[发明专利]用于动态地更新分类器复杂度的方法

说明书

一种用于配置分类器的方法包含操作分类器以对输入进行分类。该方法还包括基于输入的分类来确定置信度量。该方法进一步包括基于该置信度量来动态地更新该分类器的复杂度。可基于后验概率来计算该置信度量。当该置信度量低于阈值时，可更新该复杂度。

背景

领域

本公开的某些方面一般涉及机器学习，且更具体地涉及用于动态地更新分类器复杂度的系统和方法。

背景

可包括一群互连的人工神经元(即，神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。人工神经网络可具有生物学神经网络中的对应的结构和/或功能。

卷积神经网络是一种前馈人工神经网络。卷积神经网络可以包括可在瓦片化的感受野中配置的神经元层。卷积神经网络(CNN)具有众多应用。具体地，CNN已被广泛使用于模式识别和分类的领域。

深度学习架构(诸如，深度置信网络和深度卷积网络)已经被越来越多地用于对象识别应用中。类似于卷积神经网络，这些深度学习架构中的计算可在处理节点群体上分发，这些处理节点可被配置在一个或多个计算链中。这些多层架构提供更大灵活性，因为它们可以被一次一层地训练并可使用反向传播进行微调。

深度置信网络(DBN)是由多层隐藏节点构成的概率性模型。DBN可被用于提取训练数据集的阶层式表示。DBN可通过堆叠多层受限波尔兹曼机(RBM)来获得。RBM是一类可在输入集上学习概率分布的人工神经网络。DBN的底部RBM可充当特征提取器且顶部RBM可充当分类器。

尽管深度网络(诸如，深度置信网络和深度卷积网络)在数个分类基准上获得了出色的结果，但它们的计算复杂度可能会极高。当使用中央处理单元(CPU)或图形处理单元(GPU)的集群时，可以缓解该极高的计算复杂度。然而，当尝试在能力较弱的平台上(诸如单个CPU或数字信号处理器(DSP))支持这些网络时，计算复杂度可能会妨碍其使用。这些模型的用户可能被迫去分析该网络并进行简化，这可能会降低该网络的分类性能。

分析基于深度网络的分类器来确定哪些简化将允许在给定平台上实现该分类器的过程是困难的。此外，允许实现的这些简化可能对分类性能不利。

概述

在本公开的一方面，给出了一种配置分类器的方法。该方法包括操作分类器以对输入进行分类。该方法还包括基于输入的分类来确定置信度量。该方法进一步包括基于该置信度量来动态地更新该分类器的复杂度。

在本公开的另一方面，给出了一种用于配置分类器的装置。该装置包括存储器以及耦合至该存储器的至少一个处理器。该处理器被配置成操作分类器以对输入进行分类。该处理器还被配置成基于输入的分类来确定置信度量。该处理器被进一步配置成基于置信度量来动态地更新该分类器的复杂度。

在本公开的又一方面，给出了一种用于配置分类器的设备。该设备包括用于操作分类器以对输入进行分类的装置。该设备还包括基于输入的分类来确定置信度量的装置。该设备进一步包括基于该置信度量来动态地更新该分类器的复杂度的装置。

在本公开的又一方面，给出了一种用于配置分类器的计算机程序产品。该计算机程序产品包括其上编码有程序代码的非瞬态计算机可读介质。该程序代码包括用于操作分类器以对输入进行分类的程序代码。该程序代码还包括用于基于该输入的分类来确定置信度量的程序代码。该程序代码进一步包括基于该置信度量动态地更新该分类器的复杂度的程序代码。