【技术实现步骤摘要】
【国外来华专利技术】电子设备及其控制方法
本公开涉及电子设备及其控制方法，并且更具体地，涉及执行卷积处理的电子设备及其控制方法。
技术介绍
机器学习是人工智能的一个领域，并且是指通过向计算机输入数据来训练计算机以生成新知识的技术。具体地，机器学习在作为机器学习技术之一的人工神经网络领域已经得到了显著的发展，并且这引入了深度学习。深度学习是基于人工神经网络的一种机器学习技术类型，并且可以通过使用无监督学习对用于学习的数据进行预处理或在多个层上共同地传输数据来提高学习效率，尽管人工神经网络被设计成多层结构。具体地，通过互联网的发展和用于处理它的计算性能的提高，深度学习最近随着大数据得到了迅速发展。在该技术中，卷积神经网络(convolutionalneuralnetwork，CNN)具有适合于学习二维数据的结构，并且能够通过反向传播算法进行训练。CNN已广泛用于各种应用，诸如图像中的对象分类或对象检测。在CNN中执行的大多数处理是卷积处理，这使得必须有效地执行卷积处理，但是在特定情况下效率可能会恶化。图1A和图1B是...
【技术保护点】
1.一种电子设备，包括：/n存储装置；以及/n处理器，被配置为基于步幅信息对目标数据和内核数据执行卷积处理，所述步幅信息指示所述内核数据被应用于存储在所述存储装置中的所述目标数据的间隔，/n其中，所述处理器还被配置为：/n基于第一步幅信息将所述目标数据划分为多条子数据，/n基于不同于所述第一步幅信息的第二步幅信息，对所述多条子数据和分别与所述多条子数据相对应的多条子内核数据执行卷积处理，以及/n组合多个处理结果，/n其中，通过基于所述第一步幅信息划分所述内核数据来获得所述多条子内核数据，并且/n其中，所述第二步幅信息指示所述内核数据被应用于所述目标数据的间隔是1。/n
【技术特征摘要】
【国外来华专利技术】20171211 KR 10-2017-0169668;20170926 US 62/563,3691.一种电子设备，包括：
存储装置；以及
处理器，被配置为基于步幅信息对目标数据和内核数据执行卷积处理，所述步幅信息指示所述内核数据被应用于存储在所述存储装置中的所述目标数据的间隔，
其中，所述处理器还被配置为：
基于第一步幅信息将所述目标数据划分为多条子数据，
基于不同于所述第一步幅信息的第二步幅信息，对所述多条子数据和分别与所述多条子数据相对应的多条子内核数据执行卷积处理，以及
组合多个处理结果，
其中，通过基于所述第一步幅信息划分所述内核数据来获得所述多条子内核数据，并且
其中，所述第二步幅信息指示所述内核数据被应用于所述目标数据的间隔是1。
2.根据权利要求1所述的设备，其中，所述处理器还被配置为基于所述第一步幅信息为n(n是大于1的整数)，将所述目标数据划分为n×n条子数据，并且
其中，通过将所述内核数据划分为n×n条来获得所述多条子内核数据。
3.根据权利要求2所述的设备，其中，所述处理器还被配置为将所述n×n条子数据中的每一个识别为二维信息(i，j)(i和j中的每一个是n或更小的自然数)，并且获得位于所述目标数据的(n×a+i)行和(n×b+j)列中的值作为与(i，j)相对应的子数据的值，并且
其中，a和b中的每一个是0或更大的自然数。
4.根据权利要求1所述的设备，其中，所述多个处理结果是具有不同尺寸的矩阵形式，
其中，所述处理器还被配置为基于在所述多个处理结果当中具有最大尺寸的第一矩阵来扩展其他矩阵的尺寸，并且组合包括在所述第一矩阵中的值和包括在扩展的其他矩阵中的值之间在相同位置处的值，并且
其中，所述其他矩阵的扩展区域的值为0。
5.根据权利要求1所述的设备，其中，所述处理器包括：
多个处理元件单元，所述处理元件单元包括多个处理元件，每个处理元件以矩阵形式排列；
数据分散器，其一侧连接到所述存储装置，并且另一侧连接到所述多个处理元件单元中的每一个；以及
累加器，其一侧连接到所述多个处理元件单元中的每一个，并且另一侧连接到所述存储装置。
6.根据权利要求5所述的设备，其中，所述数据分散器从所述存储装置接收所述目标数据，将所述目标数据划分为所述多条子数据，并将所述多条子数据分别传输到所述多个处理元件单元，
其中，所述多个处理元件单元中的每一个基于与从所述数据分散器接收的子数据相对应的子内核数据来执行卷积处理，并且将处理结果传输到所述累加器，并且
其中，所述累加器组合分别从所述多个处理元件单元接收的所述多个处理结果。
7.根据权利要求1所述的设备，其中，所述处理器还被配置为基于行是m(m是大于1的整数)且列是n(n是大于1的整数)的第一步幅信息，将所述目标数据划分为m×n...
【专利技术属性】
技术研发人员：金庆勋，朴永焕，徐东宽，KP纳加拉贾，金大铉，金硕镇，赵韩秀，金铉中，
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
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。