水泵模型及裝置模型驗(yàn)收試驗(yàn)規(guī)程內(nèi)容介紹

根據(jù)水利部水利水電規(guī)劃設(shè)計(jì)管理局水總局科[2004]11號(hào)文下達(dá)的水利水電勘測(cè)設(shè)計(jì)技術(shù)標(biāo)準(zhǔn)修訂工作安排，對(duì)《水泵模型驗(yàn)收試驗(yàn)規(guī)程》（SL140—97）進(jìn)行修訂，將標(biāo)準(zhǔn)名稱改為《水泵模型及裝置模型驗(yàn)收試驗(yàn)規(guī)程》。

本標(biāo)準(zhǔn)共8章12節(jié)102條和3個(gè)附錄，主要技術(shù)內(nèi)容包括：

——總則；

——術(shù)語、符號(hào)及計(jì)量單位；

——試驗(yàn)臺(tái)；

——水泵模型及裝置模型；

——參數(shù)測(cè)量方法及不確定度；

——驗(yàn)收試驗(yàn)；

——保證值的驗(yàn)證及原型泵性能換算；

——試驗(yàn)大綱與試驗(yàn)報(bào)告的編制。

本次修訂的主要內(nèi)容包括：

——標(biāo)準(zhǔn)名稱改為《水泵模型及裝置模型驗(yàn)收試驗(yàn)規(guī)程》，突出水泵裝置模型試驗(yàn)的重要性；

——在前引部分，增加了前言及基本信息，取消了原規(guī)程中的附加說明；

——在“總則”中，更新2個(gè)引用標(biāo)準(zhǔn)，刪除過時(shí)或重復(fù)性的標(biāo)準(zhǔn)；

——在“試驗(yàn)臺(tái)”中，提高了對(duì)模型試驗(yàn)臺(tái)精度的規(guī)定，即模型效率的允許總不確定度由原規(guī)程的士1.3%提高至士0.4%；

——在“水泵模型”中，增加了“裝置模型”并對(duì)水泵模型及裝置模型的范圍作了更明確的規(guī)定，還增加了水泵模型及裝置模型尺寸允差的圖、表；

——在“原型泵性能換算”中，增加了保證值的驗(yàn)證部分；

——修訂了有關(guān)條文說明和附錄；

——對(duì)原規(guī)程中局部結(jié)構(gòu)和文字進(jìn)行了修改，如“性能”改為“能量”，“汽蝕”改為“空化”，“汽蝕余量”改為“空化余量”，“誤差”改為“不確定度”等。

1　總則

2　術(shù)語、符號(hào)及計(jì)量單位

3　試驗(yàn)臺(tái)

4　水泵模型及裝置模型

5　參數(shù)測(cè)量方法及不確定度

5.1　流量測(cè)量及不確定度

5.2　揚(yáng)程測(cè)量及不確定度

5.3　軸功率測(cè)量及不確定度

5.4　轉(zhuǎn)速測(cè)量及不確定度

5.5　其他參數(shù)測(cè)量及不確定度

5.6　總的測(cè)量參數(shù)不確定度

6　驗(yàn)收試驗(yàn)

6.1　能量試驗(yàn)

6.2　空化試驗(yàn)

6.3　飛逸特性試驗(yàn)

6.4　水壓脈動(dòng)試驗(yàn)

7　保證值的驗(yàn)證及原型泵性能換算

7.1　保證值的驗(yàn)證

7.2　原型泵性能換算

8　試驗(yàn)大綱與試驗(yàn)報(bào)告的編制

附錄A　水的物理性質(zhì)與重力加速度

附錄B　試驗(yàn)不確定度分析與估算

附錄C　試驗(yàn)結(jié)果與主要保證值比較

標(biāo)準(zhǔn)用詞說明

條文說明

2100433B

《閘門水力模型試驗(yàn)規(guī)程(SL159-2012)》由中國水利水電出版社出版。

圖1是根據(jù)《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》一個(gè)實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型壓縮方法的流程圖；

圖2是根據(jù)《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》一個(gè)實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型壓縮方法的流程圖；

圖3是根據(jù)《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》一個(gè)實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型壓縮裝置的結(jié)構(gòu)示意圖；

圖4是根據(jù)《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》一個(gè)具體實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型壓縮裝置的結(jié)構(gòu)示意圖；

圖5是根據(jù)《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》另一個(gè)具體實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型壓縮裝置的結(jié)構(gòu)示意圖；

圖6是根據(jù)《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》又一個(gè)具體實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型壓縮裝置的結(jié)構(gòu)示意圖 。

神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置專利目的

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》的第一個(gè)目的在于提出一種神經(jīng)網(wǎng)絡(luò)模型壓縮方法。該方法可以更好地保持模型效果，大大減少了神經(jīng)網(wǎng)絡(luò)模型的大小，減少了計(jì)算資源，特別是減少了內(nèi)存資源的占用。

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》的第二個(gè)目的在于提出一種神經(jīng)網(wǎng)絡(luò)模型壓縮裝置。

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》的第三個(gè)目的在于提出一種非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》的第四個(gè)目的在于提出一種計(jì)算機(jī)程序產(chǎn)品 。

神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置技術(shù)方法

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》第一方面實(shí)施例提出的神經(jīng)網(wǎng)絡(luò)模型壓縮方法，包括：針對(duì)神經(jīng)網(wǎng)絡(luò)模型中的每一個(gè)神經(jīng)元層，確定所述每個(gè)神經(jīng)元層的模型參數(shù)集合，其中，所述模型參數(shù)集合包含多個(gè)模型參數(shù)；對(duì)所述多個(gè)模型參數(shù)進(jìn)行第一變換以生成多個(gè)中間參數(shù)；根據(jù)預(yù)設(shè)的量化步長對(duì)所述多個(gè)中間參數(shù)進(jìn)行量化，得到多個(gè)量化參數(shù)；根據(jù)預(yù)設(shè)的量化位數(shù)，從所述多個(gè)量化參數(shù)中選取多個(gè)采樣量化點(diǎn)；根據(jù)所述多個(gè)量化參數(shù)的值和所述多個(gè)采樣量化點(diǎn)，生成所述多個(gè)模型參數(shù)的量化值；根據(jù)所述量化值對(duì)所述多個(gè)模型參數(shù)進(jìn)行壓縮存儲(chǔ)。

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型壓縮方法，針對(duì)神經(jīng)網(wǎng)絡(luò)模型中的每一個(gè)神經(jīng)元層，確定每個(gè)神經(jīng)元層的模型參數(shù)集合，其中，模型參數(shù)集合包含多個(gè)模型參數(shù)，之后，對(duì)多個(gè)模型參數(shù)進(jìn)行第一變換以生成多個(gè)中間參數(shù)，并根據(jù)預(yù)設(shè)的量化步長對(duì)多個(gè)中間參數(shù)進(jìn)行量化，得到多個(gè)量化參數(shù)，然后，根據(jù)預(yù)設(shè)的量化位數(shù)，從多個(gè)量化參數(shù)中選取多個(gè)采樣量化點(diǎn)，之后，根據(jù)多個(gè)量化參數(shù)的值和多個(gè)采樣量化點(diǎn)，生成多個(gè)模型參數(shù)的量化值，最后，根據(jù)量化值對(duì)多個(gè)模型參數(shù)進(jìn)行壓縮存儲(chǔ)。即根據(jù)需要壓縮的數(shù)據(jù)調(diào)節(jié)量化步長，并根據(jù)預(yù)設(shè)的量化位數(shù)，從排列在多個(gè)量化參數(shù)的靠前位置開始采取采樣量化點(diǎn)，可以更加充分的對(duì)壓縮數(shù)據(jù)進(jìn)行采樣，更好地保留重要的權(quán)值信息，更好地保持模型效果，大大減少了神經(jīng)網(wǎng)絡(luò)模型的大小，減少了計(jì)算資源，特別是減少了內(nèi)存資源的占用。

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》第二方面實(shí)施例提出的神經(jīng)網(wǎng)絡(luò)模型壓縮裝置，包括：確定模塊，用于針對(duì)神經(jīng)網(wǎng)絡(luò)模型中的每一個(gè)神經(jīng)元層，確定所述每個(gè)神經(jīng)元層的模型參數(shù)集合，其中，所述模型參數(shù)集合包含多個(gè)模型參數(shù)；第一變換模塊，用于對(duì)所述多個(gè)模型參數(shù)進(jìn)行第一變換以生成多個(gè)中間參數(shù)；量化模塊，用于根據(jù)預(yù)設(shè)的量化步長對(duì)所述多個(gè)中間參數(shù)進(jìn)行量化，得到多個(gè)量化參數(shù)；采樣模塊，用于根據(jù)預(yù)設(shè)的量化位數(shù)，從所述多個(gè)量化參數(shù)中選取多個(gè)采樣量化點(diǎn)；生成模塊，用于根據(jù)所述多個(gè)量化參數(shù)的值和所述多個(gè)采樣量化點(diǎn)，生成所述多個(gè)模型參數(shù)的量化值；壓縮模塊，用于根據(jù)所述量化值對(duì)所述多個(gè)模型參數(shù)進(jìn)行壓縮存儲(chǔ)。

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》實(shí)施例的神經(jīng)網(wǎng)絡(luò)模型壓縮裝置，可通過確定模塊針對(duì)神經(jīng)網(wǎng)絡(luò)模型中的每一個(gè)神經(jīng)元層，確定每個(gè)神經(jīng)元層的模型參數(shù)集合，其中，模型參數(shù)集合包含多個(gè)模型參數(shù)，第一變換模塊對(duì)多個(gè)模型參數(shù)進(jìn)行第一變換以生成多個(gè)中間參數(shù)，量化模塊根據(jù)預(yù)設(shè)的量化步長對(duì)多個(gè)中間參數(shù)進(jìn)行量化，得到多個(gè)量化參數(shù)，采樣模塊根據(jù)預(yù)設(shè)的量化位數(shù)，從多個(gè)量化參數(shù)中選取多個(gè)采樣量化點(diǎn)，生成模塊根據(jù)多個(gè)量化參數(shù)的值和多個(gè)采樣量化點(diǎn)，生成多個(gè)模型參數(shù)的量化值，壓縮模塊根據(jù)量化值對(duì)多個(gè)模型參數(shù)進(jìn)行壓縮存儲(chǔ)。即根據(jù)需要壓縮的數(shù)據(jù)調(diào)節(jié)量化步長，并根據(jù)預(yù)設(shè)的量化位數(shù)，從排列在多個(gè)量化參數(shù)的靠前位置開始采取采樣量化點(diǎn)，可以更加充分的對(duì)壓縮數(shù)據(jù)進(jìn)行采樣，更好地保留重要的權(quán)值信息，更好地保持模型效果，大大減少了神經(jīng)網(wǎng)絡(luò)模型的大小，減少了計(jì)算資源，特別是減少了內(nèi)存資源的占用。

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》第三方面實(shí)施例提出的非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，當(dāng)所述存儲(chǔ)介質(zhì)中的指令由電子設(shè)備的處理器被執(zhí)行時(shí)，使得電子設(shè)備能夠執(zhí)行一種神經(jīng)網(wǎng)絡(luò)模型壓縮方法，所述方法包括：針對(duì)神經(jīng)網(wǎng)絡(luò)模型中的每一個(gè)神經(jīng)元層，確定所述每個(gè)神經(jīng)元層的模型參數(shù)集合，其中，所述模型參數(shù)集合包含多個(gè)模型參數(shù)；對(duì)所述多個(gè)模型參數(shù)進(jìn)行第一變換以生成多個(gè)中間參數(shù)；根據(jù)預(yù)設(shè)的量化步長對(duì)所述多個(gè)中間參數(shù)進(jìn)行量化，得到多個(gè)量化參數(shù)；根據(jù)預(yù)設(shè)的量化位數(shù)，從所述多個(gè)量化參數(shù)中選取多個(gè)采樣量化點(diǎn)；根據(jù)所述多個(gè)量化參數(shù)的值和所述多個(gè)采樣量化點(diǎn)，生成所述多個(gè)模型參數(shù)的量化值；根據(jù)所述量化值對(duì)所述多個(gè)模型參數(shù)進(jìn)行壓縮存儲(chǔ)。

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》第四方面實(shí)施例提出的計(jì)算機(jī)程序產(chǎn)品，當(dāng)所述計(jì)算機(jī)程序產(chǎn)品中的指令處理器執(zhí)行時(shí)，執(zhí)行一種神經(jīng)網(wǎng)絡(luò)模型壓縮方法，所述方法包括：針對(duì)神經(jīng)網(wǎng)絡(luò)模型中的每一個(gè)神經(jīng)元層，確定所述每個(gè)神經(jīng)元層的模型參數(shù)集合，其中，所述模型參數(shù)集合包含多個(gè)模型參數(shù)；對(duì)所述多個(gè)模型參數(shù)進(jìn)行第一變換以生成多個(gè)中間參數(shù)；根據(jù)預(yù)設(shè)的量化步長對(duì)所述多個(gè)中間參數(shù)進(jìn)行量化，得到多個(gè)量化參數(shù)；根據(jù)預(yù)設(shè)的量化位數(shù)，從所述多個(gè)量化參數(shù)中選取多個(gè)采樣量化點(diǎn)；根據(jù)所述多個(gè)量化參數(shù)的值和所述多個(gè)采樣量化點(diǎn)，生成所述多個(gè)模型參數(shù)的量化值；根據(jù)所述量化值對(duì)所述多個(gè)模型參數(shù)進(jìn)行壓縮存儲(chǔ)。

《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過《神經(jīng)網(wǎng)絡(luò)模型壓縮方法以及裝置》的實(shí)踐了解到 。