【技术实现步骤摘要】
一种用于定点转化的系统和方法
本申请涉及机器学习
,具体地,涉及通过嵌入式芯片执行机器学习网络的系统和方法。
技术介绍
机器学习网络是一种计算模型,可用于解决使用传统计算模型难以解决的任务。例如,可以训练机器学习网络以执行使用其他传统编程范例极难实现的模式识别任务。利用机器学习网络通常需要执行计算和操作来开发、训练和更新机器学习网络。传统上,机器学习网络已经使用浮点数操作的台式计算机处理器或服务器来实现。例如,使用IEEE754格式编码的32位浮点数表示数据并执行机器学习网络的计算。然而,在嵌入式处理器(例如,移动设备的处理器)上执行浮点计算和操作是非常困难的。因此,需要提高使用定点数操作的嵌入式处理器来实现机器学习网络的效率。另外,随着机器学习网络越来越庞大和复杂,需要降低机器学习网络的计算复杂度以改进速度,降低功率要求和其他低效率。
技术实现思路
本申请实施例之一提供一种数据格式转化的系统,包括:至少一个非暂时性存储设备,包括一组指令集;以及与该至少一个非暂时性存储设备通信的至少一个处理器,其中,当执行该指令集时,该至少一个处理器用于:获得训练样本集,其中训练样本集包括多个样本值;基于样本值将多个样本值划分为多个参考簇;对于多个参考簇中的每一个,基于参考簇内的一个或多个样本值,确定对应该参考簇的一个或多个转换参数;以浮点格式获取目标值;基于目标值确定多个参考簇中的目标簇;基于与目标簇对应的一个或多个转换参数,将浮点格式的目标值转换为定点格式。在一些实施例中,所述一个或多个 ...
【技术保护点】
1.一种数据格式转化的系统,包括:/n至少一个非暂时性存储设备,包括一组指令集;以及/n与该至少一个非暂时性存储设备通信的至少一个处理器,其中,当执行该指令集时,该至少一个处理器用于:/n获得训练样本集,其中训练样本集包括多个样本值;/n基于样本值将多个样本值划分为多个参考簇;/n对于多个参考簇,基于参考簇内的一个或多个样本值,确定对应该参考簇的一个或多个转换参数;/n以浮点格式获取目标值;/n基于目标值确定多个参考簇中的目标簇;/n基于与目标簇对应的一个或多个转换参数,将浮点格式的目标值转换为定点格式。/n
【技术特征摘要】
1.一种数据格式转化的系统,包括:
至少一个非暂时性存储设备,包括一组指令集;以及
与该至少一个非暂时性存储设备通信的至少一个处理器,其中,当执行该指令集时,该至少一个处理器用于:
获得训练样本集,其中训练样本集包括多个样本值;
基于样本值将多个样本值划分为多个参考簇;
对于多个参考簇,基于参考簇内的一个或多个样本值,确定对应该参考簇的一个或多个转换参数;
以浮点格式获取目标值;
基于目标值确定多个参考簇中的目标簇;
基于与目标簇对应的一个或多个转换参数,将浮点格式的目标值转换为定点格式。
2.如权利要求1所述的系统,其中,所述一个或多个转换参数包括Q数值,以确定与所述参考簇相对应的Q数值,所述系统还用于:
确定与参考簇对应的簇中心值;
基于与参考簇对应的簇中心值和具有参考簇的样本值,确定与参考簇对应的最大范围值;
基于与参考簇对应的最大范围值确定与参考簇对应的Q数值。
3.如权利要求1所述的系统,其中所述一个或多个转换参数包括位移值,为了确定对应于所述参考簇的位移值,所述系统还用于:
确定训练样本集的多个样本值的原始中心值;
确定与参考簇对应的簇中心值;
基于原始中心值和与参考簇对应的簇中心值,确定与参考簇对应的位移值。
4.如权利要求1任一项所述的系统,其特征在于,所述浮点格式的目标值包括目标簇编码区域,所述系统还用于:
确定多个样本值的分布;
基于多个样本值的分布确定目标簇编码区域的长度。
5.如权利要求4所述的系统,其中,所述系统还被配置为:
基于目标簇编码区域的长度确定参考簇的数量;
基于参考簇的数量确定多个参考簇。
6.如权利要求5中任一项所述的系统,其中,所述系统被配置为:
根据定点格式的目标值和机器学习网络生成基于定点格式的第一结果;
基于与目标簇对应的一个或多个转换参数将第一结果转换为浮点格式。
7.如权利要求6所述的系统,其中基于所述训练样本集生成所述机器学习网络。
8.根据权利要求1所述的系统,其中,所述系统还被配置为:
基于与多个参考簇对应的转换参数确定查找表。
9.如权利要求8所述的系统,其中所述查找表是哈希表。
10.如权利要求7所述的系统,其特征在于,所述基于所述目标簇对应的所述一个或多个转换参数,将所述浮点格式的目标值转换为定点格式,所述系统还用于...
【专利技术属性】
技术研发人员:赵元,沈海峰,
申请(专利权)人:北京嘀嘀无限科技发展有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。