数据处理的方法和设备技术

提供了一种数据处理的方法和设备。一种在数据处理设备中处理数据的方法包括：检测数据处理设备的硬件配置；基于检测出的所述硬件配置，预测在所述数据的处理期间是否将存在被设置实现的神经网络的低效区段；调整所述神经网络的与所述低效区段相应的层参数；并且利用调整的层参数使用所述神经网络处理所述数据。

【技术实现步骤摘要】
数据处理的方法和设备本申请要求于2019年10月1日在韩国知识产权局提交的第10-2019-0121736号韩国专利申请的权益，该申请的公开通过引用全部合并于此。
本公开涉及数据处理的方法和设备。
技术介绍
神经网络装置可被用在各种类型的电子系统中以分析输入数据并提取有效信息。然而，由于神经网络装置中的将被处理的数据往往与硬件不匹配，因此典型神经网络装置可能不会对输入数据高效地执行大量运算。
技术实现思路
提供此
技术实现思路
是为了以简化形式介绍以下在具体实施方式中进一步描述的构思的选择。此
技术实现思路
既不意在标识要求保护的主题的关键特征或必要特征，也不意在用于帮助确定要求保护的主题的范围。在一个总体方面，一种处理器实现的数据处理方法包括：基于用于处理数据的硬件配置，预测在所述数据的处理期间是否将存在被设置实现的神经网络的低效区段；调整所述神经网络的与所述低效区段相应的层参数；并且利用调整的层参数使用所述神经网络处理所述数据。所述硬件配置可与存储器的数据大小相应。所述存储器的数据大小可包括设置数量的分块数据块。所述低效区段可与神经网络的层相应，其中，在该层中，产生的特征图的数据大小超过设置数量的分块数据块的设置数据大小。所述层参数可包括内核数据的大小、相应的填充数和相应的步长数中的任意一个或者内核数据的大小、相应的填充数和相应的步长数中的任意两个或更多个的任意组合。调整所述层参数的步骤可包括通过增加与所述低效区段相应的内核数据的大小来调整所述层参数。增加所述内核数据的大小的步骤可包括通过对所述内核数据执行零填充来增加所述内核数据的大小。调整所述层参数的步骤可包括通过减少与所述低效区段相应的将被输入到所述神经网络的下一层的特征图数据的填充数来调整所述层参数。调整所述层参数的步骤可包括通过增加用于与所述低效区段相应的特征图数据的卷积的步长数来调整所述层参数。预测在所述数据的处理期间是否将存在所述低效区段的步骤可包括基于包括所述层参数的预定层参数来确定是否将存在所述低效区段，并且所述预定层参数中的每一个可与所述数据将被处理的所述神经网络的多个层中的各个层相应。预测在所述数据的处理期间是否将存在所述低效区段的步骤可包括基于所述多个层中的每个层处的确定的操作周期数确定是否将存在所述低效区段。所述方法可包括基于利用调整的层参数对所述数据的所述处理来确定所述低效区段中的所述数据的处理是否被改进。确定所述低效区段中的所述数据的处理是否被改进的步骤可包括对用于使用所述层参数在所述神经网络的一个或更多个层中处理所述数据的第一操作周期数与用于利用调整的层参数在所述神经网络的所述一个或更多个层中处理所述数据的第二操作周期数进行比较。确定所述低效区段中的所述数据的处理是否被改进的步骤可包括：响应于第一操作周期数大于第二操作周期数，确定所述低效区段中的所述数据的处理被改进。所述数据可包括与输入图像相应的特征图数据，并且处理所述数据的步骤可包括通过利用调整的层参数执行卷积运算来识别所述输入图像的特征。在另一总体方面，一种在数据处理设备中处理数据的方法包括：检测数据处理设备的硬件配置；基于检测出的所述硬件配置，预测在所述数据的处理期间是否将存在被设置实现的神经网络的低效区段；调整所述神经网络的与所述低效区段相应的层参数；并且利用调整的层参数使用所述神经网络处理所述数据。预测在所述数据的处理期间是否将存在所述低效区段的步骤可包括：根据所述硬件配置，基于包括所述层参数的预定层参数计算用于处理所述数据的数据处理时间；以及根据所述数据处理时间与预定阈值之间的比较结果来确定是否将存在所述低效区段，并且所述预定层参数中的每一个与所述数据将被处理的所述神经网络的多个层中的各个层相应。所述方法还可包括：基于利用调整的层参数对所述数据的所述处理来确定所述低效区段中的所述数据的处理是否被改进。确定所述低效区段中的所述数据的处理是否被改进的步骤可包括：对用于使用所述层参数在所述神经网络的一个或更多个层中处理所述数据的第一操作周期数与用于利用调整的层参数在所述神经网络的所述一个或更多个层中处理所述数据的第二操作周期数进行比较。确定所述低效区段中的所述数据的处理是否被改进的步骤可包括：响应于第一操作周期数大于第二操作周期数，确定所述低效区段中的所述数据的处理被改进。所述方法还可包括：如果确定所述低效区段中的所述数据的处理未被改进，则继续调整与所述低效区段相应的层参数。一种非暂时性计算机可读存储介质可存储指令，其中，所述指令在被一个或更多个处理器运行时配置所述一个或更多个处理器执行所述方法。在另一总体方面，一种数据处理设备包括：一个或更多个处理器，被配置为基于用于处理数据的硬件配置预测在所述数据的处理期间是否将存在被设置实现的神经网络的低效区段，调整所述神经网络的与所述低效区段相应的层参数；并且利用调整的层参数使用所述神经网络处理所述数据。所述硬件配置可与存储器的数据大小相应。所述层参数可包括内核数据的大小、填充数和步长数中的任意一个或者内核数据的大小、填充数和步长数中的任意两个或更多个的任意组合。为了调整所述层参数，所述一个或更多个处理器可被配置为通过增加与所述低效区段相应的内核数据的大小来调整所述层参数。为了增加所述内核数据的大小，所述一个或更多个处理器可被配置为通过对所述内核数据执行零填充来增加所述内核数据的大小。为了调整所述层参数，所述一个或更多个处理器可被配置为通过减少与所述低效区段相应的特征图数据的填充数来调整所述层参数。为了调整所述层参数，所述一个或更多个处理器可被配置为通过增加与所述低效区段相应的特征图数据的步长数来调整所述层参数。为了预测是否将存在所述低效区段，所述一个或更多个处理器可被配置为基于包括所述层参数的预定层参数确定是否将存在所述低效区段，并且所述预定层参数中的每一个可与所述数据将被处理的所述神经网络的多个层中的各个层相应。为了预测是否将存在所述低效区段，所述一个或更多个处理器可被配置为基于所述多个层中的每个层处的预定操作周期数确定是否将存在所述低效区段。所述一个或更多个处理器可被配置为基于利用调整的层参数对所述数据的所述处理来确定所述低效区段中的所述数据的处理是否被改进。所述设备可以是个人计算机(PC)、服务器装置、移动装置、智能电话、平板装置、增强现实(AR)装置、物联网(loT)装置、自动车辆、机器人装置和医疗装置中的任意一个，并且所述一个或更多个处理可被配置为基于对所述数据的所述处理的结果执行语音识别、视觉识别和图像分类中的任意一个。所述设备可包括存储指令的存储器，其中，所述指令在被所述一个或更多个处理器运行时配置所述一个或更多个处理器执行对是否将产生所述低效区段的所述预测、对所述神经网络层参数的所述调整和对所述数据的所述处理。在另一总体方面，一种数据处理设备包括：一个或本文档来自技高网...

【技术保护点】
1.一种在数据处理设备中处理数据的方法，所述方法包括：/n检测数据处理设备的硬件配置；/n基于检测出的所述硬件配置，预测在所述数据的处理期间是否将存在被设置实现的神经网络的低效区段；/n调整所述神经网络的与所述低效区段相应的层参数；并且/n利用调整的层参数使用所述神经网络处理所述数据。/n

【技术特征摘要】
20191001 KR 10-2019-01217361.一种在数据处理设备中处理数据的方法，所述方法包括：
检测数据处理设备的硬件配置；
基于检测出的所述硬件配置，预测在所述数据的处理期间是否将存在被设置实现的神经网络的低效区段；
调整所述神经网络的与所述低效区段相应的层参数；并且
利用调整的层参数使用所述神经网络处理所述数据。


2.如权利要求1所述的方法，其中，所述硬件配置与存储器的数据大小相应。


3.如权利要求2所述的方法，其中，所述存储器的数据大小包括设置数量的分块数据块。


4.如权利要求3所述的方法，其中，所述低效区段与所述神经网络的层相应，其中，在该层中，产生的特征图的数据大小超过所述设置数量的分块数据块的设置数据大小。


5.如权利要求1所述的方法，其中，所述层参数包括内核数据的大小、相应的填充数和相应的步长数中的任意一个或者内核数据的大小、相应的填充数和相应的步长数中的任意两个或更多个的任意组合。


6.如权利要求1所述的方法，其中，调整所述层参数的步骤包括：通过增加与所述低效区段相应的内核数据的大小来调整所述层参数。


7.如权利要求6所述的方法，其中，增加所述内核数据的大小的步骤包括：通过对所述内核数据执行零填充来增加所述内核数据的大小。


8.如权利要求1所述的方法，其中，调整所述层参数的步骤包括：通过减少与所述低效区段相应的将被输入到所述神经网络的下一层的特征图数据的填充数来调整所述层参数。


9.如权利要求1所述的方法，其中，调整所述层参数的步骤包括：通过增加用于与所述低效区段相应的特征图数据的卷积的步长数来调整所述层参数。


10.如权利要求1所述的方法，其中，预测在所述数据的处理期间是否将存在所述低效区段的步骤包括：
根据所述硬件配置，基于包括所述层参数的预定层参数计算用于处理所述数据的数据处理时间；以及
根据所述数据处理时间与预定阈值之间的比较结果来确定是否将存在所述低效区段，并且
所述预定层参数中的每一个与所述数据将被处理的所述神经网络的多个层中的各个层相应。


11.如权利要求10所述的方法，其中，预测在所述数据的处理期间是否将存在所述低效区段的步骤包括：基于所述多个层中的每个层处的确定的操作周期数确定是否将存在所述低效区段。


12.如权利要求1所述的方法，还包括：基于利用调整的层参数对所述数据的所述处理来确定所述低效区段中的所述数据的处理是否被改进。


13.如权利要求12所述的方法，其中，确定所述低效区段中的所述数据的处理是否被改进的步骤包括：对用于使用所述层参数在所述神经网络的一个或更多个层中处理所述数据的第一操作周期数与用于利用调整的层参数在所述神经网络的所述一个或更多个层中处理所述数据的第二操作周期数进行比较。


14.如权利要求13所述的方法，其中，确定所述低效区段中的所述数据的处理是否被改进的步骤包括：响应于第一操作周期数大于第二操作周期数，确定所述低效区段中的所述数据的处理被改进。


15.如权利要求14所述的方法，还包括：如果确定所述低效区段中的所述数据的处理未被改进，则继续调整与所述低效区段相应的层参数。


16.如权利要求1所述的方法，其中，所述数据包括与输入图像相应的特征图数据，并且
处理所述数据的步骤包括：通过利用调整的层参数执行卷积运算来识别所述输入图像的特征。


17.一种存储指令的非暂时性计算机可读存储介质，其中，所述指令在被一个或更...

【专利技术属性】
技术研发人员：权桐赫，李承远，
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