Processing

Please wait...

PATENTSCOPE will be unavailable a few hours for maintenance reason on Tuesday 25.01.2022 at 12:00 PM CET
Settings

Settings

Goto Application

1. WO2022007879 - WEIGHT PRECISION CONFIGURATION METHOD AND APPARATUS, COMPUTER DEVICE, AND STORAGE MEDIUM

Publication Number WO/2022/007879
Publication Date 13.01.2022
International Application No. PCT/CN2021/105172
International Filing Date 08.07.2021
IPC
G06F 9/445 2018.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
9Arrangements for program control, e.g. control units
06using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
44Arrangements for executing specific programs
445Program loading or initiating
Applicants
  • 北京灵汐科技有限公司 LYNXI TECHNOLOGIES CO., LTD. [CN]/[CN]
Inventors
  • 何伟 HE, Wei
  • 祝夭龙 ZHU, Yaolong
  • 李涵 LI, Han
Agents
  • 北京天昊联合知识产权代理有限公司 TEE&HOWE INTELLECTUAL PROPERTY ATTORNEYS
Priority Data
202010657996.909.07.2020CN
202010659069.009.07.2020CN
202010663771.410.07.2020CN
202010664837.110.07.2020CN
Publication Language Chinese (zh)
Filing Language Chinese (ZH)
Designated States
Title
(EN) WEIGHT PRECISION CONFIGURATION METHOD AND APPARATUS, COMPUTER DEVICE, AND STORAGE MEDIUM
(FR) PROCÉDÉ ET APPAREIL DE CONFIGURATION DE PRÉCISION DE POIDS, DISPOSITIF INFORMATIQUE ET SUPPORT DE STOCKAGE
(ZH) 权重精度配置方法和装置、计算机设备、存储介质
Abstract
(EN) A weight precision configuration method, comprising: determining a pre-trained preset neural network (S101), the preset neural network comprising a plurality of layers, each layer having a preset weight precision, and the initial recognition rate of the preset neural network being greater than a target threshold; reducing, on the basis of the current threshold, the weight precision of at least one layer of the preset neural network to obtain a corrected neural network having a recognition rate greater than the current threshold (S102); when the current threshold is less than or equal to a target threshold, reducing the weight precision of any layer, comprising: adjusting the weight precision of this layer; if a termination condition is met, setting the weight precision of the current target layer as a corrected weight precision, the corrected weight precision being less than or equal to a preset weight precision thereof; if the termination condition is not met, returning to the step of adjusting the weight precision of this layer; and determining, according to the corrected neural network, a final weight precision of each layer to obtain a final neural network (S103), the recognition rate of the final neural network being greater than the target threshold.
(FR) L'invention porte sur un procédé de configuration de précision de poids consistant : à déterminer un réseau neuronal prédéfini préformé (S101), le réseau neuronal prédéfini comprenant une pluralité de couches, chaque couche ayant une précision de poids prédéfinie, et le taux de reconnaissance initial du réseau neuronal prédéfini étant supérieur à un seuil cible ; à réduire, sur la base du seuil actuel, la précision de poids d'au moins une couche du réseau neuronal prédéfini pour obtenir un réseau neuronal corrigé ayant un taux de reconnaissance supérieur au seuil actuel (S102) ; lorsque le seuil actuel est inférieur ou égal à un seuil cible, à réduire la précision de poids de n'importe quelle couche, consistant : à ajuster la précision de poids de cette couche ; si une condition de fin est remplie, à définir la précision de poids de la couche cible actuelle en tant que précision de poids corrigée, la précision de poids corrigée étant inférieure ou égale à une précision de poids prédéfinie de celle-ci ; si la condition de terminaison n'est pas remplie, à retourner à l'étape d'ajustement de la précision de poids de cette couche ; et à déterminer, en fonction du réseau neuronal corrigé, une précision de poids finale de chaque couche pour obtenir un réseau neuronal final (S103), le taux de reconnaissance du réseau neuronal final étant supérieur au seuil cible.
(ZH) 一种权重精度配置方法包括:确定经过预训练的预设神经网络(S101);预设神经网络包括多层,每层具有预设权重精度,预设神经网络的初始识别率大于目标阈值;基于当前阈值,对预设神经网络的至少一层的权重精度进行降低调整,得到识别率大于当前阈值的修正神经网络(S102);当前阈值小于或等于目标阈值;对任意层的权重精度进行降低调整,包括:调整该层的权重精度;若符合终止条件,则将当前目标层的权重精度设置为修正权重精度,修正权重精度小于或等于其预设权重精度;若不符合终止条件,则返回调整该层的权重精度的步骤;根据修正神经网络确定各层的最终权重精度,得到最终神经网络(S103);最终神经网络的识别率大于目标阈值。
Latest bibliographic data on file with the International Bureau