[发明专利]用于运行人工神经网络的方法

说明书

提供一种用于运行人工神经网络(10)的方法，所述人工神经网络具有至少一个卷积层(12a‑c)，其设置为用于，基于卷积运算和移位运算将卷积层(12a‑c)的输入矩阵(I)转化为输出矩阵(A)。所述方法具有：基于输入矩阵(I)的录入项和/或基于训练数据组求取至少一个第一归一化参量和第二归一化参量；基于原始过滤矩阵(f)并且基于所求取的第一归一化参量和第二归一化参量中的至少一个求取修改后的过滤矩阵(/)；基于原始移位矩阵(b)并且基于所求取的第一归一化参量和第二归一化参量中的至少一个求取修改后的移位矩阵(5)。所述方法还具有：通过应用修改后的过滤矩阵(/)和修改后的移位矩阵(5)将所述输入矩阵(I)转化为所述输出矩阵(A)。由此可以有利地将归一化运算与卷积运算以及移位运算相结合。

技术领域

本发明一般性地涉及人工智能领域。本发明尤其涉及一种用于运行人工神经网络的方法以及一种人工神经网络，该人工神经网络例如可以用于车辆中的对象识别。

背景技术

为了训练人工神经网络，尤其是多层的和/或卷积的神经网络，通常对提供给神经网络的训练数据(例如训练图像)进行归一化和/或标准化。这还可以用于使训练数据组的训练数据均匀化。通过标准化在某些情况下也可以突出和/或强调在训练数据中存在的对象和/或特征。

在训练神经网络之后和/或在已训练的神经网络的运行期间(这通常也被称为推理)，通常对提供给神经网络的用于解读和/或分类的输入数据类似于训练数据地进行归一化和/或标准化。在此，输入数据的归一化可能是计算密集的和/或耗时的并且需要功能强大的硬件来执行。

发明内容

借助本发明的实施方式可以以有利的方式提供一种用于运行人工神经网络的有效且快速的方法。借助本发明的实施方式还可以提供改善的人工神经网络。

本发明的一方面涉及一种用于运行人工神经网络的方法。该人工神经网络具有至少一个卷积层和/或至少一个卷积的层，所述卷积层和/或卷积的层设置为用于，基于卷积运算和移位运算、例如线性移位，将卷积层的输入矩阵转化为输出矩阵。在此，该方法具有以下步骤：基于神经网络的输入矩阵的录入项和/或基于神经网络的训练数据组求取至少一个第一归一化参量和第二归一化参量。该方法的特点尤其在于以下步骤：

基于所述至少一个卷积层的原始过滤矩阵并且基于所求取的第一归一化参量和第二归一化参量中的至少一个求取修改后的过滤矩阵；

基于所述至少一个卷积层的原始移位矩阵并且基于所求取的第一归一化参量和第二归一化参量中的至少一个求取修改后的移位矩阵；

应用和/或基于修改后的过滤矩阵和修改后的移位矩阵，将输入矩阵转化为输出矩阵。

该方法可以表示用于训练神经网络的方法和/或用于运行已训练的神经网络的方法。神经网络例如可以表示可以具有多个卷积层的多层人工神经网络。替代地或附加地，神经网络可以表示卷积的神经网络。神经网络例如可以具有彼此相继的多个卷积层，例如隐藏层。在本公开的上下文中，至少一个卷积层例如可以表示神经网络的输入层和/或第一层、处于输入层下游的卷积层和/或神经网络的隐藏层。

输入矩阵可以一般地表示至少一个卷积层的任意输入数据元素。如果神经网络具有多个卷积层，则输入矩阵可以表示用于这些卷积层中的每个任意卷积层的输入数据元素。对于神经网络的输入层和/或第一层，输入矩阵可以表示提供给神经网络的输入数据元素，例如输入图像。对于处于输入层下游的卷积层，输入矩阵还可以表示提供给该卷积层的输入数据元素，该输入数据元素例如可以与上游卷积层的输出矩阵相关和/或可以相当于该输出矩阵。输入矩阵还可以具有任意维度。输入矩阵尤其可以是一维的或多维的。换句话说，输入矩阵可以表示一维的或多维的输入张量。