-
公开(公告)号：CN117034175B
公开(公告)日：2023-12-05
申请号：CN202311286150.9
申请日：2023-10-07
Applicant: 北京麟卓信息科技有限公司
IPC: G06F18/2433 , G06F18/25 , G06F123/02
Abstract: 本发明公开了一种基于通道融合自注意力机制的时序数据异常检测方法，基于变量类型将时序数据分裂为时序向量和多个单类型向量，使时间信息与不同类型信息相互独立，采用多个单变量通道分别处理多个单类型向量，并行提取各单类型向量的特征后将特征进行融合，最后对融合后的特征进行异常检测，以满足数据变化频繁及多样的需求，同时有效降低了时序数据异常检测的计算复杂度，提高了的检测效率。
-
公开(公告)号：CN116187399A
公开(公告)日：2023-05-30
申请号：CN202310487619.9
申请日：2023-05-04
Applicant: 北京麟卓信息科技有限公司
IPC: G06N3/0464 , G06F18/22 , G06N3/08
Abstract: 本发明公开了一种基于异构芯片的深度学习模型计算误差定位方法，通过对深度学习模型进行解析获取所有结构层及算子的输出，在此基础上确定深度学习模型的标准输出，再获取深度学习模型由目标芯片优化后的实测输出，通过计算实测输出与标准输出的相似度定位并修正计算误差，有效提高了由异构芯片优化产生的深度学习模型计算误差的定位及修正效率。
-
公开(公告)号：CN118689833B
公开(公告)日：2024-11-01
申请号：CN202411175723.5
申请日：2024-08-26
Applicant: 北京麟卓信息科技有限公司
Abstract: 本发明公开了一种多核向量化计算平台自适应规约计算方法，根据多核向量化计算平台的核心数量对待处理的数据进行切割，再设定各核心迭代传输的数据量及迭代向量操作的数据量的不同组合，在不同组合下针对不同总数据量的数据执行确定的规约优化处理过程记录执行总时间，选取执行总时间最少的组合作为多核向量化计算平台上确定的规约优化处理的最优参数，在确定规约优化处理过程的同时实现了对多核向量化计算平台参数的优化，有效提高了平台的计算效率。
-
公开(公告)号：CN117349585B
公开(公告)日：2024-02-23
申请号：CN202311644953.7
申请日：2023-12-04
Applicant: 北京麟卓信息科技有限公司
IPC: G06F17/16 , G06N3/0464 , G06N3/08 , G06F7/523 , G06F7/535
Abstract: 本发明公开了一种基于加速器约束的算子性能优化方法，基于获取到的加速器第一参数确定第一约束，再根据第一约束建立测试矩阵组集合及与测试矩阵组集合对应的测试矩阵组组合集合，再采用目标深度学习加速器完成所有测试子矩阵组的矩阵乘法运算并记录运算时间，将最小组合运算时间的矩阵组组合作为测试矩阵组的选定矩阵组组合并将选定矩阵组组合作为第二约束，对于待执行运算的输入数组分解确定目标组合，基于目标组合确定受限探索空间，最后以第二约束作为约束采用基于约束的模拟退火算法在该受限探索空间中执行寻优得到最优分解组合，从而有效提高相同加速器上的算子计算性能。
-
公开(公告)号：CN117349585A
公开(公告)日：2024-01-05
申请号：CN202311644953.7
申请日：2023-12-04
Applicant: 北京麟卓信息科技有限公司
IPC: G06F17/16 , G06N3/0464 , G06N3/08 , G06F7/523 , G06F7/535
Abstract: 本发明公开了一种基于加速器约束的算子性能优化方法，基于获取到的加速器第一参数确定第一约束，再根据第一约束建立测试矩阵组集合及与测试矩阵组集合对应的测试矩阵组组合集合，再采用目标深度学习加速器完成所有测试子矩阵组的矩阵乘法运算并记录运算时间，将最小组合运算时间的矩阵组组合作为测试矩阵组的选定矩阵组组合并将选定矩阵组组合作为第二约束，对于待执行运算的输入数组分解确定目标组合，基于目标组合确定受限探索空间，最后以第二约束作为约束采用基于约束的模拟退火算法在该受限探索空间中执行寻优得到最优分解组合，从而有效提高相同加速器上的算子计算性能。
-
Patent Agency Ranking
公开(公告)号：CN117034175A
公开(公告)日：2023-11-10
申请号：CN202311286150.9
申请日：2023-10-07
Applicant: 北京麟卓信息科技有限公司
IPC: G06F18/2433 , G06F18/25 , G06F123/02
Abstract: 本发明公开了一种基于通道融合自注意力机制的时序数据异常检测方法，基于变量类型将时序数据分裂为时序向量和多个单类型向量，使时间信息与不同类型信息相互独立，采用多个单变量通道分别处理多个单类型向量，并行提取各单类型向量的特征后将特征进行融合，最后对融合后的特征进行异常检测，以满足数据变化频繁及多样的需求，同时有效降低了时序数据异常检测的计算复杂度，提高了的检测效率。
-
公开(公告)号：CN119378630B
公开(公告)日：2025-03-28
申请号：CN202411960626.7
申请日：2024-12-30
Applicant: 北京麟卓信息科技有限公司
IPC: G06N3/08 , G06N3/0464 , G06N3/048 , G06N3/063 , G06F15/78
Abstract: 本发明公开了一种基于芯片架构感知算子实测反馈的智能模型优化方法，将通用算子在目标硬件平台上进行性能测试选择其中执行时间短的算子建立优选通用算子库，将待优化模型中各算子在目标硬件平台上进行实测，根据反馈的结果形成剔除算子列表，采用优选通用算子库中的算子替换剔除算子列表中的算子；采用构建的测试数据对待优化模型进行测试形成第一算子序列及第二算子序列，对待优化模型进行常量融合及冗余算子移除，最后再基于第一算子序列及第二算子序列对待优化模型执行算子重构完成优化，在目标硬件平台内算子实测反馈的基础上实现了能够感知芯片架构的智能模型优化。
-
公开(公告)号：CN116957044B
公开(公告)日：2024-02-23
申请号：CN202311034626.X
申请日：2023-08-17
Applicant: 北京麟卓信息科技有限公司
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明公开了一种卷积神经网络模型的自动压缩方法，采用设定的选择条件及限制条件确定卷积神经网络模型中存在的可被剪枝的卷积算子及批量归一化算子，针对卷积算子及批量归一化算子分别采用特定的剪枝方式完成剪枝，实现了仅需设置初始参数等即可完成模型自动剪枝的功能，有效减少了模型剪枝过程所需的时间和人力，此外，对处于同一结构层的卷积算子及批量归一化算子在其剪枝后再同步通道尺寸进一步提高了剪枝效果。
-
公开(公告)号：CN116957044A
公开(公告)日：2023-10-27
申请号：CN202311034626.X
申请日：2023-08-17
Applicant: 北京麟卓信息科技有限公司
IPC: G06N3/082 , G06N3/0464
Abstract: 本发明公开了一种卷积神经网络模型的自动压缩方法，采用设定的选择条件及限制条件确定卷积神经网络模型中存在的可被剪枝的卷积算子及批量归一化算子，针对卷积算子及批量归一化算子分别采用特定的剪枝方式完成剪枝，实现了仅需设置初始参数等即可完成模型自动剪枝的功能，有效减少了模型剪枝过程所需的时间和人力，此外，对处于同一结构层的卷积算子及批量归一化算子在其剪枝后再同步通道尺寸进一步提高了剪枝效果。
-
公开(公告)号：CN119378630A
公开(公告)日：2025-01-28
申请号：CN202411960626.7
申请日：2024-12-30
Applicant: 北京麟卓信息科技有限公司
IPC: G06N3/08 , G06N3/0464 , G06N3/048 , G06N3/063 , G06F15/78
Abstract: 本发明公开了一种基于芯片架构感知算子实测反馈的智能模型优化方法，将通用算子在目标硬件平台上进行性能测试选择其中执行时间短的算子建立优选通用算子库，将待优化模型中各算子在目标硬件平台上进行实测，根据反馈的结果形成剔除算子列表，采用优选通用算子库中的算子替换剔除算子列表中的算子；采用构建的测试数据对待优化模型进行测试形成第一算子序列及第二算子序列，对待优化模型进行常量融合及冗余算子移除，最后再基于第一算子序列及第二算子序列对待优化模型执行算子重构完成优化，在目标硬件平台内算子实测反馈的基础上实现了能够感知芯片架构的智能模型优化。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.033 seconds)
