基于深度学习的NVM读重做模型训练方法、预测方法及装置制造方法及图纸

本申请提供基于深度学习的NVM读重做模型训练方法、预测方法及装置。该训练方法包括：获取NVM信息，所述NVM信息包括NVM芯片的特性信息和/或错误比特信息；对所述NVM信息进行预处理，获取数据集，所述数据集包括训练集和测试集，所述数据集包括预处理后的所述NVM信息；其中，所述获取数据集包括获取与所述NVM信息对应的标注信息，所述标注信息包括用于数据集的样本数据的期望输出；利用所述训练集对卷积神经网络模型进行训练，获取NVM读重做模型。获取NVM读重做模型。获取NVM读重做模型。

【技术实现步骤摘要】
基于深度学习的NVM读重做模型训练方法、预测方法及装置


[0001]本申请涉及机器学习技术，特别地，涉及基于深度学习的NVM读重做模型训练方法、预测方法及装置。

技术介绍

[0002]图1展示了存储设备的框图。存储设备102同主机相耦合，用于为主机提供存储能力。主机同存储设备102之间可通过多种方式相耦合，耦合方式包括但不限于通过例如SATA(Serial Advanced Technology Attachment，串行高级技术附件)、SCSI(Small Computer System Interface，小型计算机系统接口)、SAS(Serial Attached SCSI，串行连接SCSI)、IDE(Integrated Drive Electronics，集成驱动器电子)、USB(Universal Serial Bus，通用串行总线)、PCIE(Peripheral Component Interconnect Express,PCIe，高速外围组件互联)、NVMe(NVM Express，高速非易失存储)、以太网、光纤通道、无线通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的NVM读重做模型的训练方法，其特征在于，包括：获取NVM信息，所述NVM信息包括NVM芯片的特性信息和/或错误比特信息；对所述NVM信息进行预处理，获取数据集，所述数据集包括训练集和测试集，所述数据集包括预处理后的所述NVM信息；其中，所述获取数据集包括获取与所述NVM信息对应的标注信息，所述标注信息包括用于数据集的样本数据的期望输出；利用所述训练集对卷积神经网络模型进行训练，获取NVM读重做模型。2.如权利要求1所述的方法，其特征在于，所述利用所述训练集对卷积神经网络模型进行训练，获取NVM读重做模型，包括：将训练集输入卷积神经网络模型；利用卷积核对所述训练集中的NVM信息进行卷积运算，获取第一数据；将所述第一数据输入所述激活函数，获取非线性化的第二数据；将所述第二数据输入归一化指数函数，获取预测值；利用交叉熵损失函数，计算预测值与其对应的标注信息之间的误差；根据所述误差，更新卷积神经网络模型的参数。3.如权利要求1所述的方法，其特征在于，所述获取NVM信息包括：对NVM芯片进行磨损处理，记录所述磨损处理过程中产生的特性信息。4.如权利要求3所述的方法，其特征在于，所述数据集包括多份样本数据，每份样本数据包括一个物理页或物理页的部分的特性信息和/或错误比特信息，其中，错误比特信息为根据至少一个读重做参数分别读取物理页或物理页的部分的数据后得到的。5.如权利要求1所述的方法，其特征在于，所述获取数据集，包括：利用标注信息对样本数据进行标注；其中，样本数据对应的标注信息为类别标签，所述类别标签指示多个读重做序列中的一个读重做序列，或者，所述类别标签指示一个读重做参数。6.如权利要求5所述的方法，其特征在于，所述对样本数据进行标注，包括：比较样本数据对应的多个错误比特信息，所述多个错误比特信息为所述多个读重做参数分别读取物理页或物理页的...

【专利技术属性】
技术研发人员：龚琴，
申请(专利权)人：成都忆芯科技有限公司，
类型：发明
国别省市：