【技术实现步骤摘要】
在机器学习中对神经网络的拓扑的高效学习和使用本申请要求由YehezkelRohekar(耶海兹克尔·罗厄卡尔)等人于2017年5月5日提交的题为EFFICIENTLEARNINGANDUSINGOFTOPOLOGIESOFNEURALNETWORKSINMAHCINELEARNING(在机器学习中对神经网络的拓扑的高效学习和使用)的美国临时申请号62/501,794的权益和优先权,所述美国临时申请通过引用结合在此。
本文所描述的实施例总体上涉及数据处理,并且更具体地涉及促进在自主机器处进行的机器学习中对深度学习神经网络的拓扑的高效学习和使用。
技术介绍
当前的并行图形数据处理包括被开发用于对图形数据执行如例如线性内插、曲面细分、光栅化、纹理映射、深度测试等特定操作的系统和方法。传统地,图形处理器使用固定功能计算单元来处理图形数据;然而,最近,部分图形处理器已经被制成是可编程的,使得这种处理器能够支持更广泛的操作以处理顶点和片段数据。为了进一步提高性能,图形处理器通常实现如流水线处理等处理技术,所述处理技术尝试在图形流水线的不同部分中并行处理尽可能多的图形数据。具有单指令多线程(SIMT)架构的并行图形处理器被设计成使图形流水线中的并行处理量最大化。在SIMT架构中,多组并行线程尝试尽可能经常地同步执行程序指令,以提高处理效率。ShaneCook(肖恩·库克)的《CUDAProgramming(CUDA编程)》的第3章第37至51页(2013年)和/或NicholasWilt(尼古拉斯·威尔特)的《CUDAHandbook,AComprehensiveGui ...
【技术保护点】
1.一种用于促进在机器学习中对神经网络拓扑的学习和应用的设备,所述设备包括:检测/观察逻辑,所述检测/观察逻辑如由处理器促进或至少部分地结合到所述处理器中,用于监测和检测与在具有所述处理器的所述设备处的机器学习操作相关的神经网络;生成模型逻辑,所述生成模型逻辑如由所述处理器促进或至少部分地结合到所述处理器中,用于基于所述神经网络中的一个或多个的一个或多个拓扑而生成递归生成模型;以及判别模型逻辑,所述判别模型逻辑如由所述处理器促进或至少部分地结合到所述处理器中,用于将所述生成模型转换成判别模型。
【技术特征摘要】
2017.05.05 US 62/501,794;2017.07.26 US 15/659,8531.一种用于促进在机器学习中对神经网络拓扑的学习和应用的设备,所述设备包括:检测/观察逻辑,所述检测/观察逻辑如由处理器促进或至少部分地结合到所述处理器中,用于监测和检测与在具有所述处理器的所述设备处的机器学习操作相关的神经网络;生成模型逻辑,所述生成模型逻辑如由所述处理器促进或至少部分地结合到所述处理器中,用于基于所述神经网络中的一个或多个的一个或多个拓扑而生成递归生成模型;以及判别模型逻辑,所述判别模型逻辑如由所述处理器促进或至少部分地结合到所述处理器中,用于将所述生成模型转换成判别模型。2.如权利要求1所述的设备,其中,所述生成模型是无监督的并且基于无标签数据,并且其中,所述判别模式是有监督的并且基于深度标签深度神经网络拓扑,其中,所述判别模型是从所述生成模型中学习到的。3.如权利要求1所述的设备,其中,所述判别模型逻辑进一步用于将所述生成模型逆转成多个逆模型,其中,在所述多个逆模型中的每一个中添加了双向连接以连接具有公共父节点的潜变量,从而将所述多个逆模型合并成单个逆模型。4.如权利要求3所述的设备,其中,所述判别模型逻辑进一步用于通过移除所述双向连接并且向潜在叶添加充当子节点的类节点来将所述逆模型转换成所述判别模型。5.如权利要求1所述的设备,进一步包括:中途放弃逻辑,所述中途放弃逻辑如由所述处理器促进或至少部分地结合到所述处理器中,用于对来自所述神经网络中的一个或多个的神经元执行方法中途放弃,其中,所述方法中途放弃是根据基于与所述神经元相关的历史统计数据的预测性来执行的;分解逻辑,所述分解逻辑如由所述处理器促进或至少部分地结合到所述处理器中,用于生成并行和顺序执行时间表以便采用所述神经网络中的所述一个或多个的子网络精度级别进行存储器共享;以及实时学习/更新逻辑,所述实时学习/更新逻辑如由所述处理器促进或至少部分地结合到所述处理器中,用于基于与所述神经网络的网络拓扑相关的当前可用数据和历史可用数据中的至少一项来对所述神经网络的所述拓扑执行实时学习和更新。6.如权利要求1所述的设备,进一步包括:结构学习逻辑,所述结构学习逻辑如由所述处理器促进或至少部分地结合到所述处理器中,用于促进端到端结构学习和子网络结构学习中的至少一种;以及训练和特征逻辑,所...
【专利技术属性】
技术研发人员:R·Y·耶海兹凯罗厄卡,G·科伦,S·尼斯莫,G·诺维克,
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。