The invention provides a multilayer artificial neural network and a control method thereof, which comprises a plurality of neurons, a storage device and a controller. The plurality of neurons are used to operate according to a number of parameters. The storage device is used to store multiple sets of parameters, each of which is corresponding to an operation layer. The controller controls the storage device at a first time point and provides a set of parameters corresponding to a first operation layer to the plurality of neurons so that the plurality of neurons constitute at least a portion of the first arithmetic layer. The controller controls the storage device at a second time point and provides a set of parameters corresponding to a second operation layer to the plurality of neurons so that the plurality of neurons constitute at least a portion of the second computing layer.
【技术实现步骤摘要】
多层人造神经网络及其控制方法
本专利技术与人造神经网络(artificialneuralnetwork)相关,并且尤其与能用于进行深度学习(deeplearning)的多层人造神经网络相关。
技术介绍
以人造神经网络进行机器学习的概念存在已久,但先前受限于处理器运算能力,相关研究始终无法顺利推进。近十年来,随着处理器运算速度、存储器存取速度以及机器学习演算法等各方面技术的长足进步,能产出正确判断结果的人造神经网络逐渐成为可能,因而在自动驾驶、影像辨识、自然语言辨识、数据探勘等领域中重新受到高度重视。大脑中最基本的运算单位—神经元,是通过多个树突(dendrite)收集多个输入信号,并通过轴突(axon)传递输出信号(通常是传递至另一个神经元的树突作为输入信号)。单一人造神经元的典型运作可被数学化表示如下:y=f(∑iwixi+b),其中符号x表示输入信号,y表示输出信号;每一个树突各自加诸于其输入信号x的权重w是模拟该树突所连接的前一个神经元对于此神经元的影响程度;符号b表示此神经元本身贡献的偏移量(bias)。符号f代表一特定非线性函数,在人造神经网络中常用Σ函数(sigmoidfunction)、双曲正切函数(tanhfunction)或是整流后线性函数(rectifiedlinearfunction)进行实际运算。一个人造神经网络所采行的判断规则可说是由该网络中所有神经元的权重w与偏移量b共同定义。采用监督式学习(supervisedlearning)的人造神经网络会在学习过程中将训练样本输入人造神经网络,并根据最后产出的判断结果调整各个神经元的权重 ...
【技术保护点】
一种多层人造神经网络,其特征在于,包含:多个神经元,用以根据多个参数进行运算;一储存装置,耦接至该多个神经元,用以储存多组参数,其中的每一组参数各自对应于一运算层;以及一控制器,耦接至该储存装置,用以于一第一时间点控制该储存装置将对应于一第一运算层的一组参数提供给该多个神经元,以令该多个神经元构成该第一运算层的至少一部份,该控制器并于一第二时间点控制该储存装置将对应于一第二运算层的一组参数提供给该多个神经元,以令该多个神经元构成该第二运算层的至少一部份。
【技术特征摘要】
2016.05.11 US 15/152,5281.一种多层人造神经网络,其特征在于,包含:多个神经元,用以根据多个参数进行运算;一储存装置,耦接至该多个神经元,用以储存多组参数,其中的每一组参数各自对应于一运算层;以及一控制器,耦接至该储存装置,用以于一第一时间点控制该储存装置将对应于一第一运算层的一组参数提供给该多个神经元,以令该多个神经元构成该第一运算层的至少一部份,该控制器并于一第二时间点控制该储存装置将对应于一第二运算层的一组参数提供给该多个神经元,以令该多个神经元构成该第二运算层的至少一部份。2.如权利要求1所述的多层人造神经网络,其特征在于,该储存装置被进一步用以暂存一组或多组数据;于该第二时间点,该控制器进一步控制该储存装置将对应于该第二运算层的一组暂存数据提供给该多个神经元,做为多个输入信号。3.如权利要求2所述的多层人造神经网络,其特征在于,暂存于该储存装置中的该一组或多组数据是先前由该多个神经元所产生并传递至该储存装置。4.如权利要求2所述的多层人造神经网络,其特征在于,进一步包含:多个输入接脚,用以接收多笔外部数据;以及一可重新组态布线电路,设置于该多个输入接脚、该储存装置以及该多个神经元之间;其中于该第一时间点,该控制器控制该可重新组态布线电路将该多个输入接脚连接至该多个神经元,令该多个输入接脚所接收的该多笔外部数据得以被提供至该多个神经元,做为多个输入信号;于该第二时间点,该控制器控制该可重新组态布线电路将该储存装置连接至该多个神经元,令该储存装置得以将对应于该第二运算层的该组暂存数据提供给该多个神经元,做为多个输入信号。5.如权利要求4所述的多层人造神经网络,其特征在于,暂存于该储存装置中的该一组或多组数据是先前由该多个神经元所产生并传递至该储存装置。6.如权利要求1所述的多层人造神经网络,其特征在于,进一步包含:多个输出接脚;以及一可重新组态布线电路,设置于该多个输出接脚、该储存装置以及该多个神经元之间;其中该控制器控制该可重新组态布线电...
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。