Discussion and implementation of neural network techniques for speech recognition systems. These techniques include: node to process neural network by the following steps: the fraction of the nodes identified as product weight and input, making the weight is a fixed integer value correction; and at least one weight value associated to the correction is applied to fractional; and the output correction after scores generated based on the node.
【技术实现步骤摘要】
【国外来华专利技术】
技术介绍
包括深度神经网络和卷积神经网络在内的神经网络可以用于机器学习以及感知和认知系统。这些神经网络可以用在各种实现方式中,例如语音识别、图像处理、光学字符识别等。例如,神经网络可以包括神经元或节点的互连层。每层的输入值包括(例如在输入层)对系统的输入或来自神经网络中的前一层的输出。来自神经网络的输出层的输出值可以包括分类值等,使得对神经网络的输入可以经由神经网络和/或附加处理进行分类。这些神经网络处理和分类可以用于执行用更标准的基于规则的处理系统可能是难以执行或不可能执行的分类或其它任务。关于实时应用中的当前的神经网络的问题是,评估神经网络所需的计算量大。为了解决该问题,一些当前实现方式将神经网络计算从设备的中央处理单元(CPU)卸载到设备的图形处理单元(GPU)。然而,这种卸载可能导致与其它GPU密集型应用(例如正运行在设备或设备的相机等上的游戏)冲突。此外,密集地使用设备的GPU会增加功率使用率,由此限制移动设备的电池寿命。在其它实现方式中,可以使用单指令多数据(SIMD)平台和/或优化,例如批量惰性求值模型(其可以将计算推迟,直到需要时)。然而,这些实现方式可能使分类精度降低。因此,现有技术并没有提供实时、高效且精确的神经网络实现方式。随着在例如语音识别、图像处理、光学字符识别等中对利用经由神经网络进行的分类的期望变得更广泛,这些问题可能变得关键。附图说明在附图中通过示例的方式而非通过限制的方式示出在此所描述的内容。为了说明的简明性和清楚性,附图所示的要素不一定按比例绘制。例如,为了清楚,一些要素的尺寸可能相对于其它要素被夸大。此外,在认为适当的情况 ...
【技术保护点】
一种计算机实现的用于处理神经网络的节点的方法,包括:确定所述神经网络的节点的分数,其中,所述分数包括对所述节点的输入与关联于所述节点的权重的乘积之和,并且其中,所述权重包括定点整型值;基于与所述节点关联的偏置,来修改所述分数;基于所述权重中具有关联的校正值的至少一个权重,来将至少一个校正应用于所述分数;以及基于校正后的偏置分数,来生成所述节点的输出。
【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的用于处理神经网络的节点的方法,包括:确定所述神经网络的节点的分数,其中,所述分数包括对所述节点的输入与关联于所述节点的权重的乘积之和,并且其中,所述权重包括定点整型值;基于与所述节点关联的偏置,来修改所述分数;基于所述权重中具有关联的校正值的至少一个权重,来将至少一个校正应用于所述分数;以及基于校正后的偏置分数,来生成所述节点的输出。2.如权利要求1所述的方法,其中,所述权重包括具有关联的缩放因子的8位有符号定点整型值。3.如权利要求2所述的方法,其中,所述神经网络包括包含所述节点的神经网络层,所述方法还包括:评估与所述神经网络层关联的校正列表,以确定所述校正值,其中,所述校正列表包括用于所述神经网络层的一个或多个神经网络层权重的校正值。4.如权利要求3所述的方法,还包括:将用于所述神经网络层的神经网络层权重的缩放因子确定为对所述神经网络层提供小于预定校正限制的校正计数的最大缩放因子值,其中,所述神经网络层权重包括与所述节点关联的权重。5.如权利要求3所述的方法,还包括:将浮点型值神经网络层权重转换为所述神经层网络层权重,其中,所述神经网络层权重包括8位有符号定点整型值;以及生成包含用于所述一个或多个神经网络层权重的校正值以及用于所述校正值的关联的节点和权重索引的校正列表,其中,所述校正值与具有非零最高有效位的8位无符号定点整型神经网络层权重关联。6.如权利要求1所述的方法,其中,所述节点包括隐藏层节点,并且其中,基于校正后的偏置分数来生成所述节点的输出包括:将激活函数应用于所述校正后的偏置分数,以生成所述输出。7.如权利要求6所述的方法,其中,所述激活函数包括sigmoid函数,并且其中,所述输出包括8位无符号定点整型值。8.如权利要求1所述的方法,其中,所述节点包括输出节点,并且其中,基于所述校正后的偏置分数来生成所述节点的输出包括:提供所述校正后的偏置分数作为所述输出。9.如权利要求1所述的方法,其中,所述校正后的偏置分数包括32位定点整型值。10.如权利要求1所述的方法,其中,在将所述至少一个校正应用于所述分数之前,将所述分数修改达所述偏置。11.如权利要求1所述的方法,其中,所述神经网络包括语音识别神经网络,所述方法还包括:将接收到的语音转换为语音记录;提取与所述语音记录的时间窗口关联的特征矢量;将所述特征矢量提供作为对所述神经网络的输入;至少部分地基于来自所述节点的输出,从所述语音识别神经网络生成分类分数;以及基于所述分类分数来确定文本式元素序列。12.如权利要求11所述的方法,其中,所述权重包括具有关联的缩放因子的8位有符号定点整型值,其中,所述输入包括8位无符号定点整型值,其中,所述校正后的偏置分数包括32位定点整型值,其中,所述节点包括隐藏层节点,其中,基于所述校正后的偏置分数来生成所述节点的输出包括:将sigmoid激活函数应用于所述校正后的偏置分数,以生成所述输出,并且其中,所述输出包括8位无符号定点整型值。13.如权利要求11所述的方法,其中,对所述神经网络的输入包括一组特征矢量,并且其中,确定所述文本式元素序列包括:将所述分类分数与统计模型进行比较。14.一种用于提供神经网络的系统,包括:存储器,被配置为:存储与所述神经网络的节点关联的权重,其中,所述权重包括定点整型值;以及中央处理单元,耦合到所述存储器,其中,所述中央处理单元包括:节点评分电路,被配置为:确定所述神经网络的节点的分数,其中,所述分数包括对所述节点的输入与关联于所述节点的权重的乘积之和;分数偏置电路,被配置为:基于与所述节点关联的偏置来修改所述分数;分数校正电路,被配置为:基于所述权重中具有关联的校正值的至少一个权重来将至少一个校正应用于所述分数;以及激活函数电路,被配置为:将激活函数应用于校正后的偏置分数,以生成所述节点的输出。15.如权利要求14所述的系统,其中,所述权重包括具有关联的缩放因子的8位有符号定点整型值,其中,所述神经网络包括包含所述节点的神经网络层,并且其中,所述分数校正电路进一步被配置为:评估与所述神经网络...
【专利技术属性】
技术研发人员:P·罗森,G·施特默尔,
申请(专利权)人:英特尔公司,
类型:发明
国别省市:美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。