CN119538302A 基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私推理方法及装置 (武汉大学)_第1页
CN119538302A 基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私推理方法及装置 (武汉大学)_第2页
CN119538302A 基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私推理方法及装置 (武汉大学)_第3页
CN119538302A 基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私推理方法及装置 (武汉大学)_第4页
CN119538302A 基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私推理方法及装置 (武汉大学)_第5页
已阅读5页,还剩23页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于winograd稀疏卷积和可微分激活函数体公开了一种基于winograd稀疏卷积和可微分针对现有的神经网络隐私推理计算时延高和通并使用多阶段知识蒸馏方法保留神经网络模型有效提高隐私保护神经网络推理的计算和通信2S1:将预训练的深度学习模型进行参数变换和稀S3:对S2输出的模型进行激活函数近似和替换2.如权利要求1所述的基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私3.如权利要求2所述的基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私14.如权利要求3所述的基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私2:35.如权利要求1所述的基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私将步骤S2中重训练完成的winograd稀疏化深度学习模型输入激活函数参数化近似模对生成的掩码张量进行进一步多项式初始化和迭代拟合替换,得到非6.如权利要求5所述的基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私S=laAaL(a)lM'=MOI(S<8)2+ρ23)7.如权利要求1所述的基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私4服务端接收来自客户端的隐私推理服务请求数据,两方基于隐8.一种基于winograd稀疏卷积和可微分激活卷积层稀疏化模块,用于将预训练的深度学习模型进行参数变换和稀激活函数参数化近似模块,用于对第一重训练模块输出的模型行时实现如权利要求1至7中任一项权利要求所述的基于winograd稀疏卷积和可微分激活求所述的基于winograd稀疏卷积和可微分激活函数近似的神5数据量将从2018年的33ZB增长到2025年的175ZB,大规模数据成为深度技术发展的主要驱[0003]深度神经网络隐私推理方法主要依赖于同态加密(Homomorphicencryption,HE)SS)等隐私计算技术的不断发展,计算ReLU(Rectifiedlinearunits)非线性函数的效率6[0007]第一方面提供了一种基于winograd稀疏卷积和可微分激活函数近似的神经网络7[0033]将步骤S2中重训练完成的winograd稀疏化深度学习模型输入激活函数参数化近[0040]S=laAaL(a)l[0043]M'=MOI(S<8)82+ρ23)[0049]服务端接收来自客户端的隐私推理服务请求数据,两方[0051]卷积层稀疏化模块,用于将预训练的深度学习模型进行9。[0061]图1为本发明实施例提供的一种基于winograd稀疏卷积和可微分激活函数近似的[0062]图2为本发明实施例提供的基于winograd稀疏卷积和可微分激活函数近似的神经[0063]图3为本发明实施例提供的基于winograd稀疏卷积和可微分激活函数近似的神经[0064]图4为本发明实施例提供的一种基于winograd稀疏卷积和可微分激活函数近似的[0065]本发明针对现有的神经网络隐私推理计算时延高和通信代价大的难题,基于[0068]本发明公开了一种基于winograd稀疏卷积和可微分激活函数近似的神经网络隐型FW;客户端持有若干个隐私推理服务请求数据{X,XZ,…,请求数据用于发送给服务端进行隐私推理。服务端基于给定的数据集根据输入xn和其输出标签yn之数为σ(·),整个神经网络模型包含K个激活函数单元。第一次执行步骤1时,模型参数采用预训练的完成值;[0075]S1是对预训练的深度学习模型进行参数变换和稀疏化处理,S2对根据训练数据[0079]具体来说,S1通过卷积层稀疏化模块进行winograd感知的卷积核剪枝以及[0099]将步骤S2中重训练完成的winograd稀疏化深度学习模型输入激活函数参数化近[0110]M'=MOI(S<8)2+ρ23)[0117]服务端接收来自客户端的隐私推理服务请求数据,两方[0119]本发明的方法是为了解决现有的神经网络隐私推理计算时延高和通信代价大的[0120]把图2中的服务端基于给定数据集预训练得到的预测模型作为输入神经网络导入卷积核在winograd变换后的重要性分数,移除部分分数较低的卷积核。接着输入到交由服务端与客户端执行高效轻量的隐私推理交互。图3是本发明中基于winograd稀疏卷[0123]步骤3,将步骤2中重训练完成的神经网络预测模型输入激活函数参数化近似模[0129]卷积层稀疏化模块401,用于将预训练的深度学习模型进行参数变换和稀疏化处[0131]激活函数参数化近似模块403,用于对第一重训练模块输出的模型进行激活函数[0134]由于本发明实施例二所介绍的装置为实施本发明实施例一中基于winograd稀疏[0137]由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中基于winograd稀疏卷积和可微分激活函数近似的神经网络隐私推理方法所采用的计算机可的计算机可读存储介质都属于本发明所欲保[0140]由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中基于winograd稀疏卷积和可微分激活函数近似的

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论