[发明专利]用于通过神经网络处理数据的方法和设备

说明书

本公开的各实施例涉及用于通过神经网络处理数据的方法和设备。一种方法，可以被用于通过卷积神经网络处理初始数据集合，该卷积神经网络包括跟随有池化层的卷积层。初始集沿着正交的第一方向和第二方向而被存储在初始存储器中。方法包括由卷积层使用第一滑动窗口，沿着第一方向，执行对初始数据集合的第一过滤。第一窗口的每次滑动产生第一数据集合。方法还包括由池化层使用第二滑动窗口，沿着第二方向，执行对第一数据集合的第二过滤。

相关申请的交叉引用

本申请要求于2018年12月05日提交的法国专利申请号 1872330的优先权，该申请通过引用并入本文。

技术领域

实施例涉及用于通过神经网络处理数据的方法和设备。

背景技术

大量使用神经网络来解决各种统计问题，尤其是数据分类问 题。

在通常受监督的自动学习阶段之后，也就是说，在已经分类的 基准数据库上，神经网络“学习”并且自身变得有能力来将相同的 分类应用于未知数据。

卷积神经网络(或CNN)是神经网络的类型，其中神经元之 间的连接模式受到动物视觉皮层的启发。卷积神经网络允许有效识 别图像或视频中的物体或人物。

卷积神经网络通常包含相继地处理信息的层的四种类型：

卷积层，该卷积层例如依次地处理图像的块；

非线性层，该非线性层使得可以改善结果的相关性；

池化层，该池化层使得可以将多个神经元组合为单个神经元；

完全连接层(或密集层)，该完全连接层将层的所有神经元链接 到之前层的所有神经元。

每个层将数据作为输入，并在由该层处理之后将输出数据(“特 征”)作为输出递送。

卷积层通常对应于之前层的输出和该层的权重之间的标量积 的集合。卷积层通常构成卷积神经网络的第一层。

作为其含义在神经网络领域中为本领域技术人员所公知的术 语，“权重”意指可以被配置为获取良好输出数据的神经元的参数。

卷积层的目的是标记在作为输入接收的图像中特定数据集合 的存在。相应地，卷积过滤被执行。原理是滑动表示要被检测的数 据的窗口，并且是计算该窗口与所扫描的图像的每个部分之间的卷 积积。

过滤窗口通过术语“卷积核”被本领域技术人员公知，并且处 于矩阵的形式，例如3×3权重的核。

针对每个卷积积，获得指示特定数据在图像上的位置的输出数 据。

池化层通常被放置在两个卷积层之间。池化层接收卷积层的输 出数据作为输入，对卷积层应用“池化”操作，其包括在保留其重 要特性的同时减小数据的大小。这使得减少网络中参数和计算的数 目成为可能。因此，网络的效率得以提高。

最常见的形式是利用处于矩阵形式(例如2×2矩阵)的过滤窗 口进行池化的层。

完全连接层构成了卷积或非卷积神经网络的最后的层。它这使 得对神经网络的输入数据进行分类成为可能。

神经网络的通常架构堆叠了几对卷积层和非线性层，并且然后 添加池化层并且重复这种方案，直到获取足够小尺寸的输出数据为 止，并且然后以一个或多个完全连接层结束。

如今，神经网络变得更加复杂，并且需要大量的计算功率。

每秒指令是衡量系统(例如，微处理器)性能的单位。神经网 络的配置越复杂，由系统每秒执行的指令的数目减少的越多。

发明内容