System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请实施例涉及人工智能与深度学习,尤其涉及一种全光学卷积神经网络装置。
技术介绍
1、卷积神经网络(convolutional neural network,cnn)是一种深度学习网络模型,广泛应用在人脸识别、视频分类、语音识别等领域。卷积神经网络可以基于多重卷积核对物体进行多维度的特征提取,以及通过叠加多个卷积层、池化层等实现层次化特征提取。
2、光计算技术具有高速度、可并行处理、能耗低等优点,因而将光计算技术和卷积神经网络相结合来构造光学卷积神经网络成为光学领域的热点之一。
3、然而,现阶段基于光学方法只能构建单一的光学卷积操作,还需要和额外的电子系统结合才能形成完整的卷积神经网络,无法实现全光学的卷积神经网络,计算效率低。
4、需要说明的是,上述内容并不必然是现有技术,也不用于限制本申请的专利保护范围。
技术实现思路
1、本申请实施例提供一种全光学卷积神经网络装置,以解决或缓解上面提出的一项或更多项技术问题。
2、本申请实施例的一个方面提供了一种全光学卷积神经网络装置,包括:
3、光学卷积层,所述光学卷积层集成有多个卷积核,所述光学卷积层接收输入光信号,对所述输入光信号进行卷积操作以产生多个中间光信号,并输出多个所述中间光信号;
4、光学全连接层,所述光学全连接层接收多个所述中间光信号,对多个所述中间光信号进行相位调制后输出,以将多个所述中间光信号合并为输出光信号。
5、可选地,所述光学卷积
6、可选地,所述光学卷积层包括第一光学卷积层和第二光学卷积层;
7、所述第一光学卷积层接收所述输入光信号,对所述输入光信号进行卷积操作,生成多个第一中间光信号;
8、所述第二光学卷积层设有多个区域,每个区域都集成有多个卷积核,多个区域一一对应地接收多个所述第一中间光信号;
9、所述第二光学卷积层通过多个区域对接收的第一中间光信号进行卷积操作以产生多个第二中间光信号,并输出多个所述第二中间光信号。
10、可选地,所述光学卷积层用于加载预先训练好的第一相位图,并基于所述第一相位图对所述输入光信号进行卷积操作以产生多个中间光信号;
11、其中,所述第一相位图基于透镜相位、涡旋相位、第一随机相位以及第一光栅相位构建;所述涡旋相位、所述第一随机相位和所述第一光栅相位用于构建孔径函数相位;所述透镜相位和所述孔径函数的相位用于构建所述第一相位图。
12、可选地,一个卷积核对应一个涡旋相位、一个第一随机相位和一个第一光栅相位,每个卷积核对应的涡旋相位、第一随机相位和第一光栅相位不同;
13、所述第一相位图通过以下步骤构建:
14、将多个卷积核对应的涡旋相位和第一随机相位进行叠加,以获得多个卷积核对应的中间相位;
15、通过编码全息光栅技术将多个卷积核对应的中间相位和第一光栅相位进行叠加,以获得所述孔径函数的相位;
16、将所述孔径函数的相位和所述透镜相位集成,以获得所述第一相位图。
17、可选地,所述光学全连接层包括多个相位调制板,多个所述相位调制板一一对应地接收多个所述中间光信号;
18、所述相位调制板用于加载预先训练好的第二相位图,每个相位调制板对应一个第二相位图,每个相位调制板对应的第二相位图不同;
19、多个所述相位调制板基于对应的第二相位图对接收的中间光信号进行相位调制,以使经过相位调制的多个中间光信号聚焦到输出平面的目标区域。
20、可选地,所述第二相位图是基于第二随机相位、二次共轭相位和第二光栅相位构建,其中:
21、所述第二随机相位用于调制所述第二相位图;
22、所述二次共轭相位用于消除接收的中间光信号的二次相位;
23、所述第二光栅相位用于调整接收的中间光信号的传播方向。
24、可选地,所述第一相位图和所述第二相位图通过以下步骤训练得到:
25、获取所述输出光信号的输出光强;
26、根据所述输出光强和预设的目标光强,确定所述全光学卷积神经网络装置输出端的误差光场;
27、将所述全光学卷积神经网络装置输出端的误差光场反向传播到所述光学全连接层,以确定所述光学全连接层的误差光场以及相位梯度;
28、将所述光学全连接层的误差光场反向传播到所述光学卷积层,以确定所述光学卷积层的误差光场以及相位梯度;
29、根据所述光学卷积层的相位梯度和所述光学全连接层的相位梯度,更新所述第一相位图和所述第二相位图。
30、可选地,所述第一相位图和所述第二相位图通过以下步骤训练得到:
31、获取所述输出光信号的输出光强;
32、根据所述输出光强和预设的目标光强,确定所述全光学卷积神经网络装置输出端的误差光场;
33、将所述全光学卷积神经网络装置输出端的误差光场反向传播到多个相位调制板,以确定多个相位调制板对应的相位梯度;
34、将多个相位调制板对应的相位梯度反向传播到多个卷积核,以确定多个卷积核对应的相位梯度;
35、根据多个相位调制板对应的相位梯度和多个卷积核对应的相位梯度,更新第一随机相位和第二随机相位,以更新所述第一相位图和所述第二相位图。
36、可选地,所述光学卷积层包括第一光学卷积层和第二光学卷积层,所述第一光学卷积层对应第一一相位图,所述第二光学卷积层对应第一二相位图;
37、所述第一一相位图和所述第一二相位图通过以下步骤训练得到:
38、将所述光学全连接层的误差光场反向传播到所述第二光学卷积层,以确定所述第二光学卷积层的误差光场以及相位梯度;
39、据所述第一光学卷积层和所述第二光学卷积层的对应关系,将所述第二光学卷积层的误差光场转化为中间误差光场;
40、将所述中间误差光场反向传播到所述第一光学卷积层,以确定所述第一光学卷积层的误差光场以及相位梯度;
41、根据所述第一光学卷积层的相位梯度、所述第二光学卷积层的相位梯度以及所述光学全连接层的相位梯度,更新所述第一一相位图和所述第一二相位图。
42、本申请实施例的全光学卷积神经网络装置可以包括如下优势:
43、光学卷积层通过多个不同的卷积核对输入光信号卷积形成不同的中间光信号并输出,进而多维度提取图像的不同特征,光学全连接层通过相位调制将卷积产生的不同结果(中间光信号)合并成输出光信号。可知,本申请实施例的全光学卷积神经网络装置可以基于光学卷积层和光学全连接层构建出完整的光学卷积神经网络,利用光学器件和光计算实现了特征提取和输出生成,不需要与额外的电子系统结合,能够有效提升计算效率。
本文档来自技高网...【技术保护点】
1.一种全光学卷积神经网络装置,其特征在于,包括:
2.根据权利要求1所述的全光学卷积神经网络装置,其特征在于,
3.根据权利要求2所述的全光学卷积神经网络装置,其特征在于,
4.根据权利要求1所述的全光学卷积神经网络装置,其特征在于,
5.根据权利要求4所述的全光学卷积神经网络装置,其特征在于,
6.根据权利要求5所述的全光学卷积神经网络装置,其特征在于,
7.根据权利要求6所述的全光学卷积神经网络装置,其特征在于,
8.根据权利要求6所述的全光学卷积神经网络装置,其特征在于,
9.根据权利要求6所述的全光学卷积神经网络装置,其特征在于,
10.根据权利要求8所述的全光学卷积神经网络装置,其特征在于,
【技术特征摘要】
1.一种全光学卷积神经网络装置,其特征在于,包括:
2.根据权利要求1所述的全光学卷积神经网络装置,其特征在于,
3.根据权利要求2所述的全光学卷积神经网络装置,其特征在于,
4.根据权利要求1所述的全光学卷积神经网络装置,其特征在于,
5.根据权利要求4所述的全光学卷积神经网络装置,其特征在于,
...
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。