[發明專利]用于操作機器學習的電子裝置和用于操作機器學習的方法

在審

• 申請號: 201880019678.0
• 申請日: 2018-03-07
• 公開（公告）號: CN110494867A
• 公開（公告）日: 2019-11-22
• 發明（設計）人: 金慶勛;樸永煥;權起奭;金碩鎮;林采石;趙韓秀;韓相福;李承遠;尹江鎮
• 申請（專利權）人: 三星電子株式會社
• 主分類號: G06N3/04
• 分類號: G06N3/04
• 代理公司: 11105 北京市柳沈律師事務所
• 代理人: 錢大勇<國際申請>=PCT/KR2018

提供了一種用于執行機器學習的電子裝置、一種機器學習方法、以及一種非暫時性計算機可讀記錄介質。該電子裝置包括：運算模塊，被配置為包括以預定模式排列的多個處理元素，并且在彼此相鄰的多個處理元素之間共享數據以執行運算；以及處理器，被配置為控制運算模塊通過對輸入數據應用濾波器來執行卷積運算，其中，處理器控制運算模塊通過以預定次序將配置二維濾波器的多個元素中的每一個輸入到多個處理元素并將多個元素順序地應用于輸入數據來執行卷積運算。

技術領域

本公開涉及一種用于執行機器學習的電子裝置和執行機器學習的方法，更具體地，涉及根據機器學習中使用的神經網絡執行運算的方法。

背景技術

作為人工智能的一個領域的機器學習是指研究和構建用于收集和分析大規模大數據、預測未來、提高性能的系統以及用于這樣的系統的算法的技術。

隨著硬件技術的進步，由于近來收集和存儲大數據變得可能、并且分析大數據的計算機能力和技術變得更加復雜和更加快速，因此積極開展了對包括能夠像人類一樣識別對象和理解信息的算法的機器學習的研究。特別地，在機器學習領域，積極開展了對使用神經網絡的自主學習方法的深度學習的研究。

神經網絡是一種算法，該算法基于主動模擬人類大腦功能的意圖，通過激活函數將被乘以多個輸入的權重之和與某個邊界值進行比較來確定最終輸出，并且通常包括多個層。神經網絡的代表性示例包括廣泛用于圖像識別的卷積神經網絡(convolutionalneural network，CNN)和廣泛用于語音識別的遞歸神經網絡(recurrent neural network，RNN)。

發明內容

技術問題

然而，由于二維卷積運算基本上是在傳統CNN中執行的，因此存在一個問題，即由于發生了通過卷積運算中使用的濾波器的稀疏性的不必要的運算而在運算速度和存儲器的使用方面效率不高。此外，還存在一個問題，即需要單獨的處理元素(processingelement，PE)結構，因為發送每個數據的PE的路徑根據CNN和RNN而不同。

技術方案

根據本公開的一方面，提供了一種電子裝置，該電子裝置提供了一種集成的PE結構，該結構同時支持用于在執行通過CNN和RNN的運算時提高通過CNN和RNN的運算效率和運算的卷積運算方法、以及用于執行機器學習的方法。

根據本公開的一方面，提供了一種用于執行機器學習的電子裝置。該電子裝置包括：運算模塊，被配置為包括以預定模式(pattern)排列的多個處理元素，并且在彼此相鄰的多個處理元素之間共享數據以執行運算；以及處理器，被配置為控制運算模塊通過對輸入數據應用濾波器來執行卷積運算，其中，處理器控制運算模塊通過以預定次序將配置二維濾波器的多個元素中的每一個輸入到多個處理元素并將多個元素順序地應用于輸入數據來執行卷積運算。

根據本公開的另一方面，提供了一種使用運算模塊執行機器學習的方法，該運算模塊被配置為包括以預定模式排列的多個處理元素，并且在彼此相鄰的處理元素之間共享數據以執行運算。該方法包括接收輸入數據；以及通過對輸入數據應用濾波器來執行卷積運算，其中，卷積運算是通過以預定次序將配置二維濾波器的多個元素中的每一個輸入到多個處理元素并將多個元素順序地應用于輸入數據來執行的。

根據本公開的另一方面，提供了一種其上存儲有程序的非暫時性計算機可讀記錄介質，該程序用于使用運算模塊來執行機器學習，該運算模塊被配置為包括以預定模式排列的多個處理元素，并且在彼此相鄰的處理元素之間共享數據以執行運算。該程序包括接收輸入數據；以及通過對輸入數據應用濾波器來執行卷積運算，其中，卷積運算是通過以預定次序將配置二維濾波器的多個元素中的每一個輸入到多個處理元素并將多個元素順序地應用于輸入數據來執行的。

發明的有益效果

根據上述本公開的各種示例性實施例，可以提高在根據CNN和RNN進行運算時的運算速度和效率。