[发明专利]用于操作机器学习的电子装置和用于操作机器学习的方法

说明书

提供了一种用于执行机器学习的电子装置、一种机器学习方法、以及一种非暂时性计算机可读记录介质。该电子装置包括：运算模块，被配置为包括以预定模式排列的多个处理元素，并且在彼此相邻的多个处理元素之间共享数据以执行运算；以及处理器，被配置为控制运算模块通过对输入数据应用滤波器来执行卷积运算，其中，处理器控制运算模块通过以预定次序将配置二维滤波器的多个元素中的每一个输入到多个处理元素并将多个元素顺序地应用于输入数据来执行卷积运算。

技术领域

本公开涉及一种用于执行机器学习的电子装置和执行机器学习的方法，更具体地，涉及根据机器学习中使用的神经网络执行运算的方法。

背景技术

作为人工智能的一个领域的机器学习是指研究和构建用于收集和分析大规模大数据、预测未来、提高性能的系统以及用于这样的系统的算法的技术。

随着硬件技术的进步，由于近来收集和存储大数据变得可能、并且分析大数据的计算机能力和技术变得更加复杂和更加快速，因此积极开展了对包括能够像人类一样识别对象和理解信息的算法的机器学习的研究。特别地，在机器学习领域，积极开展了对使用神经网络的自主学习方法的深度学习的研究。

神经网络是一种算法，该算法基于主动模拟人类大脑功能的意图，通过激活函数将被乘以多个输入的权重之和与某个边界值进行比较来确定最终输出，并且通常包括多个层。神经网络的代表性示例包括广泛用于图像识别的卷积神经网络(convolutionalneural network，CNN)和广泛用于语音识别的递归神经网络(recurrent neural network，RNN)。

发明内容

技术问题

然而，由于二维卷积运算基本上是在传统CNN中执行的，因此存在一个问题，即由于发生了通过卷积运算中使用的滤波器的稀疏性的不必要的运算而在运算速度和存储器的使用方面效率不高。此外，还存在一个问题，即需要单独的处理元素(processingelement，PE)结构，因为发送每个数据的PE的路径根据CNN和RNN而不同。

技术方案

根据本公开的一方面，提供了一种电子装置，该电子装置提供了一种集成的PE结构，该结构同时支持用于在执行通过CNN和RNN的运算时提高通过CNN和RNN的运算效率和运算的卷积运算方法、以及用于执行机器学习的方法。

根据本公开的一方面，提供了一种用于执行机器学习的电子装置。该电子装置包括：运算模块，被配置为包括以预定模式(pattern)排列的多个处理元素，并且在彼此相邻的多个处理元素之间共享数据以执行运算；以及处理器，被配置为控制运算模块通过对输入数据应用滤波器来执行卷积运算，其中，处理器控制运算模块通过以预定次序将配置二维滤波器的多个元素中的每一个输入到多个处理元素并将多个元素顺序地应用于输入数据来执行卷积运算。

根据本公开的另一方面，提供了一种使用运算模块执行机器学习的方法，该运算模块被配置为包括以预定模式排列的多个处理元素，并且在彼此相邻的处理元素之间共享数据以执行运算。该方法包括接收输入数据；以及通过对输入数据应用滤波器来执行卷积运算，其中，卷积运算是通过以预定次序将配置二维滤波器的多个元素中的每一个输入到多个处理元素并将多个元素顺序地应用于输入数据来执行的。

根据本公开的另一方面，提供了一种其上存储有程序的非暂时性计算机可读记录介质，该程序用于使用运算模块来执行机器学习，该运算模块被配置为包括以预定模式排列的多个处理元素，并且在彼此相邻的处理元素之间共享数据以执行运算。该程序包括接收输入数据；以及通过对输入数据应用滤波器来执行卷积运算，其中，卷积运算是通过以预定次序将配置二维滤波器的多个元素中的每一个输入到多个处理元素并将多个元素顺序地应用于输入数据来执行的。

发明的有益效果

根据上述本公开的各种示例性实施例，可以提高在根据CNN和RNN进行运算时的运算速度和效率。