【技术实现步骤摘要】
本申请属于人工智能(artificial intelligence，ai)，特别涉及一种模型的协同训练方法、装置、设备、芯片和程序产品。
技术介绍
1、在相关技术中，为了对存算一体芯片存在的计算误差进行补偿，需要对计算过程中的误差来源进行分析，包括模型量化过程产生的误差、芯片模拟计算误差、模数(analogue-to-digital，a/d)转换的误差以及电流累计误差等；针对存在的各类误差需要进行误差测量并记录误差值，然后基于记录的误差值进行补偿。可以看出，这种误差补偿方案由于需要分析误差来源并记录误差值，因而存在复杂度较高的问题。
技术实现思路
1、为了解决相关技术中存在的存算一体芯片的误差补偿过程复杂度较高的问题，本申请实施例提出了一种模型的协同训练方法、装置、设备、芯片和程序产品。
2、本申请实施例提供一种模型的协同训练方法，应用于电子设备中，所述方法包括：
3、将目标网络模型部署至存算一体芯片中；
4、获取训练数据集中的样本数据和所述样本数据对应
<本文档来自技高网...【技术保护点】
1.一种模型的协同训练方法，其特征在于，应用于电子设备中，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据对应的真实值和所述样本数据对应的预测值的差异，更新在所述存算一体芯片中部署的所述目标网络模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，在将目标网络模型部署至存算一体芯片中之前，所述方法还包括：部署浮点模型，对所述浮点模型进行量化处理，得到所述目标网络模型；
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本数据...
【技术特征摘要】
1.一种模型的协同训练方法，其特征在于，应用于电子设备中，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据对应的真实值和所述样本数据对应的预测值的差异，更新在所述存算一体芯片中部署的所述目标网络模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，在将目标网络模型部署至存算一体芯片中之前，所述方法还包括：部署浮点模型，对所述浮点模型进行量化处理，得到所述目标网络模型；
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本数据对应的真实值和所述样本数据对应的预测值的差异，更新在所述存算一体芯片中部署的所述目标网络模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述训练数据集包括多个样本数据；
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
8.根据权利要求1至7任一项所述的方法，其特征在于，所述将目标网络模型部署至存算一体芯片中，包括：
9.一种模型的协同训练方法，其特征在于，应用于存...
【专利技术属性】
技术研发人员：张童，潘卫平，李昊，祝淑琼，高若飞，姚燕玲，
申请(专利权)人：中国移动通信有限公司研究院，
类型：发明
国别省市：
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。