CN114548384A - 具有抽象资源约束的脉冲神经网络模型构建方法和装置 - Google Patents
具有抽象资源约束的脉冲神经网络模型构建方法和装置 Download PDFInfo
- Publication number
- CN114548384A CN114548384A CN202210456279.9A CN202210456279A CN114548384A CN 114548384 A CN114548384 A CN 114548384A CN 202210456279 A CN202210456279 A CN 202210456279A CN 114548384 A CN114548384 A CN 114548384A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- network model
- abstract resource
- constructing
- 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.)
- Pending
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000011161 development Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000001537 neural effect Effects 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 44
- 238000004088 simulation Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012421 spiking Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 12
- 238000010276 construction Methods 0.000 abstract description 9
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 230000000946 synaptic effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于神经网络领域，具体涉及一种具有抽象资源约束的脉冲神经网络模型构建方法和装置，该方法包括：步骤一：基于面向对象编程模型，构建脉冲神经网络模型，同时约束模型的抽象资源信息；步骤二：对构建完成的脉冲神经网络模型进行训练和检查，并根据检查结果进行调整，以得到满足抽象资源约束的模型；步骤三：标准化各个模型开发工具间的输入和输出，并根据标准化的模型开发工具，将所述满足抽象资源约束的模型转换生成在神经拟态计算平台上可运行的模型。本发明降低了各个工具之间的耦合和替换成本，提升了工具开发效率，模型构建过程中嵌入抽象资源约束信息，有效降低模型开发成本。
Description
技术领域
本发明属于神经网络领域，具体涉及一种具有抽象资源约束的脉冲神经网络模型构建方法和装置。
背景技术
目前的人工神经网络是第二代神经网络。它们通常是全连接的，接收连续的值，输出连续的值。尽管当代神经网络已经让我们在很多领域中实现了突破，但它们在生物学上是不精确的，其实并不能模仿生物大脑神经元的运作机制。随着神经科学和类脑计算的发展，构建同时具有高精度、低延迟和低功耗特性的类脑计算系统，成为近年来人工智能研究的重大热点和难点。被称为第三代神经网络的脉冲神经网络（Spiking Neural Network，SNN）是解决上述问题的有效途径之一。
脉冲神经网络开发过程需要经过网络构建、训练、模拟和编译，生成可执行模型文件，最终在神经拟态计算平台上进行运行。当前现有的脉冲神经网络开发框架，存在一些不足：
1、脉冲神经网络通过模拟大量神经元行为和突触连接，模拟生物大脑，对硬件资源需求较大，训练、编译后能否在资源有限的神经拟态计算平台顺利运行，在模型设计阶段无法预知。
2、脉冲神经网络开发过程中会使用到训练、模拟和编译等工具，其中上游工具的输出和下游工具的输入存在格式差异，工具开发、使用耦合严重，且神经网络相关工具发展快速，不同工具间的兼容难度越来越大。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提出了一种具有抽象资源约束的脉冲神经网络构建方法，使用面向对象编程模型，以类的方式提供神经元行为、输入编码方法、输出解码方法等脉冲神经网络必备的功能，也可在此基础上开发人员自定义实现特定算法；还抽象描述神经拟态计算平台资源，开发人员可在网络中嵌入抽象资源信息，对完成训练的网络模型进行校验，基于指定神经拟态计算平台，做出能否顺利运行的判断，或推荐运行该平台的最小资源；该方法，标准化脉冲神经网络开发工具的输入或输出格式，屏蔽工具输入输出格式差异，降低工具间耦合，提升工具可替换性，便于开发调试，从而降低开发成本。其具体技术方案如下：
一种具有抽象资源约束的脉冲神经网络构建方法，包括以下步骤：
步骤一：基于面向对象编程模型，构建脉冲神经网络模型，同时约束模型的抽象资源信息；
步骤二：对构建完成的脉冲神经网络模型进行训练和检查，并根据检查结果进行调整，以得到满足抽象资源约束的模型；
步骤三：标准化各个模型开发工具间的输入和输出，并根据标准化的模型开发工具，将所述满足抽象资源约束的模型转换生成在神经拟态计算平台上可运行的模型。
进一步的，所述步骤一具体包括：首先，定义基类，基类包括神经元、编码方式、解码方式、抽象资源，提供包括神经元行为、层连接方式和训练学习算法的操作或属性；然后在基类的基础上，创建各种不同功能的子类，包括LIF神经元、IF神经元、泊松分布编码、空白编码，通过所述的基类和子类构建脉冲神经网络模型，同时在脉冲神经网络模型嵌入约束的抽象资源信息。
进一步的，所述神经元是构成脉冲神经网络的基本单元，将一组行为相同的神经元，组成神经网络的一层，不同网络层中的神经元之间的连接，构成各个网络层之间的连接，其中，所述网络层包括输入层、隐藏层和输出层。
进一步的，所述输入层采用泊松分布编码方式对输入信息进行编码；所述隐藏层具有多层，使用IF神经元模型，即使用IF模型模拟神经元行为；所述输出层解码输出神经元节点信息。
进一步的， 所述步骤二具体包括：首先训练构建完成的脉冲神经网络模型，然后检查训练后的脉冲神经网络模型，对训练得到的脉冲升级网络模型进行统计分析，得到训练后的脉冲神经网络模型需要使用的资源信息，资源信息包括：神经元个数、芯片个数、板卡个数，再对约束的抽象资源信息进行检查，判断检查结果是否满足抽象资源约束的条件，当不满足约束条件时，进行模型修改，或重新启动训练，经过多次训练后，生成满足该约束条件的模型。
进一步的，所述判断检查结果是否满足抽象资源约束的条件，具体为：将可以使用的资源信息即硬件资源数量和训练后得到的脉冲神经网络模型运行时需要的数量进行对比，前者大于后者，则满足，反之，则不满足。
进一步的，所述步骤三具体为：标准化各个模型开发工具间的输入和输出，模型开发工具包括模型训练工具、模型仿真工具、模型模拟工具和模型编译工具，将满足抽象资源约束的模型输入模型训练工具，得到训练后的满足抽象资源约束的脉冲神经网络模型，训练后的满足抽象资源约束的脉冲神经网络模型作为模型模拟工具的输入和模型编译工具的输入，经工具模拟和编译后输出可在神经拟态计算平台上运行的二进制模型文件。
进一步的，所述标准化各个模型开发工具间的输入和输出，具体为：在开发模型训练、模拟和编译等工具时，约定使用的模型，展开并行开发，将各个工具的输入或输出格式经过适配，满足约定使用的模型，即可接入开发约定使用的模型的工具集。
一种具有抽象资源约束的脉冲神经网络模型构建装置，包括一个或多个处理器，用于实现所述的一种具有抽象资源约束的脉冲神经网络模型构建方法。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现所述的一种具有抽象资源约束的脉冲神经网络模型构建方法。
有益效果：
本发明标准化了模型开发中训练、模拟和编译工具的输出或输出格式，降低了各个工具之间的耦合和替换成本，提升了工具开发效率，模型构建过程中嵌入抽象资源约束信息，和后续对模型的检查功能，当模型与该约束不一致时，在模型开发/构建阶段提前发现，有效降低模型开发成本，亦可指导模型训练过程，产生符合资源约束的模型。
附图说明
图1为本发明实施例的一种具有抽象资源约束的脉冲神经网络模型开发整理流程示意图；
图2为本发明实施例的一种具有抽象资源约束的脉冲神经网络模型构建方法流程示意图；
图3为本发明实施例的脉冲神经网络模型中资源约束检查流程示意图；
图4为本发明实施例的标准化各个工具输入输出的示意图；
图5为本发明实施例的具有抽象资源约束的脉冲神经网络模型构建装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本发明作进一步详细说明。
如图1所示为本发明实施例的脉冲神经网络模型的开发、编译、模拟整体流程，开发人员使用本发明提供的构建方法，开发脉冲神经网络模型，使用达尔文训练器训练脉冲神经网络模型生成连接权重，连接权重和所述脉冲神经网络模型一起作为达尔文模拟器或达尔文编译器的输入，模拟工具对脉冲神经网络模型做软件功能级别的模拟，编译工具则将该模型转换生成在达尔文芯片上可运行的二进制模型文件。
如图2所示，本发明的具有抽象资源约束的脉冲神经网络模型的构建方法，包括以下步骤：
步骤一：基于面向对象编程模型，构建脉冲神经网络模型，同时约束模型的抽象资源信息；
步骤二：对构建完成的脉冲神经网络模型进行训练和检查，并根据检查结果进行调整，以得到满足抽象资源约束的模型；
步骤三：标准化各个模型开发工具间的输入和输出，并根据标准化的模型开发工具，将所述满足抽象资源约束的模型转换生成在神经拟态计算平台上可运行的模型。
所述步骤一具体包括：首先，定义基类，包括神经元、编码方式、解码方式、抽象资源等，所述基类用于提供基本的操作或属性，包括神经元行为、层连接方式和训练学习算法等，抽象资源即对资源进行抽象，如运行设备、板卡、芯片、拟态核、神经元、神经元连接，基于这些抽象，描述已有神经拟态计算平台或描述期望的神经拟态计算平台。神经元是构成脉冲神经网络的基本单元，一组行为相同的神经元，组成神经网络的一层，不同层中的神经元之间的连接，构成层之间的连接，多个层之间连接构成一个完整的神经网络模型；神经元有不同的行为，其之间的连接方式也有不同，神经网络有不同的训练学习算法，面向对象编程模型有封装、集成和多态的特性；本实施例采用基于达尔文芯片的硬件资源，在基类的基础上，创建各种不同功能的子类，如LIF神经元、IF神经元、编码、编码，模型的开发可在所述子类的基础上继续扩展，构建功能更加丰富的脉冲神经网络模型。本发明的脉冲神经网络模型，创建有唯一的输入层，多个隐藏层，多个输出层，指定各个层的神经元个数和神经元行为，指定训练学习算法，再嵌入约束的抽象资源信息。
实施例：构建手写数字识别的脉冲神经网络模型，将该模型的资源占用约束到最多3块板卡，最少1块板卡，每块板卡上有两片达尔文芯片，每块达尔文芯片有576个神经拟态核，每个神经拟态核上可模拟256个神经元，每个神经拟态核可存储16k条突触连接，平均每个神经元大约有64条突触连接，则每颗达尔文芯片有大约15万个神经元，约1千万突触连接。
首先定义并编码脉冲神经网络中的输入节点，编码方式为泊松分布，神经元有84个；隐藏层layer1，神经元300个，使用IF模型模拟神经元行为；隐藏层layer2，有500个神经元，使用IF神经元模型；隐藏层layer3，10个神经元，使用IF神经元模型。
再确定各隐藏层间的连接关系，包括：输入层input与隐藏层layer1之间连接，隐藏层layer1与隐藏层layer2之间连接，隐藏层layer2与隐藏层layer3之间连接，最后输出层解码输出节点信息，同时使用STCA（Spatio-Temporal CreditAssignment，时空信用分配))算法，完成手写数字识别的模型的设计。
步骤二具体包括：脉冲神经网络模型检查，如图3所示为本发明中脉冲神经网络模型被指定的抽象资源检查流程，模型训练结束后，启动检查流程，对训练得到的脉冲神经网络模型进行统计分析，计算训练后的脉冲神经网络模型需要使用的神经元个数、芯片个数、板卡个数等，再对约束的抽象资源信息进行检查，判断检查结果是否满足抽象资源约束的条件，当不满足约束条件时，提示开发人员修改模型，或重新启动训练，经过多次训练后，生成满足该约束条件的模型，即读取脉冲神经网络模型的资源信息和连接权重，从模型中提取抽象资源信息，结合权重，计算指定的抽象资源即抽象资源的约束条件是否满足该模型运行，比如将用户可以使用的资源信息即硬件资源数量和训练后得到的脉冲神经网络模型运行时需要的数量对比，前者大于后者，则满足，反之，则不满足，例如，计算该模型是否能在最少1块板卡，最多3块板卡的硬件资源上运行，如果不行，则调整训练参数或修改模型参数，继续训练，如此反复多次，直到训练获得满足抽象资源约束的模型。
步骤三具体包括：标准化模型开发工具的输入和输出，降低各个工具间的耦合和替换成本，提升了工具开发效率，脉冲神经网络模型开发过程中，使用模型训练、模型仿真、模型模拟和模型编译等工具，通过模型训练器得到训练后的满足抽象资源约束的脉冲神经网络模型，训练后的满足抽象资源约束的脉冲神经网络模型作为模型模拟工具的输入，亦可作为模型编译工具的输入，经工具模拟和编译后输出可在芯片上运行的二进制模型文件。实际上，开发人员在开发模型训练、模拟和编译等工具时，约定使用本发明的构建方法展开并行开发，主流工具的输入或输出格式经过适配，满足本发明构建方法，即可接入使用本发明方法的工具集。
如图4所示本发明实施例的，将通过本发明方法构建的脉冲神经网络模型作为达尔文训练器的输入，其输出作为达尔文模拟器和达尔文编译器的输入，生成可在达尔文芯片上运行的二进制文件，对于业界主流类脑芯片如Loihi神经形态芯片、TrueNorth仿人脑芯片，可将其编译器的输入适配为本发明的模型，即可使用达尔文训练器的输出模型，实现同一训练器，对接不同编译器；对于训练工具2或训练工具3，将其输出适配本发明的脉冲神经网络模型的构建方法，即可对接达尔文芯片、Loihi神经形态芯片和TrueNorth仿人脑芯片的编译器，实现不同训练器对接不同类脑芯片功能。
与前述一种具有抽象资源约束的脉冲神经网络模型构建方法的实施例相对应，本发明还提供了一种具有抽象资源约束的脉冲神经网络模型构建装置的实施例。
参见图5，本发明实施例提供的一种具有抽象资源约束的脉冲神经网络模型构建装置，包括一个或多个处理器，用于实现上述实施例中的一种具有抽象资源约束的脉冲神经网络模型构建方法。
本发明一种具有抽象资源约束的脉冲神经网络模型构建装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本发明一种具有抽象资源约束的脉冲神经网络模型构建装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种具有抽象资源约束的脉冲神经网络模型构建方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的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任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种具有抽象资源约束的脉冲神经网络模型构建方法，其特征在于，包括以下步骤：
步骤一：基于面向对象编程模型，构建脉冲神经网络模型，同时约束模型的抽象资源信息；
步骤二：对构建完成的脉冲神经网络模型进行训练和检查，并根据检查结果进行调整，以得到满足抽象资源约束的模型；
步骤三：标准化各个模型开发工具间的输入和输出，并根据标准化的模型开发工具，将所述满足抽象资源约束的模型转换生成在神经拟态计算平台上可运行的模型。
2.如权利要求1所述的一种具有抽象资源约束的脉冲神经网络模型构建方法，其特征在于，所述步骤一具体包括：首先，定义基类，基类包括神经元、编码方式、解码方式、抽象资源，提供包括神经元行为、层连接方式和训练学习算法的操作或属性；然后在基类的基础上，创建各种不同功能的子类，包括LIF神经元、IF神经元、泊松分布编码、空白编码，通过所述的基类和子类构建脉冲神经网络模型，同时在脉冲神经网络模型嵌入约束的抽象资源信息。
3.如权利要求2所述的一种具有抽象资源约束的脉冲神经网络模型构建方法，其特征在于，所述神经元是构成脉冲神经网络的基本单元，将一组行为相同的神经元，组成神经网络的一层，不同网络层中的神经元之间的连接，构成各个网络层之间的连接，其中，所述网络层包括输入层、隐藏层和输出层。
4.如权利要求3所述的一种具有抽象资源约束的脉冲神经网络模型构建方法，其特征在于，所述输入层采用泊松分布编码方式对输入信息进行编码；所述隐藏层具有多层，使用IF神经元模型，即使用IF模型模拟神经元行为；所述输出层解码输出神经元节点信息。
5.如权利要求1所述的一种具有抽象资源约束的脉冲神经网络模型构建方法，其特征在于， 所述步骤二具体包括：首先训练构建完成的脉冲神经网络模型，然后检查训练后的脉冲神经网络模型，对训练得到的脉冲升级网络模型进行统计分析，得到训练后的脉冲神经网络模型需要使用的资源信息，资源信息包括：神经元个数、芯片个数、板卡个数，再对约束的抽象资源信息进行检查，判断检查结果是否满足抽象资源约束的条件，当不满足约束条件时，进行模型修改，重新启动训练，直至生成满足该约束条件的模型。
6.如权利要求5所述的一种具有抽象资源约束的脉冲神经网络模型构建方法，其特征在于，所述判断检查结果是否满足抽象资源约束的条件，具体为：将可以使用的资源信息即硬件资源数量和训练后得到的脉冲神经网络模型运行时需要的数量进行对比，前者大于后者，则满足，反之，则不满足。
7.如权利要求1所述的一种具有抽象资源约束的脉冲神经网络模型构建方法，其特征在于，所述步骤三具体为：标准化各个模型开发工具间的输入和输出，模型开发工具包括模型训练工具、模型仿真工具、模型模拟工具和模型编译工具，将满足抽象资源约束的模型输入模型训练工具，得到训练后的满足抽象资源约束的脉冲神经网络模型，训练后的满足抽象资源约束的脉冲神经网络模型作为模型模拟工具的输入和模型编译工具的输入，经工具模拟和编译后输出可在神经拟态计算平台上运行的二进制模型文件。
8.如权利要求7所述的一种具有抽象资源约束的脉冲神经网络模型构建方法，其特征在于，所述标准化各个模型开发工具间的输入和输出，具体为：在开发模型训练、模拟和编译工具时，约定使用的模型，展开并行开发，将各个工具的输入或输出格式经过适配，满足约定使用的模型，即可接入开发约定使用的模型的工具集。
9.一种具有抽象资源约束的脉冲神经网络模型构建装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-8中任一项所述的一种具有抽象资源约束的脉冲神经网络模型构建方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的一种具有抽象资源约束的脉冲神经网络模型构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210456279.9A CN114548384A (zh) | 2022-04-28 | 2022-04-28 | 具有抽象资源约束的脉冲神经网络模型构建方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210456279.9A CN114548384A (zh) | 2022-04-28 | 2022-04-28 | 具有抽象资源约束的脉冲神经网络模型构建方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114548384A true CN114548384A (zh) | 2022-05-27 |
Family
ID=81667562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210456279.9A Pending CN114548384A (zh) | 2022-04-28 | 2022-04-28 | 具有抽象资源约束的脉冲神经网络模型构建方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548384A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115392443A (zh) * | 2022-10-27 | 2022-11-25 | 之江实验室 | 类脑计算机操作系统的脉冲神经网络应用表示方法及装置 |
| CN116070682A (zh) * | 2023-04-06 | 2023-05-05 | 浙江大学 | 神经元计算机操作系统的snn模型动态映射方法及装置 |
| CN117634564A (zh) * | 2024-01-26 | 2024-03-01 | 之江实验室 | 一种基于可编程神经拟态核的脉冲延时测量方法及系统 |
| CN117648956A (zh) * | 2024-01-29 | 2024-03-05 | 之江实验室 | 脉冲神经网络模型资源映射方法、装置和存储介质 |
| WO2024046462A1 (zh) * | 2022-09-02 | 2024-03-07 | 深圳忆海原识科技有限公司 | 端口模型对象调用方法、系统、平台、智能装置及存储介质 |
| CN117634564B (zh) * | 2024-01-26 | 2024-05-24 | 之江实验室 | 一种基于可编程神经拟态核的脉冲延时测量方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650922A (zh) * | 2016-09-29 | 2017-05-10 | 清华大学 | 硬件神经网络转换方法、计算装置、编译方法和神经网络软硬件协作系统 |
| CN111382868A (zh) * | 2020-02-21 | 2020-07-07 | 华为技术有限公司 | 神经网络结构搜索方法和神经网络结构搜索装置 |
| CN112418392A (zh) * | 2020-10-21 | 2021-02-26 | 华为技术有限公司 | 一种神经网络构建方法以及装置 |
| CN112561043A (zh) * | 2021-03-01 | 2021-03-26 | 浙江大学 | 一种类脑计算机操作系统的神经模型拆分方法 |
| CN113033782A (zh) * | 2021-03-31 | 2021-06-25 | 广东工业大学 | 一种手写数字识别模型训练方法和系统 |
-
2022
- 2022-04-28 CN CN202210456279.9A patent/CN114548384A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650922A (zh) * | 2016-09-29 | 2017-05-10 | 清华大学 | 硬件神经网络转换方法、计算装置、编译方法和神经网络软硬件协作系统 |
| CN111382868A (zh) * | 2020-02-21 | 2020-07-07 | 华为技术有限公司 | 神经网络结构搜索方法和神经网络结构搜索装置 |
| CN112418392A (zh) * | 2020-10-21 | 2021-02-26 | 华为技术有限公司 | 一种神经网络构建方法以及装置 |
| CN112561043A (zh) * | 2021-03-01 | 2021-03-26 | 浙江大学 | 一种类脑计算机操作系统的神经模型拆分方法 |
| CN113033782A (zh) * | 2021-03-31 | 2021-06-25 | 广东工业大学 | 一种手写数字识别模型训练方法和系统 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024046462A1 (zh) * | 2022-09-02 | 2024-03-07 | 深圳忆海原识科技有限公司 | 端口模型对象调用方法、系统、平台、智能装置及存储介质 |
| CN115392443A (zh) * | 2022-10-27 | 2022-11-25 | 之江实验室 | 类脑计算机操作系统的脉冲神经网络应用表示方法及装置 |
| CN115392443B (zh) * | 2022-10-27 | 2023-03-10 | 之江实验室 | 类脑计算机操作系统的脉冲神经网络应用表示方法及装置 |
| CN116070682A (zh) * | 2023-04-06 | 2023-05-05 | 浙江大学 | 神经元计算机操作系统的snn模型动态映射方法及装置 |
| CN116070682B (zh) * | 2023-04-06 | 2023-08-15 | 浙江大学 | 神经元计算机操作系统的snn模型动态映射方法及装置 |
| CN117634564A (zh) * | 2024-01-26 | 2024-03-01 | 之江实验室 | 一种基于可编程神经拟态核的脉冲延时测量方法及系统 |
| CN117634564B (zh) * | 2024-01-26 | 2024-05-24 | 之江实验室 | 一种基于可编程神经拟态核的脉冲延时测量方法及系统 |
| CN117648956A (zh) * | 2024-01-29 | 2024-03-05 | 之江实验室 | 脉冲神经网络模型资源映射方法、装置和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114548384A (zh) | 具有抽象资源约束的脉冲神经网络模型构建方法和装置 | |
| Plotnikov et al. | NESTML: a modeling language for spiking neurons | |
| CN110569033B (zh) | 一种数字化交易类智能合约基础代码生成方法 | |
| EP1248211A2 (en) | Data processing system and design system | |
| US11093683B2 (en) | Test pattern generation systems and methods | |
| CN113449858A (zh) | 一种神经网络模型的处理方法以及相关设备 | |
| CN111694937A (zh) | 基于人工智能的面试方法、装置、计算机设备及存储介质 | |
| CN114822812A (zh) | 角色对话模拟方法、装置、设备及存储介质 | |
| CN114004352B (zh) | 一种仿真实现方法、神经网络编译器以及计算机可读存储介质 | |
| Marques et al. | The RPG DSL: a case study of language engineering using MDD for generating RPG games for mobile phones | |
| WO2021031137A1 (zh) | 人工智能应用开发系统、计算机设备及存储介质 | |
| Odetola et al. | 2l-3w: 2-level 3-way hardware-software co-verification for the mapping of deep learning architecture (dla) onto fpga boards | |
| CN112274935B (zh) | Ai模型训练方法、使用方法、计算机设备及存储介质 | |
| Tsai et al. | Iterative design and testing within the software development life cycle | |
| CN112131587A (zh) | 一种智能合约伪随机数安全检验方法、系统、介质和装置 | |
| WO2021068249A1 (zh) | 运行时硬件模拟仿真方法、装置、设备及存储介质 | |
| Kavimandan et al. | Managing the quality of software product line architectures through reusable model transformations | |
| Czaja | Cause-effect structures | |
| CN112346737B (zh) | 编程语言翻译模型的训练方法、装置、设备及存储介质 | |
| CN112036439B (zh) | 依存关系分类方法及相关设备 | |
| CN113272813B (zh) | 定制数据流硬件模拟仿真方法、装置、设备及存储介质 | |
| Dethlefs et al. | Define: A fluent interface dsl for deep learning applications | |
| CN114691111A (zh) | 基于可视化的代码识别模型训练方法及装置 | |
| Twigg et al. | Predicting Formal Verification Resource Needs (Computation Time and Memory) through Machine Learning | |
| Taie et al. | Methods for prediction, simulation and verification of real-time software architectural design based on machine learning algorithms |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220527 |