CN110647718B - 数据处理方法、装置、设备及计算机可读存储介质 - Google Patents

数据处理方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110647718B
CN110647718B CN201910915069.XA CN201910915069A CN110647718B CN 110647718 B CN110647718 B CN 110647718B CN 201910915069 A CN201910915069 A CN 201910915069A CN 110647718 B CN110647718 B CN 110647718B
Authority
CN
China
Prior art keywords
fitting
data
function
specific
post
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.)
Active
Application number
CN201910915069.XA
Other languages
English (en)
Other versions
CN110647718A (zh
Inventor
郑瀚寻
闯小明
杨龚轶凡
周远航
曾昭睿
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.)
Zhonghao Xinying Hangzhou Technology Co ltd
Original Assignee
Zhonghao Xinying Hangzhou Technology 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 Zhonghao Xinying Hangzhou Technology Co ltd filed Critical Zhonghao Xinying Hangzhou Technology Co ltd
Priority to CN201910915069.XA priority Critical patent/CN110647718B/zh
Publication of CN110647718A publication Critical patent/CN110647718A/zh
Application granted granted Critical
Publication of CN110647718B publication Critical patent/CN110647718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明公开了一种数据处理方法、装置以及计算机可读存储介质。针对特定函数设定多个特定区间，为每个特定区间预设一组拟合参数。对落入特定区间外的输入数据进行前处理，得到补偿信息和落入特定区间的有效数据，根据有效数据落入的特定区间确定对应的拟合参数，根据有效数据和进行拟合运算，得到近似拟合结果。根据近似拟合结果和补偿信息进行后处理运算，得到与输入数据对应的最终结果。通过本发明可以减少函数拟合运算过程中存储空间的占用，提高拟合运算效率，降低拟合运算时间。

Description

数据处理方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种数据处理方法、装置、设备及计算机可读存储介质。
背景技术
在神经网络的深度学习应用场景中，我们期待神经网络可以模拟任意的函数，而对于其基本单位神经元来说，神经元的输出与输入总是成线性关系的，需要引入非线性函数使得变换变得复杂，以使神经网络的表达能力更加强大。要使得非线形函数能用于神经网络深度学习中，则需要对这些非线形函数进行拟合。现有技术对于非线形函数的拟合多采用通用处理器结合软件编程的方式进行拟合，通过软件调用相关的拟合运算指令，来实现函数的运算，这种软件参与的函数拟合运算往往会占用大量的存储空间，运算效率低下，需要耗费大量的时间。
发明内容
有鉴于此，本发明实施例提供了一种数据处理方法、装置、设备及计算机可读存储介质，以解决非线形函数拟合过程中存在的占用存储空间大、拟合运算效率低以及拟合运算耗时长的问题。
第一方面，本发明实施例提供了一种数据处理方法。该方法提供根据特定函数确定的多个特定区间，每个特定区间对应一组拟合参数，该方法包括：
获取特定函数对应的函数运算指令和输入数据；
对输入数据进行前处理，得到得到有效数据和补偿信息；该有效数据落入上述特定区间内；
获取有效数据落入的特定区间对应的拟合参数；该特定区间是通过该特定函数的函数运算指令确定的；
根据有效数据和拟合参数进行拟合运算，得到近似拟合结果；
对近似拟合结果进行后处理：根据函数运算指令选择与特定函数对应的后处理规则，根据该后处理规则，对上述补偿信息和近似拟合结果进行后处理运算，得到与输入数据相对应的最终结果；该后处理规则是根据特定函数中自变量与因变量之间存在的变化规律设定的。
通过本发明实施例提供的方法，不需要对函数的整个定义域预设拟合参数，只需对需要的某几个特定区间提供预设拟合参数即可，减少了计算工作量；只在某几个特定区间进行拟合并未对本发明的输入数据造成限制，对于落入特定区间外的输入数据，本发明提供的数据处理方法对其进行前处理实现数据移位，得到落入特定区间的有效数据，根据有效数据进行拟合得到近似拟合结果后，再通过补偿信息对近似拟合结果进行后处理移位补偿，得到最终结果。此举使得本发明提供的数据处理方法在仅预设某几个特定区间的拟合参数的前提下，仍然能实现整个函数定义域的拟合运算，既扩大了输入数据的选择空间，又减少了对寄存器资源的占用，还使得相关运算设备运算性能得到大幅度提高，进而减少了函数拟合的整体时间。
进一步地，上述输入数据为浮点数，该输入数据包括数符、阶码以及尾数；提供一个自定义标准阶码；上述前处理包括：
从输入数据中提取出数符和尾数，将该数符和尾数与上述自定义标准阶码进行重构，得到上述有效数据；
从输入数据中提取出第一阶码，计算自定义标准阶码与第一阶码的差值，所述差值即为上述补偿信息。
通过对输入数据进行提取，重构生成有效数据，实现了特定区间外的数据至特定区间内的数据转移，使得输入数据的选取空间更为广阔，使用较低的运算成本实现了特定函数全定义域的拟合运算；同时生成用于校正结果的补偿信息，保证了最终结果的正确性。
进一步地，上述拟合参数预先嵌入上述特定区间对应的专用拟合电路中。通过将预设的拟合参数嵌入根据特定函数设定的特定区间对应的专用拟合电路中，使得输入数据或有效数据确定拟合参数后可直接获取拟合参数，拟合参数直接从电路上传输到相应乘法器、加法器进行拟合运算。相对于现有技术，省去了到相关存储器取拟合参数的步骤，不仅减少了对函数中的常系数提取的次数，还减少了对相关指令的提取操作的步骤，减少了拟合运算所需的时间；由于拟合参数直接存储在电路中，故不需要提供额外的存储器或寄存器来存储，极大地节约了寄存器或存储器资源。
进一步地，上述拟合运算通过拟合多项式实现，上述拟合参数包括多项式各项的系数；上述一组拟合参数包括2至9项拟合参数。本发明通过预设一定数量的拟合参数，可以决定拟合结果的精度，既节省了存储空间，又降低了硬件成本，同时还取得了结果精度和运算速度之间的良好平衡。
进一步地，上述获取特定函数的函数运算指令和输入数据包括：
获取控制指令；
根据该控制指令和指令集进行译码，得到机器指令和输入数据；上述指令集是根据特定函数预先设定的；
上述机器指令即为上述特定函数对应的函数运算指令。
对于在神经网络深度学习场景中频繁进行拟合运算的函数或者激活函数，通过本发明提供数据处理方法，可以直接根据预设的指令集解码调用相关函数运算指令来执行针对相关函数的拟合运算。减少了相关指令提取或相关数据提取的操作步骤，提高了拟合运算效率。
第二方面，本发明实施例提供了一种数据处理装置，该装置包括运算模块以及判断模块，判断模块包括至少一个特定区间，每个特定区间对应一组拟合参数，该装置还包括前处理模块和后处理模块，其中：
前处理模块用于接收输入指令和函数运算指令，生成并且输入有效数据和补偿信息；
判断模块连接前处理模块，函数运算指令和有效数据传递至判断模块，判断模块进行判断，进而确认并输出相关拟合参数；
运算模块连接判断模块，用于接收拟合参数和有效数据，进行拟合运算，得到近似拟合结果并输出；
后处理模块连接前处理模块和运算模块，用于选择特定函数对应的后处理规则，对补偿信息和近似拟合结果进行后处理运算，得到与输入数据相对应的最终结果；上述后处理规则是根据特定函数中自变量与因变量之间存在的变化规律设定的。
通过本发明实施例提供的数据处理装置，不需要对函数的整个定义域预设拟合参数，只需对需要的某几个特定区间提供预设拟合参数即可，减少了计算工作量，同时也减少了用于存储拟合参数的大量存储空间；只在某几个特定区间进行拟合并未对本发明的输入数据造成限制，对于落入特定区间外的输入数据，本发明提供的数据处理方法对其进行前处理实现数据移位，得到落入特定区间的有效数据，根据有效数据进行拟合得到近似拟合结果后，再通过补偿信息对近似拟合结果进行后处理移位补偿，得到最终结果。此举使得本发明提供的数据处理方法在仅预设某几个特定区间的拟合参数的前提下，仍然能实现整个函数定义域的拟合运算，既扩大了输入数据的选择空间，又减少了对寄存器资源的占用，还使得相关运算设备运算性能得到大幅度提高，进而减少了函数拟合的整体时间。本发明实施例提供的数据数据处理装置，结构之间连接方式简便，成本低，可实现性高。
进一步地，上述输入数据为浮点数，提供一个自定义阶码，上述前处理模块包括：
选择单元，用于根据函数运算指令选择相对应的判断模块；
提取单元，用于提取输入数据中的数符、阶码以及尾数，得到第一数符、第一阶码以及第一尾数；
第一生成单元，用于将第一数符、第一尾数以及自定义标准阶码进行重构，得到上述有效数据；
第二生成单元，用于计算自定义阶码和第一阶码的差值，得到上述补偿信息。
通过对输入数据进行提取，重构生成有效数据，实现了特定区间外的数据至特定区间内的数据转移，使得输入数据的选取空间更为广阔，使用较低的运算成本实现了特定函数全定义域的拟合运算；同时生成用于校正结果的补偿信息，保证了最终结果的正确性。实现上述功能单元的器件可选择空间大，易于实现，成本低。
更进一步地，上述后处理模块包括：
选择单元，用于根据上述指令选择相对应的后处理单元；
后处理单元，用于将补偿信息和近似拟合结果进行后处理运算，得到与上述输入数据对应的最终结果。
通过后处理模块对近似拟合结果进行后处理，可实现移位至特定区间内的有效数据拟合得到的近似拟合结果可以通过后处理规则映射反向移位得到输入数据对应的最终结果。既实现了特定区间外的数据的拟合运算，又保证了拟合结果的精确度。
第三方面，本发明实施例提供了一种数据处理设备，包括存储器和处理器，其中，存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现前述第一方面提及的数据处理方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现前述第一方面提及的数据处理方法的步骤。
本发明实施例在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。
附图说明
为了更清楚地说明本发明实施例技术方案，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发明的一些实施例，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附图。
图1是本发明实施例提供的一种数据处理系统架构100示意图；
图2是本发明实施例提供的数据处理方法流程图；
图3是本发明实施例提供的输入数据处理示意图；
图4是本发明实施例提供的数据处理装置400结构示意图；
图5是本发明实施例提供的前处理模块401结构示意图；
图6是本发明实施例提供的判断模块402结构示意图；
图7是本发明实施例提供的后处理模块404结构示意图；
图8是本发明实施例提供的一种特定区间对应的拟合参数信息示意图。
图9是本发明实施例提供的一种数据处理设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例都属于本发明的保护范围。
需要说明的是，当一个元件被称为是“连接于”另一个元件，或称一个元件与另一个或多个元件“连接”、“相连”时，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
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。下面将参考附图并结合实施例来详细说明本发明。
请参见图1，是可以应用本发明的数据处理方法或数据处理装置的一种数据处理系统架构100示意图。如图1所示，系统架构100包括控制模块101，存储模块102，解码模块103，执行模块104。其中，控制模块101向存储模块102发出取指控制指令，存储模块102将相应指令发送至解码模块103，解码模块103根据针对多个不同特定函数预设的指令集和上述指令进行解码，得到相应的针对一个特定函数的机器指令，执行模块104接收该机器指令，执行关于该特定函数的拟合运算，得到最终结果。该最终结果存入存储模块102或作为其他运算的输入。
在本发明的一个可选的实施例中，上述多个不同特定函数包括自变量与因变量存在一定变化规律的函数，上述变化规律可以是自变量与因变量存在一定倍数关系，例如反比例函数(Reciprocal)：平方根倒数(Reciprocal square root):/>也可以是存在一定差值关系，例如对数函数(Logarithm)：log2x；还可以是上述函数的组合。解码模块103根据控制指令和上述指令集进行解码后可得到与上述函数之一相对应的机器指令，该机器指令在本发明实施例中也成为函数运算指令，执行模块104根据该函数运算指令和输入数据执行相关特定函数的拟合运算，得到最终结果。上述列出的函数仅为对本公开所述方法最常用的几个函数，在具体应用中，特定函数的具体实现并不限定，应理解的，自变量和因变量的存在上述变化规律的非线形函数，均可作为本公开中的特定函数。
需要说明的是，本发明实施例所提供的数据处理方法一般由执行模块104执行，相应地，数据处理装置一般设置于执行模块104中。
通过根据特定函数的函数特性预设相关专用指令集，在需要进行相关函数拟合运算时，可以直接调用相关函数函数运算指令，以及相关相关运算器件，对于会频繁进行函数运算或激活函数运算的神经网络深度学习场景来说，会极大地提升相关运算设备的性能。
本发明实施例提供了一种数据处理方法，提供根据上述不同特定函数预设的特定区间，每个特定函数对应设置有多个特定区间，每个特定区间对应一组拟合参数；请参见图2，是本发明实施例提供的数据处理方法流程图。该方法包括以下步骤：
步骤S201:获取特定函数的函数运算指令和输入数据，并进行前处理，得到有效数据和移位信息。在本实施例的一些可选实现方式中，该函数运算指令和输入数据是经译码器等译码器件译码后得到，该函数运算指令对应一种特定函数，该输入数据用于计算该特定函数的最终函数值，该有效数据落入根据该特定函数预设的多个特定区间中的一个区间内，该多个特定区间可以是闭区间，也可以是左闭右开区间。
在另一个可选实现方式中，输入数据为浮点数形式。请参见图3，是本发明实施例提供的输入数据处理示意图，如图3(a)所示，输入数据包括数符S、阶码E以及尾数M三个部分，其中阶码E也称指数部分。提取输入数据中的数符S和尾数M，将两者同一个自定义的标准阶码E1重构成一个新的浮点数，如图3(b)所示，将该新的浮点数作为本发明所需的有效数据。上述自定义的标准阶码的具体值可根据具体函数特性设置。提取输入数据中的阶码E，计算该自定义标准阶码E1与阶码E的差值，即求E1-E，该差值即为本发明所需的补偿信息。在一些可选实现方式中，阶码E(指数位E)总是整数，通过整数减法计算上述差值。
步骤S202:根据函数运算指令和有效数据确定拟合参数。根据函数运算指令确定与该函数运算指令对应的多个特定区间，根据有效数据具体落入的特定区间，确定对应的拟合参数。在本发明实施例的一些可选实现方式中，在针对特定函数预设拟合参数后，将拟合参数直接写入运算该特定函数的专用拟合电路中。在另一个可选实现方式中，该专用拟合电路与上述特定区间相对应。
步骤S203:根据有效数据和拟合参数进行拟合运算，得到近似拟合结果。在本发明实施例的一些可选实现方式中，上述拟合运算可以是多项式拟合运算，拟合参数是多项式中各项的系数，将有效数据作为多项式的自变量，结合拟合参数即多项式各项的系数进行多项式拟合运算。在另一个实施例中，拟合参数的数量为预设为3，相应的，执行拟合运算的多项式的项数即被确定为3项，也即是运算多项式函数y＝ax2+bx+c,其中，系数a，b，c即为拟合参数，选择上述有效数据作为函数自变量x,进行拟合运算得到近似拟合结果y。在另一个实施例中，拟合参数的数量预设为4，对应的多项式函数即为y＝ax3+bx2+cx+d,其中，系数a,b,c,d为拟合参数，选择上述有效数据作为函数自变量x进行多项式拟合运算，得到近似拟合结果y。在另一个实施例中，拟合参数的数量为预设为2，相应的，执行拟合运算的多项式的项数即被确定为2项，也即是运算多项式函数y＝ax+b。在另一个实施例中，执行拟合运算的多项式为可以被预设为n次多项式，其中，n为多项式中自变量的最高次方，相应的拟合参数的数量可以被预设为n+1项，即y＝an+1xn+anxn-1+…+a2x1+a1x0，其中，n的取值范围为[2，9]。
步骤S204:根据函数运算指令选择对应的后处理规则，对补偿信息和近似拟合结果进行后处理运算，得到与输入数据相对应的最终结果；该后处理规则是根据每个特定函数自身的具体函数特性设定的，一个特定函数对应一种后处理规则，每个特定函数对应的后处理规则不尽相同。上述后处理规则是根据函数运算指令选择出的。在本实施例的一些可选的实现方式中，近似拟合结果和后处理得到的最终结果可以是浮点数，补偿信息是自定义标准阶码与数据数据阶码的差值，是一个二进制数。在另一个可选实现方式中，针对特定函数预设的后处理规则为：在近似拟合结果的阶码部分加上补偿信息的值，得到的新浮点数值即为特定函数/>对应的最终结果。在另一个可选实现方式中，针对特定函数log2x预设的后处理规则为：将近似拟合结果与补偿信息进行浮点数加法运算，得到的新浮点数值即为特定函数log2x对应的最终结果。在另一个可选实现方式中，针对特定函数/>预设的后处理规则为：将补偿信息的值除以2，再向下取整，得到第一新值，将近似拟合结果的阶码部分加上该第一新值，得到第二新值，该第二新值即为特定函数/>对应的最终结果。
对于在神经网络深度学习场景中频繁进行拟合运算的函数或者激活函数，通过本发明提供数据处理方法，可以直接根据预设的指令集解码调用相关函数运算指令来执行针对相关函数的拟合运算。不需要占用过多的寄存器来存储基本四则运算中产生的中间结果，从编译器的角度来看，减少了编译器对特殊函数的拆分工作，以及相关寄存器的调度频率。从硬件的角度来看，本发明提供的预设拟合参数直接写入到用于拟合特定函数的专用拟合电路中，摒弃了对函数中的常系数的提取操作，不仅减少了对相关运算相关指令的提取操作次数，同时还极大地减少了对寄存器资源的占用，这将使得相关运算设备运算性能得到大幅度提高。此外，本发明提供的数据处理方法不再对函数的整个定义域预设拟合参数，而仅是针对定义域上的某几个特定区间预设拟合参数，特定区间被划分为更小的区间，这使得在这些更小的区间内进行拟合运算获得的结果精度更为准确。只在某几个特定区间进行拟合并未对本发明的输入数据造成限制，对于落入特定区间外的输入数据，本发明提供的数据处理方法对其进行前处理实现数据移位，得到落入特定区间的有效数据，根据有效数据进行拟合得到近似拟合结果后，再通过补偿信息对近似拟合结果进行后处理移位补偿，得到最终结果。此举使得本发明提供的数据处理方法在仅预设某几个特定区间的拟合参数的前提下，仍然能实现整个函数定义域的拟合运算，即扩大了输入数据的选择空间，又极大地节约了相关运算电路的存储资源，还大幅度提高了硬件运算装置执行函数拟合运算的速度。所属领域的技术人员应当意识到，在本发明的启示，使用其他类似或相近的方法或步骤以达到上述效果，且未有突出的实质性内容和显著的进步的，应当理解为与本公开提供的数据处理方法等同。
本发明实施例提供了一种数据处理装置，请参见图4，是本发明实施例提供的数据处理装置400结构示意图。如图4所示，数据处理装400包括前处理模块401，判断模块402，运算模块403，后处理模块404，其中：
前处理模块401用于对接收到的输入数据进行前处理，得到有效数据和补偿信息。
在本实施例一个可选的实施方式中，请参见图5，是本发明实施例提供的前处理模块401结构示意图。其中，前处理模块401包括选择单元501，提取单元502，第一生成单元503，第二生成单元504。选择单元501连接外部指令传输设备，用于接收外部传入的函数运算指令，并根据该函数运算指令选择相对应的判断模块，同时生成相应的激活信号，将其发送至判断模块402，用于激活该判断模块402中相应的判断单元。提取单元502连接外部之指令传输设备，用于接收输入数据，并提取输入数据中的数符、阶码以及尾数，得到第一数符、第一阶码以及第一尾数。第一生成单元503连接提取单元502，用于将第一数符和第一尾数以及自定义标准阶码重构得到一个新的浮点数值，该新的浮点数值即为有效数据。上述自定义标准阶码的值可根据具体函数特性设置。第二生成单元504连接提取单元502，用于计算上述自定义的标准阶码与第一阶码的差值，该差值即为上述补偿信息。
判断模块402连接前处理模块401，判断模块402中包括多个判断单元，每个判读单元中包括多个特定区间，每个特定区间对应一组拟合参数；判断模块402用于根据有效数据和特定区间确定对应的拟合参数；该拟合参数嵌入该判断模块内的电路中。
在本实施例的一个可选的实现方式中，请参见图6，是本发明实施例提供的判断模块402结构示意图，其中，判断模块402包括多个判断单元，判断单元连接前处理模块401中的选择单元501和第一生成单元503，用于接收选择单元501发送的激活信号和第一生成单元503发送的有效数据，每个判断单元上包括根据不同特定函数预设的特定区间，以及与每个特定区间对应的拟合参数。该拟合参数嵌入每个判断单元中。判断模块402接收接收激活信号和有效数据，根据激活信号选择对应的判断单元，并激活该判断单元，判断单元接收有效数据，并根据有效数据对应的特定区间，确定对应的拟合参数，之后将有效数据和拟合参数输出。
运算模块403连接判断模块402，用于接收上述有效数据和拟合参数，根据该拟合参数构建多项式拟合函数，并根据接收到的有效数据和多项式拟合函数进行拟合运算，得到近似拟合结果。
后处理模块404连接运算模块403和前处理模块401，用于接收函数运算指令和前处理模块401发送的补偿信息，以及接收运算模块403发送的近似拟合结果，并根据该补偿对该近似拟合结果进行后处理运算，得到最终结果。
在本实施例的一个可选实现方式中，请参见图7，是本发明实施例提供的后处理模块404结构示意图，其中，后处理模块404包括选择单元701以及多个后处理单元。选择单元701连接前处理模块401中的第二生成单元504，用于接受上述函数运算指令和补偿信息，选择单元701还连接运算模块403，用于接收近似拟合结果。后处理单元连接选择单元701。选择单元701根据该函数运算指令选择特定函数对应的后处理单元，确定后处理单元后将补偿信息和近似拟合结果发送至该后处理单元。每个后处理单元执行的后处理操作不尽相同。在其中一个实施例中，后处理单元7021执行的后处理操作为：将拟合结果的阶码加上补偿信息的值。在其中一个实施例中，后处理单元7022执行的后处理操作为：将近似拟合结果和补偿信息进行浮点数加法运算。在其中一个实施例中，后处理单元7023(图中未示出)执行的后处理操作为：将补偿信息的值除以2，再向下取整，得到第一新值，将近似拟合结果的阶码部分加上该第一新值。
对于在神经网络深度学习场景中需要频繁进行拟合运算的函数或者激活函数，通过本发明提供数据处理装置，可以直接根据预设的指令集解码调用相关函数运算指令来执行针对相关函数的拟合运算。不需要占用过多的寄存器来存储基本四则运算中产生的中间结果，从编译器的角度来看，减少了编译器对特殊函数的拆分工作，以及相关寄存器的调度频率。从硬件的角度来看，本发明提供的预设拟合参数直接写入到用于拟合特定函数的专用拟合电路中，除了减少对函数中的常系数的提取操作，还减少了对相关运算相关指令的提取操作次数，同时还极大地减少了对寄存器资源的占用，这将使得相关运算设备运算性能得到大幅度提高。此外，本发明提供的数据处理装置不再对函数的整个定义域预设拟合参数，而仅是针对定义域上的某几个特定区间预设拟合参数，特定区间被划分为更小的区间，这使得在这些更小的区间内进行拟合运算获得的结果精度更为准确。只在某几个特定区间进行拟合并未对本发明的输入数据造成限制，对于落入特定区间外的输入数据，本发明提供的数据处理装置对其进行前处理实现数据移位，得到落入特定区间的有效数据，根据有效数据进行拟合得到近似拟合结果后，再通过补偿信息对近似拟合结果进行后处理移位补偿，得到最终结果。此举使得本发明提供的数据处理装置在仅预设某几个特定区间的拟合参数的前提下，仍然能实现整个函数定义域的拟合运算，即扩大了输入数据的选择空间，又极大地节约了相关运算电路的存储资源，还大幅度提高了硬件运算装置执行函数拟合运算的速度。
所属领域的技术人员应当意识到，对本装置及其内部结构中模块进行简单替换或者其他不具备创造性的改变，可理解地，应视为与本装置等同。
为了帮助更好地理解本发明，下面示出一个针对特定函数的具体处理过程。上述处理过程选择性地用到前述图3-图7提及的装置。可理解地，此处仅为能够清楚说明方案而选取此函数，其具体实施并不限于此函数。预设输入数据为8.0，浮点数表示为1.0*23。请参见图8，是相关特定区间对应的拟合参数信息示意图。具体处理过程如下：
获取针对该特定函数的函数运算指令和输入数据。该获取过程：包括控制模块101生成相关的控制指令，根据该控制指令从存储模块102中取指，然后通过解码模块103进行解码，解码过程会涉及到根据该特定函数预设的指令集。解码完成后即得到针对特定函数的函数运算指令和输入数据8.0。显然，输入数据并没有落入图8中给定的任意一个特定区间内，故需要对输入数据进行前处理。前处理可获得相应的有效数据和补偿信息。有效数据落入特定区间，可根据该有效数据进行拟合运算，得到近似拟合结果。补偿信息用于校正上述拟合结果，得到与输入数据相对应的最终结果。值的注意的是，图8中示出的特定区间仅仅是用于说明本实施例，在本发明的实际生产或应用中上述特定区间可在负无穷至正无穷内根据实际需求选取。
获得有效数据的具体过程如下：提取单元502对对输入数据作出相应提取操作，即提取浮点数8.0(1.0*23)的数符、阶码以及尾数，第一生成单元503将该数符和该尾数与自定义标准阶码重新构成一个新的浮点数，该自定义标准阶码预设为浮点数127，故该重新构成的新浮点数为1.0(1.0*20)，该新的浮点数也就是所需的有效数据,显然，有效数据落入特定区间[1.0，1.2)。第一生成单元503将该有效数据发送至判断模块。该特定区间内的有效数据相当于是特定区间外的输入数据移位得到。
获得补偿信息的过程如下：提取单元502提取浮点数1.0*23的阶码并发送至第二生成单元504，该阶码为130，(浮点数的阶码(指数位)等于真值+127，即3+127)。第二生成单元504执行整数减法，将自定义标准阶码减去该阶码，即127-130，得到的差值-3即为所需的补偿信息，第二生成单元将补偿信息发送至后处理模块404。上述-3、127、130均为浮点数。
此外，在该阶段，函数运算指令还会选择用于执行特定函数拟合运算的执行单元，也即是图6中的具体由于该函数的判断单元。在本实施例的一些可实现方式中，预设图6中的判断单元1为特定函数/>的专用判断单元，也可称之为专用判断电路，该专用判断电路是前述专用拟合电路的组成部分。该判断单元接收有效数据，并根据该有效数据落入的特定区间确定对应的拟合参数。如图8所示，该有效数据1.0对应的特点区间为[1.0，1.2]，相应的拟合参数为a＝1,b＝2,c＝1。特别的，图8所示的三个特定区间对应的三组拟合参数均固定嵌入判断单元1中。
确定了有效数据对应的拟合参数后，将拟合参数和有效数据流入运算模块403，运算模块403将该有效数据和拟合参数拟合成形如y＝x2+2x+1的多项式函数，并运算出近似拟合结果1.0*22。得到近似拟合结果后将近似拟合结果发送至后处理模块404，后处理模块404中的选择单元701会接收近似拟合结果、补偿信息以及函数运算指令，并根据函数运算指令，选择预设有特定函数的后处理规则的后处理单元7021，发送近似拟合结果和补偿信息至后处理单元7021执行后处理运算，后处理单元7021根据预设的后处理规则在近似拟合结果的阶码部分加上补偿信息的值，得到与输入数据相对应的最终结果1.0*2-1。在神经网络运算装置中，该最终结果可以直接作为其他运算单元的输入，也可以存入相应的寄存器中。
前述前处理过程可视为对输入数据的移位过程，将位于特定区间外的输入数据进行前处理移位，得到位于特定区间内的有效数据，根据该有效数据进行拟合运算可得到一个近似拟合结果。前述后处理过程可视为对近似拟合结果的移位过程，将近似拟合结果根据相应的补偿信息进行后处理运算，得到与输入数据相对应的最终结果。相当于将特定函数特定区间值域内的近似拟合结果进行移位，得到该值域外的最终结果。该最终结果即位特定区间外的输入数据对应的结果。
对于在神经网络深度学习场景中频繁进行拟合运算的函数或者激活函数，通过本发明提供数据处理方法或数据处理装置，可以直接根据预设的指令集解码调用相关函数运算指令来执行针对相关函数的拟合运算。不需要占用过多的寄存器来存储基本四则运算中产生的中间结果，从编译器的角度来看，减少了编译器对特殊函数的拆分工作，以及相关寄存器的调度频率。从硬件的角度来看，本发明提供的预设拟合参数直接写入到用于拟合特定函数的专用拟合电路中，不仅减少了对函数中的常系数的提取操作，还减少了对相关运算相关指令的提取操作次数，同时也极大地减少了对寄存器资源的占用，这将使得相关运算设备运算性能得到大幅度提高。此外，本发明提供的数据处理方法或数据处理装置不再对函数的整个定义域预设拟合参数，而仅是针对定义域上的某几个特定区间预设拟合参数，特定区间被划分为更小的区间，这使得在这些更小的区间内进行拟合运算获得的结果精度更为准确。只在某几个特定区间进行拟合并未对本发明的输入数据造成限制，对于落入特定区间外的输入数据，本发明提供的数据处理方法或数据处理装置对其进行前处理实现数据移位，得到落入特定区间的有效数据，根据有效数据进行拟合得到近似拟合结果后，再通过补偿信息对近似拟合结果进行后处理移位补偿，得到最终结果。此举使得本发明提供的数据处理方法或数据处理装置在仅预设某几个特定区间的拟合参数的前提下，仍然能实现整个函数定义域的拟合运算，即扩大了输入数据的选择空间，又极大地节约了相关运算电路的存储资源。
请参见图9，是本发明实施例提供的一种数据处理设备的结构示意图。如图9所示的处理设备900包括一个或多个处理器901、通信接口902和存储器903，处理器901、通信接口902和存储器903可通过总线方式连接，也可通过无线传输等其他手段实现通信。本发明实施例以通过总线904连接为例。其中，该存储器903用于存储指令，该处理器901包括上述实施中揭示的数据处理设备，用于执行该存储器903存储的指令。该存储器903存储程序代码，且处理器901可以调用存储器903中存储的程序代码实现前述数据处理设备400的相关功能，具体可参见前述实施例中的相关阐述，这里不再赘述。
应当理解，在本发明实施例中，所称处理器901可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
通信接口902可以为有线接口(例如以太网接口)或无线接口(例如蜂窝网络接口或使用无线局域网接口)，用于与其他模块或装置设备进行通信。例如，本申请实施例中通信接口1002具体可用于接收用户输入的输入数据；或者接收外部设备的数据等。
存储器903可以包括易失性存储器(Volatile Memory)，例如随机存取存储器(Random Access Memory，RAM)；存储器也可以包括非易失性存储器(Non-VolatileMemory)，例如只读存储器(Read-Only Memory，ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；存储器还可以包括上述种类的存储器的组合。存储器可用于存储一组程序代码，以便于处理器调用存储器中存储的程序代码以实现前述处理设备400的相关功能。
需要说明的，图9仅仅是本发明实施例的一种可能的实现方式，实际应用中，处理设备还可以包括更多或更少的部件，这里不作限制。关于本发明实施例中未示出或未描述的内容，可参见前述方法实施例中的相关阐述，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在处理器上运行时，前述数据处理方法得以实现。所述计算机可读存储介质可以是前述任一实施例所述的客户端的内部存储单元，例如客户端的硬盘或内存。所述计算机可读存储介质也可以是所述客户端的外部存储设备，例如所述客户端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括处理设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述客户端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置及处理器，可以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。另外，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，也可以是电的，机械的或其它的形式连接。
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发明实施例方案的目的。
另外，在本发明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，也可以是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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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介质中。基于这样的理解，本发明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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的部分较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本本技术领域的技术人员在本发明揭露的技术范围内，在不付出创造性劳动的前提下，轻易得到的各种的等效的修改或替换，这些修改或替换都应该涵盖在本发明的包括范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种数据处理方法，提供根据特定函数预设的多个特定区间，每个所述特定区间对应一组拟合参数，其特征在于，所述拟合参数用于预先嵌入所述特定区间对应的专用拟合电路中，所述方法包括：
获取所述特定函数对应的函数运算指令和输入数据；
对所述输入数据进行前处理，得到有效数据和补偿信息；所述有效数据落入所述特定区间内；
获取所述有效数据落入的所述特定区间对应的所述拟合参数；
根据所述有效数据和所述拟合参数进行拟合运算，得到近似拟合结果；
对所述近似拟合结果进行后处理：根据所述函数运算指令选择与所述特定函数对应的后处理规则，根据所述后处理规则对所述补偿信息和所述近似拟合结果进行后处理运算，得到与所述输入数据相对应的最终结果。
2.根据权利要求1所述的数据处理方法，其特征在于，所述输入数据包括浮点数，所述输入数据包括数符、阶码以及尾数；提供一个自定义标准阶码；所述前处理包括：
从所述输入数据中提取出所述数符和所述尾数，将所述数符和所述尾数与所述自定义标准阶码进行重构，得到所述有效数据；
从所述输入数据中提取出第一阶码，计算所述自定义标准阶码与所述第一阶码的差值，所述补偿信息包括所述差值。
3.根据权利要求1所述的数据处理方法，其特征在于，所述拟合参数预先嵌入所述特定区间对应的专用拟合电路中。
4.根据权利要求1所述的数据处理方法，其特征在于，所述拟合运算通过拟合多项式实现，所述拟合参数包括所述多项式各项的系数；所述一组拟合参数包括2至9项拟合参数。
5.根据权利要求1所述的数据处理方法，其特征在于，所述获取所述特定函数的函数运算指令和输入数据包括：
获取控制指令；
根据所述控制指令和指令集进行译码，得到机器指令和所述输入数据；所述指令集是根据多个不同特定函数预先设定的；
将所述机器指令作为所述特定函数对应的函数运算指令。
6.一种数据处理装置，包括运算模块以及判断模块，所述判断模块包括根据特定函数预设的多个特定区间，每个所述特定区间对应一组拟合参数，其特征在于，所述拟合参数嵌入与所述特定区间对应的判断模块内，所述拟合参数嵌入所述判断模块内的电路中；所述装置还包括前处理模块和后处理模块，其中：
所述前处理模块用于接收所述特定函数对应的函数运算指令和输入数据，生成并输出有效数据和补偿信息；
所述判断模块连接所述前处理模块，所述判断模块用于确定所述拟合参数；
所述运算模块连接所述判断模块，所述运算模块进行拟合运算并输出近似拟合结果；
所述后处理模块连接所述前处理模块和所述运算模块，用于选择所述特定函数对应的后处理规则，对所述补偿信息和所述近似拟合结果进行后处理运算，得到与所述输入数据相对应的最终结果。
7.根据权利要求6所述的数据处理装置，其特征在于，所述输入数据为浮点数，提供自定义标准阶码，所述前处理模块包括：
选择单元，用于根据所述函数运算指令选择相对应的判断模块；
提取单元，用于提取所述输入数据中的数符、阶码以及尾数，得到第一数符、第一阶码以及第一尾数；
第一生成单元，用于将所述第一数符、所述第一尾数以及所述自定义标准阶码进行重构，得到所述有效数据；
第二生成单元，用于计算所述自定义阶码和所述第一阶码的差值，得到所述补偿信息。
8.根据权利要求6或7所述的数据处理装置，其特征在于，所述后处理模块包括：
选择单元，用于根据所述函数运算指令选择相对应的后处理单元；
后处理单元，用于将所述补偿信息和所述近似拟合结果进行后处理运算，得到与所述输入数据对应的最终结果。
9.一种数据处理设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述数据处理方法的步骤。
10.一种计算机可读存储介质，计算机可读所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的数据处理方法的步骤。
CN201910915069.XA 2019-09-26 2019-09-26 数据处理方法、装置、设备及计算机可读存储介质 Active CN110647718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910915069.XA CN110647718B (zh) 2019-09-26 2019-09-26 数据处理方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910915069.XA CN110647718B (zh) 2019-09-26 2019-09-26 数据处理方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110647718A CN110647718A (zh) 2020-01-03
CN110647718B true CN110647718B (zh) 2023-07-25

Family

ID=68992644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910915069.XA Active CN110647718B (zh) 2019-09-26 2019-09-26 数据处理方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110647718B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724386B (zh) * 2020-07-30 2022-10-21 杭州永川科技有限公司 多频成像的数据前处理方法及系统、多频成像系统
CN111998235B (zh) * 2020-08-12 2022-08-30 深圳市祥为测控技术有限公司 用于泄漏定位的温度补偿方法、装置及计算机存储介质
CN113569196A (zh) * 2021-07-15 2021-10-29 苏州仰思坪半导体有限公司 数据处理方法、装置、介质和设备
CN114692060A (zh) * 2022-03-04 2022-07-01 支付宝(杭州)信息技术有限公司 数据处理方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105893159A (zh) * 2016-06-21 2016-08-24 北京百度网讯科技有限公司 数据处理方法和装置
CN107247992A (zh) * 2014-12-30 2017-10-13 合肥工业大学 一种基于列梅兹逼近算法的sigmoid函数拟合硬件电路
CN109919318A (zh) * 2018-12-14 2019-06-21 阿里巴巴集团控股有限公司 数据处理方法、装置和设备
CN110084361A (zh) * 2017-10-30 2019-08-02 上海寒武纪信息科技有限公司 一种运算装置和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10019411B2 (en) * 2014-02-19 2018-07-10 Sas Institute Inc. Techniques for compressing a large distributed empirical sample of a compound probability distribution into an approximate parametric distribution with scalable parallel processing

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247992A (zh) * 2014-12-30 2017-10-13 合肥工业大学 一种基于列梅兹逼近算法的sigmoid函数拟合硬件电路
CN105893159A (zh) * 2016-06-21 2016-08-24 北京百度网讯科技有限公司 数据处理方法和装置
CN110084361A (zh) * 2017-10-30 2019-08-02 上海寒武纪信息科技有限公司 一种运算装置和方法
CN109919318A (zh) * 2018-12-14 2019-06-21 阿里巴巴集团控股有限公司 数据处理方法、装置和设备

Also Published As

Publication number Publication date
CN110647718A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN110647718B (zh) 数据处理方法、装置、设备及计算机可读存储介质
US20220399904A1 (en) Recurrent neural networks and systems for decoding encoded data
CN108009126B (zh) 一种计算方法及相关产品
CN110929865B (zh) 网络量化方法、业务处理方法及相关产品
CN103959192A (zh) 用于估算超越函数的数学电路
RU2698764C2 (ru) Электронное вычислительное устройство для выполнения замаскированных арифметических действий
CN108108190B (zh) 一种计算方法及相关产品
CN106708468B (zh) 一种除法运算装置
WO2013109532A1 (en) Algebraic processor
CN107943756B (zh) 一种计算方法及相关产品
CN114722091A (zh) 数据处理方法、装置、存储介质以及处理器
CN110363291B (zh) 神经网络的运算方法、装置、计算机设备和存储介质
CN108108189B (zh) 一种计算方法及相关产品
CN108090028B (zh) 一种计算方法及相关产品
CN103401650A (zh) 一种(n,1,m)有误码卷积码的盲识别方法
CN111104092A (zh) 一种快速除法器和除法运算方法
CN108062289B (zh) 快速傅里叶变换fft地址换序方法、信号处理方法及装置
US11755408B2 (en) Systems for estimating bit error rate (BER) of encoded data using neural networks
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
CN113902928A (zh) 图像特征的提取方法、装置及电子设备
CN109857991B (zh) 数据存储方法、装置及电子设备
CN106502627A (zh) 一种伪随机数种子生成方法
CN115659380B (zh) 一种密文数据拟合计算方法、装置及电子设备
CN111836051A (zh) 一种桌面图像编码、解码方法及相关装置
CN113361819B (zh) 一种线性预测方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20210208

Address after: 311201 No. 602-11, complex building, 1099 Qingxi 2nd Road, Hezhuang street, Qiantang New District, Hangzhou City, Zhejiang Province

Applicant after: Zhonghao Xinying (Hangzhou) Technology Co.,Ltd.

Address before: 518057 5-15, block B, building 10, science and technology ecological park, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Xinying Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant