申请/专利权人:北京航空航天大学
申请日:2020-11-20
公开(公告)日:2021-04-13
公开(公告)号:CN112652299A
主分类号:G10L15/16(20060101)
分类号:G10L15/16(20060101);G10L15/06(20130101);G10L15/26(20060101);G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101)
优先权:
专利状态码:有效-授权
法律状态:2022.06.17#授权;2021.04.30#实质审查的生效;2021.04.13#公开
摘要:本发明提供一种时间序列语音识别深度学习模型的量化方法及装置,本实施例提供的时间序列语音识别深度学习模型的量化方法,包括:获取全精度模型的参数;根据全精度模型的参数和预设的量化算法,确定时间序列语音识别深度学习模型的参数,所述时间序列语音识别深度学习模型为二值模型;在二值模型中新增预设的注意力机制模块,对二值模型输入值的权重进行训练;同时应用预设的损失函数对二值模型的参数进行训练,以降低由全精度模型量化为二值模型时的精度损失。通过本发明实施例提供的时间序列语音识别深度学习模型的量化方法,实现在将深度学习模型量化为二值模型时能够降低精度损失,并且二值模型的表征能力较深度学习模型差异不大。
主权项:1.一种时间序列语音识别深度学习模型的量化方法,其特征在于,包括:获取全精度模型的参数;根据所述全精度模型的参数和预设的量化算法,确定时间序列语音识别深度学习模型的参数,所述时间序列语音识别深度学习模型为二值模型;在所述二值模型中新增预设的注意力机制模块,对所述二值模型输入值的权重进行训练;同时应用预设的损失函数对所述二值模型的参数进行训练,以降低由所述全精度模型量化为所述二值模型时的精度损失,其中,所述损失函数包括根据特征反馈得到的损失函数、联结主义时间分类损失函数以及投影损失函数。
全文数据:
权利要求:
百度查询: 北京航空航天大学 时间序列语音识别深度学习模型的量化方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。