CN111767981A - Mish激活函数的近似计算方法 - Google Patents
Mish激活函数的近似计算方法 Download PDFInfo
- Publication number
- CN111767981A CN111767981A CN202010431133.XA CN202010431133A CN111767981A CN 111767981 A CN111767981 A CN 111767981A CN 202010431133 A CN202010431133 A CN 202010431133A CN 111767981 A CN111767981 A CN 111767981A
- Authority
- CN
- China
- Prior art keywords
- function
- activation function
- neural network
- mish
- convolutional neural
- 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
- 230000004913 activation Effects 0.000 title claims abstract description 92
- 238000004364 calculation method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 45
- 101150060512 SPATA6 gene Proteins 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 148
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram 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
- G06N3/048—Activation functions
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了Mish激活函数的近似计算方法，该Mish激活函数的近似计算方法采用分段逼近的方式构建形成一形式较为简单的hard‑mish分段函数，该hard‑mish分段函数的计算复杂度远低于该Mish激活函数，这样能够有效地减少函数运算的耗费时间，此外该hard‑mish分段函数还能够有效地减少运算过程中对***内存的访问次数和内存占用率，并且该hard‑mish分段函数与该Mish激活函数在计算结果上存在较小的误差，从而有效地改善Mish激活函数的应用普适性。
Description
技术领域
本发明涉及计算机数据处理的技术领域，特别涉及Mish激活函数的近似计算方法。
背景技术
Mish激活函数是一种新研究的激活函数，其具体数学形式为Mish(x)＝x·tanh(ln(1+ex)，与以往的sigmoid和swish激活函数相比，该Mish激活函数在多个计算机视觉任务的检测识别方面具备更加优越的计算性能，但是由于Mish激活函数的计算公式复杂，这使得该Mish激活函数在运行过程中会占用较多的***内存和耗费较长的运算时间，从而严重地制约该Mish激活函数的应用普适性。可见，现有技术继续一种能够逼近于Mish激活函数并且与Mish激活函数之间存在较小计算误差的函数近似计算方法。
发明内容
针对现有技术存在的缺陷，本发明提供Mish激活函数的近似计算方法，该Mish激活函数的近似计算方法包括如下步骤：步骤S1，构建一卷积神经网络；步骤S2，根据关于Mish激活函数的分段逼近原则，构建另一hard-mish函数，以此作为新的激活函数；步骤S3，根据该hard-mish函数，对该卷积神经网络进行训练，以此将该卷积神经网络的权重参数更新至收敛状态；步骤S4，输出权重参数处于收敛状态的该卷积神经网络；可见，该Mish激活函数的近似计算方法采用分段逼近的方式构建形成一形式较为简单的hard-mish分段函数，该hard-mish分段函数的计算复杂度远低于该Mish激活函数，这样能够有效地减少函数运算的耗费时间，此外该hard-mish分段函数还能够有效地减少运算过程中对***内存的访问次数和内存占用率，并且该hard-mish分段函数与该Mish激活函数在计算结果上存在较小的误差，从而有效地改善Mish激活函数的应用普适性。
本发明提供Mish激活函数的近似计算方法，其特征在于，所述Mish激活函数的近似计算方法包括如下步骤：
步骤S1，构建一卷积神经网络；
步骤S2，根据关于Mish激活函数的分段逼近原则，构建另一hard-mish函数，以此作为新的激活函数；
步骤S3，根据所述hard-mish函数，对所述卷积神经网络进行训练，以此将所述卷积神经网络的权重参数更新至收敛状态；
步骤S4，输出权重参数处于收敛状态的所述卷积神经网络；
进一步，在所述步骤S1中，构建一卷积神经网络具体包括，
根据Mish激活函数的数据计算场景和/或计算数据类型，构建所述卷积神经网络模型；
进一步，在所述步骤S2中，根据关于Mish激活函数的分段逼近原则，构建另一hard-mish函数，以此作为新的激活函数具体包括，
步骤S201，对所述Mish激活函数进行区间分段，以此获得关于所述Mish激活函数在若干不同区间的函数曲线参数；
步骤S202，对每一个所述区间的函数曲线参数进行无限逼近计算处理，并以此构建如下面公式(1)所示的hard-mish函数
进一步，在所述步骤S201中，对所述Mish激活函数进行区间分段，以此获得关于所述Mish激活函数在若干不同区间的函数曲线参数具体包括，
步骤S2011，设定所述Mish激活函数的数学公式如下面公式(2)所示
Mish(x)＝x·tanh(ln(1+ex) (2)；
步骤S2012，将所述Mish激活函数中的变量x，按照区间(-∞，-3]，(-3，3)和[3，+∞)进行分段；
步骤S2013，根据所述变量x的上述三个区间分段结果，计算所述Mish激活函数在上述三个区间中的每一个区间对应的函数曲线的函数计算结果偏移量，以此作为所述函数曲线参数；
进一步，在所述步骤S202中，对每一个所述区间的函数曲线参数进行无限逼近计算处理，并以此构建如公式(1)所示的hard-mish函数具体包括，
步骤S2021，对每一个所述区间对应的函数曲线的函数计算结果偏移量，进行线性函数或者非线性函数的模拟，以此对应获得三个子函数；
步骤S2022，在区间连接点x＝-3和x＝3上，对所述三个子函数进行函数连接平滑化处理，以此构建形成如所述公式(1)所示的hard-mish函数；
进一步，在所述步骤S3中，根据所述hard-mish函数，对所述卷积神经网络进行训练，以此将所述卷积神经网络的权重参数更新至收敛状态具体包括，步骤S301，根据所述hard-mish函数，对所述卷积神经网络进行预定次数的迭代训练，以此获得所述卷积神经网络的权重参数；
步骤S302，判断所述卷积神经网络当前的权重参数是否处于收敛区间范围；
步骤S303，若确定所述当前的权重参数处于所述收敛区间范围，则停止对所述卷积神经网络进行所述迭代训练；
步骤S304，若确定所述当前的权重参数不处于所述收敛区间范围，则根据所述hard-mish函数，对所述卷积神经网络再进行单次的训练，直到训练后得到的权重参数处于所述收敛区间范围为止；
进一步，在所述步骤S4中，输出权重参数处于收敛状态的所述卷积神经网络具体包括，
将权重参数处于收敛状态的所述卷积神经网络输出至相应的视觉计算任务中，以此执行相应的视觉计算分析。
相比于现有技术，该Mish激活函数的近似计算方法包括如下步骤：步骤S1，构建一卷积神经网络；步骤S2，根据关于Mish激活函数的分段逼近原则，构建另一hard-mish函数，以此作为新的激活函数；步骤S3，根据该hard-mish函数，对该卷积神经网络进行训练，以此将该卷积神经网络的权重参数更新至收敛状态；步骤S4，输出权重参数处于收敛状态的该卷积神经网络；可见，该Mish激活函数的近似计算方法采用分段逼近的方式构建形成一形式较为简单的hard-mish分段函数，该hard-mish分段函数的计算复杂度远低于该Mish激活函数，这样能够有效地减少函数运算的耗费时间，此外该hard-mish分段函数还能够有效地减少运算过程中对***内存的访问次数和内存占用率，并且该hard-mish分段函数与该Mish激活函数在计算结果上存在较小的误差，从而有效地改善Mish激活函数的应用普适性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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的附图。
图1为本发明提供的Mish激活函数的近似计算方法的整体流程示意图。
图2为本发明提供的Mish激活函数的近似计算方法中步骤S2的细化流程示意图。
图3为本发明提供的Mish激活函数的近似计算方法中步骤S3的细化流程示意图。
图4为本发明提供的Mish激活函数的近似计算方法获得的hard-mish函数与Mish激活函数之间的实际误差图。
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，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的Mish激活函数的近似计算方法的整体流程示意图。该Mish激活函数的近似计算方法包括如下步骤：
步骤S1，构建一卷积神经网络；
步骤S2，根据关于Mish激活函数的分段逼近原则，构建另一hard-mish函数，以此作为新的激活函数；
步骤S3，根据该hard-mish函数，对该卷积神经网络进行训练，以此将该卷积神经网络的权重参数更新至收敛状态；
步骤S4，输出权重参数处于收敛状态的该卷积神经网络。
优选地，在该步骤S1中，构建一卷积神经网络具体包括，
根据Mish激活函数的数据计算场景和/或计算数据类型，构建该卷积神经网络模型。
优选地，在该步骤S4中，输出权重参数处于收敛状态的该卷积神经网络具体包括，
将权重参数处于收敛状态的该卷积神经网络输出至相应的视觉计算任务中，以此执行相应的视觉计算分析。
参阅图2，为本发明实施例提供的Mish激活函数的近似计算方法中步骤S2的细化流程示意图。在该步骤S2中，根据关于Mish激活函数的分段逼近原则，构建另一hard-mish函数，以此作为新的激活函数具体包括，
步骤S201，对该Mish激活函数进行区间分段，以此获得关于该Mish激活函数在若干不同区间的函数曲线参数；
步骤S202，对每一个该区间的函数曲线参数进行无限逼近计算处理，并以此构建如下面公式(1)所示的hard-mish函数
优选地，在该步骤S201中，对该Mish激活函数进行区间分段，以此获得关于该Mish激活函数在若干不同区间的函数曲线参数具体包括，
步骤S2011，设定该Mish激活函数的数学公式如下面公式(2)所示
Mish(x)＝x·tanh(ln(1+ex) (2)；
步骤S2012，将该Mish激活函数中的变量x，按照区间(-∞，-3]，(-3，3)和[3，+∞)进行分段；
步骤S2013，根据该变量x的上述三个区间分段结果，计算该Mish激活函数在上述三个区间中的每一个区间对应的函数曲线的函数计算结果偏移量，以此作为该函数曲线参数。
优选地，在该步骤S202中，对每一个该区间的函数曲线参数进行无限逼近计算处理，并以此构建如公式(1)所示的hard-mish函数具体包括，
步骤S2021，对每一个该区间对应的函数曲线的函数计算结果偏移量，进行线性函数或者非线性函数的模拟，以此对应获得三个子函数；
步骤S2022，在区间连接点x＝-3和x＝3上，对该三个子函数进行函数连接平滑化处理，以此构建形成如该公式(1)所示的hard-mish函数。
参阅图3，为本发明实施例提供的Mish激活函数的近似计算方法中步骤S3的细化流程示意图。在该步骤S3中，根据该hard-mish函数，对该卷积神经网络进行训练，以此将该卷积神经网络的权重参数更新至收敛状态具体包括，
步骤S301，根据该hard-mish函数，对该卷积神经网络进行预定次数的迭代训练，以此获得该卷积神经网络的权重参数；
步骤S302，判断该卷积神经网络当前的权重参数是否处于收敛区间范围；
步骤S303，若确定该当前的权重参数处于该收敛区间范围，则停止对该卷积神经网络进行该迭代训练；
步骤S304，若确定该当前的权重参数不处于该收敛区间范围，则根据该hard-mish函数，对该卷积神经网络再进行单次的训练，直到训练后得到的权重参数处于该收敛区间范围为止。
参阅图4，为本发明实施例提供的Mish激活函数的近似计算方法获得的hard-mish函数与Mish激活函数之间的实际误差图。从该图4可见，虚线表示Mish激活函数的曲线，实线表示hard-mish函数的曲线，上述两个函数曲线在区间(-5，-1)上存在一定的偏差值，但是该偏差值能够维持在(-0.3，+0.3)内，而上述两个函数曲线在区间[-1，+∞)上存在的偏差值基本可以忽略，特别地在区间[+3，+∞)上，上述两个函数曲线基本上可认为重合。
从上述实施例的内容可知，该Mish激活函数的近似计算方法采用分段逼近的方式构建形成一形式较为简单的hard-mish分段函数，该hard-mish分段函数的计算复杂度远低于该Mish激活函数，这样能够有效地减少函数运算的耗费时间，此外该hard-mish分段函数还能够有效地减少运算过程中对***内存的访问次数和内存占用率，并且该hard-mish分段函数与该Mish激活函数在计算结果上存在较小的误差，从而有效地改善Mish激活函数的应用普适性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.Mish激活函数的近似计算方法，其特征在于，所述Mish激活函数的近似计算方法包括如下步骤：
步骤S1，构建一卷积神经网络；
步骤S2，根据关于Mish激活函数的分段逼近原则，构建另一hard-mish函数，以此作为新的激活函数；
步骤S3，根据所述hard-mish函数，对所述卷积神经网络进行训练，以此将所述卷积神经网络的权重参数更新至收敛状态；
步骤S4，输出权重参数处于收敛状态的所述卷积神经网络。
2.如权利要求1所述的Mish激活函数的近似计算方法，其特征在于：
在所述步骤S1中，构建一卷积神经网络具体包括，
根据Mish激活函数的数据计算场景和/或计算数据类型，构建所述卷积神经网络模型。
3.如权利要求1所述的Mish激活函数的近似计算方法，其特征在于：
在所述步骤S2中，根据关于Mish激活函数的分段逼近原则，构建另一hard-mish函数，以此作为新的激活函数具体包括，
步骤S201，对所述Mish激活函数进行区间分段，以此获得关于所述Mish激活函数在若干不同区间的函数曲线参数；
步骤S202，对每一个所述区间的函数曲线参数进行无限逼近计算处理，并以此构建如下面公式(1)所示的hard-mish函数
4.如权利要求3所述的Mish激活函数的近似计算方法，其特征在于：
在所述步骤S201中，对所述Mish激活函数进行区间分段，以此获得关于所述Mish激活函数在若干不同区间的函数曲线参数具体包括，
步骤S2011，设定所述Mish激活函数的数学公式如下面公式(2)所示
Mish(x)＝x·tanh(ln(1+ex) (2)；
步骤S2012，将所述Mish激活函数中的变量x，按照区间(-∞，-3]，(-3，3)和[3，+∞)进行分段；
步骤S2013，根据所述变量x的上述三个区间分段结果，计算所述Mish激活函数在上述三个区间中的每一个区间对应的函数曲线的函数计算结果偏移量，以此作为所述函数曲线参数。
5.如权利要求4所述的Mish激活函数的近似计算方法，其特征在于：
在所述步骤S202中，对每一个所述区间的函数曲线参数进行无限逼近计算处理，并以此构建如公式(1)所示的hard-mish函数具体包括，
步骤S2021，对每一个所述区间对应的函数曲线的函数计算结果偏移量，进行线性函数或者非线性函数的模拟，以此对应获得三个子函数；
步骤S2022，在区间连接点x＝-3和x＝3上，对所述三个子函数进行函数连接平滑化处理，以此构建形成如所述公式(1)所示的hard-mish函数。
6.如权利要求1所述的Mish激活函数的近似计算方法，其特征在于：
在所述步骤S3中，根据所述hard-mish函数，对所述卷积神经网络进行训练，以此将所述卷积神经网络的权重参数更新至收敛状态具体包括，
步骤S301，根据所述hard-mish函数，对所述卷积神经网络进行预定次数的迭代训练，以此获得所述卷积神经网络的权重参数；
步骤S302，判断所述卷积神经网络当前的权重参数是否处于收敛区间范围；
步骤S303，若确定所述当前的权重参数处于所述收敛区间范围，则停止对所述卷积神经网络进行所述迭代训练；
步骤S304，若确定所述当前的权重参数不处于所述收敛区间范围，则根据所述hard-mish函数，对所述卷积神经网络再进行单次的训练，直到训练后得到的权重参数处于所述收敛区间范围为止。
7.如权利要求1所述的Mish激活函数的近似计算方法，其特征在于：
在所述步骤S4中，输出权重参数处于收敛状态的所述卷积神经网络具体包括，
将权重参数处于收敛状态的所述卷积神经网络输出至相应的视觉计算任务中，以此执行相应的视觉计算分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431133.XA CN111767981B (zh) | 2020-05-20 | 2020-05-20 | Mish激活函数的近似计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431133.XA CN111767981B (zh) | 2020-05-20 | 2020-05-20 | Mish激活函数的近似计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111767981A true CN111767981A (zh) | 2020-10-13 |
| CN111767981B CN111767981B (zh) | 2023-12-05 |
Family
ID=72719522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010431133.XA Active CN111767981B (zh) | 2020-05-20 | 2020-05-20 | Mish激活函数的近似计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767981B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022156475A1 (zh) * | 2021-01-20 | 2022-07-28 | 华为技术有限公司 | 神经网络模型的训练方法、数据处理方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101404071A (zh) * | 2008-11-07 | 2009-04-08 | 湖南大学 | 基于分组粒子群算法的电子电路故障诊断神经网络方法 |
| CN104408302A (zh) * | 2014-11-19 | 2015-03-11 | 北京航空航天大学 | 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法 |
| US20190042922A1 (en) * | 2018-06-29 | 2019-02-07 | Kamlesh Pillai | Deep neural network architecture using piecewise linear approximation |
| CN110569816A (zh) * | 2019-09-12 | 2019-12-13 | 中国石油大学(华东) | 基于新激活函数的交通标志分类算法 |
-
2020
- 2020-05-20 CN CN202010431133.XA patent/CN111767981B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101404071A (zh) * | 2008-11-07 | 2009-04-08 | 湖南大学 | 基于分组粒子群算法的电子电路故障诊断神经网络方法 |
| CN104408302A (zh) * | 2014-11-19 | 2015-03-11 | 北京航空航天大学 | 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法 |
| US20190042922A1 (en) * | 2018-06-29 | 2019-02-07 | Kamlesh Pillai | Deep neural network architecture using piecewise linear approximation |
| CN110569816A (zh) * | 2019-09-12 | 2019-12-13 | 中国石油大学(华东) | 基于新激活函数的交通标志分类算法 |
Non-Patent Citations (2)
| Title |
|---|
| YAN LIU等: "《FPGA Implementation of a BPSK 1D-CNN Demodulator》", 《 APPLIED SCIENCES》 * |
| 杨景明等: "《基于FPGA的BP神经网络硬件实现及改进 》", 《计算机工程与设计》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022156475A1 (zh) * | 2021-01-20 | 2022-07-28 | 华为技术有限公司 | 神经网络模型的训练方法、数据处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111767981B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110942248B (zh) | 交易风控网络的训练方法及装置、交易风险检测方法 | |
| KR20060118598A (ko) | 참조 데이터 최적화 학습 방법과 패턴 인식 시스템 | |
| CN112818588B (zh) | 一种电力***的最优潮流计算方法、装置及存储介质 | |
| CN110942142B (zh) | 神经网络的训练及人脸检测方法、装置、设备和存储介质 | |
| CN115935442A (zh) | 基于多智能体深度强化学习的区块链性能优化方法 | |
| CN114781248A (zh) | 基于状态偏移矫正的离线强化学习方法及装置 | |
| CN111767981A (zh) | Mish激活函数的近似计算方法 | |
| CN115567405A (zh) | 一种基于自适应反馈调节机制的网络流量灰色预测方法 | |
| CN114998679A (zh) | 深度学习模型的在线训练方法、装置、设备及存储介质 | |
| CN113759708B (zh) | ***的优化控制方法、装置和电子设备 | |
| Mattila et al. | What did your adversary believeƒ Optimal filtering and smoothing in counter-adversarial autonomous systems | |
| CN112818986A (zh) | 基于深度关系推理的文本检测方法、装置、***及介质 | |
| CN117014507A (zh) | 任务卸载模型的训练方法、任务的卸载方法及装置 | |
| CN111124439A (zh) | 一种云边协同的智能动态卸载算法 | |
| CN108599976B (zh) | 网络质量评估模型构建方法、装置及计算机设备 | |
| CN107124159A (zh) | 一种基于自适应kld盒子长度的粒子滤波器的实现方法 | |
| CN108229664B (zh) | 一种批规范化处理方法及装置、计算机设备 | |
| CN110705437A (zh) | 一种基于动态级联回归的人脸关键点检测方法及*** | |
| CN114065913A (zh) | 模型量化方法、装置及终端设备 | |
| CN112184846A (zh) | 图像生成方法、装置、计算机设备和可读存储介质 | |
| Deo et al. | Combining Retrospective Approximation with Importance Sampling for Optimising Conditional Value at Risk | |
| CN105894029B (zh) | 一种基于费马点求解的自适应运动轨迹数据去噪方法 | |
| CN112714165B (zh) | 一种基于组合机制的分布式网络协作策略优化方法和装置 | |
| CN111833199A (zh) | 社区结构的划分方法、装置、设备及计算机可读介质 | |
| CN114065100B (zh) | 锅炉氮氧化物排放量控制方法、终端及存储介质 |
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 |