買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉杭州電子科技大學申請的專利一種基于深度學習預測神經網絡訓練時長的方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN113887717B 。

龍圖騰網通過國家知識產權局官網在2025-08-19發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111020175.5，技術領域涉及：G06N3/082；該發明授權一種基于深度學習預測神經網絡訓練時長的方法是由王鑫;曾艷;袁俊峰;張紀林;萬健設計研發完成，并于2021-09-01向國家知識產權局提交的專利申請。

本一種基于深度學習預測神經網絡訓練時長的方法在說明書摘要公布了：本發明公開了一種基于深度學習預測神經網絡訓練時長的方法，為大規模集群中的深度學習任務訓練時長提供預測以優化集群調度策略。本發明首先分析神經網絡的結構特性和訓練過程的計算組成，構建以單層網絡訓練時長為基本單位的完整神經網絡訓練時長的計算模型，為利用單層模型特征預測具備不同結構的神經網絡訓練時長提供支持；其次，分析模型特征和訓練時長的關系，設計多層感知機模型用以提取模型特征對訓練時長的影響；最后，根據模型特征對訓練時長的影響，制定降維規則用以提取對訓練時長影響較大的關鍵特征，降低模型特征的維度，并利用降維后的模型特征訓練深度學習模型用以預測分布式環境下的神經網絡訓練時長。

本發明授權一種基于深度學習預測神經網絡訓練時長的方法在權利要求書中公布了：1.一種基于深度學習預測神經網絡訓練時長的計算資源動態調整方法，其特征在于，所述方法包括以下步驟： 1結合神經網絡訓練過程的計算組成和神經網絡的層次性結構特征，構建以單層網絡訓練時長為基本單位的完整網絡訓練時長的計算模型；分析影響單層網絡訓練時長的模型特征； 所述訓練過程的計算組成指神經網絡正向傳播和反向傳播計算過程，層次性結構特征是指神經網絡結構上以層次為基本單位，整體網絡的運算通過層次運算傳遞得到；所述模型特征指單層網絡的超參數設置； 2分析模型特征和訓練時長的關系，設計多層感知機模型用以提取模型特征對神經網絡訓練時長的影響； 其中，所述多層感知機模型以下簡稱為權重模型，所述模型特征對神經網絡訓練時長的影響簡稱為特征權重； 3利用權重模型提取特征權重，根據特征權重的大小排名構建能夠衡量模型特征對訓練時長總體影響力的評價指標，基于評價指標設計降維規則實現模型特征降維，使用降維處理后的模型特征訓練深度學習模型用以預測單層神經網絡訓練時長； 4根據集群內神經網絡的訓練時長來實現計算資源動態調整； 所述評價指標包括對特征權重總體排名的評價和對特征權重排名總體波動程度的評價；為方便稱呼，所述用以預測單層神經網絡訓練時長的深度學習模型以下簡稱為時間預測模型。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州電子科技大學，其通訊地址為：310018 浙江省杭州市錢塘區白楊街道2號大街；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。