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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利多样本多通道卷积反向传播向量化实现方法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：CN115982581B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202211599907.5，技术领域涉及：G06F18/214；该发明授权多样本多通道卷积反向传播向量化实现方法是由刘仲;陈杰;刘胜;郭阳;陈海燕;李晨;李程;田希设计研发完成，并于2022-12-14向国家知识产权局提交的专利申请。

本多样本多通道卷积反向传播向量化实现方法在说明书摘要公布了：本发明公开一种多样本多通道卷积反向传播向量化实现方法，步骤包括：S01.将输入特征数据和输入误差梯度存储为二维矩阵；S02.从输入误差梯度矩阵中抽取子矩阵并传输，以及将卷积核矩阵传输；S03.对子矩阵以及卷积核矩阵执行向量化矩阵乘法，得到输出误差梯度矩阵；S04.从输入误差梯度矩阵中抽取子矩阵，执行向量化矩阵求和计算，得到卷积层偏置参数的梯度；S05.将输入误差梯度矩阵传输到标量存储器中，并从输入特征数据矩阵中抽取子矩阵传输；S06.对输入误差梯度矩阵和输入特征数据的子矩阵执行向量化矩阵乘法计算，得到卷积层权重参数的梯度。本发明具有实现简单、计算效率高、开销小、存储带宽需求低等优点。

本发明授权多样本多通道卷积反向传播向量化实现方法在权利要求书中公布了：1.一种多样本多通道卷积反向传播向量化实现方法，其特征在于，步骤包括： S01.将卷积神经网络前向计算的输入特征数据和反向传播的输入误差梯度按照样本维优先的方式存储为二维矩阵，得到输入特征数据以及输入误差梯度矩阵； S02.向量处理器从步骤S01得到的所述输入误差梯度矩阵中按行抽取V行数据组成第一子矩阵并传输到各个核的向量阵列存储器AM中，以及将卷积核矩阵传输到各个核的标量存储器SM中，其中0V＝K，K＝O*kH*kW，kH为卷积核的高度，kW为卷积核的宽度，O为卷积核的数量； S03.向量处理器各个核对输入误差梯度矩阵的所述第一子矩阵以及所述卷积核矩阵执行向量化矩阵乘法，计算得到输出误差梯度矩阵并传输到向量处理器的片外存储器；重复步骤S02、步骤S03直至完成全部输出误差梯度矩阵的计算； S04.向量处理器从步骤S01得到的所述输入误差梯度矩阵中按行抽取dS行数据组成第二子矩阵并传输到各个核的向量阵列存储器AM中，其中dS＝nH*nW，nH为输出特征图的高度，nW为输出特征图的宽度；对所述第二子矩阵执行向量化矩阵求和计算，得到卷积层偏置参数的梯度并传输到向量处理器的片外存储器中；重复步骤S04直至完成全部卷积层偏置参数梯度的计算后，根据学习率更新卷积层偏置参数； S05.向量处理器将步骤S01得到的所述输入误差梯度矩阵传输到各个核的标量存储器SM中，并从步骤S01得到的所述输入特征数据矩阵中抽取N*nnH*nnW*C阶子矩阵传输到各个核的向量阵列存储器AM中，其中N为训练样本的数目，C为输入特征图的通道数，nnH和nnW分别表示对输出特征图在行列间补S-1个0之后的逻辑高度和宽度，S为卷积核的步长； S06.向量处理器对步骤S05中所述输入误差梯度矩阵和输入特征数据的子矩阵执行向量化矩阵乘法计算，计算得到卷积层权重参数的梯度并传输到向量处理器的片外存储器中，重复步骤S05、步骤S06直至完成全部卷积层权重参数梯度的计算后，根据学习率更新卷积层权重参数。

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中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区砚瓦池正街47号；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”。

以上内容由龙图腾AI智能生成。