[发明专利]执行解卷积的神经网络的方法和装置

说明书

一种被配置为执行解卷积操作的神经网络装置，包括：存储器，被配置为存储第一内核；以及处理器，被配置为：从所述存储器获取所述第一内核；通过调整包括在所述第一内核中的矩阵元素的排列来计算第二内核；通过划分第二内核来生成子内核；使用卷积运算符来执行输入特征映射与子内核之间的卷积操作；并且通过合并卷积操作的结果来生成输出特征映射作为输入特征映射的解卷积。

相关申请的交叉引用

本申请要求于2017年11月7日在韩国知识产权局提交的韩国专利申请No.10-2017-0147617的权益，该申请的公开内容通过引用全部并入本文中。

技术领域

本公开涉及具有执行解卷积的神经网络的方法和装置。

背景技术

特征提取、模式识别和/或分析的技术自动化(仅作为示例)已经通过处理器实现的神经网络模型实现为专业化计算架构，其在实质性训练之后可以提供计算上直观的特征提取或识别、输入模式与输出模式之间的映射、输入模式的模式识别或各种形式的分类。提取这种信息或识别、生成这样的映射、执行这样的模式识别或执行这样的分类的训练的能力可以称为神经网络的学习能力。这种训练的能力还可以使专业化计算架构能够将输入模式或对象、或输入模式或对象的部分例如分类为属于一个或多个预定组的成员。此外，由于专门的训练，例如这种特殊训练的神经网络因此可以具有生成关于输入模式的相对准确或可靠的输出的泛化能力，而这可能是神经网络尚未被训练的。然而，由于这些操作是通过这样的专业化计算架构执行的，并且采用与以非计算机实现或非自动化方法执行这些操作不同的自动化方式，因此这些操作也会引起问题或缺陷，这些问题或缺点仅因为其正在实施自动化和专业化计算架构方式而出现。

因此，被配置为处理这种神经网络的装置需要针对复杂的输入数据执行大量的操作，这可能需要大功率消耗并且需要长的处理时间。

发明内容

提供了本发明内容以介绍下面在具体实施方式中进一步描述的对简化形式的理念的选择。本发明内容不意在确认所请求保护的主题的关键特征或基本特征，也不意在用作帮助确定所请求保护的主题的范围。

在一个总体方面，提供了一种装置，该装置包括：存储器，被配置为存储第一内核；以及处理器，被配置为：从存储器获取第一内核；通过调整包括在第一内核中的矩阵元素的排列来计算第二内核；通过划分第二内核来生成子内核；使用卷积运算符来执行输入特征映射与子内核之间的卷积操作；并且通过合并卷积操作的结果来生成输出特征映射作为输入特征映射的解卷积。

处理器还可以被配置为：从存储器中获取步幅的信息，并且通过基于步幅的信息划分第二内核来生成子内核。

处理器可以进一步被配置为将第二内核划分为子内核，并且子内核的数目对应于通过将步幅的值平方而获得的值。

处理器还可以被配置为：通过执行转置操作来调整包括在第一内核中的矩阵元素的排列，并且通过执行分割操作来划分第二内核。

包括在每个相应的子内核中的矩阵元素对应于按步幅的值分开的包括在第二内核中的矩阵元素。

处理器可以被配置为使用卷积运算符在神经网络的解卷积层中执行卷积操作，其中，神经网络还可以包括卷积层和完全连接层，卷积层使用卷积运算符来执行对应的卷积操作。

处理器可以进一步被配置为使用卷积运算符来实施对应的卷积操作以用于生成输入特征映射。

处理器还可以被配置为：通过将子内核中的每一个相对于输入特征映射移位来执行子内核与输入特征映射之间的卷积操作，并行地处理子内核，并且通过合并子内核的并行处理的结果来生成输出特征映射。