水泵模型及装置模型验收试验规程

根据水利部水利水电规划设计管理局水总局科[2004]11号文下达的水利水电勘测设计技术标准修订工作安排，对《水泵模型验收试验规程》（SL140—97）进行修订，将标准名称改为《水泵模型及装置模型验收试验规程》。

本标准共8章12节102条和3个附录，主要技术内容包括：

——总则；

——术语、符号及计量单位；

——试验台；

——水泵模型及装置模型；

——参数测量方法及不确定度；

——验收试验；

——保证值的验证及原型泵性能换算；

——试验大纲与试验报告的编制。

本次修订的主要内容包括：

——标准名称改为《水泵模型及装置模型验收试验规程》，突出水泵装置模型试验的重要性；

——在前引部分，增加了前言及基本信息，取消了原规程中的附加说明；

——在“总则”中，更新2个引用标准，删除过时或重复性的标准；

——在“试验台”中，提高了对模型试验台精度的规定，即模型效率的允许总不确定度由原规程的士1.3%提高至士0.4%；

——在“水泵模型”中，增加了“装置模型”并对水泵模型及装置模型的范围作了更明确的规定，还增加了水泵模型及装置模型尺寸允差的图、表；

——在“原型泵性能换算”中，增加了保证值的验证部分；

——修订了有关条文说明和附录；

——对原规程中局部结构和文字进行了修改，如“性能”改为“能量”，“汽蚀”改为“空化”，“汽蚀余量”改为“空化余量”，“误差”改为“不确定度”等。

1　总则

2　术语、符号及计量单位

3　试验台

4　水泵模型及装置模型

5　参数测量方法及不确定度

5.1　流量测量及不确定度

5.2　扬程测量及不确定度

5.3　轴功率测量及不确定度

5.4　转速测量及不确定度

5.5　其他参数测量及不确定度

5.6　总的测量参数不确定度

6　验收试验

6.1　能量试验

6.2　空化试验

6.3　飞逸特性试验

6.4　水压脉动试验

7　保证值的验证及原型泵性能换算

7.1　保证值的验证

7.2　原型泵性能换算

8　试验大纲与试验报告的编制

附录A　水的物理性质与重力加速度

附录B　试验不确定度分析与估算

附录C　试验结果与主要保证值比较

标准用词说明

条文说明

2100433B

《闸门水力模型试验规程(SL159-2012)》由中国水利水电出版社出版。

图1是根据《神经网络模型压缩方法以及装置》一个实施例的神经网络模型压缩方法的流程图；

图2是根据《神经网络模型压缩方法以及装置》一个实施例的神经网络模型压缩方法的流程图；

图3是根据《神经网络模型压缩方法以及装置》一个实施例的神经网络模型压缩装置的结构示意图；

图4是根据《神经网络模型压缩方法以及装置》一个具体实施例的神经网络模型压缩装置的结构示意图；

图5是根据《神经网络模型压缩方法以及装置》另一个具体实施例的神经网络模型压缩装置的结构示意图；

图6是根据《神经网络模型压缩方法以及装置》又一个具体实施例的神经网络模型压缩装置的结构示意图 。

神经网络模型压缩方法以及装置专利目的

《神经网络模型压缩方法以及装置》的第一个目的在于提出一种神经网络模型压缩方法。该方法可以更好地保持模型效果，大大减少了神经网络模型的大小，减少了计算资源，特别是减少了内存资源的占用。

《神经网络模型压缩方法以及装置》的第二个目的在于提出一种神经网络模型压缩装置。

《神经网络模型压缩方法以及装置》的第三个目的在于提出一种非临时性计算机可读存储介质。

《神经网络模型压缩方法以及装置》的第四个目的在于提出一种计算机程序产品 。

神经网络模型压缩方法以及装置技术方法

《神经网络模型压缩方法以及装置》第一方面实施例提出的神经网络模型压缩方法，包括：针对神经网络模型中的每一个神经元层，确定所述每个神经元层的模型参数集合，其中，所述模型参数集合包含多个模型参数；对所述多个模型参数进行第一变换以生成多个中间参数；根据预设的量化步长对所述多个中间参数进行量化，得到多个量化参数；根据预设的量化位数，从所述多个量化参数中选取多个采样量化点；根据所述多个量化参数的值和所述多个采样量化点，生成所述多个模型参数的量化值；根据所述量化值对所述多个模型参数进行压缩存储。

《神经网络模型压缩方法以及装置》实施例的神经网络模型压缩方法，针对神经网络模型中的每一个神经元层，确定每个神经元层的模型参数集合，其中，模型参数集合包含多个模型参数，之后，对多个模型参数进行第一变换以生成多个中间参数，并根据预设的量化步长对多个中间参数进行量化，得到多个量化参数，然后，根据预设的量化位数，从多个量化参数中选取多个采样量化点，之后，根据多个量化参数的值和多个采样量化点，生成多个模型参数的量化值，最后，根据量化值对多个模型参数进行压缩存储。即根据需要压缩的数据调节量化步长，并根据预设的量化位数，从排列在多个量化参数的靠前位置开始采取采样量化点，可以更加充分的对压缩数据进行采样，更好地保留重要的权值信息，更好地保持模型效果，大大减少了神经网络模型的大小，减少了计算资源，特别是减少了内存资源的占用。

《神经网络模型压缩方法以及装置》第二方面实施例提出的神经网络模型压缩装置，包括：确定模块，用于针对神经网络模型中的每一个神经元层，确定所述每个神经元层的模型参数集合，其中，所述模型参数集合包含多个模型参数；第一变换模块，用于对所述多个模型参数进行第一变换以生成多个中间参数；量化模块，用于根据预设的量化步长对所述多个中间参数进行量化，得到多个量化参数；采样模块，用于根据预设的量化位数，从所述多个量化参数中选取多个采样量化点；生成模块，用于根据所述多个量化参数的值和所述多个采样量化点，生成所述多个模型参数的量化值；压缩模块，用于根据所述量化值对所述多个模型参数进行压缩存储。

《神经网络模型压缩方法以及装置》实施例的神经网络模型压缩装置，可通过确定模块针对神经网络模型中的每一个神经元层，确定每个神经元层的模型参数集合，其中，模型参数集合包含多个模型参数，第一变换模块对多个模型参数进行第一变换以生成多个中间参数，量化模块根据预设的量化步长对多个中间参数进行量化，得到多个量化参数，采样模块根据预设的量化位数，从多个量化参数中选取多个采样量化点，生成模块根据多个量化参数的值和多个采样量化点，生成多个模型参数的量化值，压缩模块根据量化值对多个模型参数进行压缩存储。即根据需要压缩的数据调节量化步长，并根据预设的量化位数，从排列在多个量化参数的靠前位置开始采取采样量化点，可以更加充分的对压缩数据进行采样，更好地保留重要的权值信息，更好地保持模型效果，大大减少了神经网络模型的大小，减少了计算资源，特别是减少了内存资源的占用。

《神经网络模型压缩方法以及装置》第三方面实施例提出的非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器被执行时，使得电子设备能够执行一种神经网络模型压缩方法，所述方法包括：针对神经网络模型中的每一个神经元层，确定所述每个神经元层的模型参数集合，其中，所述模型参数集合包含多个模型参数；对所述多个模型参数进行第一变换以生成多个中间参数；根据预设的量化步长对所述多个中间参数进行量化，得到多个量化参数；根据预设的量化位数，从所述多个量化参数中选取多个采样量化点；根据所述多个量化参数的值和所述多个采样量化点，生成所述多个模型参数的量化值；根据所述量化值对所述多个模型参数进行压缩存储。

《神经网络模型压缩方法以及装置》第四方面实施例提出的计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行一种神经网络模型压缩方法，所述方法包括：针对神经网络模型中的每一个神经元层，确定所述每个神经元层的模型参数集合，其中，所述模型参数集合包含多个模型参数；对所述多个模型参数进行第一变换以生成多个中间参数；根据预设的量化步长对所述多个中间参数进行量化，得到多个量化参数；根据预设的量化位数，从所述多个量化参数中选取多个采样量化点；根据所述多个量化参数的值和所述多个采样量化点，生成所述多个模型参数的量化值；根据所述量化值对所述多个模型参数进行压缩存储。

《神经网络模型压缩方法以及装置》附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过《神经网络模型压缩方法以及装置》的实践了解到 。