信息处理设备、信息处理方法和存储介质技术

本发明专利技术涉及信息处理设备、信息处理方法和存储介质。信息处理方法由计算机执行，该方法包括：将训练数据输入至包括卷积层的机器学习模型，并且获取该机器学习模型的输出结果；从包括在基于训练数据与输出结果之间的误差的误差信息中的元素之中提取满足特定条件的特定元素；以及使用特定元素执行卷积层的机器学习。习。习。

【技术实现步骤摘要】
信息处理设备、信息处理方法和存储介质


[0001]本文讨论的实施方式涉及信息处理设备、信息处理方法和存储介质。

技术介绍

[0002]近年来，在诸如图像识别或字符识别的各种领域中使用深度学习(DL)，深度学习(DL)使用包括各个层的神经网络，所述各个层包括输入层、隐藏层(中间层)和输出层。例如，卷积神经网络(CNN)包括卷积层和池化层作为隐藏层。
[0003]在深度学习中，卷积层具有用于通过对输入数据执行滤波处理来输出特征信息的作用。具体地，例如，与滤波器匹配的形状被检测为大的数值并且被传播至下一层。
[0004]然后，在卷积层中，随着学习的进行，更新关于滤波器的信息以提取更多特征信息。对于滤波器的形状，使用学习时的滤波器的校正量，该校正量被称为“误差梯度”。例如，作为相关技术，公开了日本公开特许公报第2019
‑
212206号、日本公开特许公报第2019
‑
113914号等。

技术实现思路

[0005][技术问题][0006]然而，由于在学习卷积层中的滤波器时的处理负荷高，因本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息处理设备，包括：获取单元，其被配置成将训练数据输入至包括卷积层的机器学习模型，并且获取所述机器学习模型的输出结果；以及学习执行单元，其被配置成从包括在基于所述训练数据与所述输出结果之间的误差的误差信息中的元素之中提取满足特定条件的特定元素，并且使用所述特定元素执行所述卷积层的机器学习。2.根据权利要求1所述的信息处理设备，其中，所述学习执行单元包括：从包括在所述误差信息中的元素之中提取值等于或大于阈值的元素或者预定数量的值大的元素作为所述特定元素。3.根据权利要求1所述的信息处理设备，其中，所述机器学习模型包括所述卷积层和多个层，并且其中，所述学习执行单元包括：获取通过将所述训练数据从所述机器学习模型的输入层前向传播至输出层得到的输出结果，将所述误差信息从所述输出层后向传播至所述输入层，针对除所述卷积层之外的层基于后向传播的误差信息执行机器学习，针对与所述卷积层有关的卷积层从后向传播的误差信息中提取所述特定元素，以及使用所述特定元素执行机器学习。4.根据权利要求3所述的信息处理设备，其中，所述学习执行单元包括：在所述前向传播时获取关于被输入至所述卷积层的特征量的特征量信息，以及在所述后向传播时通过使用所述特征量信息和所述特定元素来执行所述卷积层的机器学习。5.根据权利要求4所述的信息处理设备，其中，所述卷积层通过使用滤波器进行滤波根据通过所述前向传播而传播的数据生成特征量，并且其中，所述学习执行单元包括：使用所述特征量信息和所述特定元素计算所述滤波...

【专利技术属性】
技术研发人员：笠置明彦，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：