-
公开(公告)号：CN113841162B
公开(公告)日：2024-04-26
申请号：CN202080037223.9
申请日：2020-06-17
申请人： 高通股份有限公司
IPC分类号： G06N3/0464 , G06N3/08
摘要： 在一个实施例中，深度优先深度卷积网络(DCN)具有第一卷积层和第二卷积层，第一卷积层具有第一第一层内核并且适于对第一输入进行卷积，第二卷积层具有第一第二层内核并且适于对第二层输入进行卷积。一种用于DCN的方法，包括：发起在第一卷积层中的、第一输入张量与第一第一层内核的卷积，以生成第二输入张量的值条带，并且在第一卷积层中的卷积完成之前，发起在第二卷积层中的、第二输入与第一第二层内核的卷积，以生成用于第三层的值条带。
-
公开(公告)号：CN105531724B
公开(公告)日：2018-09-11
申请号：CN201480044808.8
申请日：2014-07-29
申请人： 高通股份有限公司
摘要： 提供了用于通过在训练期间调制至少一个训练参数来训练具有人工神经系统的神经设备的方法和装置。一种用于训练具有人工神经系统的神经设备的示例方法一般包括在训练环境中观察神经设备以及至少部分地基于该观察来调制至少一个训练参数。例如，本文所描述的训练装置可修改神经设备的内部学习机制(例如，尖峰发放率、学习速率、神经调质、传感器灵敏度等)和/或训练环境的刺激(例如，将火焰移动到更靠近设备、使布景更暗等)。以此方式，神经设备被训练的速度(即，训练速率)相比于常规神经设备训练系统可被显著增大。
-
公开(公告)号：CN105531724A
公开(公告)日：2016-04-27
申请号：CN201480044808.8
申请日：2014-07-29
申请人： 高通股份有限公司
摘要： 提供了用于通过在训练期间调制至少一个训练参数来训练具有人工神经系统的神经设备的方法和装置。一种用于训练具有人工神经系统的神经设备的示例方法一般包括在训练环境中观察神经设备以及至少部分地基于该观察来调制至少一个训练参数。例如，本文所描述的训练装置可修改神经设备的内部学习机制(例如，尖峰发放率、学习速率、神经调质、传感器灵敏度等)和/或训练环境的刺激(例如，将火焰移动到更靠近设备、使布景更暗等)。以此方式，神经设备被训练的速度(即，训练速率)相比于常规神经设备训练系统可被显著增大。
-
公开(公告)号：CN113841162A
公开(公告)日：2021-12-24
申请号：CN202080037223.9
申请日：2020-06-17
申请人： 高通股份有限公司
摘要： 在一个实施例中，深度优先深度卷积网络(DCN)具有第一卷积层和第二卷积层，第一卷积层具有第一第一层内核并且适于对第一输入进行卷积，第二卷积层具有第一第二层内核并且适于对第二层输入进行卷积。一种用于DCN的方法，包括：发起在第一卷积层中的、第一输入张量与第一第一层内核的卷积，以生成第二输入张量的值条带，并且在第一卷积层中的卷积完成之前，发起在第二卷积层中的、第二输入与第一第二层内核的卷积，以生成用于第三层的值条带。
-
公开(公告)号：CN107925421A
公开(公告)日：2018-04-17
申请号：CN201680026481.0
申请日：2016-04-15
申请人： 高通股份有限公司
IPC分类号： H03M7/40 , H03M7/42 , H03M7/30 , H04N19/91 , H04N19/423
CPC分类号： H03M7/4062 , G06F2212/401 , H03M7/30 , H03M7/3084 , H03M7/4006 , H03M7/42 , H03M7/48 , H04N19/423 , H04N19/91
摘要： 公开了数据压缩系统、方法和计算机程序产品。对于所述输入流的每个连续的输入字，确定所述输入字是否与回看表中的条目相匹配。所述回看表是响应于所述输入字被更新的。所述输入字可以具有多种数据类型，包括零串以及与所述回看表中的条目的完全匹配或部分匹配。码字是通过对与所述输入字相对应的数据类型进行熵编码来生成的。所述回看表可以是通过所述输入字在所述输入流中的位置来索引的。
-
-
-
-
搜索结果
5 条记录 (耗时 0.039 秒)