基于卷积神经网络的音乐推荐方法、存储介质和电子装置.pdf
是你****嘉嘉
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于卷积神经网络的音乐推荐方法、存储介质和电子装置.pdf
本发明公开了一种基于卷积神经网络的音乐推荐方法、存储介质和电子装置,通过训练好的性别识别卷积神经网络、音色识别卷积神经网络和音调识别卷积神经网络对用户录音进行特征识别,以获得用户的性别、音色和音调,并基于用户的性别、音色和音调三个参数类别及其权重向用户推荐音乐。本发明基于用户录音的声音特质,而不是用户所录的内容,因此不直接使用录音数据进行音乐推荐,大大减少了后期计算量。同时,通过单独训练三个卷积神经网络识别用户声音的三个参数类别,并根据各类别权重向用户推荐音乐,提高了推荐全面性的同时也提高了推荐准确率。
卷积神经网络量化方法、装置、电子设备和存储介质.pdf
本发明提供一种卷积神经网络量化方法、装置、电子设备和存储介质,其中方法包括:按照预设的重要权重优先原则,分别获取预训练卷积神经网络中每一层的第一量化权重范围;其中,所述重要权重优先原则包括基于每一层原始权重的幂指数出现频次确定的原则;对所述第一量化权重范围分别进行权重数量扩充处理,得到所述每一层的第二量化权重范围;基于所述第二量化权重范围,确定所述预训练卷积神经网络的目标量化权重范围。本发明能够实现在相同量化位宽的情况下增加量化范围及减小精度损失的目的,不仅能够减少网络模型的存储空间、减小计算量、减少能源
基于图卷积神经网络的共晶预测方法、装置和存储介质.pdf
本发明提供一种基于图卷积神经网络的共晶预测方法、装置和存储介质,所述方法包括:获取共晶训练样本集中每个分子对中主体分子的第一数据文件和客体分子的第二数据文件;获取每个分子对的预测分子指纹、目标分子特征、目标连接邻接矩阵和目标点云信息;将目标分子特征、目标连接邻接矩阵和目标点云信息输入特征提取模型,得到分子对的初始特征;将分子对的初始特征与所述预测分子指纹进行拼接,得到分子对的特征向量;将每个分子对的特征向量输入图卷积神经网络进行训练,得到共晶预测模型。本发明解决了现有技术中预测效率低的问题,通过图卷积神经
卷积神经网络模型剪枝方法和装置、电子设备、存储介质.pdf
本公开实施例提供卷积神经网络模型剪枝方法和装置、电子设备、存储介质,涉及人工智能技术领域。该卷积神经网络模型剪枝方法,包括:获取待剪枝模型的损失函数,对损失函数进行泰勒展开,得到第一参数重要性指标值和第二参数重要性指标值;根据第一参数重要性指标值和第二参数重要性指标值计算每个滤波器对应的剪枝重要性指标;根据预设剪枝率和每个滤波器对应的剪枝重要性指标,对待剪枝模型进行剪枝得到剪枝模型。本实施例考虑滤波器之间的关系以及模型中每个卷积层内部滤波器的冗余信息,量化滤波器的重要性,提高卷积神经网络模型剪枝的准确率,
基于全卷积神经网络的语音增强方法、装置及存储介质.pdf
本发明属于人工智能领域,本发明公开了一种基于全卷积神经网络的语音增强方法,包括:构建全卷积神经网络模型,所述全卷积神经网络模型包括输入层、隐含层和输出层,所述隐含层为多个卷积层,每个卷积层均具有多个滤波器;训练所述全卷积神经网络模型;将原始语音信号输入经过训练的全卷积神经网络模型;输出增强语音信号。本发明的全卷积神经网络模型中,删除了全连接层,仅包含卷积层,大大减小了神经网络的参数,使得全卷积神经网络模型可以适用于限制内存的移动设备中,并且每个输出样本仅仅依赖相邻输入,可以通过更少的权重值很好地保留语音信