【技术实现步骤摘要】
【国外来华专利技术】用于运行人工神经网络的方法
本专利技术一般性地涉及人工智能领域。本专利技术尤其涉及一种用于运行人工神经网络的方法以及一种人工神经网络，该人工神经网络例如可以用于车辆中的对象识别。
技术介绍
为了训练人工神经网络，尤其是多层的和/或卷积的神经网络，通常对提供给神经网络的训练数据(例如训练图像)进行归一化和/或标准化。这还可以用于使训练数据组的训练数据均匀化。通过标准化在某些情况下也可以突出和/或强调在训练数据中存在的对象和/或特征。在训练神经网络之后和/或在已训练的神经网络的运行期间(这通常也被称为推理)，通常对提供给神经网络的用于解读和/或分类的输入数据类似于训练数据地进行归一化和/或标准化。在此，输入数据的归一化可能是计算密集的和/或耗时的并且需要功能强大的硬件来执行。
技术实现思路
借助本专利技术的实施方式可以以有利的方式提供一种用于运行人工神经网络的有效且快速的方法。借助本专利技术的实施方式还可以提供改善的人工神经网络。本专利技术的一方面涉及一种用于运行人工神经网络的方法。该人工神经...
【技术保护点】
1.一种用于运行人工神经网络(10)的方法，所述人工神经网络具有至少一个卷积层(12a-c)，所述卷积层设置为用于，基于卷积运算和移位运算将所述卷积层(12a-c)的输入矩阵(I)转化为输出矩阵(A)，所述方法具有以下步骤：/n基于所述输入矩阵(I)的录入项和/或基于所述神经网络(10)的训练数据组求取至少一个第一归一化参量和第二归一化参量，/n其特征在于，所述方法还具有以下步骤：/n基于所述至少一个卷积层(12a-c)的原始过滤矩阵(f)并且基于所求取的第一归一化参量和第二归一化参量中的至少一个来求取修改后的过滤矩阵
【技术特征摘要】
【国外来华专利技术】20180115 DE 102018200534.61.一种用于运行人工神经网络(10)的方法，所述人工神经网络具有至少一个卷积层(12a-c)，所述卷积层设置为用于，基于卷积运算和移位运算将所述卷积层(12a-c)的输入矩阵(I)转化为输出矩阵(A)，所述方法具有以下步骤：
基于所述输入矩阵(I)的录入项和/或基于所述神经网络(10)的训练数据组求取至少一个第一归一化参量和第二归一化参量，
其特征在于，所述方法还具有以下步骤：
基于所述至少一个卷积层(12a-c)的原始过滤矩阵(f)并且基于所求取的第一归一化参量和第二归一化参量中的至少一个来求取修改后的过滤矩阵
基于所述至少一个卷积层(12a-c)的原始移位矩阵(b)并且基于所求取的第一归一化参量和第二归一化参量中的至少一个来求取修改后的移位矩阵
基于所述修改后的过滤矩阵和所述修改后的移位矩阵将所述输入矩阵(I)转化为所述输出矩阵(A)。
2.根据权利要求1所述的方法，其中，
所述第一归一化参量是与标准差(σ)相关的参量和/或是标准差；和/或
所述第二归一化参量是与平均值(μ)相关的参量和/或是平均值(μ)。
3.根据权利要求2所述的方法，其中，
基于所述至少一个卷积层(12a-c)的所述原始过滤矩阵(f)并且基于所求取的标准差(σ)求取所述修改后的过滤矩阵和/或
基于所述至少一个卷积层(12a-c)的所述原始移位矩阵(b)、基于所求取的标准差(σ)并且基于所求取的平均值(μ)求取所述修改后的移位矩阵
4.根据权利要求2或3中任一项所述的方法，其中，
所求取的平均值(μ)是所述输入矩阵(I)的录入项的平均值；和/或，
所求取的标准差(σ)是所述输入矩阵(I)的录入项的标准差。
5.根据权利要求2或3中任一项所述的方法，其中，
所述训练数据组具有多个训练数据元素，尤其是训练图像；
基于所述训练数据组的所述训练数据元素求取所述标准差(σ)和所述平均值(μ)。
6.根据以上权利要求中任一项所述的方法，其中，所述转化的步骤具有：
将所述输入矩阵(I)与所述修改后的过滤矩阵进行卷积；和
将所述修改后的移位矩阵与卷积后的输入矩阵(I)相加。
7.根据以上权利要求中任一项所述的方法，
其中，在所述修改后的过滤矩阵和所述修改后的移位矩阵中包含用于对所述输入矩阵(I)进行归一化的归一化运算...
【专利技术属性】
技术研发人员：J·E·M·梅纳特，R·M·克勒，P·彼得里齐奥，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：德国;DE
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。