买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广州佳新智能科技有限公司

摘要：本发明涉及人工智能领域，具体公开了一种基于人工智能的数据智能模型训练与硬件加速方法，包括：设置原始深度卷积神经网络模型DNN的网络结构；经过首次训练得到卷积神经网络模型；进而进行阶段和类别划分，从而得到块；计算每一个块中各个类别卷积层的滤波器滤波通道大小及剪枝权重；使用剪枝后的智能模型执行推理任务；根据任务类型选择对应的激活函数；并进行量化和知识蒸馏；设计通用硬件加速器，将优化后的深度卷积神经网络模型DNN部署在FPGA中。本发明通过深度卷积神经网络模型DNN的网络结构的构建，设计多种激活函数通用硬件架构，使其在更轻量化的同时，在提高卷积神经网络的表达能力的同时，能够准确提高智能化水平。

主权项：1.一种基于人工智能的数据智能模型训练与硬件加速方法，其特征在于，所述方法包括：步骤S1，设置原始深度卷积神经网络模型DNN的网络结构，权重通过随机取值，初始化原始深度卷积神经网络模型DNN；步骤S2，采集历史任务数据的控制指令及网络参数，输入任务队列，经过首次训练得到网络权值，用于得到首次训练后的卷积神经网络模型；步骤S3，根据各个卷积层的属性共性对首次训练后的卷积神经网络模型DNN的卷积层进行阶段和类别划分，从而得到块；步骤S4，计算每一个块中各个类别卷积层的滤波器滤波通道大小及剪枝权重，通过能够调节滤波通道大小的滤波器，来进行权值的重要性筛选；步骤S5：使用剪枝后的智能模型执行推理任务，当不满足推理任务时，调整滤波通道大小；步骤S6：根据任务类型选择对应的激活函数，对优化后的神经网络模型进行重新训练；步骤S7：对剪枝之后的深度卷积神经网络模型DNN进行量化；步骤S8，对量化后深度卷积神经网络模型DNN的网络结构进行知识蒸馏，并优化；步骤S9，设计通用硬件加速器，其中，所述通用硬件加速器的集成电路由CPU、GPU和现场可编程门阵列FPGA共同构成，线性训练任务由CPU完成，非线性训练任务由GPU完成；步骤S10，将优化后的深度卷积神经网络模型DNN部署在FPGA中；根据优化后的深度卷积神经网络模型DNN和FPGA的资源限制，选择对应的硬件并行化结构，包括计算单元、控制单元和存储单元，将优化后的深度卷积神经网络模型DNN部署在FPGA当中，实现硬件加速。

全文数据：

权利要求：

百度查询： 广州佳新智能科技有限公司 基于人工智能的数据智能模型训练与硬件加速方法及系统