神经网络中的分解卷积操作制造技术

一种训练神经网络的方法包括鼓励神经网络中的一个或多个滤波器具有较低的秩。

【技术实现步骤摘要】
【国外来华专利技术】神经网络中的分解卷积操作相关申请的交叉引用本申请要求于2014年7月16日提交且题为“DECOMPOSINGCONVOLUTIONOPERATIONINNEURALNETWORKS(神经网络中的分解卷积操作)”的美国临时专利申请No.62/025,406的权益，其公开内容通过援引全部明确纳入于此。技术背景领域本公开的某些方面一般涉及神经系统工程，并且尤其涉及用于使用分解卷积操作来训练及操作神经网络的系统和方法。技术背景可包括一群互连的人工神经元(即，神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。人工神经网络可具有生物学神经网络中的对应的结构和/或功能。然而，人工神经网络可为其中传统计算技术是麻烦的、不切实际的、或不胜任的某些应用提供创新且有用的计算技术。由于人工神经网络能从观察中推断出功能，因此这样的网络在因任务或数据的复杂度使得通过常规技术来设计该功能较为麻烦的应用中是特别有用的。概述在本公开的一方面，给出了一种训练神经网络的方法。该方法包括鼓励该神经网络中的一个或多个滤波器具有低秩。在本公开的另一方面，给出了一种用于训练神经网络的装置。该装置包括存储器以及耦合至该存储器的一个或多个处理器。(诸)处理器被配置成鼓励该神经网络中的一个或多个滤波器具有低秩。在本公开的还有另一方面，给出了一种用于训练神经网络的装备。该装备包括用于鼓励该神经网络中的一个或多个滤波器具有低秩的装置。该装备还包括用于向(诸)滤波器应用分解卷积来训练该神经网络的装置。在本公开的再另一方面，给出了一种用于训练神经网络的计算机程序产品。该计算机程序产品包括其上编码有程序代码的非瞬态计算机可读介质。该程序代码包括用以鼓励该神经网络中的一个或多个滤波器具有低秩的程序代码。这已较宽泛地勾勒出本公开的特征和技术优势以便下面的详细描述可以被更好地理解。本公开的附加特征和优点将在下文描述。本领域技术人员应该领会，本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意作为对本公开的限定的定义。附图简要说明在结合附图理解下面阐述的详细描述时，本公开的特征、本质和优点将变得更加明显，在附图中，相同附图标记始终作相应标识。图1解说了根据本公开的某些方面的示例神经元网络。图2解说了根据本公开的某些方面的计算网络(神经系统或神经网络)的处理单元(神经元)的示例。图3解说了根据本公开的某些方面的尖峰定时依赖可塑性(STDP)曲线的示例。图4解说了根据本公开的某些方面的用于定义神经元模型的行为的正态相和负态相的示例。图5解说了根据本公开的某些方面的使用通用处理器来设计神经网络的示例实现。图6解说了根据本公开的某些方面的设计其中存储器可以与个体分布式处理单元对接的神经网络的示例实现。图7解说了根据本公开的某些方面的基于分布式存储器和分布式处理单元来设计神经网络的示例实现。图8解说了根据本公开的某些方面的神经网络的示例实现。图9是解说根据本公开的诸方面的用于操作神经网络的方法的流程图。图10是解说根据本公开的诸方面的用于训练神经网络的方法的流程图。详细描述以下结合附图阐述的详细描述旨在作为各种配置的描述，而无意表示可实践本文中所描述的概念的仅有的配置。本详细描述包括具体细节以便提供对各种概念的透彻理解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可实践这些概念。在一些实例中，以框图形式示出众所周知的结构和组件以避免湮没此类概念。基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面，不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可以使用所阐述的任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为所阐述的本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。措辞“示例性”在本文中用于意指“用作示例、实例或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。尽管本文描述了特定方面，但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议，其中一些作为示例在附图以及以下对优选方面的描述中解说。详细描述和附图仅仅解说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。示例神经系统、训练及操作图1解说了根据本公开的某些方面的具有多级神经元的示例人工神经系统100。神经系统100可具有神经元级102，该神经元级102通过突触连接网络104(即，前馈连接)来连接到另一神经元级106。为简单起见，图1中仅解说了两级神经元，尽管神经系统中可存在更少或更多级神经元。应注意，一些神经元可通过侧向连接来连接至同层中的其他神经元。此外，一些神经元可通过反馈连接来后向连接至先前层中的神经元。如图1所解说的，级102中的每一个神经元可以接收可由前级的神经元(未在图1中示出)生成的输入信号108。信号108可表示级102的神经元的输入电流。该电流可在神经元膜上累积以对膜电位进行充电。当膜电位达到其阈值时，该神经元可激发并生成输出尖峰，该输出尖峰将被传递到下一级神经元(例如，级106)。在一些建模办法中，神经元可以连续地向下一级神经元传递信号。该信号通常是膜电位的函数。此类行为可在硬件和/或软件(包括模拟和数字实现，诸如以下所述那些实现)中进行仿真或模拟。在生物学神经元中，在神经元激发时生成的输出尖峰被称为动作电位。该电信号是相对迅速、瞬态的神经脉冲，其具有约为100mV的振幅和约为1ms的历时。在具有一系列连通的神经元(例如，尖峰从图1中的一级神经元传递至另一级神经元)的神经系统的特定实施例中，每个动作电位都具有基本上相同的振幅和历时，并且因此该信号中的信息可仅由尖峰的频率和数目、或尖峰的时间来表示，而不由振幅来表示。动作电位所携带的信息可由尖峰、发放了尖峰的神经元、以及该尖峰相对于一个或数个其他尖峰的时间来确定。尖峰的重要性可由向各神经元之间的连接所应用的权重来确定，如以下所解释的。尖峰从一级神经元向另一级神经元的传递可通过突触连接(或简称“突触”)网络104来达成，如图1中所解说的。相对于突触104，级102的神经元可被视为突触前神经元，而级106的神经元可被视为突触后神经元。突触104可接收来自级102的神经元的输出信号(即，尖峰)，并根据可调节突触权重来按比例缩放那些信号，其中P是级102的神经元与级106的神经元之间的突触连接的总数，并且i是神经元级的指示符。在图1的示例中，i表示神经元级102并且i+1表示神经元级106。此外，经按比例缩放的信号可被组合以作为级106中每个神经元的输入信号。级106中的本文档来自技高网...

【技术保护点】
一种训练神经网络的方法，包括：鼓励所述神经网络中的至少一个滤波器具有低秩。

【技术特征摘要】
【国外来华专利技术】2014.07.16 US 62/025,406;2014.10.28 US 14/526,0461.一种训练神经网络的方法，包括：鼓励所述神经网络中的至少一个滤波器具有低秩。2.如权利要求1所述的方法，其特征在于，所述鼓励包括向所述至少一个滤波器的滤波器权重矩阵应用正则化矩阵。3.如权利要求2所述的方法，其特征在于，所述正则化矩阵是鼓励低秩矩阵的成本度量。4.如权利要求2所述的方法，其特征在于，所述正则化矩阵是核范数。5.如权利要求1所述的方法，其特征在于，鼓励包括将所述至少一个滤波器分成行滤波器和列滤波器的线性组合。6.如权利要求5所述的方法，其特征在于，进一步包括应用通过后向传播学习到的梯度更新来学习所述行滤波器和所述列滤波器。7.如权利要求1所述的方法，其特征在于，进一步包括向所述至少一个滤波器应用分解卷积以训练所述神经网络。8.一种用于训练神经网络的装置，包括：存储器；以及耦合到所述存储器的至少一个处理器，所述至少一个处理器配置成鼓励所述神经网络中的至少一个滤波器具有低秩。9.如权利要求8所述的装置，其特征在于，所述至少一个处理器进一步配置成通过向所述至少一个滤波器的滤波器权重矩阵应用正则化矩阵来鼓励所述至少一个滤波器具有所述低秩。10.如权利要求9所述的装置，其特征在于，所述正则化矩阵是鼓励低秩矩阵的成本度量。11.如权利要求9所述的装置，其特征在于，所述正则化矩阵是核范数。12.如权利要求8所述的装置，其特征在于，所述至少一个处理器进一步配置成通过将所述至少一个滤波器分成行滤波器和列滤波器的线性组合来鼓励所述至少一个滤波器具有所述低秩。13.如权利要求12所述的装置，其特征在于，所述至少一个处理器进一步配置成应用通过后向传播学习到的梯度更新来学习所述行滤波器和所述列滤波器。14.如权利要求8所述的装置，其特征在于，所述至少一个处理器进一步配置成向所述至少一个滤波器应用分解卷积以训练所述神经网络。1...

【专利技术属性】
技术研发人员：V·S·R·安纳普莱蒂，
申请(专利权)人：高通股份有限公司，
类型：发明
国别省市：美国,US