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！

龍圖騰網獲悉浙江大學;浙江浙能嘉興海上風力發電有限公司申請的專利一種基于貝葉斯優化的神經網絡輕量化及高效FPGA部署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：CN119849561B 。

龍圖騰網通過國家知識產權局官網在2025-08-26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：202510337331.2，技術領域涉及：G06N3/0464；該發明授權一種基于貝葉斯優化的神經網絡輕量化及高效FPGA部署方法是由陳正東;劉宏森;周妙藍;孟文超;楊秦敏設計研發完成，并于2025-03-21向國家知識產權局提交的專利申請。

本一種基于貝葉斯優化的神經網絡輕量化及高效FPGA部署方法在說明書摘要公布了：本發明提出一種基于貝葉斯優化的神經網絡輕量化及FPGA高效部署方法。先選邊緣應用數據集與基準模型，采用L1正則化稀疏參數，剪枝后重新恢復模型性能。接著明確卷積層和全連接層量化范圍與位寬，用貝葉斯優化找最優量化方案。借助hls4ml庫將輕量化模型轉為HLS工程，實現快速模型到硬件設計轉換。針對不同FPGA型號，計算重用因子配置，控制HLS工程資源使用率在70％?95％，并優化關鍵算子硬件邏輯。最后構建全流程自動化部署方案，涵蓋輕量化、模型轉換和綜合實施階段。該方法能將全精度CNN基準模型轉化為滿足邊緣端低延時、低功耗需求的輕量化模型，實現目標硬件高效部署。

本發明授權一種基于貝葉斯優化的神經網絡輕量化及高效FPGA部署方法在權利要求書中公布了：1.一種基于貝葉斯優化的神經網絡輕量化及高效FPGA部署方法，其特征在于，包括： 步驟1，選擇邊緣應用數據集，并選定4層卷積結構作為基準模型； 步驟2，采用L1正則化進行參數稀疏化； 步驟3，完成剪枝后，保持稀疏連接結構不變，對剩余的稀疏連接重新訓練，恢復基準模型性能，得到量化剪枝模型； 步驟4，明確量化適用于卷積層與全連接層的權重、激活，不改變輸入數據類型的層無需量化； 步驟5，選擇量化位寬； 步驟6，利用貝葉斯優化搜索最優量化方案，包括： 步驟6.1，利用貝葉斯優化算法，使用Horowitz能耗估計方法構建能耗目標函數，能耗目標函數考慮深度學習模型中計算操作、存儲操作及數據傳輸操作的能耗； 步驟6.2，引入寬容因子FF的概念，FF的定義為：，其中，△acc表示可容忍的準確率下降百分比，R表示優化模型相較于原始模型必須達到的能耗降低比，S是一個調整因子，用于降低參考模型的數值比重，參數Cref和Ctrial分別代表參考模型的成本和正在測試的量化模型的成本； 步驟6.3，結合FF，自動量化搜索過程的目標函數fx被確定為：fx=Ctrial+α·Lacc·FF，其中Lacc是正常訓練過程的準確率損失函數，α是該Lacc的加權因子； 步驟6.4，使用期望改進的采集函數ux選擇下一個評估點，表達式為： 式中，ux用EIx表示，EIx為期望改進采集函數，E[·]表示數學期望，max·表示取最大值； 步驟6.5，采用基于貝葉斯優化的量化空間搜索算法執行自動量化搜索； 步驟7，借助hls4ml庫，將輕量化后的量化剪枝模型自動轉換為HLS工程，實現從模型到硬件設計的快速映射； 步驟8，針對不同FPGA型號，通過配置文件和硬件約束，結合量化剪枝模型每一層的參數量以及目標FPGA的DSP數量，計算出該層的重用因子作為轉換配置，以確保生成的HLS工程各資源使用率不超過q；其中，q的取值范圍在70％-95％之間； 步驟9，優化關鍵算子硬件邏輯； 步驟10，建立包括輕量化、模型轉換和綜合實施三個階段的全流程自動化部署方案，實現模型設計到硬件部署的一站式解決方案。

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浙江大學;浙江浙能嘉興海上風力發電有限公司，其通訊地址為：310000 浙江省杭州市西湖區余杭塘路866號；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”。