[发明专利]神经网络设备和操作神经网络设备的方法

说明书

相关申请的交叉引用

本申请要求于2016年9月23日提交的韩国专利申请第10-2016-0122471号和于2016年12月23日提交的韩国专利申请第10-2016-0177466号的优先权，其公开内容通过引用全部并入本文。

技术领域

本发明构思的示例性实施例涉及神经网络设备，且更具体地，涉及一种增加神经网络设备的运算速度的方法。

背景技术

也称为人造神经网络的神经网络是指以图案排列的硬件和/或软件的系统，使得其类似于人脑中的神经元的操作来操作。人造神经网络可以包括多个层，其中的每个层接收输入数据并通过处理输入数据来生成输出数据。

随着神经网络技术进步，诸如无人机(drone)、高级驾驶员辅助系统(ADAS)、机器人等的各种电子系统可以包括神经网络设备以从输入数据中提取有用信息。

发明内容

本发明构思的示例性实施例提供了一种操作可以增加运算速度的神经网络设备的方法，以及可以增加运算速度的神经网络设备。

根据本发明构思的示例性实施例，一种操作神经网络设备的方法包括：由输入层接收多个连续输入数据。神经网络设备包括包括输入层、第一线性层、第一非线性层和第二线性层的神经网络。该方法进一步包括，基于来自多个连续输入数据当中的当前输入数据与先前输入数据之间的差，由输入层生成增量数据。该方法进一步包括由第一线性层生成第一当前特征。第一当前特征对应于基于第一增量特征和第一先前特征对当前输入数据执行第一线性运算的结果。通过对增量数据执行第一线性运算来生成第一增量特征。第一先前特征存储在第一线性层中的第一寄存器中。该方法进一步包括基于第二当前特征和第二先前特征，由第一非线性层生成第二增量特征。通过对第一当前特征执行第一非线性运算来生成第二当前特征。第二先前特征存储在第一非线性层中的第二寄存器中。该方法进一步包括基于第三增量特征和第三先前特征，由第二线性层生成第三当前特征。第三当前特征对应于对第二当前特征执行第二线性运算的结果。通过对第二增量特征执行第二线性运算来生成第三增量特征。第三先前特征存储在第二线性层中的第三寄存器中。

根据本发明构思的示例性实施例，一种神经网络设备包括神经网络的输入层、神经网络的第一线性层、神经网络的第一非线性层和神经网络的第二线性层。输入层被配置为接收多个连续输入数据，并且基于来自多个连续输入数据当中的当前输入数据与先前输入数据之间的差生成增量数据。第一线性层被配置为通过对增量数据执行第一线性运算来生成第一增量特征，并且基于第一增量特征和第一先前特征生成第一当前特征。第一当前特征对应于对当前输入数据执行第一线性运算的结果。第一先前特征存储在第一线性层的第一寄存器中。第一非线性层被配置为通过对第一当前特征执行第一非线性运算来生成第二当前特征，并且基于第二当前特征和第二先前特征生成第二增量特征。第二先前特征存储在第一非线性层的第二寄存器中。第二线性层被配置为通过对第二增量特征执行第二线性运算来生成第三增量特征，并且基于第三增量特征和第三先前特征生成第三当前特征。第三当前特征对应于对第二当前特征执行第二线性运算的结果。第三先前特征存储在第二线性层的第三寄存器中。

根据本发明构思的示例性实施例，一种识别视频流中的对象的方法包括使用神经网络的输入层来接收在视频流中包括的多个连续数据帧，使用神经网络的输入层，基于来自多个连续数据帧当中的当前数据帧与先前数据帧之间的差，生成增量数据，以及使用神经网络的第一线性层生成第一当前特征。第一当前特征对应于基于第一增量特征和第一先前特征对当前数据帧执行第一线性运算的结果。通过对增量数据执行第一线性运算来生成第一增量特征。第一先前特征存储在第一线性层中的第一寄存器中。该方法进一步包括使用神经网络的第一非线性层，基于第二当前特征和第二先前特征来生成第二增量特征。通过对第一当前特征执行第一非线性运算来生成第二当前特征。第二先前特征存储在第一非线性层中的第二寄存器中。该方法进一步包括使用神经网络的第二线性层，基于第三增量特征和第三先前特征来生成第三当前特征。第三当前特征对应于对第二当前特征执行第二线性运算的结果。通过对第二增量特征执行第二线性运算来生成第三增量特征。第三先前特征存储在第二线性层中的第三个寄存器中。该方法进一步包括使用第三当前特征识别视频流中的对象。

附图说明

通过参考附图详细描述其示例性实施例，本发明构思的上述和其他特征将变得更加明显，在附图中：

图1是图示根据发明构思的示例性实施例的神经网络设备的框图。