CN108733739B - 支持集束搜索的运算装置和方法 - Google Patents
支持集束搜索的运算装置和方法 Download PDFInfo
- Publication number
- CN108733739B CN108733739B CN201710279655.0A CN201710279655A CN108733739B CN 108733739 B CN108733739 B CN 108733739B CN 201710279655 A CN201710279655 A CN 201710279655A CN 108733739 B CN108733739 B CN 108733739B
- Authority
- CN
- China
- Prior art keywords
- node
- module
- nodes
- data
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/31—Programming languages or programming paradigms
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种支持搜索的装置和方法，其中装置包括数据转换模块、数据运算模块、整合结果模块和控制器，其中数据转换模块，用于从装置外获取指令，以及获取图形结构中的部分节点并进行格式转换；数据运算模块，用于获取尚未被运算的节点数据，整合结果模块，获得最优路径存入存储模块；以及控制器，执行存储模块中的指令。
Description
技术领域
本公开涉及计算机领域，进一步涉及一种人工智能领域。
背景技术
集束搜索是一种启发式图搜索算法，在图的解空间比较大的情况下，集束搜索从源节点开始搜索，每次搜索图中下一层的子节点时，只搜索较有希望构成最优路径的节点，限制下一层搜索后保留的节点的数量不大于某个固定值K，从而减少搜索所占用的空间和时间开销。
集束搜索多用在一些大型系统中，如机器翻译系统，语音识别系统等。在这些应用中数据集较为庞大，而常用的装置的内存有限，通过遍历整个解空间进行求解时，内存难以满足要求，同时运算量开销很大。而对这些系统进行求解时，通常只需要得到一个近似最优解，集束搜索能有效减少存储量，并且减少运算量，在较快的时间找到接近最优的解。
公开内容
有鉴于此，本公开的目的在于提供一种支持集束搜索的运算装置和方法，以解决以上所述的至少一项技术问题。
根据本公开的一方面，提供一种支持集束搜索的装置，包括数据转换模块、存储模块、数据运算模块、整合结果模块和控制器，其中
数据转换模块，用于从装置外获取指令，以及获取图形结构中的部分节点并进行格式转换；
存储模块，用于从数据转换模块中获取指令和格式转换后的节点数据；
数据运算模块，从存储模块获取尚未被运算的节点数据，计算从源节点到对应节点路径的总代价值，将总代价值最小的前k个节点选出作为候选节点，k为装置允许的最大候选节点数，根据总代价值最小的节点判断是否得到近似最优路径，如果没有，则继续从存储模块获取未被运算的节点数据进行计算和判断，如果有，将总代价最小节点和其前驱节点写入到整合结果模块中；
整合结果模块，根据从数据运算模块得到的近似最优路径的尾节点从存储模块中不断寻找前驱节点，直至回溯至源节点，获得最优路径存入存储模块；
控制器，执行存储模块中的指令，分别对数据转换模块、存储模块、数据运算模块和整合结果模块进行控制。
根据本公开的另一方面，提供一种支持集束搜索的方法，包括步骤：
S1：从装置外部获取指令，经由一数据转换模块存储到一存储模块中，再传输到一控制器；
S2：从装置外部将原始图中部分节点传送到数据转换模块中，数据转换模块将传入的节点进行格式转换后，然后送至存储模块中；
S3：从存储模块获取尚未被运算的节点数据，计算从源节点到对应节点路径的总代价值，将总代价值最小的前k个节点选出作为候选节点，k为装置允许的最大候选节点数，根据总代价值最小的节点判断是否得到近似最优路径，如果没有，则继续从存储模块获取未被运算的节点数据进行计算和判断，转入步骤S2；如果有，将总代价最小节点和其前驱节点写入到一整合结果模块中；
S4：根据从数据运算模块得到的近似最优路径的尾节点从存储模块中不断寻找前驱节点，直至回溯至源节点，获得最优路径存入存储模块；
S4：存储模块获得最优路径存入，并将其传输到装置外部。
通过上述技术方案，可得知本公开的有益效果在于：
(1)通过对原始图结构采用启发式集束搜索算法(设定装置允许的最大候选节点数)，找到一条能够满足条件的近似最优路径，该装置可以有效地减少空间消耗，并提高时间效率；
(2)在计算路径的代价的过程中，采用多个数据运算单元同时进行计算，可以提高运算的并行性。
附图说明
图1示意性示出了本公开实施例的支持集束搜索的运算装置的整体结构；
图2示意性示出了本公开实施例的支持集束搜索的运算装置的运算模块的结构；
图3示意性示出了本公开实施例的支持集束搜索的运算流程图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，一下结合具体实施例，并参照附图，对本公开作进一步的详细说明。
图1示意性示出了本公开实施例的支持集束搜索的运算装置的整体结构，装置包括如下部分：数据转换模块1、存储模块2、数据运算模块3、整合结果模块4和控制器5。
其中，数据转换模块1从装置外获取图结构中的部分节点，通过控制器5判断节点是否经过数据运算模块3处理，如果已经处理，将该节点舍弃，不做任何操作；如果没有，进行节点格式的转换。转换完成后，将其写入到存储模块2中。同时数据转换模块1将指令从装置外部读入，不经转换，写入到存储模块2中。第一次从装置外获取的图结构中节点为源节点s，第i次获取的点为第i-1(i>.1)次计算后得到的候选节点的邻接节点且此邻接节点未被数据运算模块处理。它将从装置外获取的图的节点n转化为如下的格式：
(Addr(before(n)),F(n),n,vis)
before(n)表示节点n的前驱节点，Addr(before(n))表示节点n的前驱节点在存储模块中的地址，F(n)表示从源节点s到节点n的路径上产生的总代价，n表示节点的属性，用于计算单个节点n所产生的代价，vis表示此节点是否被访问过，对于源节点before(n)为n本身,F(n)和vis都设置为0。
存储模块2，用于从数据转换单元数据转换模块1中获取指令和转换后的数据，为数据运算模块3提供数据，存储经由数据运算模块3处理后的数据，为整合结果模块4提供数据，从整合结果模块4得到近似最优路径结果并存储，最后将近似最优路径结果写回到装置外部。
数据运算模块3，从存储模块2中获取节点信息中vis＝0的节点，同时，将此节点的前驱节点的部分信息整合到此节点构成如下的格式：
(F(before(n)),F(n),n,vis)
其中，F(before(n))表示从源节点s到n的前驱节点的路径对应的代价值，F(n)＝0。在数据运算模块中，基于某种代价函数计算节点n所产生的代价值f(n),然后，得到源节点到节点n的路径对应的总代价值F(n)＝f(n)+F(before(n)).此时送入数据运算模块3的节点有m个，分别表示为n1,n2,…nm,可计算得到m个路径对应的代价值F(n1),F(n2),…F(nm)。将对应的m个节点按照代价值F(n1),F(n2),…F(nm)从小到大的顺序进行排序得到n1′,n2′,…nm′。判断源节点s到n1′的路径是否构成完整的近似最优路径，如果构成，则对控制器5发送运算终止指令，并将n1′对应的节点信息(Addr(before(n)),F(n),n,1)传送到整合结果模块4中。否则，假设装置允许的最大候选节点数为k，若m≤k,则将对应的m个节点都作为候选节点将更新后的(Addr(before(n)),F(n),n,1)写回到存储模块2中，若m>k,则将n1′,n2′,…nk′对应的节点信息(Addr(before(n)),F(n),n,1)写回到存储模块2中。
整合结果模块4在本模块内部维持一个空的堆栈。在收到来自数据运算模块3的节点信息(Addr(before(n)),F(n),n,1)和控制器5发送的整合结果指令后，将节点n压入堆栈中，然后从存储模块2中获取堆栈顶部节点的前驱节点，并压入堆栈，直到栈顶节点的信息中before(n)为n，即栈顶节点为图的源节点。然后，整合结果模块4将堆栈中节点不断出栈，按照顺序送入到存储模块2中，存储模块2中获取的节点序列即为最终得到的近似最优路径。
控制器5通过存储模块2获取运算所需的指令，同时存储模块2读取上一次节点从装置外部存入的节点的尚未被数据运算模块3运算的节点，其控制数据运算模块3进行数据运算，并接收数据运算模块3发送的运算终止指令，控制数据运算模块3与存储模块2、整合结果模块4的数据传输。
图2示意性示出了本公开实施例的支持集束搜索的运算装置的运算模块的结构。对于装置中的数据运算模块3，可以采用多种方式进行实现。本实施例提供一种实现数据运算模块的具体方式。
数据运算模块3包括节点分发子模块31、代价函数计算子模块32、排序子模块33和终止判断子模块34。
其中，节点分发子模块31将数据运算模块3获取的节点n1,n2,…nm分别分配给L个代价计算子模块32计算对应的路径代价，其中前L-1个代价计算子模块分别分配
个节点，第L个代价计算子模块分配
个节点，其中
表示向上取整。
代价计算子模块32中共有为L个代价计算子模块，每个代价计算子模块可以实现独立实现从源节点到对应路径的代价值。每个代价计算子模块对由节点分发子模块31分配的节点，计算得到对应的节点号-路径代价值对(n1,F(n1)),(n2,F(n2)),…(nm,F(nm))，计算路径代价的函数根据实际问题由控制器5设置，然后将计算得到的节点号-路径代价值对(n1,F(n1)),(n2,F(n2)),…(nm,F(nm))传送到排序子模块33中。
排序子模块33将从代价计算子模块32获取的各节点的节点号-路径代价值对(n1,F(n1)),(n2,F(n2)),…(nm,F(nm))根据路径代价值从小到大进行排序，得到排序后的节点号-路径代价值对(n1′,F(n1))′,(n2′,F(n2))′,…(nm′,F(nm)′)，并将传送到终止判断子模块34。
终止判断子模块34从排序子模块33中获取排序后的节点号-路径代价值对，根据(n1′,F(n1))′判断是否已经取得近似最优路径，判断是否已经取得近似最优路径的方法根据实际问题由控制器3给出。如果已经取得近似最优路径，则终止判断子模块34对控制器3发送运算终止指令，并将n1′对应的节点信息(Addr(before(n)),F(n),n,1)传送到整合结果模块4中。否则，假设装置允许的最大候选节点数为k，若m≤k,则将对应的m个节点都作为候选节点将更新后的(Addr(before(n)),F(n),n,1)写回到存储模块2中，若m>k,则将n1′,n2′,…nk′对应的节点信息(Addr(before(n)),F(n),n,1)写回到存储模块2中。
图3示意性示出了本公开实施例的支持集束搜索的运算流程图。参考图1，其中流程包括：
步骤1，从装置外部获取运算所需的指令，经由数据转换模块1存储到存储模块2中，传输到控制器5。
步骤2，从装置外部将原始图中部分节点传送到数据转换模块1中，装置外部的图结构可以是邻接表、邻接矩阵、顶点对或者其他形式。其中，第一次传送时只传送源节点s，之后传送时传输到数据转换模块1中节点为上一次经数据运算单元3筛选得到的候选节点的尚未被数据运算单元3处理过的邻接节点。在此过程中，由控制器5判断对应的节点是否已经被数据运算单元3处理过。数据转换模块1将传入的节点按照(Addr(before(n)),F(n),n,vis)的格式进行转换，然后送至存储模块2中。
步骤3中，控制器5控制数据运算模块3从存储模块2中获取由数据转换模块1传入的尚未被处理的节点n1,n2,…nm，将各个节点与前驱节点的信息进行整合得到格式为(F(before(n)),F(n),n,vis)的节点。然后，数据运算模块3基于某种代价函数计算节点n所产生的代价值f(n)，得到源节点到节点n的路径对应的总代价值F(n)＝f(n)+F(before(n))。分别计算m个路径对应的代价值F(n1),F(n2),…F(nm)。将对应的m个节点按照代价值F(n1),F(n2),…F(nm)从小到大的顺序进行排序得到n1′,n2′,…nm′。判断源节点s到n1′的路径是否构成完整的近似最优路径，如果构成，则对控制器5发送运算终止指令，并将n1′对应的节点信息(Addr(before(n)),F(n),n,1)传送到整合结果模块4中，转入步骤4。否则，假设装置允许的最大候选节点数为K，若m≤k,则将对应的m个节点都作为候选节点将更新后的(Addr(before(n)),F(n),n,1)写回到存储模块2中，若m>k,则将n1′,n2′,…nk′对应的节点信息(Addr(before(n)),F(n),n,1)写回到存储模块2中，转入到步骤2中。
步骤4中，控制器5在收到来自数据运算模块3的运算终止指令后，判断整合结果模块4是否已经从数据运算模块3中获取节点信息，如果没有取得节点信息，则一直循环判断，直到取得为止。整合结果模块4在模块内部维持一个空的堆栈，在取得运算结果后，将收到的来自数据运算模块的3节点信息(Addr(before(n)),F(n),n,1)压入堆栈中。然后从存储模块2中获取堆栈顶部节点的前驱节点，并压入堆栈，重复此过程，直到栈顶节点的信息中before(n)为n，即栈顶节点为图的源节点。然后，整合结果模块4将堆栈中节点不断出栈，按照顺序送入到存储模块2中，存储模块2中获取的节点序列即为最终得到的近似最优路径。
在步骤5中，存储模块2将在控制器5的控制下，从整合结果模块4中获取的近似最优路径，并将其传输到装置外部。
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (15)
1.一种支持集束搜索的装置，应用于人工智能领域中的机器翻译系统或语音识别系统，包括数据转换模块、数据运算模块和整合结果模块，其中
数据转换模块，用于从装置外获取指令，以及获取图形结构中的部分节点并进行格式转换；
数据运算模块，获取尚未被运算的节点数据，计算从源节点到对应节点路径的总代价值，将总代价值最小的前k个节点选出作为候选节点，k为装置允许的最大候选节点数，根据总代价值最小的节点判断是否得到近似最优路径，如果没有，则继续获取未被运算的节点数据进行计算和判断，如果有，将总代价最小节点和其前驱节点写入到整合结果模块中；
整合结果模块，根据从数据运算模块得到的近似最优路径的尾节点不断寻找前驱节点，直至回溯至源节点，获得最优路径；
其中，所述数据运算模块包括：多个代价计算子模块，用于计算从源节点到对应路径的代价值，得到节点号-路径代价值对；所述源节点到对应节点路径的总代价值为多个代价计算子模块中的对应节点的路径代价值与该对应节点的前驱节点的路径代价值的总和。
2.根据权利要求1所述的装置，其特征在于，还包括：
存储模块，用于从数据转换模块中获取指令和格式转换后的节点数据，存储整合结果模块获得的最优路径。
3.根据权利要求1所述的装置，其特征在于，还包括：
控制器，用于执行指令，分别对数据转换模块、数据运算模块和整合结果模块进行控制。
4.根据权利要求1所述的装置，其特征在于，所述格式转换具体包括：
将从装置外获取的图的节点n转化为如下的格式：
(Addr(before(n))，F(n)，n，vis)
其中，before(n)表示节点n的前驱节点，Addr(before(n))表示节点n的前驱节点在存储模块中的地址，F(n)表示从源节点s到节点n的路径上产生的总代价，vis表示此节点是否被访问过，是为1，否则为0。
5.根据权利要求3所述的装置，其特征在于，所述数据运算模块包括：节点分发子模块、排序子模块和终止判断子模块，其中
节点分发子模块，用于将数据运算模块获取的节点数据分配给代价计算子模块；
排序子模块，用于接收所述节点号-路径代价值对，并根据路径代价值从小到大排序，并传送到终止判断模块；
终止判断子模块，用于从排序子模块中获取排序后的节点号-路径代价值对，判断是否已经取得近似最优路径，如果已经取得近似最优路径，则终止判断子模块对控制器发送运算终止指令，并将最小代价值对应的节点数据传送到整合结果模块；否则，若排序的节点数m≤k，则将对应的m个节点数据都作为候选节点写回到存储模块，若m＞k，将排序后的从小到大k个节点数据写回到存储模块。
6.根据权利要求1所述的装置，其特征在于，所述图形结构为邻接表、邻接矩阵或顶点对形式。
7.根据权利要求2所述的装置，其特征在于，所述存储模块还用于将所述最优路径输入装置外部。
8.一种支持集束搜索的方法，应用于如权利要求1所述的支持集束搜索的装置，包括步骤：
获取指令，经由一数据转换模块存储到一存储模块中；
将原始图形结构中部分节点传送到数据转换模块中，数据转换模块将传入的节点进行格式转换后，然后送至存储模块中；
数据运算模块从存储模块获取尚未被运算的节点数据，计算从源节点到对应节点路径的总代价值，将总代价值最小的前k个节点选出作为候选节点，k为装置允许的最大候选节点数，根据总代价值最小的节点判断是否得到近似最优路径，如果没有，则继续从存储模块获取未被运算的节点数据进行计算和判断；如果有，将总代价最小节点和其前驱节点写入到一整合结果模块中；
根据从数据运算模块得到的近似最优路径的尾节点从存储模块中不断寻找前驱节点，直至回溯至源节点，获得最优路径存入存储模块；
存储模块获得最优路径存入，并将其传输到装置外部。
9.根据权利要求8所述的方法，其特征在于，所述格式转换具体包括：
将从装置外获取的图的节点n转化为如下的格式：
(Addr(before(n))，F(n)，n，vis)
其中，before(n)表示节点n的前驱节点，Addr(before(n))表示节点n的前驱节点在存储模块中的地址，F(n)表示从源节点s到节点n的路径上产生的总代价，vis表示此节点是否被访问过，是为1，否则为0。
10.根据权利要求9所述的方法，其特征在于，数据运算模块计算近似最优路径，包括子步骤：
数据运算模块基于代价函数计算节点n所产生的代价值f(n)，得到源节点到节点n的路径对应的总代价值F(n)＝f(n)+F(before(n))；
分别计算m个路径对应的代价值F(n1)，F(n2)，...F(nm)；
将对应的m个节点按照代价值F(n1)，F(n2)，...F(nm)从小到大的顺序进行排序得到n1′，n2′，...nm′；
判断源节点s到n1′的路径是否构成完整的近似最优路径，
如果构成，则对控制器发送运算终止指令，并将n1′对应的节点信息(Addr(before(n))，F(n)，n，1)传送到整合结果模块中，转入步骤S4；
否则，假设装置允许的最大候选节点数为k，若m≤k，则将对应的m个节点都作为候选节点将更新后的(Addr(before(n))，F(n)，n，1)写回到存储模块中，若m＞k，则将n1′，n2′，...nk′对应的节点信息(Addr(before(n))，F(n)，n，1)写回到存储模块中。
11.根据权利要求10所述的方法，其特征在于，分别计算m个路径对应的代价值F(n1)，F(n2)，...F(nm)中，包括设定多个代价计算子模块计算m个路径对应的代价值。
12.根据权利要求10所述的方法，其特征在于，所述根据从数据运算模块得到的近似最优路径的尾节点从存储模块中不断寻找前驱节点，直至回溯至源节点，获得最优路径存入存储模块，包括子步骤：
在整合结果模块内部维持一个空的堆栈；
在从数据运算模块取得运算结果后，将收到的来自数据运算模块的节点信息(Addr(before(n))，F(n)，n，1)压入堆栈中；
从存储模块中获取堆栈顶部节点的前驱节点，并压入堆栈，重复此过程，直到栈顶节点的信息中before(n)为n，即栈顶节点为图的源节点；
整合结果模块将堆栈中节点不断出栈，按照顺序送入到存储模块中，存储模块中获取的节点序列即为最终得到的近似最优路径。
13.根据权利要求8所述的方法，其特征在于，所述图形结构为邻接表、邻接矩阵或顶点对形式。
14.根据权利要求8所述的方法，其特征在于，还包括：
存储模块将所述最优路径输入装置外部。
15.根据权利要求8所述的方法，其特征在于，还包括：
控制器分别对数据转换模块、数据运算模块和整合结果模块进行控制。
Priority Applications (8)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710279655.0A CN108733739B (zh) | 2017-04-25 | 2017-04-25 | 支持集束搜索的运算装置和方法 |
| EP19199531.5A EP3699826A1 (en) | 2017-04-20 | 2018-04-17 | Operation device and related products |
| US16/476,261 US11977968B2 (en) | 2017-04-20 | 2018-04-17 | Sparse processing in neural network processors |
| CN201880000808.6A CN109104876B (zh) | 2017-04-20 | 2018-04-17 | 一种运算装置及相关产品 |
| PCT/CN2018/083379 WO2018192492A1 (zh) | 2017-04-20 | 2018-04-17 | 一种运算装置及相关产品 |
| CN201811011596.XA CN109284823B (zh) | 2017-04-20 | 2018-04-17 | 一种运算装置及相关产品 |
| EP18787049.8A EP3579152B1 (en) | 2017-04-20 | 2018-04-17 | Computing apparatus and related product |
| US16/537,820 US10789531B2 (en) | 2017-04-20 | 2019-08-12 | Operation device and related products |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710279655.0A CN108733739B (zh) | 2017-04-25 | 2017-04-25 | 支持集束搜索的运算装置和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108733739A CN108733739A (zh) | 2018-11-02 |
| CN108733739B true CN108733739B (zh) | 2021-09-07 |
Family
ID=63934575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710279655.0A Active CN108733739B (zh) | 2017-04-20 | 2017-04-25 | 支持集束搜索的运算装置和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108733739B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110399359B (zh) * | 2019-07-24 | 2023-09-01 | 创新先进技术有限公司 | 一种数据回溯方法、装置及设备 |
| CN115794913B (zh) * | 2020-12-30 | 2024-03-15 | 华为技术有限公司 | 一种人工智能系统中数据处理方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101309327A (zh) * | 2007-04-16 | 2008-11-19 | 索尼株式会社 | 语音聊天系统、信息处理装置、话语识别和关键字检测 |
| CN102027534A (zh) * | 2008-05-16 | 2011-04-20 | 日本电气株式会社 | 语言模型得分前瞻值赋值设备、语言模型得分前瞻值赋值方法和程序存储介质 |
| WO2016161424A1 (en) * | 2015-04-03 | 2016-10-06 | Ptc Inc. | Profiling a population of examples in a precisely descriptive or tendency-based manner |
-
2017
- 2017-04-25 CN CN201710279655.0A patent/CN108733739B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101309327A (zh) * | 2007-04-16 | 2008-11-19 | 索尼株式会社 | 语音聊天系统、信息处理装置、话语识别和关键字检测 |
| CN102027534A (zh) * | 2008-05-16 | 2011-04-20 | 日本电气株式会社 | 语言模型得分前瞻值赋值设备、语言模型得分前瞻值赋值方法和程序存储介质 |
| WO2016161424A1 (en) * | 2015-04-03 | 2016-10-06 | Ptc Inc. | Profiling a population of examples in a precisely descriptive or tendency-based manner |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108733739A (zh) | 2018-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10802992B2 (en) | Combining CPU and special accelerator for implementing an artificial neural network | |
| US20200089535A1 (en) | Data sharing system and data sharing method therefor | |
| CN109104876A (zh) | 一种运算装置及相关产品 | |
| JP2023510566A (ja) | ニューラル・ネットワークのための適応的探索方法および装置 | |
| US11709783B1 (en) | Tensor data distribution using grid direct-memory access (DMA) controller | |
| CN109819032B (zh) | 一种联合考虑基站选择与计算迁移的云机器人任务分配方法 | |
| CN111860773B (zh) | 处理装置和用于信息处理的方法 | |
| CN111274020A (zh) | 基于樽海鞘群的云任务调度方法、装置、设备及存储介质 | |
| CN115065683B (zh) | 基于车辆聚类的车辆边缘网络任务分配卸载方法 | |
| WO2024011475A1 (en) | Method and apparatus for graph neural architecture search under distribution shift | |
| CN108733739B (zh) | 支持集束搜索的运算装置和方法 | |
| CN101833439A (zh) | 基于分合思想的并行计算硬件结构 | |
| CN108734279B (zh) | 一种运算装置和方法 | |
| CN112383477A (zh) | 一种面向数据中心光网络的路由和频谱分配方法及装置 | |
| CN113656480B (zh) | 一种异构数据源的数据集成方法和系统 | |
| EP3859611B1 (en) | Method, apparatus and device for updating convolutional neural network using gpu cluster | |
| CN113592702A (zh) | 基于深度卷积神经网络的图像算法加速器及系统和方法 | |
| Esfahanizadeh et al. | Stream iterative distributed coded computing for learning applications in heterogeneous systems | |
| CN115907430A (zh) | 一种多无人机序列多任务协同分配方法及系统 | |
| CN117785490A (zh) | 一种图神经网络模型的训练架构、方法、系统及服务器 | |
| CN116501828A (zh) | 基于非结构化数据集的服务器无感知向量查询方法和系统 | |
| CN108874548A (zh) | 数据处理调度方法、装置、计算机设备和数据处理系统 | |
| Kao et al. | E3: A hw/sw co-design neuroevolution platform for autonomous learning in edge device | |
| CN113947321A (zh) | 一种分布式信息能源网络拓扑结构构建方法和系统 | |
| CN111260046B (zh) | 运算方法、装置及相关产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |