[發(fā)明專利]為數(shù)據(jù)庫確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法有效
| 申請(qǐng)?zhí)枺?/td> | 201611095599.7 | 申請(qǐng)日： | 2016-12-01 |
| 公開（公告）號(hào)： | CN108133222B | 公開（公告）日： | 2021-11-02 |
| 發(fā)明（設(shè)計(jì)）人： | 孫利;王淞;范偉;孫俊 | 申請(qǐng)（專利權(quán)）人： | 富士通株式會(huì)社 |
| 主分類號(hào)： | G06N3/04 | 分類號(hào)： | G06N3/04;G06N3/08;G06F16/51;G06K9/62 |
| 代理公司： | 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227 | 代理人： | 唐京橋;李春暉 |
| 地址： | 日本神*** | 國省代碼： | 暫無信息 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 數(shù)據(jù)庫 確定 卷積 神經(jīng)網(wǎng)絡(luò) cnn 模型 裝置 方法 | ||
1.一種為數(shù)據(jù)庫確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置，包括：
選取單元，用于從多個(gè)已知分類能力的CNN模型中選取至少兩個(gè)CNN模型；
擬合單元，用于根據(jù)所述至少兩個(gè)CNN模型的分類能力和第一參數(shù)擬合以分類能力和第一參數(shù)為變量的曲線，其中，所述第一參數(shù)用于表征CNN模型的分類精度；
預(yù)測(cè)單元，用于根據(jù)所述曲線預(yù)測(cè)所述多個(gè)CNN模型中的除所述至少兩個(gè)CNN模型之外的其它CNN模型的第一參數(shù)；以及
確定單元，用于根據(jù)所述多個(gè)CNN模型中的每一個(gè)CNN模型的第一參數(shù)從所述多個(gè)CNN模型中確定適用于所述數(shù)據(jù)庫的CNN模型，
其中，所述裝置還包括訓(xùn)練單元，用于訓(xùn)練所述至少兩個(gè)CNN模型中的每一個(gè)CNN模型以獲取所述每一個(gè)CNN模型的第一參數(shù)。
2.根據(jù)權(quán)利要求1所述的裝置，其中，所述選取單元還包括：
第一模型確定單元，用于從所述多個(gè)CNN模型中確定分類能力與所述數(shù)據(jù)庫最匹配的模型作為第一模型；
第二模型確定單元，用于從所述多個(gè)CNN模型中確定分類能力最差的模型作為第二模型；以及
處理單元，用于確定所述至少兩個(gè)CNN模型，其中，所述至少兩個(gè)CNN模型包括所述第一模型和所述第二模型。
3.根據(jù)權(quán)利要求2所述的裝置，其中，所述選取單元還包括第三模型確定單元，用于從所述多個(gè)CNN模型中確定分類能力最優(yōu)的模型作為第三模型，并且所述處理單元確定的所述至少兩個(gè)CNN模型還包括所述第三模型。
4.根據(jù)權(quán)利要求1-3中任一項(xiàng)所述的裝置，其中，所述擬合單元通過冪指數(shù)函數(shù)或者對(duì)數(shù)函數(shù)來擬合所述曲線。
5.根據(jù)權(quán)利要求1-3中任一項(xiàng)所述的裝置，其中，所述確定單元還用于根據(jù)所述多個(gè)CNN模型中的每一個(gè)CNN模型的第一參數(shù)和第二參數(shù)從所述多個(gè)CNN模型中確定適用于所述數(shù)據(jù)庫的CNN模型，所述第二參數(shù)用于表征CNN模型的性能。
6.根據(jù)權(quán)利要求5所述的裝置，其中，所述第二參數(shù)包括用于表征所述CNN模型計(jì)算速度的參數(shù)或者用于表征所述CNN模型的內(nèi)存占用率的參數(shù)。
7.根據(jù)權(quán)利要求6所述的裝置，其中，用于表征所述CNN模型的計(jì)算速度的參數(shù)包括所述CNN模型的浮點(diǎn)計(jì)算次數(shù)。
8.一種為數(shù)據(jù)庫確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的方法，包括：
從多個(gè)已知分類能力的CNN模型中選取至少兩個(gè)CNN模型；
根據(jù)所述至少兩個(gè)CNN模型的分類能力和第一參數(shù)擬合以分類能力和第一參數(shù)為變量的曲線，其中，所述第一參數(shù)用于表征CNN模型的分類精度；
根據(jù)所述曲線預(yù)測(cè)所述多個(gè)CNN模型中的除所述至少兩個(gè)CNN模型之外的其它CNN模型的第一參數(shù)；以及
根據(jù)所述多個(gè)CNN模型中的每一個(gè)CNN模型的第一參數(shù)從所述多個(gè)CNN模型中確定適用于所述數(shù)據(jù)庫的CNN模型，
其中，所述方法還包括：訓(xùn)練所述至少兩個(gè)CNN模型中的每一個(gè)CNN模型以獲取所述每一個(gè)CNN模型的第一參數(shù)。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于富士通株式會(huì)社，未經(jīng)富士通株式會(huì)社許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請(qǐng)聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201611095599.7/1.html，轉(zhuǎn)載請(qǐng)聲明來源鉆瓜專利網(wǎng)。
- 數(shù)據(jù)庫
- 數(shù)據(jù)庫管理系統(tǒng)及數(shù)據(jù)庫
- 數(shù)據(jù)庫構(gòu)筑裝置、數(shù)據(jù)庫檢索裝置、數(shù)據(jù)庫裝置、數(shù)據(jù)庫構(gòu)筑方法、以及數(shù)據(jù)庫檢索方法
- 數(shù)據(jù)庫和數(shù)據(jù)庫處理方法
- 數(shù)據(jù)庫系統(tǒng)、數(shù)據(jù)庫更新方法、數(shù)據(jù)庫以及數(shù)據(jù)庫更新程序
- 容器數(shù)據(jù)庫
- 數(shù)據(jù)庫同步方法及數(shù)據(jù)庫
- 一種MongoDB數(shù)據(jù)庫對(duì)象復(fù)制延遲監(jiān)控方法和裝置
- 數(shù)據(jù)分布式存儲(chǔ)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)
- 數(shù)據(jù)庫語句執(zhí)行方法及裝置
- 卷積運(yùn)算處理方法及相關(guān)產(chǎn)品
- 一種卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算方法及系統(tǒng)
- 卷積運(yùn)算方法及系統(tǒng)
- 卷積運(yùn)算方法、裝置及系統(tǒng)
- 深度神經(jīng)網(wǎng)絡(luò)裁剪方法、裝置及電子設(shè)備
- 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理方法和圖像處理裝置
- 卷積神經(jīng)網(wǎng)絡(luò)及基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理方法
- 一種圖像處理方法、裝置以及計(jì)算機(jī)存儲(chǔ)介質(zhì)
- 用于卷積神經(jīng)網(wǎng)絡(luò)的卷積運(yùn)算裝置
- 基于FPGA實(shí)現(xiàn)圖像識(shí)別的方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)
- 硬件神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換方法、計(jì)算裝置、軟硬件協(xié)作系統(tǒng)
- 生成較大神經(jīng)網(wǎng)絡(luò)
- 神經(jīng)網(wǎng)絡(luò)的生成方法、生成裝置和電子設(shè)備
- 一種舌診方法、裝置、計(jì)算設(shè)備及計(jì)算機(jī)存儲(chǔ)介質(zhì)
- 學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
- 脈沖神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換方法及相關(guān)轉(zhuǎn)換芯片
- 圖像處理方法、裝置、可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)設(shè)備
- 一種適應(yīng)目標(biāo)數(shù)據(jù)集的網(wǎng)絡(luò)模型微調(diào)方法、系統(tǒng)、終端和存儲(chǔ)介質(zhì)
- 用于重構(gòu)人工神經(jīng)網(wǎng)絡(luò)的處理器及其操作方法、電氣設(shè)備
- 一種圖像神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化方法及裝置
