JP7194284B2 - 量子化モデルの最適化方法、装置、情報推薦方法、装置、ニューラルネットワークモデルの最適化方法、装置、電子機器及びコンピュータプログラム - Google Patents
量子化モデルの最適化方法、装置、情報推薦方法、装置、ニューラルネットワークモデルの最適化方法、装置、電子機器及びコンピュータプログラム Download PDFInfo
- Publication number
- JP7194284B2 JP7194284B2 JP2021533463A JP2021533463A JP7194284B2 JP 7194284 B2 JP7194284 B2 JP 7194284B2 JP 2021533463 A JP2021533463 A JP 2021533463A JP 2021533463 A JP2021533463 A JP 2021533463A JP 7194284 B2 JP7194284 B2 JP 7194284B2
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- model
- jump
- quantized
- predetermined time
- 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
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Machine Translation (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
訓練後の量子化モデルの埋め込み層パラメータの所定時間範囲内での各ジャンプレイシオを決定するステップであって、量子化モデルは、埋め込み層パラメータが量子化処理されたニューラルネットワークモデルであるステップと、
各ジャンプレイシオに基づいて、所定時間範囲内のジャンプ曲線を決定し、ジャンプ曲線に対してフィッティング処理を行い、対応するタイムスケールパラメータを獲得するステップと、
タイムスケールパラメータに基づいて、量子化モデルのオリジナル最適化アルゴリズムを最適化し、最適化されたターゲット最適化アルゴリズムを獲得して、ターゲット最適化アルゴリズムに基づいて量子化モデルを訓練するステップと、を含む、量子化モデルの最適化方法を提供する。
訓練後の量子化モデルの埋め込み層パラメータの所定時間範囲内での各ジャンプレイシオを決定する第1の決定モジュールであって、量子化モデルは、埋め込み層パラメータが量子化処理されたニューラルネットワークモデルである第1の決定モジュールと、
各ジャンプレイシオに基づいて、所定時間範囲内のジャンプ曲線を決定し、ジャンプ曲線に対してフィッティング処理を行い、対応するタイムスケールパラメータを獲得する第1の処理モジュールと、
タイムスケールパラメータに基づいて、量子化モデルのオリジナル最適化アルゴリズムを最適化し、最適化されたターゲット最適化アルゴリズムを獲得して、ターゲット最適化アルゴリズムに基づいて量子化モデルを訓練する第2の処理モジュールと、を含む、量子化モデルの最適化装置をさらに提供する。
所定時間帯内のユーザ行動データを取得するステップと、
上述の量子化モデルの最適化方法で獲得された最適化後の量子化モデルに基づいて、ユーザ行動データを学習し、ユーザ行動データに対応するユーザ行動特徴を決定するステップと、
ユーザ行動特徴に基づいてターゲット推薦情報を決定し、ターゲット推薦情報を推薦するステップと、を含む、最適化後の量子化モデルに基づく情報推薦方法をさらに提供する。
所定時間帯内のユーザ行動データを取得する取得モジュールと、
上述の量子化モデルの最適化方法で獲得された最適化後の量子化モデルに基づいて、ユーザ行動データを学習し、ユーザ行動データに対応するユーザ行動特徴を決定する第2の決定モジュールと、
ユーザ行動特徴に基づいてターゲット推薦情報を決定し、ターゲット推薦情報を推薦する推薦モジュールと、を含む、最適化後の量子化モデルに基づく情報推薦装置を提供する。
ニューラルネットワークモデルのオリジナル学習率パラメータを決定するステップであって、ニューラルネットワークモデルは、前記量子化モデル又は前記量子化モデルの量子化前のオリジナルモデルであるステップと、
ジャンプレイシオに基づいて、ニューラルネットワークモデル埋め込み層パラメータの信頼度を決定するステップであって、ジャンプレイシオは、上述の量子化モデルの最適化方法で獲得された訓練後の量子化モデルの埋め込み層パラメータの所定時間範囲内での各ジャンプレイシオであるステップと、
信頼度に基づいてオリジナル学習率パラメータを調整することで、ニューラルネットワークモデルを最適化するステップと、を含む、ニューラルネットワークモデルの最適化方法を提供する。
ニューラルネットワークモデルのオリジナル学習率パラメータを決定する第3の決定モジュールであって、前記ニューラルネットワークモデルは、前記量子化モデル又は前記量子化モデルの量子化前のオリジナルモデルである第3の決定モジュールと、
ジャンプレイシオに基づいて、ニューラルネットワークモデル埋め込み層パラメータの信頼度を決定する第4の決定モジュールであって、ジャンプレイシオは、上述の量子化モデルの最適化方法で獲得された訓練後の量子化モデルの埋め込み層パラメータの所定時間範囲内での各ジャンプレイシオである第4の決定モジュールと、
信頼度に基づいてオリジナル学習率パラメータを調整することで、ニューラルネットワークモデルを最適化する最適化モジュールと、を含む、ニューラルネットワークモデルの最適化装置をさらに提供する。
とする。ここで、gは、勾配又はモーメント推定を表し、tiは、埋め込み層パラメータが更新されたタイムスタンプを表し、埋め込み層パラメータの更新回数であってもよく、αは、学習率パラメータであり、値が予め設定されたハイパーパラメータであり、
の形式とする場合、ターゲット最適化アルゴリズムに基づいて量子化モデルを訓練する際、量子化モデルの収束速度が所定の速度閾値より小さい、又は、収束速度に係る所定の条件を満たすと、μ又はλを適当に大きくし、すなわち、タイムスケールパラメータを大きくすることができ、量子化モデルの精度が所定の精度閾値より低い、又は、精度に係る所定の条件を満たすと、μ又はλを適当に小さくし、すなわち、タイムスケールパラメータを小さくすることができる。
Claims (20)
- 電子機器に適用される量子化モデルの最適化方法であって、
訓練後の量子化モデルの埋め込み層パラメータの所定時間範囲内での各ジャンプレイシオを決定するステップであって、前記量子化モデルは、埋め込み層パラメータが量子化処理されたニューラルネットワークモデルであるステップと、
各ジャンプレイシオに基づいて、前記所定時間範囲内のジャンプ曲線を決定し、前記ジャンプ曲線に対してフィッティング処理を行い、対応するタイムスケールパラメータを獲得するステップと、
前記タイムスケールパラメータに基づいて前記量子化モデルのオリジナル最適化アルゴリズムを最適化し、最適化されたターゲット最適化アルゴリズムを獲得して、前記ターゲット最適化アルゴリズムに基づいて前記量子化モデルを訓練するステップと、を含む、量子化モデルの最適化方法。 - 埋め込み層パラメータの量子化処理は、埋め込み層パラメータのN(Nは1より大きい整数である)値化の量子化処理を含む、請求項1に記載の方法。
- 訓練後の量子化モデルの埋め込み層パラメータの所定時間範囲内での各ジャンプレイシオを決定する前記ステップは、
前記埋め込み層パラメータの前記所定時間範囲内の各所定時間区間でのパラメータジャンプがそれぞれ対応するジャンプレイシオを決定するステップを含み、
前記埋め込み層パラメータのいずれかの所定時間区間内でのパラメータジャンプのジャンプレイシオを決定するステップは、
前記いずれかの所定時間区間での埋め込み層パラメータがこのいずれかの所定時間の直前の所定時間区間での埋め込み層パラメータに対して、ジャンプしたパラメータの数を決定するステップと、
前記パラメータの数及び前記埋め込み層パラメータの総数量に基づいて、前記埋め込み層パラメータの前記いずれかの所定時間区間でのパラメータジャンプのジャンプレイシオを決定するステップと、を含む、請求項1又は2に記載の方法。 - 前記ジャンプ曲線に対してフィッティング処理を行い、対応するタイムスケールパラメータを獲得するステップは、
前記ジャンプ曲線の曲線タイプを決定し、前記曲線タイプに対応するフィッティング関数を決定するステップと、
前記フィッティング関数に基づいて、前記ジャンプ曲線に対してフィッティング処理を行い、対応するタイムスケールパラメータを獲得するステップと、を含む、請求項1に記載の方法。 - 前記タイムスケールパラメータに基づいて前記量子化モデルのオリジナル最適化アルゴリズムを最適化するステップは、
前記タイムスケールパラメータに基づいて、前記オリジナル最適化アルゴリズムにおける学習率パラメータを最適化するステップを含む、請求項1に記載の方法。 - 前記タイムスケールパラメータに基づいて、前記オリジナル最適化アルゴリズムにおける学習率パラメータを最適化するステップは、
前記オリジナル最適化アルゴリズムにおける学習率パラメータを前記学習率パラメータと前記タイムスケールパラメータとの積に更新するステップを含む、請求項5に記載の方法。 - 前記量子化モデルを訓練するステップは、
前記量子化モデルの収束速度が所定の速度閾値より小さい場合、前記タイムスケールパラメータを大きくするステップと、
前記量子化モデルの精度が所定の精度閾値より小さい場合、前記タイムスケールパラメータを小さくするステップと、を含む、請求項1に記載の方法。 - 電子機器に適用される、最適化後の量子化モデルに基づく情報推薦方法であって、
所定時間帯内のユーザ行動データを取得するステップと、
請求項1~請求項7のいずれかに記載の方法で獲得された最適化後の量子化モデルに基づいて、前記ユーザ行動データを学習し、前記ユーザ行動データに対応するユーザ行動特徴を決定するステップと、
前記ユーザ行動特徴に基づいて、ターゲット推薦情報を決定し、前記ターゲット推薦情報を推薦するステップと、を含む、情報推薦方法。 - 電子機器に適用されるニューラルネットワークモデルの最適化方法であって、
ニューラルネットワークモデルのオリジナル学習率パラメータを決定するステップであって、前記ニューラルネットワークモデルは、前記量子化モデル又は前記量子化モデルの量子化前のオリジナルモデルであるステップと、
ジャンプレイシオに基づいて、前記ニューラルネットワークモデル埋め込み層パラメータの信頼度を決定するステップであって、前記ジャンプレイシオは、請求項1~請求項7のいずれかに記載の方法で獲得された訓練後の量子化モデルの埋め込み層パラメータの所定時間範囲内での各ジャンプレイシオであるステップと、
前記信頼度に基づいて、前記オリジナル学習率パラメータを調整することで、前記ニューラルネットワークモデルを最適化するステップと、を含む、ニューラルネットワークモデルの最適化方法。 - 前記信頼度に基づいて、前記オリジナル学習率パラメータを調整する前記ステップは、
信頼度が第1の所定の条件を満たす場合、前記オリジナル学習率パラメータを小さくするステップと、
信頼度が第2の所定の条件を満たす場合、前記オリジナル学習率パラメータを大きくするステップと、を含む、請求項9に記載の方法。 - 訓練後の量子化モデルの埋め込み層パラメータの所定時間範囲内での各ジャンプレイシオを決定する第1の決定モジュールであって、前記量子化モデルは、埋め込み層パラメータが量子化処理されたニューラルネットワークモデルである第1の決定モジュールと、
各ジャンプレイシオに基づいて、前記所定時間範囲内のジャンプ曲線を決定し、前記ジャンプ曲線に対してフィッティング処理を行い、対応するタイムスケールパラメータを獲得する第1の処理モジュールと、
前記タイムスケールパラメータに基づいて前記量子化モデルのオリジナル最適化アルゴリズムを最適化し、最適化されたターゲット最適化アルゴリズムを獲得して、前記ターゲット最適化アルゴリズムに基づいて前記量子化モデルを訓練する第2の処理モジュールと、を含む、量子化モデルの最適化装置。 - 前記第1の決定モジュールは、
前記埋め込み層パラメータの前記所定時間範囲内での各所定時間区間に対して、
いずれかの所定時間区間の埋め込み層パラメータがこのいずれかの所定時間区間の直前の所定時間区間の埋め込み層パラメータに対して、ジャンプしたパラメータの数を決定し、
前記パラメータの数及び前記埋め込み層パラメータの総数量に基づいて、前記埋め込み層パラメータの前記所定時間区間でのパラメータジャンプのジャンプレイシオを決定するためのものである、請求項11に記載の装置。 - 前記第1の処理モジュールは、
前記ジャンプ曲線の曲線タイプを決定し、前記曲線タイプに対応するフィッティング関数を決定し、
前記フィッティング関数に基づいて、前記ジャンプ曲線に対してフィッティング処理を行い、対応するタイムスケールパラメータを獲得するためのものである、請求項11に記載の装置。 - 前記第2の処理モジュールは、
前記タイムスケールパラメータに基づいて、前記オリジナル最適化アルゴリズムにおける学習率パラメータを最適化するためのものである、請求項11に記載の装置。 - 前記第2の処理モジュールは、
前記量子化モデルの収束速度が所定の速度閾値より小さい場合、前記タイムスケールパラメータを大きくし、
前記量子化モデルの精度が所定の精度閾値より小さい場合、前記タイムスケールパラメータを小さくするためのものである、請求項11に記載の装置。 - 最適化後の量子化モデルに基づく情報推薦装置であって、
所定時間帯内のユーザ行動データを取得する取得モジュールと、
請求項1~請求項7のいずれかに記載の方法で獲得された最適化後の量子化モデルに基づいて、前記ユーザ行動データを学習し、前記ユーザ行動データに対応するユーザ行動特徴を決定する第2の決定モジュールと、
前記ユーザ行動特徴に基づいて、ターゲット推薦情報を決定し、前記ターゲット推薦情報を推薦する推薦モジュールと、を含む、情報推薦装置。 - ニューラルネットワークモデルの最適化装置であって、
ニューラルネットワークモデルのオリジナル学習率パラメータを決定する第3の決定モジュールであって、前記ニューラルネットワークモデルは、前記量子化モデル又は前記量子化モデルの量子化前のオリジナルモデルである第3の決定モジュールと、
ジャンプレイシオに基づいて、前記ニューラルネットワークモデル埋め込み層パラメータの信頼度を決定する第4の決定モジュールであって、前記ジャンプレイシオは、請求項1~請求項7のいずれかに記載の方法で獲得された訓練後の量子化モデルの埋め込み層パラメータの所定時間範囲内での各ジャンプレイシオである第4の決定モジュールと、
前記信頼度に基づいて、前記オリジナル学習率パラメータを調整することで、前記ニューラルネットワークモデルを最適化する最適化モジュールと、を含む、ニューラルネットワークモデルの最適化装置。 - 前記最適化モジュールは、
信頼度が第1の所定の条件を満たす場合、前記オリジナル学習率パラメータを小さくし、
信頼度が第2の所定の条件を満たす場合、前記オリジナル学習率パラメータを大きくするためのものである、請求項17に記載の装置。 - メモリと、プロセッサと、メモリに記憶されており、プロセッサにより実行されることができるコンピュータプログラムとを含む電子機器であって、
前記プロセッサが前記プログラムを実行すると、請求項1~請求項10のいずれかに記載の方法を実現する電子機器。 - コンピュータプログラムであって、
プロセッサにより実行されると、請求項1~請求項10のいずれかに記載の方法を実現する、コンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910390616.7 | 2019-05-10 | ||
CN201910390616.7A CN110096647B (zh) | 2019-05-10 | 2019-05-10 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
PCT/CN2020/089543 WO2020228655A1 (zh) | 2019-05-10 | 2020-05-11 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022531641A JP2022531641A (ja) | 2022-07-08 |
JP7194284B2 true JP7194284B2 (ja) | 2022-12-21 |
Family
ID=67447749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021533463A Active JP7194284B2 (ja) | 2019-05-10 | 2020-05-11 | 量子化モデルの最適化方法、装置、情報推薦方法、装置、ニューラルネットワークモデルの最適化方法、装置、電子機器及びコンピュータプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210374540A1 (ja) |
EP (1) | EP3968184A4 (ja) |
JP (1) | JP7194284B2 (ja) |
CN (1) | CN110096647B (ja) |
WO (1) | WO2020228655A1 (ja) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019089015A1 (en) | 2017-10-31 | 2019-05-09 | Nissan North America, Inc. | Autonomous vehicle operation with explicit occlusion reasoning |
WO2020204871A1 (en) | 2017-12-22 | 2020-10-08 | Nissan North America, Inc. | Shared autonomous vehicle operational management |
CN110096647B (zh) * | 2019-05-10 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
WO2021036412A1 (zh) * | 2019-08-23 | 2021-03-04 | 上海寒武纪信息科技有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN110659678B (zh) * | 2019-09-09 | 2023-11-17 | 腾讯科技(深圳)有限公司 | 一种用户行为分类方法、***及存储介质 |
CN110659725B (zh) * | 2019-09-20 | 2023-03-31 | 字节跳动有限公司 | 神经网络模型的压缩与加速方法、数据处理方法及装置 |
US11899454B2 (en) | 2019-11-26 | 2024-02-13 | Nissan North America, Inc. | Objective-based reasoning in autonomous vehicle decision-making |
US11635758B2 (en) * | 2019-11-26 | 2023-04-25 | Nissan North America, Inc. | Risk aware executor with action set recommendations |
US11613269B2 (en) | 2019-12-23 | 2023-03-28 | Nissan North America, Inc. | Learning safety and human-centered constraints in autonomous vehicles |
US11714971B2 (en) | 2020-01-31 | 2023-08-01 | Nissan North America, Inc. | Explainability of autonomous vehicle decision making |
US11782438B2 (en) | 2020-03-17 | 2023-10-10 | Nissan North America, Inc. | Apparatus and method for post-processing a decision-making model of an autonomous vehicle using multivariate data |
CN112258654A (zh) * | 2020-11-03 | 2021-01-22 | 芯勍(上海)智能化科技股份有限公司 | 模型抽壳方法、终端设备及计算机可读存储介质 |
CN112348279B (zh) * | 2020-11-18 | 2024-04-05 | 武汉大学 | 资讯传播趋势的预测方法、装置、电子设备和存储介质 |
CN112329923B (zh) * | 2020-11-24 | 2024-05-28 | 杭州海康威视数字技术股份有限公司 | 一种模型压缩方法、装置、电子设备及可读存储介质 |
US20220190990A1 (en) * | 2020-12-16 | 2022-06-16 | Qualcomm Incorporated | Network-configured training procedure |
CN113673532B (zh) * | 2021-10-21 | 2022-04-22 | 北京科技大学 | 基于量化模型的目标检测方法及装置 |
CN114253135B (zh) * | 2021-12-13 | 2024-03-26 | 深圳智现未来工业软件有限公司 | 基于机器学习的芯片性能参数测试方法和装置 |
CN114266324B (zh) * | 2021-12-30 | 2023-04-07 | 智慧眼科技股份有限公司 | 模型可视化建模方法、装置、计算机设备及存储介质 |
CN115829035B (zh) * | 2022-12-29 | 2023-12-08 | 苏州市欧冶半导体有限公司 | 一种分布式量化方法、***及终端设备 |
CN116772662B (zh) * | 2023-07-17 | 2024-04-19 | 东方空间技术(山东)有限公司 | 一种火箭回收子级着陆腿控制方法、计算设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105786830A (zh) | 2014-12-19 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 计算机***中模型自适应调整方法、装置及*** |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4476733B2 (ja) * | 2004-07-30 | 2010-06-09 | 株式会社東芝 | パターン評価方法、プログラムおよびパターン評価装置 |
US20060239338A1 (en) * | 2005-02-15 | 2006-10-26 | James Kolanek | Modulation feature measurement and statistical classification system and method |
WO2009005734A2 (en) * | 2007-06-28 | 2009-01-08 | Cardiosoft L.P. | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores |
FR2961980A1 (fr) * | 2010-06-24 | 2011-12-30 | France Telecom | Controle d'une boucle de retroaction de mise en forme de bruit dans un codeur de signal audionumerique |
CN102324034B (zh) * | 2011-05-25 | 2012-08-15 | 北京理工大学 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
US8819653B2 (en) * | 2012-01-30 | 2014-08-26 | Cisco Technology, Inc. | Automated improvement of executable applications based on evaluating independent execution heuristics |
CN103605909B (zh) * | 2013-12-09 | 2017-04-05 | 中国科学院重庆绿色智能技术研究院 | 一种基于灰色理论及支持向量机的水质预测方法 |
ES2738319T3 (es) * | 2014-09-12 | 2020-01-21 | Microsoft Technology Licensing Llc | Sistema informático para entrenar redes neuronales |
CN104978612A (zh) * | 2015-01-27 | 2015-10-14 | 厦门大学 | 基于ahp-rbf的分布式大数据***风险预测方法 |
WO2018201151A1 (en) * | 2017-04-28 | 2018-11-01 | Google Llc | Neural network optimizer search |
CN107967489A (zh) * | 2017-11-29 | 2018-04-27 | 中国科学院空间应用工程与技术中心 | 一种异常检测方法及*** |
CN108562835A (zh) * | 2018-03-19 | 2018-09-21 | 杭州拓深科技有限公司 | 一种基于bp神经网络的故障电弧检测方法 |
CN109299253A (zh) * | 2018-09-03 | 2019-02-01 | 华南理工大学 | 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法 |
CN109582875B (zh) * | 2018-12-17 | 2021-02-02 | 武汉泰乐奇信息科技有限公司 | 一种在线医疗教育资源的个性化推荐方法及*** |
GB2580171B (en) * | 2018-12-21 | 2021-02-17 | Imagination Tech Ltd | Methods and systems for selecting quantisation parameters for deep neural networks using back-propagation |
CN109670277B (zh) * | 2019-02-19 | 2022-09-09 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
CN109726524B (zh) * | 2019-03-01 | 2022-11-01 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
CN110069715B (zh) * | 2019-04-29 | 2022-12-23 | 腾讯科技(深圳)有限公司 | 一种信息推荐模型训练的方法、信息推荐的方法及装置 |
CN110096647B (zh) * | 2019-05-10 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
-
2019
- 2019-05-10 CN CN201910390616.7A patent/CN110096647B/zh active Active
-
2020
- 2020-05-11 EP EP20806759.5A patent/EP3968184A4/en not_active Ceased
- 2020-05-11 WO PCT/CN2020/089543 patent/WO2020228655A1/zh unknown
- 2020-05-11 JP JP2021533463A patent/JP7194284B2/ja active Active
-
2021
- 2021-08-12 US US17/401,154 patent/US20210374540A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105786830A (zh) | 2014-12-19 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 计算机***中模型自适应调整方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
JP2022531641A (ja) | 2022-07-08 |
CN110096647A (zh) | 2019-08-06 |
WO2020228655A1 (zh) | 2020-11-19 |
EP3968184A4 (en) | 2022-06-08 |
EP3968184A1 (en) | 2022-03-16 |
US20210374540A1 (en) | 2021-12-02 |
CN110096647B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7194284B2 (ja) | 量子化モデルの最適化方法、装置、情報推薦方法、装置、ニューラルネットワークモデルの最適化方法、装置、電子機器及びコンピュータプログラム | |
CN110597991B (zh) | 文本分类方法、装置、计算机设备及存储介质 | |
US10846522B2 (en) | Speaking classification using audio-visual data | |
CN111312245B (zh) | 一种语音应答方法、装置和存储介质 | |
US11381651B2 (en) | Interpretable user modeling from unstructured user data | |
EP4383136A2 (en) | Population based training of neural networks | |
CN111079532A (zh) | 一种基于文本自编码器的视频内容描述方法 | |
CN113569892A (zh) | 图像描述信息生成方法、装置、计算机设备及存储介质 | |
CN113039555A (zh) | 通过使用基于注意力的神经网络在视频剪辑中进行动作分类 | |
CN111709493A (zh) | 对象分类方法、训练方法、装置、设备及存储介质 | |
CN113761153A (zh) | 基于图片的问答处理方法、装置、可读介质及电子设备 | |
CN110795549A (zh) | 短文本对话方法、装置、设备及存储介质 | |
CN116958323A (zh) | 图像生成方法、装置、电子设备、存储介质及程序产品 | |
CN116977885A (zh) | 视频文本任务处理方法、装置、电子设备及可读存储介质 | |
CN113362852A (zh) | 一种用户属性识别方法和装置 | |
CN114783459A (zh) | 一种语音分离方法、装置、电子设备和存储介质 | |
CN116913278B (zh) | 语音处理方法、装置、设备和存储介质 | |
CN116628345B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
CN115116444A (zh) | 一种语音识别文本的处理方法、装置、设备及存储介质 | |
CN116601682A (zh) | 经由以时间残差连接为特征的机器学习模型对顺序数据的改进处理 | |
CN114373443A (zh) | 语音合成方法和装置、计算设备、存储介质及程序产品 | |
CN115482019A (zh) | 一种活动关注度预测方法、装置、电子设备和存储介质 | |
CN116975654B (zh) | 对象互动方法、装置、电子设备及存储介质 | |
CN117152467B (zh) | 图像识别方法、装置、介质及电子设备 | |
CN118096924B (zh) | 图像处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210622 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220823 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221121 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221209 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7194284 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |