买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉之江实验室申请的专利一种卷积神经网络分层推理时间预测方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114648123B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210133010.7，技术领域涉及：G06N5/04；该发明授权一种卷积神经网络分层推理时间预测方法及装置是由向甜;张北北;朱世强;宋伟设计研发完成，并于2022-02-14向国家知识产权局提交的专利申请。

本一种卷积神经网络分层推理时间预测方法及装置在说明书摘要公布了：本发明公开了一种卷积神经网络分层推理时间预测方法及装置，首先采集各类卷积神经网络模型的分层算子信息，根据算子信息的特性确定多种分层类型，将算子信息划分到各分层类型中，采集平台框架信息；其次构建特征工程，提取每种分层类型下对应的卷积神经网络模型的层特征参数，以及提取平台框架信息中与推理时间相关的平台框架特征参数，将模型层特征参数与平台框架特征参数融合，构成多种分层类型的特征参数；最后进行推理时间预测，根据特征参数的数据特点对多种分层类型进行分类，将特征参数相同的分层类型划分成一组，对特征参数不同的分层类型单独划分为一组，对每组构建推理时间预测模型，用于卷积神经网络模型进行推理时间的预测。

本发明授权一种卷积神经网络分层推理时间预测方法及装置在权利要求书中公布了：1.一种卷积神经网络分层推理时间预测方法，其特征在于包括如下步骤： S101，数据采集，采集各类卷积神经网络模型的分层算子信息，根据算子信息的特性确定多种分层类型，将算子信息划分到各分层类型中，采集平台框架信息；数据采集包括如下步骤： 步骤201，采集各种卷积神经网络模型结构； 步骤202，采集平台框架信息； 步骤203，从模型结构中获取模型的分层算子信息，包括：卷积算子、深度可分离卷积算子、空洞卷积算子、最大池化算子、最小池化算子、平均池化算子、批标准化算子、全连接算子、Relu算子、Relu6算子、Sigmoid算子、Swish算子、Add算子、Concat算子、Multiply算子； 步骤204，根据分层算子信息确定多种分层类型，包括：卷积层、池化层、批标准化层、全连接层、激活函数层、逐元素计算层； 步骤205，将分层算子信息划分到多种分层类型之一，对应关系包括：卷积层包含卷积算子、深度可分离卷积算子、空洞卷积算子；池化层包含最大池化算子、最小池化算子、平均池化算子；批标准化层包含批标准化算子，全连接层包含全连接算子，激活函数层包含Relu算子、Relu6算子、Sigmoid算子、Swish算子；逐元素计算层包含Add算子、Concat算子、Multiply算子； S102，构建特征工程，提取每种分层类型下对应的卷积神经网络模型的层特征参数，以及提取平台框架信息中与推理时间相关的平台框架特征参数，将模型层特征参数与平台框架特征参数融合，构成多种分层类型的特征参数；构建特征工程包括如下步骤： S301，对6种分层类型提取模型层特征参数，其中： 卷积层对应的模型层特征参数包括：该层输入特征图片尺寸大小、输入特征图片通道数、卷积核大小、步幅大小、padding大小、dilation大小、group大小、该层输出特征图片通道数； 池化层对应的模型层特征参数包括：该层输入特征图片尺寸大小、输入特征图片通道数、卷积核大小、步幅大小、padding大小； 归一化层对应的模型层特征参数包括：该层输入特征图片尺寸大小和输入特征图片通道数； 全连接层对应的模型层特征参数包括：该层输入特征图片尺寸大小、输入特征图片通道数、神经元个数； 激活函数层对应的模型层特征参数包括：该层输入图片尺寸大小和输入特征图片通道数； 逐元素计算层对应的模型层特征参数包括：该层输入图片尺寸大小和输入特征图片通道数； S302，提取平台框架的特征参数； S303，将模型层特征参数和平台框架特征参数融合，作为各分层类型的特征参数，并进行特征参数的判定，以决定各分层类型中需要进行特征筛选的分层类型； S304，遍历每种分层类型，对特征参数进行特征筛选； S103，推理时间预测，根据特征参数的数据特点对多种分层类型进行分类，将特征参数相同的分层类型划分成一组，对特征参数不同的分层类型单独划分为一组，对每组构建推理时间预测模型，用于卷积神经网络模型进行推理时间的预测；推理时间预测包括如下步骤： S401，获取特征筛选后的多种分层类型特征参数，并对多种分层类型的特征参数进行进一步的分类； S402，遍历多种分层类型的特征参数，将特征参数相同的分层类型划分到同一组，形成p组分层类型，p组中每一组内的特征参数包含有相同的模型层特征参数和平台框架特征参数； S403，将特征参数不相同的分层类型划分成q组分层类型； S404，p+q组分层类型，组与组之间的特征参数都不相同，采用机器学习分别对p+q组分层类型建模，进行推理时间预测模型的训练； S405，根据预测模型的训练，得到p+q个推理时间预测模型，来完成卷积神经网络多种分层类型的推理时间预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人之江实验室，其通讯地址为：311100 浙江省杭州市余杭区中泰街道之江实验室南湖总部；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。