CN111527501B - 芯片适配确定方法及相关产品 - Google Patents

芯片适配确定方法及相关产品 Download PDF

Info

Publication number
CN111527501B
CN111527501B CN201880083334.6A CN201880083334A CN111527501B CN 111527501 B CN111527501 B CN 111527501B CN 201880083334 A CN201880083334 A CN 201880083334A CN 111527501 B CN111527501 B CN 111527501B
Authority
CN
China
Prior art keywords
deep learning
chip
learning model
data
user
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
CN201880083334.6A
Other languages
English (en)
Other versions
CN111527501A (zh
Inventor
熊超
牛昕宇
蔡权雄
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 CN111527501A publication Critical patent/CN111527501A/zh
Application granted granted Critical
Publication of CN111527501B publication Critical patent/CN111527501B/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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)
  • Stored Programmes (AREA)

Abstract

一种芯片适配方法及相关产品，所述方法包括如下步骤：以图像化显示深度学习开发平台，提示用户上传需要训练的数据集，接收用户对该数据集的标注，将标注后的数据集转换成设定格式的数据；确定用户选择的深度学习模型结构以及训练参数；将设定格式的数据输入深度学习模型结构实现对深度学习模型的训练，得到训练后的深度学习模型；对该训练后的深度学习模型解析得到数据流图，依据该数据流图确定芯片的配置文件，依据该数据流图以及配置文件进行硬件编译加速得到芯片的硬件配置文件；将训练后的深度学习模型输入芯片，依据该芯片的硬件配置文件对该芯片执行硬件配置得到适配后的芯片。所述方法具有开发门槛低、算法运算效率高、成本低的优点。

Description

芯片适配确定方法及相关产品
技术领域
本申请涉及计算机以及人工智能技术领域，具体涉及一种芯片适配方法及相关产品。
背景技术
随着深度学习领域的一系列进展，越来越多的领域开始利用基于深度学习的人工智能算法解决实际问题，并取得了很好的效果。当前绝大多数深度学习算法有三种应用场景：基于GPU的服务器应用、基于ARM的前端应用和基于定制化芯片的前端应用。
现有的用户依据不同的需求可能需要对深度学习的构架进行不同的配置，所以芯片成为了大家的首选，但由于大部分的厂家对芯片的技术有限，无法对芯片进行深度学习算法的适配，即使能够适配也需要非常专业的人员，所以现有的芯片的深度学习适配的成本高。
申请内容
本申请实施例提供了一种芯片适配方法及相关产品，其通过软件构架平台对芯片的深度学习算法进行适配，通过图像界面形象的显示适配的情况，降低对深度学习算法适配的专业要求，降低成本。
第一方面，本申请实施例提供一种芯片适配方法，所述方法包括如下步骤：
以图像化显示深度学习开发平台，提示用户上传需要训练的数据集，并提示用户对该数据集进行标注；
接收用户输入的该数据集，接收用户对该数据集的标注得到标注后的数据集，将标注后的数据集转换成设定格式的数据；
确定用户选择的深度学习模型结构以及训练参数；
将设定格式的数据输入深度学习模型结构实现对深度学习模型的训练，得到训练后的深度学习模型；
对该训练后的深度学习模型解析得到数据流图，依据该数据流图确定芯片的编译参数文件，依据该数据流图以及编译参数文件进行硬件编译得到针对目标芯片优化加速后的配置文件；
将训练后的深度学习模型输入芯片，依据该芯片的硬件配置文件对该芯片执行硬件配置得到适配后的芯片，启动运行时文件完成深度学习模型在芯片上的固化和部署。
可选的，所述模型结构包括：n层、n层对应的参数以及n层之间的连接关系，所述训练参数包括：优化算法、训练参数、损失函数，上述n为大于等于2的整数。
可选的，所述方法还包括：
获取测试数据，将测试数据输入到适配后的芯片进行运算得到运算结果，将该运算结果进行显示。
可选的，所述方法得到训练后的深度学习模型之后还包括：
对训练后的深度学习模型做存储和结构上的优化得到优化后的深度学习模型。
第二方面，提供一种开发装置，所述开发装置包括：
数据准备单元，用于以图像化显示深度学习开发平台，提示用户上传需要训练的数据集，并提示用户对该数据集进行标注；接收用户输入的该数据集，接收用户对该数据集的标注得到标注后的数据集，将标注后的数据集转换成设定格式的数据；
算法开发单元，用于确定用户选择的深度学习模型结构以及训练参数；将设定格式的数据输入深度学习模型结构实现对深度学习模型的训练，得到训练后的深度学习模型；
硬件优化单元，对该训练后的深度学习模型解析得到数据流图，依据该数据流图确定芯片的编译参数文件，依据该数据流图以及编译参数文件进行硬件编译得到针对目标芯片优化加速后的配置文件；
适配单元，用于将训练后的深度学习模型输入芯片，依据该芯片的硬件配置文件对该芯片执行硬件配置得到适配后的芯片，启动运行时文件完成深度学习模型在芯片上的固化和部署。
可选的，所述模型结构包括：n层、n层对应的参数以及n层之间的连接关系，所述训练参数包括：优化算法、训练参数、损失函数，上述n为大于等于2的整数。
可选的，所述适配单元，还用于获取测试数据，将测试数据输入到适配后的芯片进行运算得到运算结果，将该运算结果进行显示。
可选的，所述算法开发单元，还用于对训练后的深度学习模型做存储和结构上的优化得到优化后的深度学习模型。
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如第一方面提供的方法。
第四方面，提供一种计算机设备，所述计算机设备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一方面提供的方法。
实施本申请实施例，具有如下有益效果：
可以看出，本申请提供了全图形化、自动化的芯片算法开发功能。极大的降低了用户开发芯片级深度学习算法的难度，提升了开发效率。另外，针对于算法开发人员，本申请提供算法到芯片的快速化部署测试，便于已有服务器算法向前端节点的移植。
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是一种平台系统的结构示意图。
图1a是数据准备流程示意图。
图1b是算法开发的流程示意图。
图1c是数据流图优化的流程图。
图1d是芯片端部署测试的流程图。
图2是一种深度学习算法的构架确定方法的流程示意图。
图3是本申请提供的一种开发平台的结构图。
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“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。
服务器端的算法应用要求物联网前端节点采集到数据，并全部回传到服务器进行处理，服务器再将结果返回。随着物联网技术的普及，物联网的节点数量和采集到的数据呈爆炸性增长。如此大的数据量一方面大大增加了服务器端的负荷，导致处理响应速度慢，另一方面需要占用大量的网络带宽进行传输，已有的算法处理架构已经不能适应物联网的需求。
为了解决这一问题，人们希望把计算能力前移到物联网前端节点。具体来说，就是通过植入智能芯片赋予物联网节点处理数据的能力，从而降低对带宽和服务器的依赖。现有的物联网前端应用主要依靠于ARM，但由于ARM芯片采用指令集的架构，资源利用率低，不能支持复杂深度算法的实时处理。定制化芯片引入了定制计算的概念，利用数据流图(Streaming Graph)对于特定算法进行优化，从而提高资源利用率，即提高芯片有效性能。定制化芯片的高性能和低功耗很好的契合了深度学习算法的要求，因此依托于定制化芯片的深度学习算法更加适合当前的物联网场景。
针对于定制化芯片算法开发存在三大难点：第一、很多传统领域的企业不具备算法开发的能力；第二、定制化芯片对于算法的适配和优化需要很强的硬件专业知识；第三、定制化芯片对于每一种应用需要做专门优化，灵活性较差。这三方面原因导致基于定制化芯片的算法应用开发开发周期长，难度大，不宜落地。
本申请提出一种图形化的深度学习算法开发框架，使得用户无需任何算法和定制化芯片专业知识就可以方便快捷的开发可以应用在前端的AI算法。此外，该框架引入了编译器功能，对于不同的深度学习算法，自动的提取算法种的数据流图，并映射到定制化芯片的配置中，实现对于芯片架构的自动适配和优化，从而解决了灵活性差的问题。
参阅图1，图1为一种系统组成的结构示意图，如图1所示，该系统可以包括4个部分。具体包括：数据准备、算法开发、数据流图优化、芯片端部署测试。
参阅图1a，图1a为数据准备流程。具体可以包括：
S1-1用户上传需要训练的数据集，数据集可以是图像、视频、文本、语音，S1-2用户对于上传数据进行标注。
S1-3全部数据标注完成后，平台自动将数据和对应标注转化为算法可以读取的结构文件，一个格式转换成另外一个格式。
参阅图1b，图1b为算法开发的流程。具体可以包括：
分为两个步骤—模型定义和模型训练。
S2-1定义深度学习网络的模型结构，包括每一层的具体参数(隐形节点数量，卷积核大小等)和层与层之间的连接关系
S2-2定义算法训练参数，包括优化算法及训练参数、损失函数等。
S2-3模型训练在服务器端执行，完成深度学习网络所有参数的学习和优化。
S2-4对训练得到的模型做存储和结构上的优化，以减小模型硬盘内存占用，提高模型计算效率。
参阅图1c，图1c为数据流图优化的流程，具体可以包括：
该步骤主要完成服务端训练模型到定制化芯片的编译。
S3-1解析得到的深度学习网络模型，并转化为数据流图
S3-2数据流图针对于目标芯片架构进行优化，生成配置文件
S3-3根据配置文件，依靠指令流进行硬件编译，并生成运行时文件。
参阅图1d，图1d为芯片端部署测试的流程，具体可以包括：
S4-1配置芯片，进行资源调度分配，启动运行时文件
S4-2用户上传测试数据，平台将测试数据传输给芯片
S4-3芯片运行测试，并返回结果
S4-4平台显示结果
本申请提供了全图形化、自动化的芯片算法开发功能。极大的降低了用户开发芯片级深度学习算法的难度，提升了开发效率。另外，针对于算法开发人员，本申请提供算法到芯片的快速化部署测试，便于已有服务器算法向前端节点的移植。
参阅图2，图2提供了一种芯片的适配方法，该方法可以由终端执行，该终端具体可以为，计算机、服务器、云平台等等具有计算能力的设备以及平台。
参阅图2，该方法包括如下步骤：
步骤S201、以图像化显示深度学习开发平台，提示用户上传需要训练的数据集，并提示用户对该数据集进行标注。
上述数据集包括但不限于：图像、视频、文本、语音中的一种。当然在实际应用中，该数据集还可以包括其他形式的数据集。本申请并不限制上述数据集的具体表现形式。
步骤S202、接收用户输入的该数据集，接收用户对该数据集的标注得到标注后的数据集，将标注后的数据集转换成设定格式的数据；
上述设定格式的数据可以为不同深度学习框架对训练数据规定的格式，具体的格式可以依据算法开发厂家来确定，这里不限定，例如二进制格式、txt格式等等。
步骤S203、确定用户选择的深度学习模型结构以及训练参数，该模型结构包括但不限于：n层、n层对应的参数以及n层之间的连接关系，该训练参数包括但不限于：优化算法、训练参数、损失函数等。上述n为大于等于2的整数。
步骤S204、将设定格式的数据输入深度学习模型结构实现对深度学习模型的训练，得到训练后的深度学习模型。
步骤S205、对该训练后的深度学习模型解析得到数据流图，依据该数据流图确定芯片的编译参数文件，依据该数据流图以及编译参数文件进行硬件编译得到针对目标芯片优化加速后的配置文件。
上述数据流图具体定义了芯片的运算结构图和控制逻辑，具体的，对于芯片包含大量计算单元时，可以为数据在芯片中如何存储和传输，以及各运算模块允许使用多少计算单元。
步骤S206、将训练后的深度学习模型输入芯片，依据该芯片的硬件配置文件对该芯片执行硬件配置得到适配后的芯片。
本申请提供了全图形化、自动化的芯片算法开发功能。极大的降低了用户开发芯片级深度学习算法的难度，提升了开发效率。另外，针对于算法开发人员，本申请提供算法到芯片的快速化部署测试，便于已有服务器算法向前端节点的移植。
可选的，上述方法在步骤S206之后还可以包括：
获取测试数据，将测试数据输入到适配后的芯片进行运算得到运算结果，将该运算结果进行显示。
该技术方案实现对适配后的芯片进行测试，能够对该适配后的芯片进行是否适配成功进行检测。上述运算结果具体可以为，图形的标注、物体在图像中的定位等等，当然还可以为其他的分类结果，例如人脸识别的确定等等。
参阅图3，图3提供了一种开发装置，所述开发装置包括：
数据准备单元301，用于以图像化显示深度学习开发平台，提示用户上传需要训练的数据集，并提示用户对该数据集进行标注；接收用户输入的该数据集，接收用户对该数据集的标注得到标注后的数据集，将标注后的数据集转换成设定格式的数据；
算法开发单元302，用于确定用户选择的深度学习模型结构以及训练参数；将设定格式的数据输入深度学习模型结构实现对深度学习模型的训练，得到训练后的深度学习模型；
硬件优化单元303，硬件优化单元，对该训练后的深度学习模型解析得到数据流图，依据该数据流图确定芯片的编译参数文件，依据该数据流图以及编译参数文件进行硬件编译得到针对目标芯片优化加速后的配置文件；；
适配单元304，用于将训练后的深度学习模型输入芯片，依据该芯片的硬件配置文件对该芯片执行硬件配置得到适配后的芯片，启动运行时文件完成深度学习模型在芯片上的固化和部署。
可选的，所述模型结构包括：n层、n层对应的参数以及n层之间的连接关系，所述训练参数包括：优化算法、训练参数、损失函数，上述n为大于等于2的整数。
可选的，所述适配单元，还用于获取测试数据，将测试数据输入到适配后的芯片进行运算得到运算结果，将该运算结果进行显示。
可选的，所述算法开发单元，还用于对训练后的深度学习模型做存储和结构上的优化得到优化后的深度学习模型。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种芯片的适配方法的部分或全部步骤。
本申请实施例还提供一种计算机设备，所述计算机设备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上述方法实施例中记载的任何一种芯片的适配方法的部分或全部步骤。
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
另外，在本申请各个实施例中的处理器、芯片可以集成在一个处理单元中，也可以是单独物理存在，也可以两个或两个以上硬件集成在一个单元中。计算机可读存储介质或计算机可读程序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)

1.一种芯片适配方法，其特征在于，所述方法包括如下步骤：
以图像化显示深度学习开发平台，提示用户上传需要训练的数据集，并提示用户对该数据集进行标注；
接收用户输入的该数据集，接收用户对该数据集的标注得到标注后的数据集，将标注后的数据集转换成设定格式的数据；
确定用户选择的深度学习模型结构以及训练参数；
将设定格式的数据输入深度学习模型结构实现对深度学习模型的训练，得到训练后的深度学习模型；
对该训练后的深度学习模型解析得到数据流图，依据该数据流图确定芯片的编译参数文件，依据该数据流图以及编译参数文件进行硬件编译得到针对目标芯片优化加速后的配置文件；
将训练后的深度学习模型输入芯片，依据该芯片的硬件配置文件对该芯片执行硬件配置得到适配后的芯片，启动运行时文件完成深度学习模型在芯片上的固化和部署。
2.根据权利要求1所述的方法，其特征在于，
所述模型结构包括：n层、n层对应的参数以及n层之间的连接关系，所述训练参数包括：优化算法、训练参数、损失函数，上述n为大于等于2的整数。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取测试数据，将测试数据输入到适配后的芯片进行运算得到运算结果，将该运算结果进行显示。
4.根据权利要求1所述的方法，其特征在于，所述方法得到训练后的深度学习模型之后还包括：
对训练后的深度学习模型做存储和结构上的优化得到优化后的深度学习模型。
5.一种开发装置，其特征在于，所述开发装置包括：
数据准备单元，用于以图像化显示深度学习开发平台，提示用户上传需要训练的数据集，并提示用户对该数据集进行标注；接收用户输入的该数据集，接收用户对该数据集的标注得到标注后的数据集，将标注后的数据集转换成设定格式的数据；
算法开发单元，用于确定用户选择的深度学习模型结构以及训练参数；将设定格式的数据输入深度学习模型结构实现对深度学习模型的训练，得到训练后的深度学习模型；
硬件优化单元，用于对该训练后的深度学习模型解析得到数据流图，依据该数据流图确定芯片的编译参数文件，依据该数据流图以及编译参数文件进行硬件编译得到针对目标芯片优化加速后的配置文件；
适配单元，用于将训练后的深度学习模型输入芯片，依据该芯片的硬件配置文件对该芯片执行硬件配置得到适配后的芯片，启动运行时文件完成深度学习模型在芯片上的固化和部署。
6.根据权利要求5所述的开发装置，其特征在于，
所述模型结构包括：n层、n层对应的参数以及n层之间的连接关系，所述训练参数包括：优化算法、训练参数、损失函数，上述n为大于等于2的整数。
7.根据权利要求5所述的开发装置，其特征在于，
所述适配单元，还用于获取测试数据，将测试数据输入到适配后的芯片进行运算得到运算结果，将该运算结果进行显示。
8.根据权利要求5所述的开发装置，其特征在于，
所述算法开发单元，还用于对训练后的深度学习模型做存储和结构上的优化得到优化后的深度学习模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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中任意一项所述的方法。
10.一种计算机设备，其特征在于，所述计算机设备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中任意一项所述的方法。
CN201880083334.6A 2018-08-28 2018-08-28 芯片适配确定方法及相关产品 Active CN111527501B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/102633 WO2020041960A1 (zh) 2018-08-28 2018-08-28 芯片适配确定方法及相关产品

Publications (2)

Publication Number Publication Date
CN111527501A CN111527501A (zh) 2020-08-11
CN111527501B true CN111527501B (zh) 2023-08-01

Family

ID=69642712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880083334.6A Active CN111527501B (zh) 2018-08-28 2018-08-28 芯片适配确定方法及相关产品

Country Status (2)

Country Link
CN (1) CN111527501B (zh)
WO (1) WO2020041960A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737134B (zh) * 2020-06-23 2023-09-26 湖南国科微电子股份有限公司 一种芯片测试方法、装置、电子设备以及存储介质
CN112130896B (zh) * 2020-08-17 2022-03-25 深圳云天励飞技术股份有限公司 神经网络模型迁移方法、装置、电子设备及存储介质
CN112947932A (zh) * 2021-02-24 2021-06-11 上海商汤智能科技有限公司 对编译过程中的向量化进行优化的方法、装置及电子设备
CN115081628B (zh) * 2022-08-15 2022-12-09 浙江大华技术股份有限公司 一种深度学习模型适配度的确定方法及装置
CN115437642B (zh) * 2022-11-07 2024-05-14 深圳鲲云信息科技有限公司 一种模型编译方法、装置、电子设备和存储介质
CN116757260B (zh) * 2023-08-14 2024-03-19 北京向量栈科技有限公司 一种大型预训练模型的训练方法和系统
CN117370809B (zh) * 2023-11-02 2024-04-12 快朵儿(广州)云科技有限公司 一种基于深度学习的人工智能模型构建方法、系统及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480725A (zh) * 2017-08-23 2017-12-15 京东方科技集团股份有限公司 基于深度学习的图像识别方法、装置和计算机设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015192239A1 (en) * 2014-06-20 2015-12-23 Miovision Technologies Incorporated Machine learning platform for performing large scale data analytics
US11055063B2 (en) * 2016-05-02 2021-07-06 Marvell Asia Pte, Ltd. Systems and methods for deep learning processor
CN105956660A (zh) * 2016-05-16 2016-09-21 浪潮集团有限公司 一种用于实时图像识别的神经元网络芯片实现方法
US11501130B2 (en) * 2016-09-09 2022-11-15 SK Hynix Inc. Neural network hardware accelerator architectures and operating method thereof
CN106650922B (zh) * 2016-09-29 2019-05-03 清华大学 硬件神经网络转换方法、计算装置、软硬件协作系统
CN107067365A (zh) * 2017-04-25 2017-08-18 中国石油大学(华东) 基于深度学习的分布嵌入式实时视频流处理系统及方法
CN108319456B (zh) * 2018-01-29 2021-03-09 徐磊 一种免编程深度学习应用的开发方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480725A (zh) * 2017-08-23 2017-12-15 京东方科技集团股份有限公司 基于深度学习的图像识别方法、装置和计算机设备

Also Published As

Publication number Publication date
WO2020041960A1 (zh) 2020-03-05
CN111527501A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN111527501B (zh) 芯片适配确定方法及相关产品
Li et al. Learning IoT in edge: Deep learning for the Internet of Things with edge computing
Chen et al. Label-less learning for traffic control in an edge network
TW201833903A (zh) 對話生成方法、裝置及儲存介質
US10922866B2 (en) Multi-dimensional puppet with photorealistic movement
CN105931638B (zh) 面向智能机器人的对话系统数据处理方法及装置
CN111754985B (zh) 一种语音识别模型的训练以及语音识别的方法和装置
EP3731161A1 (en) Model application method and system, and model management method and server
CN111914937A (zh) 一种轻量化改进目标检测方法及检测系统
US10360913B2 (en) Speech recognition method, device and system based on artificial intelligence
JP2022553252A (ja) 画像処理方法、画像処理装置、サーバ、及びコンピュータプログラム
CN104484058A (zh) 一种输出即时表情图像的方法及装置
CN106557165A (zh) 智能设备的动作模拟交互方法和装置及智能设备
CN117494812A (zh) 模型推理方法、装置、电子设备及存储介质
CN111783734B (zh) 原版视频识别方法及装置
US20200286012A1 (en) Model application method, management method, system and server
Zhang et al. A locally distributed mobile computing framework for dnn based android applications
CN114928587B (zh) 一种基于云边协同系统的AIoT设备复用建模化方法
CN110491372A (zh) 一种反馈信息生成方法、装置、存储介质和智能设备
Grassucci et al. Enhancing Semantic Communication with Deep Generative Models--An ICASSP Special Session Overview
EP4311202A1 (en) End-edge-cloud coordination system and method based on digital retina, and device
Guo et al. Application of neural network based on Caffe framework for object detection in Hilens
CN112580355A (zh) 一种新闻资讯话题检测及实时聚合方法
CN115601393B (zh) 轨迹生成方法、装置、设备和存储介质
Jiang et al. To offload selective search: improving performance of fast R-CNN based on a mobile cloud offloading framework

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