[发明专利]针对在硬件上的高效实施来训练神经网络

权利要求书

1.一种用于训练人工神经网络KNN（1）的方法（100），所述人工神经网络KNN（1）包括多个神经元（2），所述方法（100）具有步骤：

• 确定（110）针对所述KNN（1）和/或所述KNN（1）的子区域在过去的时段之内总共已实现的质量（11）的度量；

• 依据针对一个或者多个神经元（2）对所确定的质量（11）的相应定量贡献（21）的度量，评价（120）所述一个或者多个神经元（2）；

• 依据所述神经元（2）的所述评价（120a），规定（130）用来在所述训练的进一步的进程中分别训练被评价的神经元（2）的措施（22），和/或规定（130）所述神经元（2）在所述KNN（1）中的位值（23）。

2.根据权利要求1所述的方法（100），其中，针对所述质量的所述度量包括针对所述KNN（1）的训练进展的度量、针对所述KNN（1）的一层或者另外的子区域的所述神经元的利用率的度量和/或针对所述KNN（1）的所述神经元总共的利用率的度量。

3.根据权利要求1至2中任一项所述的方法（100），其中，针对所述质量（11）的所述度量被看作对各个神经元（2）的定量贡献（21）的经加权的或者未经加权的总和。

4.根据权利要求1至3中任一项所述的方法（100），其中，在所述过去的时段期间，成本函数的改变进入（111）到针对所述质量（11）的所述度量中，所述KNN（1）的所述训练对准到所述成本函数的优化。

5.根据权利要求1至4中任一项所述的方法（100），其中，神经元（2）对所述质量（11）的定量贡献（21）的提供在时间上过去得越短，所述贡献（21）就越高地被加权（121）。

6.根据权利要求1至5中任一项所述的方法（100），其中，分配给所述KNN（1）中的神经元（2）的权重在至少一个训练步骤中被改变的量利用乘积因子被放大（131），所述乘积因子针对具有较高定量贡献（21）的神经元（2）比针对具有较低定量贡献（21）的神经元（2）更低。

7.根据权利要求1至6中任一项所述的方法（100），其中，神经元（2）在所述训练期间以如下概率暂时被停用（132）：所述概率对于具有较高定量贡献（21）的神经元（2）比对于具有较低定量贡献（21）的神经元（2）更高。

8.根据权利要求1至7中任一项所述的方法（100），其中，所述过去的时段包括所述训练的至少一个时期。

9.根据权利要求1至8中任一项所述的方法（100），其中，与具有较低定量贡献（21）的神经元（2）相比，给具有较高定量贡献（21）的神经元（2）分配（133）在所述KNN（1）中的更高的位值。

10.根据权利要求9所述的方法（100），其中，在所述KNN（1）中停用（133a）如下神经元（2）：所述神经元（2）的定量贡献（21）满足预先给定的标准。

11.根据权利要求9至10中任一项所述的方法（100），其中，在所述KNN（1）中停用（133b）在如下神经元（2）之间的连接（25）：所述神经元（2）的权重满足预先给定的标准。

12.根据权利要求9至11中任一项所述的方法（100），其中，通过使具有所述最低定量贡献（21）的神经元（2）停用（133c），在所述KNN（1）中和/或在所述KNN（1）的子区中被停用的所述神经元（2）的数目从第一数目被减小到预先给定的第二数目。