CN114897146A - 模型生成方法、装置和电子设备 - Google Patents
模型生成方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114897146A CN114897146A CN202210551044.8A CN202210551044A CN114897146A CN 114897146 A CN114897146 A CN 114897146A CN 202210551044 A CN202210551044 A CN 202210551044A CN 114897146 A CN114897146 A CN 114897146A
- Authority
- CN
- China
- Prior art keywords
- differential
- graph
- target
- operator
- calculation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000004364 calculation method Methods 0.000 claims abstract description 163
- 230000009466 transformation Effects 0.000 claims abstract description 68
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000017105 transposition Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 4
- 230000008569 process Effects 0.000 abstract description 36
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000004069 differentiation Effects 0.000 description 55
- 238000012545 processing Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000007788 liquid Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- WURBVZBTWMNKQT-UHFFFAOYSA-N 1-(4-chlorophenoxy)-3,3-dimethyl-1-(1,2,4-triazol-1-yl)butan-2-one Chemical compound C1=NC=NN1C(C(=O)C(C)(C)C)OC1=CC=C(Cl)C=C1 WURBVZBTWMNKQT-UHFFFAOYSA-N 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 231100000957 no side effect Toxicity 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N3/045—Combinations of 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
- G06N3/06—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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种模型生成方法、装置和电子设备，涉及计算机技术领域，尤其涉及深度学习技术领域。具体实现方案为：获取目标模型的前向传播计算图，所述前向传播计算图包括基础算子，所述基础算子为具有一次数学运算的算子；对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，所述目标计算图包括前向微分计算图和反向微分计算图中的至少一种；基于所述目标计算图生成所述目标模型。本公开可以简化模型生成的过程。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及深度学习技术领域。具体涉及一种模型生成方法、装置和电子设备。
背景技术
在传统的深度学习任务中，神经网络的搭建分为前向网络的搭建过程和反向网络的搭建过程。在搭建出前向网络之后，可以通过深度学习框架中的自动微分机制对前向网络中的算子求一阶导数，即可完成反向网络的搭建过程。
发明内容
本公开提供了一种模型生成方法、装置和电子设备。
根据本公开的第一方面，提供了一种模型生成方法，包括：
获取目标模型的前向传播计算图，所述前向传播计算图包括基础算子，所述基础算子为具有一次数学运算的算子；
对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，所述目标计算图包括前向微分计算图和反向微分计算图中的至少一种；
基于所述目标计算图生成所述目标模型。
根据本公开的第二方面，提供了一种模型生成装置，包括：
获取模块，用于获取目标模型的前向传播计算图，所述前向传播计算图包括基础算子，所述基础算子为具有一次数学运算的算子；
微分变换模块，用于对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，所述目标计算图包括前向微分计算图和反向微分计算图中的至少一种；
生成模块，用于基于所述目标计算图生成所述目标模型。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现第一方面所述的方法。
本公开实施例中，通过对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，由于所述目标计算图包括前向微分计算图和反向微分计算图中的至少一种，因此，本公开通过对基础算子进行微分变换，既可以实现模型生成中的前向过程，还可以实现模型生成中的反向过程，有利于简化模型生成的过程。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的一种模型生成方法的流程图；
图2是本公开实施例中，利用linearize规则对前向传播计算图中的基础算子进行处理，得到前向微分计算图过程的流程示意图；
图3是本公开实施例中，利用transpose规则对前向微分计算图中的线性化部分进行处理，得到反向微分计算图过程的流程示意图；
图4是本公开实施例提供的一种过程式架构框架的结构示意图；
图5是本公开实施例提供的一种生成装置的结构示意图之一；
图6是本公开实施例中获取模块的结构示意图；
图7是本公开实施例提供的一种生成装置的结构示意图之二；
图8本公开实施例提供的用于实现模型生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
请参见图1，图1为本公开实施例提供的一种模型生成方法，所述模型生成方法包括以下步骤：
步骤S101、获取目标模型的前向传播计算图，所述前向传播计算图包括基础算子，所述基础算子为具有一次数学运算的算子；
步骤S102、对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，所述目标计算图包括前向微分计算图和反向微分计算图中的至少一种；
步骤S103、基于所述目标计算图生成所述目标模型。
上述模型生成方法可以应用于搭建各种具有自动微分功能的模型。也即所述目标模型可以是具有自动微分功能的各种类型模型。其中，所述目标模型可以为流体力学中的流场分析场景中搭建的模型，或者，在地质勘探场景中，对土壤成分进行分析场景中所搭建的模型等。
例如，所述目标模型可以为针对顶盖驱动方腔流(Lid-driven Cavity Flow，LDC)问题所搭建的模型。或者，所述目标模型可以是针对多孔介质流体力学场景中的Darcy问题所搭建的模型，以正确拟合出了土壤中的压强分布。或者，所述目标模型可以是图像处理(Compute Vision，CV)，自然语言处理(NeuroLiguisticProgramming，NLP)等所有领域中的模型。或者，所述目标模型可以为在地质勘探场景中，用于分析土壤中石油分布的模型。
在本公开一个实施例中，所述目标模型可以为针对顶盖驱动方腔流(Lid-drivenCavity Flow，LDC)问题所搭建的模型。其中，所述LDC问题是计算流体力学的一个经典问题，其具体内容为：在一个三面封闭，顶部开放的腔体中装满液体，给定顶部液体有水平方向流速u，目标是模拟出腔体中每个点的液体流速(包括水平方向和垂直方向流速)。即所述目标模型用于基于给定顶部液体有水平方向流速，计算出腔体中每个点的液体流速。
针对所述LDC问题，本公开实施例中，可以使用隐藏层节点数为50的10层全连接网络作为神经网络模型，在[-0.05,-0.05]到[0.05,0.05]的矩形区域上以100*100的为粒度划分网格，根据偏微分方程组和边界条件设计损失函数Loss，进行训练从而得到所述目标模型。基于所述目标模型对偏微分方程组的求解，从而正确模拟出了腔体内水平方向和垂直方向上的液体流速分布，与基于OpenFOAM软件实现的传统方法结果均方误差在1e-4数量级。
其中，所述目标模型的具体生成过程可以包括如下步骤：
首先搭建全连接网络作为基础的网络前向过程，即搭建出所述前向传播计算图。使用本公开实施例提供的模型生成方法，生成所述目标模型。其中，可以基于本公开提供的方法生成前向微分计算图和反向微分计算图，然后，基于前向微分计算图搭建出目标模型的前向传播过程，基于所述反向微分计算图完成整个网络反向传播过程搭建，从而生成所述目标模型。
上述基础算子为具有一次数学运算的算子，例如，可以是乘法算子、加法算子、取反算子等，请参见下表为本公开实施例列举的部分基础算子：
可以理解的是，前向传播计算图中的所有算子均为基础算子。在本公开实施例中，可以根据相关技术中对基础算子进行前向自动微分的规则，对所述前向传播计算图中的基础算子进行前向自动微分，以得到所述前向微分计算图。同时，可以根据相关技术中对基础算子进行反向自动微分的规则，对所述前向传播计算图中的基础算子进行反向自动微分，以得到所述反向微分计算图。
上述基于所述目标计算图生成所述目标模型可以是指，在所搭建的神经网络模型中各层对应添加所述目标计算图中的算子，并根据所述目标计算图中算子之间的连接关系，对应连接所述神经网络模型各层中的算子。
该实施方式中，通过对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，由于所述目标计算图包括前向微分计算图和反向微分计算图中的至少一种，因此，本公开通过对基础算子进行微分变换，既可以实现模型生成中的前向过程，还可以实现模型生成中的反向过程，有利于简化模型生成的过程。
可选地，在进行前向微分模式自动微分时，对所述前向传播计算图中的基础算子进行线性化linearize规则微分变换，得到所述前向微分计算图。
具体地，所述基于linearize规则对基础算子进行微分变换处理可以是指：基于预先定义的linearize规则对所述基础算子进行线性化处理。其中，所述linearize规则可以是相关技术中常见的线性化方法。
请参见图2，在本公开一个实施例中，对所述前向传播计算图中的基础算子进行微分变换，得到所述前向微分计算图过程的流程示意图。其中，所述前向传播计算图可以是基于如下目标模型生成的计算图：
def f(x，y)
return exp(x)/sin(y)
其中，本公开实施例中可以基于过程式架构框架生成所述目标模型，所述过程式架构框架设计和实现上依赖很多状态，以多维数据张量tensor为中心。针对自动微分会存在原始tensor，前向微分tensor，反向微分tensor，一阶微分tensor，二阶微分tensor等这些状态。
图2中x和y为前向传播计算图中的输入，z为前向传播计算图中的输出。即所述x、y和z可以作为所述原始tensor。相应地，图2中的x'、y'和z'可以作为所述前向微分tensor。在对所述前向传播计算图中的基础算子进行微分变换之前，可以在图中先确定所述x'、y'和z'。
请参见图2，在前向传播计算图中，先利用exp算子对x做exp处理得到中间结果t0，同时，利用sin算子对y做sin处理，得到中间结果t1，然后，利用div算子以t0为被除数、以t1为除数进行除法处理，得到z。
其中，利用exp算子对x做exp处理得到中间结果t0属于一个前向计算过程，其对应的前向微分过程为：将t0与x'输入mul算子做乘法处理，得到t4，其中，t4为t0对应的前向微分tensor。
同理，利用sin算子对y做sin处理，得到中间结果t1属于一个前向计算过程，其对应的前向微分过程为：先将y输入cos算子做cos得到中间结果t2，再将t2和y'输入mul算子做乘法处理，得到t5，其中，t5为t1对应的前向微分tensor。
相应地，利用div算子以t0为被除数、以t1为除数进行除法处理，得到z属于一个前向计算过程，其对应的前向微分过程为：将所述t4和t1输入div算子做除法运算得到t6，将所述t5输入neg算子做取反(或取负)运算得到t7，将t0和t7输入mul算子做乘法运算得到t8。同时，将t1输入pow-2算子，做取指数幂-2运算，得到t3，然后，将t3和t8输入mul算子做乘法运算得到t9，最后，将t6和t9输入add算子做加法运算，得到z'，从而完成所述前向微分计算图的生成过程。
该实施方式中，可以通过使用linearize规则对前向传播计算图中的基础算子进行线性化linearize规则微分变换，即可得到前向微分计算图，从而有利于进一步简化模型生成的过程。
可选地，所述对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，包括：
在进行反向微分模式自动微分时，对所述前向传播计算图中的基础算子依次按照线性化linearize规则和转置transpose规则进行微分变换，得到所述反向微分计算图。
具体地，可以先按照线性化linearize规则对前向传播计算图中的基础算子进行微分变换得到前向微分计算图，然后，按照transpose规则对前向微分计算图中的基础算子进行微分变化，以得到所述反向微分计算图。
所述基于transpose规则对算子进行微分变换处理可以是指：基于预先定义的transpose规则对算子进行转置处理。其中，所述transpose规则可以是相关技术中常见的转置方法。
请参见图3，为本公开实施例中，在前向微分计算图的基础上，按照所述transpose规则对所述前向微分计算图中的线性化算子进行微分变换，得到所述反向微分计算图的过程的流程示意图。
请参见图3，在反向微分计算图生成的过程中，可以将所述x'、y'和z'可以作为所述原始tensor，然后，先在图中确定对应的反向微分tensor：x_bar、y_bar和z_bar。再基于所述transpose规则对所述前向微分计算图中的每个线性化算子进行处理，即可得到图3所示的反向微分计算图，其具体生成过程如图3所示。其中，z_bar为反向微分的输入，x_bar和y_bar为反向微分的输出。
该实施方式中，通过按照所述transpose规则对所述前向微分计算图中的线性化算子进行微分变换，即可得到所述反向微分计算图，这样，可以基于所述反向微分计算图生成所述目标模型的反向传播部分。
在一些复杂的深度学习任务中，有时会使用到高阶导数。在科学计算领域的深度学习任务中，由于引入偏微分方程组，往往需要使用到高阶导数。
特别地，在输入数量大于输出数量时，反向微分更加高效；在输入数量小于输出数量时，前向微分更加高效。在高阶微分计算中，随着阶数的升高，输出数量会越来越多，前向微分重要性也会越来越高。
相关技术中，当需要基于前向传播计算图生成高阶微分计算图时，在过程式框架中存在如下探索：
A、注册高阶导数算子，以支持高阶自动微分。然而，使用该方案支持高阶自动微分，依赖在框架中添加高阶导数算子，考虑到框架支持的算子数量，是一个较大的工作量。另一方面，随着阶数的增大，高阶导数算子复杂度和开发难度也会急速增加。使用该方案，扩展性差，且无法做到无限阶数的高阶自动微分
B、改变过程式架构框架自动微分机制，使用前向算子组合反向过程。然而，改变过程式架构框架自动微分机制，使用前向算子组合反向过程。使用该方案支持高阶自动微分，受限于算子体系设计，无法在所有算子上实现高阶微分功能。
C、通过使用二元数支持前向微分。然而，使用该方案支持前向微分，需要为每个算子写虚部的计算逻辑，有较大的开发量，另外受限于算子体系设计，无法在所有算子上实现高阶微分功能。
D、通过调用两次反向微分组合出一次前向微分。然而，使用该方案支持前向微分功能，实际上产生了很多冗余运算，性能较差。
当需要基于前向传播计算图生成高阶微分计算图时，在函数式架构框架中存在如下探索：
通过定义符号化的算子集合和其上的微分规则，配合程序变换实现可组合的前反向高阶自动微分。其中，JAX中使用该方案可以较为完善地支持前反向高阶自动微分功能，具有良好的扩展性。但是符号化的算子集合不能直接执行，需要绑定编译器XLA才能运行。另外函数式接口对一般用户来讲有较大的学习成本，且由于函数式接口要求没有副作用，在神经网络的搭建过程中，网络参数等信息也需要显示地暴漏出来。
为克服上述缺陷，本公开实施例中，还进一步做了如下改进：
可选地，所述对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，包括：
在所述目标计算图为I阶微分计算图的情况下，对所述前向传播计算图中的基础算子执行I次目标微分变换，其中，所述I次目标微分变换中的第k次微分变换包括：
对第一目标计算图中的基础算子按照线性化linearize规则进行微分变换，得到第k阶前向微分计算图；或者，
对第一目标计算图中的基础算子按照线性化linearize规则进行微分变换，得到第k阶前向微分计算图；对所述第k阶前向微分计算图中的基础算子按照转置transpose规则进行微分变换，得到第k阶反向微分计算图；
其中，所述k为大于0的整数，且所述k不大于所述I，所述I为不小于2的整数；在所述k等于1的情况下，所述第一目标计算图为所述前向传播计算图，在所述k不等于1的情况下，所述第一目标计算图为：第k-1阶前向微分计算图，或者，第k-1阶反向微分计算图。
可以理解的是，在任意阶微分计算图中均可以包括对应阶的前向微分计算图和对应阶的反向微分计算图。即在所述第k-1阶前向微分计算图进行前向微分可以得到第k阶前向微分计算图，在所述第k-1阶前向微分计算图进行反向微分可以得到第k阶反向微分计算图。或者，也可以在所述第k-1阶反向微分计算图进行前向微分可以得到第k阶前向微分计算图，在所述第k-1阶反向微分计算图进行反向微分可以得到第k阶反向微分计算图。
该实施方式中，通过交替使用linearize规则和transpose规则对算子进行处理，如此，可以实现任意阶数自动化微分，即可以通过交替使用linearize规则和transpose规则对前向传播计算图中的基础算子进行处理，即可完成前向过程或反向过程中高阶微分部分的搭建，从而有利于进一步简化模型的生成过程。
可选地，所述获取所述目标模型的前向传播计算图，包括：
获取所述目标模型的初始计算图，所述初始计算图包括原生算子；
将所述初始计算图中的原生算子转换为所述基础算子，得到所述前向传播计算图；
其中，所述原生算子为具有至少一个基础算子功能的可执行算子。
上述原生算子可以是由多种不同类型的基础算子共同形成的算子，即所述原生算子中可以包括两种或两种以上的数学运算，例如，当原生算子表示为exp(x)/sin(y)时，所述原生算子包括如下三个基础算子exp算子、div算子和sin算子。
具体地，用户在构建所述目标模型之前，需要先搭建目标模型对应的公式模型，例如，所述目标模型的公式模型可以表示为：
def f(x，y)
return exp(x)/sin(y)
然后，可以基于所述公式模型绘制对应的计算流程图，即绘制所述初始计算图。由于用户在构建公式模型时，公式中的算子通常为原生算子，而原生算子通常包括一种以上的基础算子，且用户可以自定义原生算子的组成部分，因此，相关技术中通常无法实现对原生算子的自动微分。基于此，本公开实施例中，通过将所述初始计算图中的原生算子转换为基础算子，从而得到由基础算子构成的前向传播计算图，以便于后续基于前向传播计算图中的基础算子进行自动化微分。
其中，基础算子和原生算子可以共用一套标准化中间表示，但是与原生算子体系中的算子不同，这些基础算子不包含kernel实现，基础算子可以用于表达语义，以及用于与原生算子体系之间相互转化，同时，还可以用于进行自动微分变化，由于所述基础算子不包含kernel实现所述基础算子不能直接被执行。相应地，所述原生算子包括所述kernel实现，因此，所述原生算子为可执行算子。
在本公开一个实施例中，可以预先定义由原生算子转为基础算子的规则orig2prim，然后，利用所述orig2prim规则将所述初始计算图中的原生算子转换为基础算子，以得到所述前向传播计算图。例如，以深度学习框架Paddle中的原生算子elementwise_add为例，该算子有两个输入一个输出，并且包含scale_x,scale_y,scale_out这些属性。拆分为基础算子可能包括broadcast_p,fill_constant_p,mul_p,add_p，其中根据两个输入的具体形状决定是否需要broadcast_p，如果scale_x,scale_y,scale_out这些属性不是1.0，需要通过fill_constant_p,mul_p实现对应的scale逻辑。
此外，在本公开另一个实施例中，也可以基于所述原生算子中所包含的基础算子的数量直接对原生算子进行拆分。即将所述原生算子中的基础算子直接从原生算子中分离，并通过连接线建立不同基础算子之间的关联关系。
该实施方式中，通过将所述初始计算图中的原生算子转换为基础算子，从而得到由基础算子构成的前向传播计算图，以便于后续基于前向传播计算图中的基础算子进行自动化微分。
可选地，所述对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图之后，所述方法还包括：
将所述目标计算图中的基础算子转换为原生算子，得到所述目标微分计算图；
所述基于所述目标计算图生成所述目标模型，包括：
基于所述目标微分计算图生成所述目标模型。
其中，由于所述目标计算图中的算子为基础算子，而基础算子无法直接被执行。因此，本公开实施例中，在完成微分变换之后，可以将所述目标计算图中的基础算子转换为原生算子，以便于所生成的目标模型能够执行所述目标微分计算图中的算子。
具体地，可以预先定义由基础算子转为原生算子的规则prim2orig，然后，利用所述prim2orig规则将所述目标计算图中的基础算子转换为原生算子，从而得到所述目标微分计算图。例如，以基础算子add_p为例，该算子有两个输入一个输出，没有属性。转化为原生算子elementwise_add，其中原生算子的三个属性scale_x,scale_y,scale_out均为1.0。
可以理解的是，还可以采用现有技术中的其他方法实现所述原生算子与基础算子之间的相关转换，对此不作限制。
该实施方式中，通过在完成微分变换之后，将所述目标计算图中的基础算子转换为原生算子，以便于所生成的目标模型能够执行所述目标微分计算图中的算子。
可选地，所述计算图包括前向微分计算图和反向微分计算图，所述目标模型包括前向网络和反向网络，所述基于所述目标计算图生成所述目标模型，包括：
基于所述前向传播计算图和第I阶目标计算图生成所述前向网络，以及，基于第I+1阶目标计算图生成所述反向网络，其中，所述第I阶目标计算图为：第I阶前向微分计算图或者第I阶反向微分计算图；所述第I+1阶目标计算图为：第I+1阶前向微分计算图或者第I+1阶反向微分计算图。
可以理解的是，所述目标计算图包括所述第I阶目标计算图和所述第I+1阶目标计算图。
上述第I+1阶前向微分计算图可以是：对第I阶目标计算图中的基础算子进行前向或反向微分得到的计算图。相应地，所述第I+1阶反向微分计算图可以是：对第I阶目标计算图中的基础算子进行前向或反向微分得到的计算图。
该实施方式中，通过基于前向传播计算图和第I阶目标计算图生成所述前向网络，以及，基于所述第I+1阶目标计算图生成所述反向网络，从而完成所述目标模型的生成过程。
请参见图4，本公开实施例提供了一种过程式架构框架，基于所述过程式架构框架可以实现上述模型生成方法中的微分变换过程。其中，请参见图4，在所述过程式架构框架中预先定义了一套标准化中间表示，原生算子与基础算子共用所述标准化中间表示。基于过程式架构框架对初始计算图进行前向自动化微分和反向自动化微分的过程如下：可以先利用orig2prim规则将初始计算图中的原生算子转换为基础算子，然后，再利用linearize规则和transpose规则对基础算子进行微分变换，还过程中可以实现前向自动微分、反向自动微分以及高阶导数自动微分，从而得到目标计算图，然后，利用所述prim2orig规则将目标计算图中的基础算子转换为原生算子，从而得到目标微分计算图。
本公开实施例为实现上述自动微分过程，还为所述过程式架构框架设计了如下接口：
gradients(xs,ys,ys_bar)->xs_bar反向自动微分接口；
forward_gradients(xs,ys,xs_dot)->ys_dot前向自动微分接口；
enable_prim()开启基于基础算子的自动微分机制；
disable_prim()关闭基于基础算子的自动微分机制；
prim_enabled()返回值表明是否开启了基于基础算子的自动微分机制；
orig2prim()原生算子体系转化为基础算子体系；
prim2orig()基础算子体系转化为原生算子体系。
本公开实施例提供了一套完整的自动微分方案，该方案支持前向、反向两种模式，支持高阶微分功能，并且是基于过程式架构的，比基于函数架构有更好的应用性。
请参见图5，为本公开实施例提供的一种模型生成装置500的结构示意图，所述模型生成装置500，包括：
获取模块501，用于获取目标模型的前向传播计算图，所述前向传播计算图包括基础算子，所述基础算子为具有一次数学运算的算子；
微分变换模块502，用于对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，所述目标计算图包括前向微分计算图和反向微分计算图中的至少一种；
生成模块503，用于基于所述目标计算图生成所述目标模型。
可选地，所述微分变换模块502，具体用于在进行前向微分模式自动微分时，对所述前向传播计算图中的基础算子进行线性化linearize规则微分变换，得到所述前向微分计算图。
可选地，所述微分变换模块502，具体用于在进行反向微分模式自动微分时，对所述前向传播计算图中的基础算子依次按照线性化linearize规则和转置transpose规则进行微分变换，得到所述反向微分计算图。
可选地，所述微分变换模块502，具体用于在所述目标计算图为I阶微分计算图的情况下，对所述前向传播计算图中的基础算子执行I次目标微分变换，其中，所述I次目标微分变换中的第k次微分变换包括：
对第一目标计算图中的基础算子按照线性化linearize规则进行微分变换，得到第k阶前向微分计算图；或者，
对第一目标计算图中的基础算子按照线性化linearize规则进行微分变换，得到第k阶前向微分计算图；对所述第k阶前向微分计算图中的基础算子按照转置transpose规则进行微分变换，得到第k阶反向微分计算图；
其中，所述k为大于0的整数，且所述k不大于所述I，所述I为不小于2的整数；在所述k等于1的情况下，所述第一目标计算图为所述前向传播计算图，在所述k不等于1的情况下，所述第一目标计算图为：第k-1阶前向微分计算图，或者，第k-1阶反向微分计算图。
可选地，请参见图6，所述获取模块501，包括：
获取子模块5011，用于获取所述目标模型的初始计算图，所述初始计算图包括原生算子；
转换子模块5012，用于将所述初始计算图中的原生算子转换为所述基础算子，得到所述前向传播计算图；
其中，所述原生算子为具有至少一个基础算子功能的可执行算子。
可选地，请参见图7，所述装置还包括：
转换模块504，用于将所述目标计算图中的基础算子转换为原生算子，得到所述目标微分计算图；
所述生成模块503，具体用于基于所述目标微分计算图生成所述目标模型。
可选地，所述计算图包括前向微分计算图和反向微分计算图，所述目标模型包括前向网络和反向网络，所述生成模块503，具体用于基于所述前向传播计算图和第I阶目标计算图生成所述前向网络，以及，基于第I+1阶目标计算图生成所述反向网络，其中，所述第I阶目标计算图为：第I阶前向微分计算图或者第I阶反向微分计算图；所述第I+1阶目标计算图为：第I+1阶前向微分计算图或者第I+1阶反向微分计算图。
需要说明地，本实施例提供的模型生成装置500能够实现上述模型生成方法实施例的全部技术方案，因此至少能够实现上述全部技术效果，此处不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如模型生成方法。例如，在一些实施例中，模型生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，执行上文描述的模型生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (17)
1.一种模型生成方法，包括：
获取目标模型的前向传播计算图，所述前向传播计算图包括基础算子，所述基础算子为具有一次数学运算的算子；
对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，所述目标计算图包括前向微分计算图和反向微分计算图中的至少一种；
基于所述目标计算图生成所述目标模型。
2.根据权利要求1所述的方法，其中，所述对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，包括：
在进行前向微分模式自动微分时，对所述前向传播计算图中的基础算子进行线性化规则微分变换，得到所述前向微分计算图。
3.根据权利要求1所述的方法，其中，所述对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，包括：
在进行反向微分模式自动微分时，对所述前向传播计算图中的基础算子依次按照线性化规则和转置规则进行微分变换，得到所述反向微分计算图。
4.根据权利要求1所述的方法，其中，所述对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，包括：
在所述目标计算图为I阶微分计算图的情况下，对所述前向传播计算图中的基础算子执行I次目标微分变换，其中，所述I次目标微分变换中的第k次微分变换包括：
对第一目标计算图中的基础算子按照线性化规则进行微分变换，得到第k阶前向微分计算图；或者，
对第一目标计算图中的基础算子按照线性化规则进行微分变换，得到第k阶前向微分计算图；对所述第k阶前向微分计算图中的基础算子按照转置规则进行微分变换，得到第k阶反向微分计算图；
其中，所述k为大于0的整数，且所述k不大于所述I，所述I为不小于2的整数；在所述k等于1的情况下，所述第一目标计算图为所述前向传播计算图，在所述k不等于1的情况下，所述第一目标计算图为：第k-1阶前向微分计算图，或者，第k-1阶反向微分计算图。
5.根据权利要求1至4中任一项所述的方法，其中，所述获取所述目标模型的前向传播计算图，包括：
获取所述目标模型的初始计算图，所述初始计算图包括原生算子；
将所述初始计算图中的原生算子转换为所述基础算子，得到所述前向传播计算图；
其中，所述原生算子为具有至少一个基础算子功能的可执行算子。
6.根据权利要求5所述的方法，其中，所述对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图之后，所述方法还包括：
将所述目标计算图中的基础算子转换为原生算子，得到所述目标微分计算图；
所述基于所述目标计算图生成所述目标模型，包括：
基于所述目标微分计算图生成所述目标模型。
7.根据权利要求4所述的方法，其中，所述计算图包括前向微分计算图和反向微分计算图，所述目标模型包括前向网络和反向网络，所述基于所述目标计算图生成所述目标模型，包括：
基于所述前向传播计算图和第I阶目标计算图生成所述前向网络，以及，基于第I+1阶目标计算图生成所述反向网络，其中，所述第I阶目标计算图为第I阶前向微分计算图或者第I阶反向微分计算图；所述第I+1阶目标计算图为第I+1阶前向微分计算图或者第I+1阶反向微分计算图。
8.一种模型生成装置，包括：
获取模块，用于获取目标模型的前向传播计算图，所述前向传播计算图包括基础算子，所述基础算子为具有一次数学运算的算子；
微分变换模块，用于对所述前向传播计算图中的基础算子进行微分变换，得到目标计算图，所述目标计算图包括前向微分计算图和反向微分计算图中的至少一种；
生成模块，用于基于所述目标计算图生成所述目标模型。
9.根据权利要求8所述的装置，其中，所述微分变换模块，具体用于在进行前向微分模式自动微分时，对所述前向传播计算图中的基础算子进行线性化规则微分变换，得到所述前向微分计算图。
10.根据权利要求8所述的装置，其中，所述微分变换模块，具体用于在进行反向微分模式自动微分时，对所述前向传播计算图中的基础算子依次按照线性化规则和转置规则进行微分变换，得到所述反向微分计算图。
11.根据权利要求8所述的装置，其中，所述微分变换模块，具体用于在所述目标计算图为I阶微分计算图的情况下，对所述前向传播计算图中的基础算子执行I次目标微分变换，其中，所述I次目标微分变换中的第k次微分变换包括：
对第一目标计算图中的基础算子按照线性化规则进行微分变换，得到第k阶前向微分计算图；或者，
对第一目标计算图中的基础算子按照线性化规则进行微分变换，得到第k阶前向微分计算图；对所述第k阶前向微分计算图中的基础算子按照转置规则进行微分变换，得到第k阶反向微分计算图；
其中，所述k为大于0的整数，且所述k不大于所述I，所述I为不小于2的整数；在所述k等于1的情况下，所述第一目标计算图为所述前向传播计算图，在所述k不等于1的情况下，所述第一目标计算图为：第k-1阶前向微分计算图，或者，第k-1阶反向微分计算图。
12.根据权利要求8至11中任一项所述的装置，其中，所述获取模块，包括：
获取子模块，用于获取所述目标模型的初始计算图，所述初始计算图包括原生算子；
转换子模块，用于将所述初始计算图中的原生算子转换为所述基础算子，得到所述前向传播计算图；
其中，所述原生算子为具有至少一个基础算子功能的可执行算子。
13.根据权利要求12所述的装置，其中，所述装置还包括：
转换模块，用于将所述目标计算图中的基础算子转换为原生算子，得到所述目标微分计算图；
所述生成模块，具体用于基于所述目标微分计算图生成所述目标模型。
14.根据权利要求11所述的装置，其中，所述计算图包括前向微分计算图和反向微分计算图，所述目标模型包括前向网络和反向网络，所述生成模块，具体用于基于所述前向传播计算图和第I阶目标计算图生成所述前向网络，以及，基于第I+1阶目标计算图生成所述反向网络，其中，所述第I阶目标计算图为：第I阶前向微分计算图或者第I阶反向微分计算图；所述第I+1阶目标计算图为：第I+1阶前向微分计算图或者第I+1阶反向微分计算图。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的模型生成方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的模型生成方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的模型生成方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210551044.8A CN114897146B (zh) | 2022-05-18 | 2022-05-18 | 模型生成方法、装置和电子设备 |
| PCT/CN2022/128534 WO2023221407A1 (zh) | 2022-05-18 | 2022-10-31 | 模型生成方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210551044.8A CN114897146B (zh) | 2022-05-18 | 2022-05-18 | 模型生成方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114897146A true CN114897146A (zh) | 2022-08-12 |
| CN114897146B CN114897146B (zh) | 2023-11-03 |
Family
ID=82723188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210551044.8A Active CN114897146B (zh) | 2022-05-18 | 2022-05-18 | 模型生成方法、装置和电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114897146B (zh) |
| WO (1) | WO2023221407A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023221407A1 (zh) * | 2022-05-18 | 2023-11-23 | 北京百度网讯科技有限公司 | 模型生成方法、装置和电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607105A (zh) * | 2017-10-30 | 2018-01-19 | 长江师范学院 | 基于分数阶微分的光纤陀螺温度非线性误差补偿方法 |
| CN109615209A (zh) * | 2018-12-05 | 2019-04-12 | 山东大学 | 一种时滞电力系统特征值计算方法及系统 |
| CN110907926A (zh) * | 2019-10-29 | 2020-03-24 | 长江大学 | 基于传播算子的双基地emvs-mimo雷达快速目标定位算法及装置 |
| CN110990500A (zh) * | 2019-03-29 | 2020-04-10 | 天维讯达(湖南)科技有限公司 | 传播路径模型地图建立方法及路径损耗确定方法 |
| CN111860278A (zh) * | 2020-07-14 | 2020-10-30 | 陕西理工大学 | 一种基于深度学习的人体行为识别算法 |
| CN112529206A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 一种模型运行方法和系统 |
| CN112947933A (zh) * | 2021-02-24 | 2021-06-11 | 上海商汤智能科技有限公司 | 一种算子的执行方法、装置、计算机设备及存储介质 |
| CN113449842A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 一种分布式自动微分方法及相关装置 |
| CN114282664A (zh) * | 2021-04-26 | 2022-04-05 | 阿波罗智联(北京)科技有限公司 | 自反馈模型训练方法、装置、路侧设备及云控平台 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020077300A (ja) * | 2018-11-09 | 2020-05-21 | 日本電信電話株式会社 | 分散深層学習システムおよびデータ転送方法 |
| US11468276B2 (en) * | 2020-04-16 | 2022-10-11 | Robert Bosch Gmbh | System and method of a monotone operator neural network |
| CN114139104B (zh) * | 2021-12-10 | 2022-12-13 | 北京百度网讯科技有限公司 | 基于偏微分方程处理流场数据的方法、装置及电子设备 |
| CN114897146B (zh) * | 2022-05-18 | 2023-11-03 | 北京百度网讯科技有限公司 | 模型生成方法、装置和电子设备 |
-
2022
- 2022-05-18 CN CN202210551044.8A patent/CN114897146B/zh active Active
- 2022-10-31 WO PCT/CN2022/128534 patent/WO2023221407A1/zh unknown
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607105A (zh) * | 2017-10-30 | 2018-01-19 | 长江师范学院 | 基于分数阶微分的光纤陀螺温度非线性误差补偿方法 |
| CN109615209A (zh) * | 2018-12-05 | 2019-04-12 | 山东大学 | 一种时滞电力系统特征值计算方法及系统 |
| CN110990500A (zh) * | 2019-03-29 | 2020-04-10 | 天维讯达(湖南)科技有限公司 | 传播路径模型地图建立方法及路径损耗确定方法 |
| CN112529206A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 一种模型运行方法和系统 |
| CN110907926A (zh) * | 2019-10-29 | 2020-03-24 | 长江大学 | 基于传播算子的双基地emvs-mimo雷达快速目标定位算法及装置 |
| CN113449842A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 一种分布式自动微分方法及相关装置 |
| CN111860278A (zh) * | 2020-07-14 | 2020-10-30 | 陕西理工大学 | 一种基于深度学习的人体行为识别算法 |
| CN112947933A (zh) * | 2021-02-24 | 2021-06-11 | 上海商汤智能科技有限公司 | 一种算子的执行方法、装置、计算机设备及存储介质 |
| CN114282664A (zh) * | 2021-04-26 | 2022-04-05 | 阿波罗智联(北京)科技有限公司 | 自反馈模型训练方法、装置、路侧设备及云控平台 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023221407A1 (zh) * | 2022-05-18 | 2023-11-23 | 北京百度网讯科技有限公司 | 模型生成方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114897146B (zh) | 2023-11-03 |
| WO2023221407A1 (zh) | 2023-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112819170B (zh) | 控制脉冲生成方法、装置、系统、设备及存储介质 | |
| CN112749809B (zh) | 构造量子仿真系统的方法和装置 | |
| CN112561068B (zh) | 模拟方法、计算设备、经典设备、存储设备及产品 | |
| JP7354320B2 (ja) | 量子デバイスのノイズ除去方法および装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム | |
| Abarbanel et al. | Data assimilation with regularized nonlinear instabilities | |
| KR20210125405A (ko) | 질문 분석 방법, 장치, 지식 기반 질문 응답 시스템 및 전자 기기 | |
| JP7390445B2 (ja) | 文字位置決めモデルのトレーニング方法及び文字位置決め方法 | |
| CN114911465A (zh) | 算子的生成方法、装置、设备以及存储介质 | |
| Melnikov et al. | Quantum state preparation using tensor networks | |
| CN113792464A (zh) | 耦合接口交互方法、系统、仿真系统、设备及存储介质 | |
| CN114897146B (zh) | 模型生成方法、装置和电子设备 | |
| CN110929087A (zh) | 一种音频分类方法、装置、电子设备及存储介质 | |
| CN114580645A (zh) | 随机量子测量的模拟方法、装置、设备及存储介质 | |
| CN115953651A (zh) | 一种基于跨域设备的模型训练方法、装置、设备及介质 | |
| CN116306849A (zh) | 逆向神经网络模型的训练、光学处理器的确定方法及装置 | |
| CN115906987A (zh) | 深度学习模型的训练方法、虚拟形象驱动方法和装置 | |
| JP2023012541A (ja) | テーブルに基づく質問応答方法、装置及び電子機器 | |
| CN109670158B (zh) | 一种用于根据资讯数据生成文本内容的方法与设备 | |
| US10262021B2 (en) | Methods and systems for processing data using QR factorization | |
| CN113869042A (zh) | 文本标题生成方法、装置、电子设备以及存储介质 | |
| CN113361621A (zh) | 用于训练模型的方法和装置 | |
| CN113610992B (zh) | 骨骼驱动系数确定方法、装置、电子设备及可读存储介质 | |
| CN111723247A (zh) | 基于图的假设计算 | |
| Street et al. | Semimargingale driven mechanics and reduction by symmetry for stochastic and dissipative dynamical systems | |
| Paszyńska et al. | Heuristic algorithm to predict the location of C^{0} separators for efficient isogeometric analysis simulations with direct solvers |
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 |