建立命令；
创建单元，用于依据该建立命令建立初始神经网络模型计算图；
所述收发单元，还用于获取用户选择的计算模块以及该计算模块的连接关系，
处理单元，用于将该计算模块以及连接关系添加到该初始神经网络模型计算图内，并得到中间神经网络模型；
所述收发单元，还用于接收神经网络模型的建立结束命令；
处理单元，用于依据该结束命令对该中间神经网络模型进行验证确定该计算模块是否与其他计算模块冲突；如不冲突，生成与该中间网络模型的计算图匹配的建成神经网络模型并生成与该计算图匹配的执行代码。
第三方面，提供一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行第二方面所述的方法。
第四方面，提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行第二方面所述的方法。
本申请提供的技术方案在进行网络模型的更新以后，对该网络模型进行模拟运行得到输出结果，然后展示该输出结果，这样用户可以通过该输出结果来判断该网络模型是否适合该对应的硬件结构，这样可以提高用户体验度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种网络模型的应用开发方法的流程示意图。
图2是本申请一个实施例提供的网络模型的应用开发平台的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
模拟人类实际神经网络的数学方法问世以来，人们已慢慢习惯了把这种人工神经网络直接称为神经网络。神经网络在系统辨识、模式识别、智能控制等领域有着广泛而吸引人的前景，特别在智能控制中，人们对神经网络的自学习功能尤其感兴趣，并且把神经网络这一重要特点看作是解决自动控制中控制器适应能力这个难题的关键钥匙之一。
神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。
神经网络的基础在于神经元。
神经元是以生物神经系统的神经细胞为基础的生物模型。在人们对生物神经系统进行研究，以探讨人工智能的机制时，把神经元数学化，从而产生了神经元数学模型。
大量的形式相同的神经元连结在—起就组成了神经网络。神经网络是一个高度非线性动力学系统。虽然，每个神经元的结构和功能都不复杂，但是神经网络的动态行为则是十分复杂的；因此，用神经网络可以表达实际物理世界的各种现象。
神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Network)是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。神经网络模型由网络拓扑.节点特点和学习规则来表示。神经网络对人们的巨大吸引力主要包括：并行分布处理、高度鲁棒性和容错能力、分布存储及学习能力、能充分逼近复杂的非线性关系。
在控制领域的研究课题中，不确定性系统的控制问题长期以来都是控制理论研究的中心主题之一，但是这个问题一直没有得到有效的解决。利用神经网络的学习能力，使它在对不确定性系统的控制过程中自动学习系统的特性，从而自动适应系统随时间的特性变异，以求达到对系统的最优控制；显然这是一种十分振奋人心的意向和方法。
人工神经网络的模型现在有数十种之多，应用较多的典型的神经网络模型包括BP神经网络、Hopfield网络、ART网络和Kohonen网络。
参阅图1，图1为本申请提供的一种网络模型的应用开发方法，该方法由网络模型应用平台实现，该方法如图1所示，包括如下步骤：
步骤S101、接收神经网络模型建立命令，依据该建立命令建立初始神经网络模型计算图；
上述神经网络模型建立命令可以通过一个图标来显示，当用户点击该图标时，确定接收到神经网络模型建立命令。当然在实际应用中，还可以通过其他的方式来实现上述建立命令的获取。
步骤S102、获取用户选择的计算模块以及该计算模块的连接关系，将该计算模块以及连接关系添加到该初始神经网络模型计算图内，并得到中间神经网络模型；
上述获取用户选择的计算模块的方式具体可以包括：
获取用户通过拖拽功能选择的计算模块。
上述确定计算模块的连接关系的方式可以包括：
确定该计算模块的功能，依据该功能确定该可能的所有连接关系，将所有连接关系显示给用户选择。例如一个卷积计算模块，那么其输入端可能连接转换模块的输入端或上一层的输出数据，其输出端可能连接激活模块的输入端或下一层的输入数据。当然上述所有的连接关系仅仅是为了举例，本申请具体实施方式并不限制上述连接关系的显示方式或选择方式。
步骤S103、采集神经网络模型的建立结束命令，依据该结束命令对该中间神经网络模型进行验证确定该计算模块是否与其他计算模块冲突，如不冲突，生成与该中间网络模型的计算图匹配的建成神经网络模型并生成与该计算图匹配的执行代码。
本申请提供的技术方案无需专业人员，将各个计算模块进行图形化，这样用户只需要从各种图形化的计算模块中选择其所需要的计算模块，然后确定该计算模块的连接关系即能够实现神经网络模型图形化的建立，这样对用户的专业性要求不高，能够被广泛的应用到神经网络模型的建立中。
可选的，上述方法在步骤S103之后还可以包括：
接收用户输入的训练样本，确定该建立的初始神经网络模型的类型，依据该类型确定该训练样本的标记方式以及标记示例，显示该标记示例以及提示用户按该标记方式对该训练样本进行标记得到标记后的训练样本。
此技术方案提供了训练样本的标记功能，其通过对应类型的标记方式以及标记示例为用户提供了对输入的训练样本实现标记，为后续的运算或训练提供了执行的基础。
可选的，上述方法在标记以后还可以包括：
将标记后的训练样本作为输入数据输入到该建成神经网络模型内进行训练得到训练后的神经网络模型。
此技术方案提供了对神经网络模型训练的过程，即能够通过该平台对建立的神经网络模型的权值数据进行训练得到训练好的神经网络模型。
可选的，上述方法在标记以后还可以包括：
将标记后的训练样本作为输入数据输入到该建成神经网络模型内进行正向运算得到正向运算结果，将该正向运算结果展示。
此技术方案为用户提供了一种输入数据的计算，并展示正向运算结果，这样用户即能够通过标记的训练样本与计算结果比对确定该建成神经网络模型是否合理，为用户对神经网络模型进行优化提供了方向以及思路。
参阅图2，图2提供了一种网络模型的应用开发平台，所述网络模型的应用开发平台包括：
收发单元201，用于接收神经网络模型建立命令；
创建单元202，用于依据该建立命令建立初始神经网络模型计算图；
收发单元201，还用于获取用户选择的计算模块以及该计算模块的连接关系，
处理单元203，用于将该计算模块以及连接关系添加到该初始神经网络模型计算图内，并得到中间神经网络模型；
收发单元201，还用于接收神经网络模型的建立结束命令；
处理单元203，用于依据该结束命令对该中间神经网络模型进行验证确定该计算模块是否与其他计算模块冲突；如不冲突，生成与该中间网络模型的计算图匹配的建成神经网络模型并生成与该计算图匹配的执行代码。
可选的，
收发单元201，还用于接收用户输入的训练样本；
处理单元203，还用于确定该建立的初始神经网络模型的类型，依据该类型确定该训练样本的标记方式以及标记示例，显示该标记示例以及提示用户按该标记方式对该训练样本进行标记得到标记后的训练样本。
此技术方案提供了训练样本的标记功能，其通过对应类型的标记方式以及标记示例为用户提供了对输入的训练样本实现标记，为后续的运算或训练提供了执行的基础。
可选的，
处理单元203，还用于将标记后的训练样本作为输入数据输入到该建成神经网络模型内进行训练得到训练后的神经网络模型。
将标记后的训练样本作为输入数据输入到该建成神经网络模型内进行训练得到训练后的神经网络模型。
可选的，
处理单元203，还用于将标记后的训练样本作为输入数据输入到该建成神经网络模型内进行正向运算得到正向运算结果，将该正向运算结果展示。
此技术方案为用户提供了一种输入数据的计算，并展示正向运算结果，这样用户即能够通过标记的训练样本与计算结果比对确定该建成神经网络模型是否合理，为用户对神经网络模型进行优化提供了方向以及思路。
本申请还提供一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如图1所示的方法以及该方法的细化方案。
本申请还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如图1所示的方法以及该方法的细化方案。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种网络模型的应用开发方法，其特征在于，所述方法包括如下步骤：
接收神经网络模型建立命令，依据该建立命令建立初始神经网络模型计算图；
获取用户选择的计算模块以及该计算模块的连接关系，将该计算模块以及连接关系添加到该初始神经网络模型计算图内，并得到中间神经网络模型；
采集神经网络模型的建立结束命令，依据该结束命令对该中间神经网络模型进行验证确定该计算模块是否与其他计算模块冲突，如不冲突，生成与该中间网络模型的计算图匹配的建成神经网络模型并生成与该计算图匹配的执行代码。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收用户输入的训练样本，确定该建立的初始神经网络模型的类型，依据该类型确定该训练样本的标记方式以及标记示例，显示该标记示例以及提示用户按该标记方式对该训练样本进行标记得到标记后的训练样本。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将标记后的训练样本作为输入数据输入到该建成神经网络模型内进行训练得到训练后的神经网络模型。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将标记后的训练样本作为输入数据输入到该建成神经网络模型内进行正向运算得到正向运算结果，将该正向运算结果展示。
5.一种网络模型的应用开发平台，其特征在于，所述网络模型的应用开发平台包括：
收发单元，用于接收神经网络模型建立命令；
创建单元，用于依据该建立命令建立初始神经网络模型计算图；
所述收发单元，还用于获取用户选择的计算模块以及该计算模块的连接关系，
处理单元，用于将该计算模块以及连接关系添加到该初始神经网络模型计算图内，并得到中间神经网络模型；
所述收发单元，还用于接收神经网络模型的建立结束命令；
处理单元，用于依据该结束命令对该中间神经网络模型进行验证确定该计算模块是否与其他计算模块冲突；如不冲突，生成与该中间网络模型的计算图匹配的建成神经网络模型并生成与该计算图匹配的执行代码。
6.根据权利要求5所述的网络模型的应用开发平台，其特征在于，
所述收发单元，还用于接收用户输入的训练样本；
所述处理单元，还用于确定该建立的初始神经网络模型的类型，依据该类型确定该训练样本的标记方式以及标记示例，显示该标记示例以及提示用户按该标记方式对该训练样本进行标记得到标记后的训练样本。
7.根据权利要求6所述的网络模型的应用开发平台，其特征在于，
所述处理单元，还用于将标记后的训练样本作为输入数据输入到该建成神经网络模型内进行训练得到训练后的神经网络模型。
8.根据权利要求6所述的网络模型的应用开发平台，其特征在于，
所述处理单元，还用于将标记后的训练样本作为输入数据输入到该建成神经网络模型内进行正向运算得到正向运算结果，将该正向运算结果展示。
9.一种计算机可读存储介质，其特征在于，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-4任一项所述的方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如权利要求1-4任一项所述的方法。
CN201880003164.6A 2018-04-17 2018-04-17 网络模型的应用开发方法、平台及计算机可读存储介质 Active CN109643229B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/083433 WO2019200544A1 (zh) 2018-04-17 2018-04-17 网络模型的应用开发方法及相关产品

Publications (2)

Publication Number Publication Date
CN109643229A true CN109643229A (zh) 2019-04-16
CN109643229B CN109643229B (zh) 2022-10-04

Family

ID=66060279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880003164.6A Active CN109643229B (zh) 2018-04-17 2018-04-17 网络模型的应用开发方法、平台及计算机可读存储介质

Country Status (3)

Country Link
US (1) US11954576B2 (zh)
CN (1) CN109643229B (zh)
WO (1) WO2019200544A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515626A (zh) * 2019-08-20 2019-11-29 Oppo广东移动通信有限公司 深度学习计算框架的代码编译方法及相关产品
WO2021077283A1 (zh) * 2019-10-22 2021-04-29 深圳鲲云信息科技有限公司 神经网络计算压缩方法、系统及存储介质
CN112748953A (zh) * 2020-07-02 2021-05-04 腾讯科技（深圳）有限公司 基于神经网络模型的数据处理方法、装置及电子设备

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165249B (zh) * 2018-08-07 2020-08-04 阿里巴巴集团控股有限公司 数据处理模型构建方法、装置、服务器和用户端
US11640539B2 (en) 2019-07-08 2023-05-02 Vianai Systems, Inc. Techniques for visualizing the operation of neural networks using samples of training data
US11615321B2 (en) 2019-07-08 2023-03-28 Vianai Systems, Inc. Techniques for modifying the operation of neural networks
US11681925B2 (en) 2019-07-08 2023-06-20 Vianai Systems, Inc. Techniques for creating, analyzing, and modifying neural networks
US11625611B2 (en) 2019-12-31 2023-04-11 X Development Llc Training artificial neural networks based on synaptic connectivity graphs
US11593617B2 (en) 2019-12-31 2023-02-28 X Development Llc Reservoir computing neural networks based on synaptic connectivity graphs
US11620487B2 (en) * 2019-12-31 2023-04-04 X Development Llc Neural architecture search based on synaptic connectivity graphs
US11593627B2 (en) 2019-12-31 2023-02-28 X Development Llc Artificial neural network architectures based on synaptic connectivity graphs
US11631000B2 (en) 2019-12-31 2023-04-18 X Development Llc Training artificial neural networks based on synaptic connectivity graphs
US11568201B2 (en) 2019-12-31 2023-01-31 X Development Llc Predicting neuron types based on synaptic connectivity graphs
CN113052305B (zh) * 2021-02-19 2022-10-21 展讯通信（上海）有限公司 神经网络模型的运行方法、电子设备和存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104685516A (zh) * 2012-08-17 2015-06-03 高通技术公司 用于在尖峰神经元网络中实现基于事件的更新的装置和方法
US20160085971A1 (en) * 2014-09-22 2016-03-24 Infosys Limited System and method for tokenization of data for privacy
US20170132513A1 (en) * 2015-11-09 2017-05-11 Google Inc. Training neural networks represented as computational graphs
CN107016175A (zh) * 2017-03-23 2017-08-04 中国科学院计算技术研究所 适用神经网络处理器的自动化设计方法、装置及优化方法
CN107239315A (zh) * 2017-04-11 2017-10-10 北京深鉴智能科技有限公司 面向神经网络异构计算平台的编程模型
US20170293836A1 (en) * 2016-04-11 2017-10-12 International Business Machines Corporation Customer profile learning based on semi-supervised recurrent neural network using partially labeled sequence data
US20170323199A1 (en) * 2016-05-05 2017-11-09 Baidu Usa Llc Method and system for training and neural network models for large number of discrete features for information rertieval
CN107480194A (zh) * 2017-07-13 2017-12-15 中国科学院自动化研究所 多模态知识表示自动学习模型的构建方法及系统
CN107563417A (zh) * 2017-08-18 2018-01-09 北京天元创新科技有限公司 一种深度学习人工智能模型建立方法及系统
CN107766940A (zh) * 2017-11-20 2018-03-06 北京百度网讯科技有限公司 用于生成模型的方法和装置
US20180075508A1 (en) * 2016-09-14 2018-03-15 Ebay Inc. Detecting cross-lingual comparable listings for machine translation using image similarity
CN107832837A (zh) * 2017-11-28 2018-03-23 南京大学 一种基于压缩感知原理的卷积神经网络压缩方法及解压缩方法
CN107862058A (zh) * 2017-11-10 2018-03-30 北京百度网讯科技有限公司 用于生成信息的方法和装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5812992A (en) 1995-05-24 1998-09-22 David Sarnoff Research Center Inc. Method and system for training a neural network with adaptive weight updating and adaptive pruning in principal component space
US6954744B2 (en) * 2001-08-29 2005-10-11 Honeywell International, Inc. Combinatorial approach for supervised neural network learning
US7502763B2 (en) * 2005-07-29 2009-03-10 The Florida International University Board Of Trustees Artificial neural network design and evaluation tool
US8818923B1 (en) * 2011-06-27 2014-08-26 Hrl Laboratories, Llc Neural network device with engineered delays for pattern storage and matching
US10248675B2 (en) * 2013-10-16 2019-04-02 University Of Tennessee Research Foundation Method and apparatus for providing real-time monitoring of an artifical neural network
US10726507B1 (en) * 2016-11-11 2020-07-28 Palantir Technologies Inc. Graphical representation of a complex task
US10032110B2 (en) * 2016-12-13 2018-07-24 Google Llc Performing average pooling in hardware
US11205236B1 (en) * 2018-01-24 2021-12-21 State Farm Mutual Automobile Insurance Company System and method for facilitating real estate transactions by analyzing user-provided data

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104685516A (zh) * 2012-08-17 2015-06-03 高通技术公司 用于在尖峰神经元网络中实现基于事件的更新的装置和方法
US20160085971A1 (en) * 2014-09-22 2016-03-24 Infosys Limited System and method for tokenization of data for privacy
US20170132513A1 (en) * 2015-11-09 2017-05-11 Google Inc. Training neural networks represented as computational graphs
US20170293836A1 (en) * 2016-04-11 2017-10-12 International Business Machines Corporation Customer profile learning based on semi-supervised recurrent neural network using partially labeled sequence data
CN107346326A (zh) * 2016-05-05 2017-11-14 百度（美国）有限责任公司 用于生成神经网络模型的方法和系统
US20170323199A1 (en) * 2016-05-05 2017-11-09 Baidu Usa Llc Method and system for training and neural network models for large number of discrete features for information rertieval
US20180075508A1 (en) * 2016-09-14 2018-03-15 Ebay Inc. Detecting cross-lingual comparable listings for machine translation using image similarity
CN107016175A (zh) * 2017-03-23 2017-08-04 中国科学院计算技术研究所 适用神经网络处理器的自动化设计方法、装置及优化方法
CN107239315A (zh) * 2017-04-11 2017-10-10 北京深鉴智能科技有限公司 面向神经网络异构计算平台的编程模型
CN107480194A (zh) * 2017-07-13 2017-12-15 中国科学院自动化研究所 多模态知识表示自动学习模型的构建方法及系统
CN107563417A (zh) * 2017-08-18 2018-01-09 北京天元创新科技有限公司 一种深度学习人工智能模型建立方法及系统
CN107862058A (zh) * 2017-11-10 2018-03-30 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN107766940A (zh) * 2017-11-20 2018-03-06 北京百度网讯科技有限公司 用于生成模型的方法和装置
CN107832837A (zh) * 2017-11-28 2018-03-23 南京大学 一种基于压缩感知原理的卷积神经网络压缩方法及解压缩方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
V.K. DEVABHAKTUNI 等: "Advanced microwave modeling framework exploiting automatic model generation, knowledge neural networks, and space mapping", 《IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》 *
张觉非 360: "运用计算图搭建卷积神经网络（CNN）", 《HTTPS://WWW.GO2LIVE.CN/NOCATE/%E8%BF%90%E7%94%A8%E8%AE%A1%E7%AE%97%E5%9B%BE%E6%90%AD%E5%BB%BA%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%EF%BC%88CNN%EF%BC%89.HTML》 *
胡海峰 等: "基于模型的面向对象神经网络开发工具的研制", 《石油大学学报(自然科学版)》 *
薄翠梅 等: "软测量模型自动生成系统的研究与开发", 《控制工程》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515626A (zh) * 2019-08-20 2019-11-29 Oppo广东移动通信有限公司 深度学习计算框架的代码编译方法及相关产品
CN110515626B (zh) * 2019-08-20 2023-04-18 Oppo广东移动通信有限公司 深度学习计算框架的代码编译方法及相关产品
WO2021077283A1 (zh) * 2019-10-22 2021-04-29 深圳鲲云信息科技有限公司 神经网络计算压缩方法、系统及存储介质
CN112748953A (zh) * 2020-07-02 2021-05-04 腾讯科技（深圳）有限公司 基于神经网络模型的数据处理方法、装置及电子设备
CN112748953B (zh) * 2020-07-02 2023-08-15 腾讯科技（深圳）有限公司 基于神经网络模型的数据处理方法、装置及电子设备

Also Published As

Publication number Publication date
CN109643229B (zh) 2022-10-04
US20210042602A1 (en) 2021-02-11
WO2019200544A1 (zh) 2019-10-24
US11954576B2 (en) 2024-04-09

Similar Documents

Publication Publication Date Title
CN109643229A (zh) 网络模型的应用开发方法及相关产品
CN110674869B (zh) 分类处理、图卷积神经网络模型的训练方法和装置
CN103620624B (zh) 用于导致稀疏连通性的局部竞争性学习规则的方法和装置
CN107103113A (zh) 面向神经网络处理器的自动化设计方法、装置及优化方法
CN111708641B (zh) 一种内存管理方法、装置、设备及计算机可读存储介质
CN114386694A (zh) 基于对比学习的药物分子性质预测方法、装置及设备
WO2013138778A1 (en) Tag-based apparatus and methods for neural networks
CN111104732A (zh) 一种基于深度强化学习的机动通信网智能规划方法
CN104346517A (zh) 一种基于回声状态网络的预测方法及预测装置
CN106372195A (zh) 一种用于智能机器人的人机交互方法及装置
CN108090218A (zh) 基于深度强化学习的对话系统生成方法和装置
CN108737491A (zh) 信息推送方法和装置以及存储介质、电子装置
CN109754072A (zh) 网络离线模型的处理方法、人工智能处理装置及相关产品
WO2014144992A1 (en) Predictive system for deploying enterprise applications
Pandey et al. A fuzzy logic based recommender system for e-learning system with multi-agent framework
CN107809493A (zh) 一种基于多智能体的物联网操作系统原型
Sun et al. Education teaching evaluation method aided by adaptive genetic programming and robust scheduling
CN109313673A (zh) 网络模型的运行方法及相关产品
CN109889525A (zh) 多通信协议智能感知方法
CN108898648A (zh) 一种k线图构造方法、系统及相关设备
CN109716288A (zh) 网络模型编译器及相关产品
CN109446400A (zh) 一种学习管理方法、学习管理装置及电子设备
CN109117946A (zh) 神经网络计算处理模型
CN109977998A (zh) 信息处理方法及装置、存储介质和电子装置
CN111542818A (zh) 一种网络模型数据存取方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant