[发明专利]在模型转换期间跟踪轴

说明书

用于人工神经网络的将源框架的第一操作映射到目标框架的第二操作的方法包括：确定当前源轴次序与当前目标轴次序之间的对齐。该方法还包括：基于该对齐以及第一操作的预期源轴次序和/或第二操作的预期目标轴次序来设置当前目标轴次序。

相关申请的交叉引用

本申请要求于2017年3月28日提交且题为“TRACKING AXES DURING MODELCONVERSION(在模型转换期间跟踪轴)”的美国临时专利申请No.62/477,918的权益，其公开内容通过援引全部明确纳入于此。

背景

技术领域

本公开的某些方面一般涉及机器学习，尤其涉及改进在模型转换期间跟踪轴的系统和方法。

背景技术

可包括一群互连的人工神经元(例如，神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。

卷积神经网络是一种前馈人工神经网络。卷积神经网络可包括神经元集合，其中每一个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(CNN)具有众多应用。具体而言，CNN已经在模式识别和分类领域中被广泛使用。

深度学习架构(诸如深度置信网络和深度卷积网络)是分层神经网络架构，其中第一层神经元的输出变成第二层神经元的输入，第二层神经元的输出变成第三层神经元的输入，依此类推。深度神经网络可被训练以识别特征阶层并且因此它们已被越来越多地用于对象识别应用。类似于卷积神经网络，这些深度学习架构中的计算可分布在处理节点群体上，其可被配置在一个或多个计算链中。这些多层架构可每次训练一层并可使用后向传播微调。

训练框架可被用于训练深度学习模型。经训练的深度学习模型可以在不同的推断引擎(诸如骁龙神经处理引擎(SNPE)库和其他框架/推断引擎，诸如Caffe、Torch或TensorFlow)上被执行。即，深度学习模型可以使用一个框架来训练，并且可以在不同的框架上被执行。在此类模型在不同的框架上被执行之前，这些模型可能经受用于从源框架到目标框架的映射操作(诸如卷积、池化或级联)的转换过程。这些操作可以接收多维输入并生成多维输出。

每个特定框架/推断引擎执行各种操作，其中按指定的轴次序(axis order)接收输入并且按固定的轴次序产生输出。指定的轴次序可能逐框架而有所不同。附加地，一框架的指定轴与其他框架相比可包括更多或更少的维度。框架之间的转换可能具有挑战性并导致计算错误。即，从一个框架到下一个框架的映射可能具有挑战性，并且在复杂模型采用轴操纵操作(诸如置换、重塑和压平)时可能会加剧。期望提供改进的映射过程(例如，转换过程)。

概述

在本公开的一个方面，公开了一种用于人工神经网络的将源框架的第一操作映射到目标框架的第二操作的方法。该方法包括：确定当前源轴次序与当前目标轴次序之间的对齐。该方法还包括：基于该对齐以及第一操作的预期源轴次序和/或第二操作的预期目标轴次序来设置当前目标轴次序。

本公开的另一方面涉及一种设备，该设备包括用于确定当前源轴次序与当前目标轴次序之间的对齐的装置。该设备还包括：用于基于该对齐以及第一操作的预期源轴次序和/或第二操作的预期目标轴次序来设置当前目标轴次序的装置。

在本公开的另一方面，公开了一种其上记录有非瞬态程序代码的非瞬态计算机可读介质。用于人工神经网络的将源框架的第一操作映射到目标框架的第二操作的程序代码由处理器执行，并且包括用于确定当前源轴次序与当前目标轴次序之间的对齐的程序代码。该程序代码还包括：用于基于该对齐以及第一操作的预期源轴次序和/或第二操作的预期目标轴次序来设置当前目标轴次序的程序代码。