[发明专利]用于自主机器的机器学习中的即时深度学习

权利要求书

1.一种计算设备上的数据处理系统，所述数据处理系统包括：

一个或多个存储设备，包括图形执行环境，所述图形执行环境包括用于提供深度学习框架以经由所述计算设备的一个或多个通用图形处理器来加速深度学习操作的指令，所述深度学习框架使所述一个或多个通用图形处理器执行包括以下的操作：

经由所述框架提取由第一深度神经网络(DNN)模型学习的特征，其中，所述第一DNN模型是针对计算机视觉的预先训练的DNN模型，用于实现输入视频帧内对象的与上下文无关的分类；以及

经由所述深度学习框架，基于所提取的特征来训练针对计算机视觉的第二DNN模型，所述第二DNN模型是所述第一DNN模型的更新，其中，训练所述第二DNN模型包括基于包括与上下文相关的数据的数据集来训练所述第二DNN模型。

2.根据权利要求1所述的数据处理系统，其中，所述深度学习框架使所述通用图形处理器执行操作以将所述第一DNN模型与所述第二DNN模型合并为联合模型。

3.根据权利要求2所述的数据处理系统，其中，所述深度学习框架使所述通用图形处理器执行对所述联合模型的一个或多个参数的联合模型调谐。

4.根据权利要求1所述的数据处理系统，其中，所述深度学习框架用于提供机器学习基元的库，所述机器学习基元经由由所述一个或多个通用图形处理器执行的指令来加速。

5.根据权利要求4所述的数据处理系统，其中，所述机器学习基元的库包括用于执行张量卷积、至少一个激活函数和池化操作的基元。

6.根据权利要求4所述的数据处理系统，其中，所述机器学习基元的库包括用于实现基本线性代数子程序的基元。

7.根据权利要求1所述的数据处理系统，其中，所述图形执行环境是虚拟化环境。

8.根据权利要求7所述的数据处理系统，其中，所述一个或多个通用图形处理器能够配置为分区，并且所述图形执行环境由所述通用图形处理器的一个或多个分区作为虚拟化环境执行。

9.根据权利要求1所述的数据处理系统，还包括：

网络接口，用于实现与外部系统的通信，所述外部系统包括一个或多个通用图形处理器；以及

其中，经由所述深度学习框架训练针对计算机视觉的所述第二DNN模型包括与所述外部系统上的所述深度学习框架的实例进行接合，以及经由所述外部系统的所述一个或多个通用图形处理器来训练所述第二DNN模型。

10.根据权利要求9所述的数据处理系统，其中，训练所述第二DNN模型包括训练所述第二DNN模型以执行针对自主导航的计算机视觉操作。

11.根据权利要求1至10中的任一项所述的数据处理系统，其中，所述一个或多个通用图形处理器包括多个通用图形处理器，所述多个通用图形处理器经由在所述多个通用图形处理器之间的对等链路来互连。

12.一种方法，包括：

由数据处理系统的一个或多个通用图形处理器提取由第一深度神经网络(DNN)模型学习的特征，其中，所述第一DNN模型是针对计算机视觉的预先训练的DNN模型，用于实现输入视频帧内对象的与上下文无关的分类，由所述通用处理器执行以提取所述特征的指令是经由深度学习框架提供的，所述深度学习框架是由服务器计算设备上的图形执行环境提供的，并且所述深度学习框架提供用于加速深度学习操作的指令；以及

经由所述深度学习框架，基于所提取的特征来训练针对计算机视觉的第二DNN模型，所述第二DNN模型是所述第一DNN模型的更新，其中，训练所述第二DNN模型包括基于包括与上下文相关的数据的数据集来训练所述第二DNN模型。