[发明专利]运算装置在审
申请号: | 201980088624.4 | 申请日: | 2019-10-11 |
公开(公告)号: | CN113366509A | 公开(公告)日: | 2021-09-07 |
发明(设计)人: | 村田大智 | 申请(专利权)人: | 日立安斯泰莫株式会社 |
主分类号: | G06N3/08 | 分类号: | G06N3/08;G06N3/04 |
代理公司: | 上海华诚知识产权代理有限公司 31300 | 代理人: | 肖华 |
地址: | 日本*** | 国省代码: | 暂无信息 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 运算 装置 | ||
本发明提供了一种具有使用输入数据和权重系数来进行运算的神经网络的运算装置,该运算装置具有:网络解析部,其基于输入数据计算神经网络的神经元的点火状态;以及缩减部,其基于所述神经元的点火状态,从设置了神经网络的缩减率的多个缩减模式中限定缩减模式的候选,基于所限定的候选缩减模式的候选实行神经网络的缩减,生成缩减后的神经网络。
参照引用
本申请主张平成31年(2019年)1月31日提交的日本专利申请即特愿2019-016217的优先权,通过参照其内容而纳入本申请。
技术领域
本发明涉及一种利用神经网络的运算装置。
背景技术
作为自动地进行物体的识别、行动的预测的技术,已知有使用了DNN(Deep NeuralNetwork)的机器学习。在将DNN应用于自动驾驶车辆的情况下,需要考虑车载装置的运算能力来削减DNN的运算量。作为减少DNN的运算量的技术,例如有专利文献1。
在专利文献1中公开了如下技术:使神经网络的权重系数的阈值变化,决定即将发生识别精度的大幅度劣化之前的阈值,剪枝识别精度的绝对值比该阈值小的神经元,缩减DNN。
现有技术文献
专利文献
专利文献1:美国专利申请公开第2018/0096249号说明书
发明内容
发明要解决的问题
但是,在上述现有技术中,有如下问题:由于通过反复再学习和推理来实施DNN的缩减(或最优化),所以在应用于如自动驾驶车辆用的DNN那样大规模的神经网络的情况下,存在搜索对象的组合变得庞大,到处理完成为止需要庞大的时间。
另外,在上述现有技术中,由于通过权重系数实施神经网络的缩减,因此存在难以根据适用目标的应用实施缩减的问题。
因此,本发明是鉴于上述问题而完成的,其目的在于削减缩减时的运算量而在短时间内完成处理。
解决问题的技术手段
本发明为一种具有使用输入数据和权重系数进行运算的神经网络的运算装置,该运算装置包括:网络分析部,其基于上述输入数据计算上述神经网络的神经元的点火状态;以及缩减部,其基于上述神经元的点火状态,从被设置了上述神经网络的缩减率的多个缩减模式中限定缩减模式的候选,并且基于所限定的上述缩减模式的候选实行上述神经网络的缩减,生成缩减后的神经网络。
发明的效果
因此,本发明能够基于神经元的点火状态实行缩减,因此能够削减缩减时的运算量而在短时间内完成缩减处理。另外,能够生成与适用目标的应用(或装置)对应的神经网络(DNN)。
本说明书中公开的主题的至少一个实施例的详情将在附图和以下描述中进行描述。所公开的主题的其它特征、方式和效果将通过以下公开、附图和权利要求来阐明。
附图说明
图1表示本发明的实施例1,是表示DNN缩减自动化装置的一例的框图。
图2表示本发明的实施例1,是表示在DNN缩减自动化装置中进行的处理的一例的图。
图3表示本发明的实施例1,是表示缩减模式、缩减率和对识别精度的灵敏度的关系的图。
图4表示本发明的实施例1,是表示设计期间与缩减率的关系的图表。
图5表示本发明的实施例2,是表示将DNN缩减自动化装置搭载在车辆上的例子的车辆控制系统的框图。
图6表示本发明的实施例3,是表示在DNN缩减自动化装置中进行的处理的一例的图。
图7表示本发明的实施例4,是表示在DNN缩减自动化装置中进行的处理的一例的图。
具体实施方式
以下,根据附图说明本发明的实施方式。
实施例1
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于日立安斯泰莫株式会社,未经日立安斯泰莫株式会社许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201980088624.4/2.html,转载请声明来源钻瓜专利网。
- 上一篇:用于增材制造的热过滤的设备、系统和方法
- 下一篇:飞轮布置