[发明专利]用于深度神经网络的执行方法、执行装置、学习方法、学习装置以及记录介质有效
| 申请号： | 201880034647.2 | 申请日： | 2018-08-30 |
| 公开（公告）号： | CN110663048B | 公开（公告）日： | 2023-10-24 |
| 发明（设计）人： | D·A·古多夫斯基;L·里加齐奥 | 申请（专利权）人： | 松下电器(美国)知识产权公司 |
| 主分类号： | G06N3/02 | 分类号： | G06N3/02;G06N3/06;G06N3/084;G06N3/0464 |
| 代理公司： | 永新专利商标代理有限公司 72002 | 代理人： | 陈珊 |
| 地址： | 美国加*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 通过以下步骤执行深度神经网络：在深度神经网络推理期间，通过使用第一变换模块将浮点或定点中间特征映射转换为二进制向量，从而获得呈二进制表征的二进制中间特征映射(S210，S215)；通过使用非线性降维层压缩二进制中间特征映射来生成压缩特征映射(S220)；将压缩特征映射存储到存储器中；通过使用与非线性降维层相对应的重建层对从存储器读取的压缩特征映射进行解压缩来重建二进制中间特征映射(S240)；并使用第二变换模块将重建后的二进制中间特征映射转换为浮点或定点中间特征映射(S245，S250)。 | ||
| 搜索关键词： | 用于 深度 神经网络 执行 方法 装置 学习方法 学习 以及 记录 介质 | ||
【主权项】：
1.一种用于深度神经网络的执行方法，所述执行方法包括：/n在深度神经网络推理期间，通过使用第一变换模块将浮点或定点中间特征映射转换为二进制向量来获得呈二进制表征的二进制中间特征映射；/n通过使用非线性降维层来压缩所述二进制中间特征映射来生成压缩特征映射；/n将所述压缩特征映射存储到存储器中；/n通过使用与所述非线性降维层相对应的重建层对从所述存储器读取的所述压缩特征映射进行解压缩来重建所述二进制中间特征映射；以及/n使用第二变换模块将重建后的二进制中间特征映射转换为浮点或定点中间特征映射。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于松下电器(美国)知识产权公司，未经松下电器(美国)知识产权公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201880034647.2/，转载请声明来源钻瓜专利网。
- 上一篇：安全卷积神经网络(CNN)加速器
- 下一篇：神经网络优化器搜索
