基于半监督堆叠自编码器的轧制力预报建模研究

随着计算机运算能力的提升,数据驱动技术被广泛应用于冶金工业过程中。基于该技术的轧制力预报有助于缩短带材的头尾长度,提高成材率。为了解决数据驱动模型在预训练过程中因特征提取盲目导致预测精度较低的问题,提出了一种基于半监督堆叠自编码器（SS-SAE）的深度分层监督预处理框架,用于轧制力预报建模研究。在SS-SAE中,依次训练多个半监督自编码器（SS-AE）,分级提取目标相关特征。每个SS-AE将来自前一隐藏层的特征作为新的输入,以生成高阶特征。通过堆叠多个SS-AE的方式,可逐步学习深层目标相关特征,同时深度网络结构将逐步减少不相关信息。仿真结果表明,该模型预测精度可控制在2%以内,实现了轧制力的高精度预测。     

深度学习检索框架的前沿探索

经过几十年的发展,信息检索技术获得了长足的进步和广泛的应用,但当前主流的搜索引擎系统距离真正智能的信息获取系统仍然有较大差距.智能信息获取系统能够对网络大数据的内容进行获取、阅读和理解,对关键语义信息实现存储和检索,并能够依据用户的信息需求进行推理、决策和信息生成.实现这样的系统,迫切需要在检索架构和检索模型上形成根本性的改变和理论突破.近年来,围绕智能信息获取的需求,利用深度学习检索框架展开了系统性研究,在数据表征、数据索引以及检索算法等方向上形成了一系列原创成果,在探索全新的深度学习检索架构上不断迈进.     

一种运算和数据协同优化的深度学习编译框架

近年来,深度学习算法和深度学习处理器已被广泛应用于工业界,如何从软件层面充分挖掘深度学习处理器的性能成为目前编译器领域研究的热点和难点。现有的深度学习编译框架更侧重于对程序的运算部分进行优化,对数据的优化非常有限,这并不能发挥深度学习处理器的峰值性能。本文分析了深度学习算法和硬件平台的特点,提出一种运算和数据协同优化的深度学习编译框架CDUCA,它包含计算图引擎、代码生成器、数据优化器3个不同层次的组件,在多个层次对运算和数据进行协同优化,最终生成高效的可部署模型。本文在现场可编程门阵列(FPGA)平台上评估了CDUCA,实验结果表明,对于典型的深度学习应用,CDUCA生成的模型性能能达到手工优化模型性能的86.5%。