资源选择方法、通信模组、存储介质以及终端设备

    公开(公告)号:CN118524518A

    公开(公告)日:2024-08-20

    申请号:CN202310132957.0

    申请日:2023-02-17

    发明人: 刘浩文

    摘要: 本申请提供了一种资源选择方法、通信模组、存储介质以及终端设备,该资源选择方法,应用于终端设备,所述终端设备包括第一通信模组和第二通信模组,所述方法包括:所述第一通信模组接收来自所述第二通信模组的辅助信息;所述第一通信模组若在第一时间触发资源选择,则根据在所述第一时间之前接收到的N个辅助信息中的M个辅助信息,进行资源选择;其中,1≤M≤N,且所述M、N均为正整数。本申请能够实现在多个辅助信息中选择部分辅助信息用于资源选择,以避免两种通信制式的模组所使用传输资源的冲突。

    音频播放方法、装置及终端设备
    2.
    发明公开

    公开(公告)号:CN118433813A

    公开(公告)日:2024-08-02

    申请号:CN202410501250.7

    申请日:2024-04-24

    发明人: 田永胜

    摘要: 本申请实施例提供一种音频播放方法、装置及终端设备。该方法包括:向第一蓝牙设备发送音频数据;若在预设时段内、未获取到发送所述音频数据对应的响应信息,则获取至少一个第二蓝牙设备的优先级,所述优先级为根据终端设备在历史时段内通过第二蓝牙设备进行音频播放的历史信息动态确定的,所述第二蓝牙设备当前的状态为连接状态;获取所述至少一个第二蓝牙设备的信号强度;根据所述至少一个第二蓝牙设备的优先级和所述至少一个第二蓝牙设备的信号强度,确定目标蓝牙设备,并向所述目标蓝牙设备发送所述音频数据,以使所述目标蓝牙设备根据所述音频数据播放音频。提高了通过蓝牙设备进行音频播放的灵活性。

    计算图的处理方法、装置、设备、存储介质及程序

    公开(公告)号:CN117875409A

    公开(公告)日:2024-04-12

    申请号:CN202311824050.7

    申请日:2023-12-27

    发明人: 魏秉坤 昌晶 连朔

    IPC分类号: G06N3/10 G06N5/04 G06N7/01

    摘要: 本申请提供一种计算图的处理方法、装置、设备、存储介质及程序,所述方法包括:获取神经网络的初始计算图,所述初始计算图中包括多个初始算子;在所述多个初始算子中确定多个硬件处理器中、各硬件处理器对应的至少一个初始算子;针对任意一个硬件处理器,通过所述硬件处理器对对应的至少一个初始算子进行预处理,得到所述硬件处理器对应的至少一个计算子图;根据每个硬件处理器对应的至少一个计算子图,确定硬件处理器对所述初始计算图进行编译后的编译计算图。通过上述方法,可以通过编译计算图向用户展示编译模型,以使用户可以根据编译计算图了解和探究编译模型。

    神经网络的数据处理方法、装置、电子设备及存储介质

    公开(公告)号:CN117873565A

    公开(公告)日:2024-04-12

    申请号:CN202311667167.9

    申请日:2023-12-06

    IPC分类号: G06F9/30 G06N3/063

    摘要: 本申请提供一种神经网络的数据处理方法、装置、电子设备及存储介质,涉及人工智能技术领域。方法包括:获取神经网络的运算请求,所述运算请求中包括目标浮点数和目标运算类型;确定所述神经网络对应的查找表,所述查找表中包括预设数值在预设运算类型下的运算结果;根据所述目标浮点数、所述目标运算类型和所述查找表,确定所述运算请求对应的目标运算结果。以上方案,以参入运算的值作为地址索引从查找表中读取软件预设的结果,作为超越函数运算结果,相比于通过硬件进行运算的方式,可以快速确定运算结果,从而提升神经网络的数据处理效率。

    计算图的处理方法、装置、设备及存储介质

    公开(公告)号:CN117852651A

    公开(公告)日:2024-04-09

    申请号:CN202410042086.8

    申请日:2024-01-11

    摘要: 本申请实施例提供一种计算图的处理方法、装置、设备及存储介质,获取神经网络对应的初始计算图,初始计算图中包括多个计算节点;在初始计算图中确定多个选中节点,选中节点的节点类型为第一预设类型,选中节点用于进行图像放大处理;确定每个选中节点的相邻节点的节点类型,根据选中节点的相邻节点的节点类型,确定选中节点对应的替换节点和替换标识,替换节点的节点类型为第二预设类型,替换节点用于实现替换选中节点对应的算子;根据每个选中节点对应的替换节点和替换标识,对初始计算图进行更新处理,得到目标计算图;根据目标计算图,生成神经网络对应的可执行代码。降低了AI加速芯片的计算开销,提高了AI加速芯片上神经网络的推理效率。

    设备控制方法、装置、电子设备及存储介质

    公开(公告)号:CN117851321A

    公开(公告)日:2024-04-09

    申请号:CN202410022246.2

    申请日:2024-01-05

    发明人: 杜青勇

    IPC分类号: G06F13/40 G06F13/42

    摘要: 本申请提供一种设备控制方法、装置、电子设备及存储介质,涉及计算机技术领域。所述方法包括:响应于通用串行总线USB设备插入上位机的USB接口,加载所述上位机的总线驱动,所述总线驱动包括所述上位机的系统文件;通过所述总线驱动识别所述USB设备的至少一种设备功能;在所述上位机的多个功能驱动中确定所述USB设备对应的目标功能驱动;在所述上位机中,通过所述目标功能驱动实现所述USB设备的所述至少一种设备功能。以上方案,总线驱动位于其他驱动程序和操作系统之间,它可以截获总线上的数据包,从而实现USB设备的至少一种设备功能,从而有效实现USB设备的功能。

    设备连接方法、装置、电子设备及存储介质

    公开(公告)号:CN117742802A

    公开(公告)日:2024-03-22

    申请号:CN202311759053.7

    申请日:2023-12-19

    发明人: 杜青勇

    IPC分类号: G06F9/4401 G06F13/40

    摘要: 本申请提供一种设备连接方法、装置、电子设备及存储介质,涉及通信技术领域。所述方法包括:响应于通用串行总线USB设备插入上位机的USB接口,获取所述USB设备的多个USB配置信息;根据所述上位机的目标操作系统,从所述多个USB配置信息中确定目标USB配置信息;向所述USB设备发送连接指示,所述连接指示包括目标USB配置信息,以使所述USB设备根据所述目标USB配置信息对应的驱动程序与所述上位机建立连接。以上方案,在USB设备中预先设置多个USB配置信息,上位机根据操作系统自动选择对应的目标配置信息,USB设备根据目标配置信息与上位机连接,而无需安装驱动程序,从而提升设备连接的效率。

    数据存储方法、数据读取方法、装置、及设备

    公开(公告)号:CN117724656A

    公开(公告)日:2024-03-19

    申请号:CN202311678429.1

    申请日:2023-12-07

    发明人: 马富山 王晨曦

    IPC分类号: G06F3/06

    摘要: 本申请提供一种数据存储方法、数据读取方法、装置、及设备,所述数据存储方法应用于缓存模块,所述缓存模块中包括M个存储单元;所述方法包括:接收N个数据存储请求,所述数据存储请求中包括待存储数据、以及待存储数据的待存储地址,每个所述待存储地址对应一个所述存储单元,所述N为所述缓存模块的最大并发量,所述M为所述N的整数倍;若所述N个数据存储请求对应的待存储数据的存储模式为广播模式,在所述缓存模块中确定M个目标存储地址;将所述N个数据存储请求中的待存储数据,存储至所述M个目标存储地址对应的存储单元中。上述方法可以提高缓存模块的真实带宽。

    神经网络计算图的处理方法、装置及设备

    公开(公告)号:CN117540795A

    公开(公告)日:2024-02-09

    申请号:CN202311587166.3

    申请日:2023-11-24

    发明人: 赵亚娟

    IPC分类号: G06N3/10 G06N3/082

    摘要: 本申请实施例提供一种神经网络计算图的处理方法、装置及设备,该方法包括:获取神经网络对应的初始计算图;其中,初始计算图中包括多个节点,一个节点指示神经网络中的一种算子;在初始计算图的多个节点中确定N个待删除节点;其中,N为非负整数;根据N个待删除节点,对初始计算图进行剪枝处理,得到神经网络对应的目标计算图;根据目标计算图,生成神经网络对应的可执行代码。用于提高神经网络设备子图的编译效率,进而提高神经网络加速器的推理效率。

    神经网络计算图的处理方法、装置、及设备

    公开(公告)号:CN117521723A

    公开(公告)日:2024-02-06

    申请号:CN202311571131.0

    申请日:2023-11-22

    发明人: 赵亚娟

    IPC分类号: G06N3/042 G06F8/30

    摘要: 本申请提供一种神经网络计算图的处理方法、装置、及设备,方法包括:获取量化神经网络对应的初始计算图,初始计算图中包括多个节点,一个节点指示量化神经网络中的一个算子;在初始计算图中确定多个选中节点,选中节点的节点类型为第一预设类型,选中节点存在常量运算值;确定每个选中节点对应的替换节点,替换节点用于实现选中节点对应的算子;在初始计算图中,将每个选中节点替换为对应的替换节点,得到中间计算图;对中间计算图中相邻的待合并节点进行融合处理,得到目标计算图,待合并节点的类型为第二预设类型;根据目标计算图,生成量化神经网络对应的可执行代码。通过上述方法可以降低AI加速芯片上的计算开销,从而加速神经网络推理性能。