[发明专利]机器学习环境中的有效卷积

权利要求书

1.一种用于促进机器学习环境中的智能卷积的设备，所述设备包括：

一个或多个处理器，包括一个或多个图形处理器；

检测和选择逻辑，用于检测卷积神经网络(CNN)的低层；

经训练的权重生成和存储逻辑(“训练权重逻辑”)，用于在存储库处生成权重文档的库，其中，所述权重文档包括与所述CNN的所述低层相关联的权重；

训练优化逻辑，用于对所述权重进行预训练，以检测包含在于所述CNN处正被处理的输入图像中的基元几何形状；以及

训练和微调逻辑，用于基于所预训练的权重启动对所述CNN的训练。

2.如权利要求1所述的设备，其特征在于，所述经训练的权重逻辑进一步用于使用对滤波器的训练来生成所述权重，其中使用视觉工具来分析所述权重，其中，所述滤波器包括3×3滤波器和5×5滤波器中的至少一者。

3.如权利要求1所述的设备，其特征在于，所述经训练的权重逻辑进一步用于基于所述基元几何形状将所述权重存储在箱中。

4.如权利要求1所述的设备，其特征在于，所述训练和微调逻辑进一步用于在训练所述CNN之前，基于从所述箱获得的值初始化所述预训练权重，其中，由用户使用所述视觉工具来标识所述箱。

5.如权利要求1所述的设备，其特征在于，进一步包括可分离卷积逻辑，用于将低层卷积滤波器分离成卷积滤波器的对，其中，所述低层卷积滤波器包括二维(2D)卷积滤波器，并且其中所述卷积滤波器的对包括一维(1D)卷积滤波器的对。

6.如权利要求1所述的设备，其特征在于，所述训练和微调逻辑用于基于所述卷积滤波器的对来训练所述CNN。

7.如权利要求1所述的设备，其特征在于，所述一个或多个图形处理器与公共半导体封装上的一个或多个应用处理器共同定位。

8.一种用于促进机器学习环境中的智能卷积的方法，所述方法包括：

通过计算设备的一个或多个处理器，检测卷积神经网络(CNN)的低层；

在储存库处生成权重文件的库，其中，所述权重文件包括与所述CNN的所述低层相关联的权重；

对所述权重进行预训练，以检测包含在于所述CNN处正被处理的输入图像中的基元几何形状；以及

基于预训练的权重启动对所述CNN的训练。

9.如权利要求8所述的方法，其特征在于，进一步包括使用对滤波器的训练来生成所述权重，其中使用视觉工具来分析所述权重，其中，所述滤波器包括3x3滤波器和5x5滤波器中的至少一者。

10.如权利要求8所述的方法，其特征在于，进一步包括，基于所述基元几何形状将所述权重存储在箱中。

11.如权利要求8所述的方法，其特征在于，进一步包括在训练所述CNN之前，基于从所述箱获得的值初始化所述预训练权重，其中，由用户使用所述视觉工具来标识所述箱。

12.如权利要求8所述的方法，其特征在于，进一步包括将低层卷积滤波器分离成卷积滤波器的对，其中，所述低层卷积滤波器包括二维(2D)卷积滤波器，并且其中所述卷积滤波器的对包括一维(1D)卷积滤波器的对。

13.如权利要求8所述的方法，其特征在于，进一步包括基于所述卷积滤波器的对来训练所述CNN。

14.如权利要求8所述的方法，其特征在于，所述一个或多个处理器包括一个或多个图形处理器，所述图形处理器与公共半导体封装上的一个或多个应用处理器共同定位。

15.至少一种机器可读介质，包括多个指令，所述指令在计算设备上执行时，用于实现或执行如权利要求8-14中任一项所述的方法。