摘要
本发明公开了一种容随机位翻转错误的卷积算子及其应用方法。所述算子基于Winograd算法构建,采用完全解耦的计算路径设计,在Winograd域中直接训练和存储卷积核,将随机位翻转错误的影响限制于局部输出区域;引入稀疏优化操作,保留输入特征图的稀疏性,并降低计算开销;集成自参考抑制策略,基于Winograd域激活值的局部相似性,动态检测并抑制异常激活;应用时,所述容错卷积算子可替换传统卷积,嵌入现有神经网络结构中,在不损失正常推理性能时提升容错能力并降低计算开销;本发明具备良好的兼容性与可组合性,能广泛嵌入现有的神经网络模型中,有效提升网络模型的容错能力,适用于多场景多要求的神经网络容错设计。
技术关键词
Winograd算法
Winograd卷积
模块
神经网络模型
执行矩阵乘法
拉格朗日插值
神经网络结构
分区
数据
非线性
输出特征
邻域
动态
尺寸
通道
数值
元素
分辨率
系统为您推荐了相关专利信息
集群调度方法
深度学习训练
深度学习神经网络
优化器
节点
数据智能分析方法
医药
主题分析模型
自然语言
主题集合
协同识别方法
深度神经网络模型
影像
异构特征
残差网络模型
配电环网柜
数据处理模型
设备状态评估
数据处理方法
健康状态参数