电子设备和操作电子设备的方法技术

一种电子设备，包括图形处理器和存储器件。图形处理器包括人工神经网络引擎，人工神经网络引擎通过使用学习数据和权重使对象识别模型学习以提供学习后的对象识别模型。存储器件将特征向量划分为第一子特征向量和第二子特征向量，并且执行第一计算以将第二子特征向量和权重应用于学习后的对象识别模型来提供第二对象识别结果。人工神经网络引擎执行第二计算以将第一子特征向量和权重应用于学习后的对象识别模型来提供第一对象识别结果，并且将第一对象识别结果提供给存储器件。第二计算与第一计算并行执行。

Electronic equipment and methods of operating electronic equipment

【技术实现步骤摘要】
电子设备和操作电子设备的方法相关申请的交叉引用将2018年8月29日在韩国知识产权局递交的题为“ElectronicDevicesandMethodsofOperatingElectronicDevices”的韩国专利申请No.10-2018-0102183通过引用的方式整体并入本文。
示例实施例总体上涉及人工智能，更具体地，涉及电子设备和能够以增强的性能操作电子设备的方法。
技术介绍
随着诸如计算机和智能电话的信息设备的发展，已经开发了数字计算机应用和数字信号处理技术。具体地，近来已开发诸如人工智能图像识别(视频/运动识别)、深度学习和机器学习之类的技术，并且自动识别数据(例如，语音、图像、视频或文本)且提供与数据相关的信息或者提供与数据相关的服务的智能服务在各个领域得到应用。附加地，边缘设备开始使用人工智能。
技术实现思路
根据示例实施例，一种电子设备包括图形处理器和存储器件。图形处理器包括人工神经网络引擎，人工神经网络引擎通过使用学习数据和权重使对象识别模型学习以提供学习后的对象识别模型。存储器本文档来自技高网...

【技术保护点】
1.一种电子设备，包括：/n包括人工神经网络引擎的图形处理器，所述人工神经网络引擎通过使用学习数据和权重使对象识别模型学习以提供学习后的对象识别模型；以及/n存储器件，存储所述学习数据和所述权重，将从输入数据提取的特征向量划分为第一子特征向量和第二子特征向量，将所述第一子特征向量提供给所述图形处理器，从所述图形处理器接收所述学习后的对象识别模型，并且执行第一计算以将所述第二子特征向量和所述权重应用于所述学习后的对象识别模型来提供第二对象识别结果，/n其中，所述人工神经网络引擎执行第二计算以将所述第一子特征向量和所述权重应用于所述学习后的对象识别模型来提供第一对象识别结果，并且将所述第一对象识别...

【技术特征摘要】
20180829 KR 10-2018-01021831.一种电子设备，包括：
包括人工神经网络引擎的图形处理器，所述人工神经网络引擎通过使用学习数据和权重使对象识别模型学习以提供学习后的对象识别模型；以及
存储器件，存储所述学习数据和所述权重，将从输入数据提取的特征向量划分为第一子特征向量和第二子特征向量，将所述第一子特征向量提供给所述图形处理器，从所述图形处理器接收所述学习后的对象识别模型，并且执行第一计算以将所述第二子特征向量和所述权重应用于所述学习后的对象识别模型来提供第二对象识别结果，
其中，所述人工神经网络引擎执行第二计算以将所述第一子特征向量和所述权重应用于所述学习后的对象识别模型来提供第一对象识别结果，并且将所述第一对象识别结果提供给所述存储器件，所述第二计算和所述第一计算并行执行。


2.根据权利要求1所述的电子设备，其中，所述存储器件存储所述第一对象识别结果，合并所述第一对象识别结果和所述第二对象识别结果以向用户提供合并的对象识别结果。


3.根据权利要求1所述的电子设备，其中，所述存储器件包括：
缓冲器管芯，与所述图形处理器和外部设备通信；
堆叠在所述缓冲器管芯上的多个存储器管芯；以及
多个硅通孔TSV，延伸通过所述多个存储器管芯以连接到所述缓冲器管芯，
其中，所述多个存储器管芯中的每一个包括存储器单元阵列，所述存储器单元阵列包括耦接到多条字线和多条位线的多个动态存储器单元，并且动态存储器单元存储所述学习数据、所述权重和所述特征向量，以及
其中，所述缓冲器管芯包括通过多个TSV连接到所述存储器管芯的存储器中处理器电路，并且所述存储器中处理器电路将所述特征向量划分为所述第一子特征向量和所述第二子特征向量且执行所述第一计算。


4.根据权利要求3所述的电子设备，其中，所述存储器中处理器电路包括：
数据分配器，从所述存储器管芯中的至少一些接收所述特征向量，将所述特征向量划分为所述第一子特征向量和所述第二子特征向量，并且将所述第一子特征向量提供给所述图形处理器；
乘法和累加MAC电路，从所述数据分配器接收所述第二子特征向量，将所述权重应用于来自所述数据分配器的所述第二子特征向量，并且执行所述第二计算以输出所述第二对象识别结果；以及
控制器，控制所述MAC电路。


5.根据权利要求4所述的电子设备，其中，所述MAC电路对所述第二子特征向量和所述权重执行矩阵向量乘法运算。


6.根据权利要求4所述的电子设备，还包括：
中央处理单元CPU，通过总线与所述图形处理器和所述存储器件通信，
其中，所述CPU包括控制所述数据分配器和所述控制器的系统软件，以及
所述系统软件确定所述第一子特征向量和所述第二子特征向量的划分比例。


7.根据权利要求6所述的电子设备，其中，所述数据分配器在所述系统软件的控制下，通过基于所述特征向量中包括的至少一个对象划分所述特征向量来提供所述第一子特征向量和所述第二子特征向量。


8.根据权利要求6所述的电子设备，其中，所述数据分配器在所述系统软件的控制下，通过将所述特征向量分为两半来提供所述第一子特征向量和所述第二子特征向量。


9.根据权利要求3所述的电子设备，其中，所述缓冲器管芯还包括池化器，所述池化器在所述第一计算和所述第二计算完成时接收所述第一对象识别结果和所述第二对象识别结果，并且通过合并所述第一对象识别结果和所述第二对象识别结果来提供合并的对象识别结果。


10.根据权利要求3所述的电子设备，其中，所述存储器件还包括形成在所述缓冲器管芯上的非易失性存储器件，所述非易失性存储器件存储所述学习后的对象识别模型。


11.根据权利要求1所述的电子设备，其中：
所述第一子特征向量和所述第二子特征向量包括至少一些重复数据，
所述图形处理器向所述存储器件提供对所述至少一些重复数据的中间运算结果，以及
所述存储器件使用对所述至少一些重复数据的中间运算结果来执行所述第一计算。


12.根据权利要求1所述的电子设备，其中，当将所述学习数据和所述权重应用于所述对象识别模型的结果和所述学习数据的期望值之间的相似度等于或大于参考值时，所述人工神经网络引擎将所述学习后的对象识别模型提供给所述存储器件。


13.根据权利要求1所述的电子设备，其中，所述对象识别模型包括神经网络模型或深度学习模型，其基于多个网络节点之间的连接关系和网络节点的权重执行计算。


14...

【专利技术属性】
技术研发人员：金哲民，高兑京，李芝庸，徐德浩，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：韩国;KR