[发明专利]机器学习系统、机器学习方法及其非暂态电脑可读媒体

权利要求书

1.一种机器学习系统，其特征在于，包含：

一存储器，存储至少一指令；以及

一处理器，通信耦接于该存储器，其中该处理器用以存取并执行该至少一指令以：

输入一原始数据至一神经网络的一第一分区，其中该第一分区至少包含该神经网络当中的一激励函数层，该激励函数用以转换该原始数据为非可逆的一元数据，其中该元数据被用以传输至该神经网络的一第二分区以产生对应于该原始数据的一学习结果，

该激励函数为一阶层式非线性函数，且依据一分割数量该阶层式非线性函数的一定义域被分割为多个区间，该些区间各自于该阶层式非线性函数的一值域中对应一固定数值，该分割数量介于一第一数值与一第二数值间。

2.如权利要求1所述的机器学习系统，其特征在于，还包含：

一服务器，通信耦接于该处理器，其中该服务器用以接收该元数据，并将该元数据输入至该神经网络中接续于该第一分区的该第二分区以产生该学习结果。

3.如权利要求1所述的机器学习系统，其特征在于，该激励函数为该神经网络中次序为首的非线性激励函数。

4.如权利要求1所述的机器学习系统，其特征在于，该激励函数对应于一切分值，该切分值与该些区间的一数量具有一比值，该激励函数将比较一输入值以及该切分值以取得一比较结果，该激励函数依据该比值、该比较结果与该输入值产生该元数据。

5.如权利要求1所述的机器学习系统，其特征在于，该分割数量的大小对应于该原始数据的内容复杂度。

6.如权利要求1所述的机器学习系统，其特征在于，该第一分区包含一卷积层。

7.如权利要求1所述的机器学习系统，其特征在于，该第二分区包含一卷积层、一池化层以及一全连接层中的至少一者。

8.一种机器学习方法，由一处理器所执行，其特征在于，该机器学习方法包含：

输入一原始数据至一神经网络的一第一分区，其中该第一分区至少包含该神经网络当中的一激励函数，该激励函数用以转换该原始数据为非可逆的一元数据，其中该元数据被用以传输至该神经网络的一第二分区以产生对应于该原始数据的一学习结果，

该激励函数为一阶层式非线性函数，且依据一分割数量该阶层式非线性函数的一定义域被分割为多个区间，该些区间各自于该阶层式非线性函数的一值域中对应一固定数值，该分割数量介于一第一数值与一第二数值间。

9.如权利要求8所述的机器学习方法，其特征在于，还包含：

传输该元数据至一服务器；以及

该服务器接收该元数据，并将该元数据输入至该神经网络中接续于该第一分区的该第二分区以产生该学习结果。

10.如权利要求8所述的机器学习方法，其特征在于，该激励函数为该神经网络中次序为首的非线性激励函数。

11.如权利要求8所述的机器学习方法，其特征在于，该激励函数对应于一切分值，该切分值与该些区间的一数量具有一比值，该激励函数将比较一输入值以及该切分值以取得一比较结果，该激励函数依据该比值、该比较结果与该输入值产生该元数据。

12.如权利要求8所述的机器学习方法，其特征在于，该分割数量的大小对应于该原始数据的内容复杂度。

13.如权利要求8所述的机器学习方法，其特征在于，该第一分区还包含一卷积层。

14.如权利要求8所述的机器学习方法，其特征在于，该第二分区包含一卷积层、一池化层以及一全连接层中的至少一者。