[發明專利]信息處理裝置和方法以及記錄介質

在審

• 申請號: 202010921272.0
• 申請日: 2020-09-04
• 公開（公告）號: CN112508167A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 坂井靖文
• 申請（專利權）人: 富士通株式會社
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/063;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 王萍;姚文杰

涉及信息處理裝置和方法以及記錄介質。信息處理裝置包括存儲器以及耦接至存儲器的處理器，處理器被配置成：計算要在神經網絡中使用的變量被量化時的量化誤差；基于與通過神經網絡的過往學習獲得的第一識別率有關的參考信息和通過神經網絡的計算獲得的第二識別率來生成閾值；基于所計算的量化誤差和所生成的閾值來確定要用于神經網絡的計算的變量之中的要量化的數據類型的變量，以及通過使用該數據類型的變量來執行神經網絡的計算。

技術領域

本文中論述的實施方式涉及信息處理裝置、信息處理方法以及已經存儲有信息處理程序的計算機可讀記錄介質。

背景技術

在針對圖像等的圖案識別裝置中，已經提出了以下技術：在該技術中，對通過提取輸入的圖案的特征而獲得的特征向量進行量化以便減小量化誤差，并且通過使用經量化的特征向量來識別圖案，從而減少存儲量(例如，參見日本公開特許公報No.2009-217583)。

在學習型識別確定裝置中，已經提出了用于通過以下操作來提高識別性能的方法：劃分量化范圍直到量化范圍的數目達到預定數目，將網絡結構更改為適于輸入的數據的分布的網絡結構，以及執行學習(例如，參見日本公開特許公報No.2001-142867)。

例如，公開了日本公開特許公報No.2009-217583、No.2001-142867等。

發明內容

[技術問題]

當通過使用浮點數數據來執行神經網絡的計算時，與使用定點數數據的情況相比，存儲量增加并且計算時間增加，但是計算準確度提高。另一方面，當通過使用定點數數據來執行神經網絡的計算時，與使用浮點數數據的情況相比，存儲量減少并且計算時間縮短，但是計算準確度降低。

因此，例如，當由神經網絡在圖像識別等中使用定點數數據時，與使用浮點數數據的情況相比，識別率可能降低。如以上所描述的，神經網絡的計算時間和識別率呈相反的關系。

一方面，本實施方式的目的在于：在神經網絡中，在抑制識別率的降低的同時減少計算時間。

[問題的解決方案]

根據實施方式的一個方面，一種信息處理裝置包括存儲器以及耦接至存儲器的處理器，并且處理器被配置成：計算要在神經網絡中使用的變量被量化時的量化誤差；基于與通過神經網絡的過往學習(the past learning)獲得的第一識別率有關的參考信息和通過神經網絡的計算獲得的第二識別率來生成閾值；基于所計算的量化誤差和所生成的閾值來確定要用于神經網絡的計算的變量之中的要量化的數據類型的變量；以及通過使用該數據類型的變量來執行神經網絡的計算。

附圖說明

圖1是示出根據實施方式的信息處理裝置的示例的框圖；

圖2是示出神經網絡的概況的說明圖；

圖3是示出通過使用定點的數值表示的示例的說明圖；

圖4是示出由圖1所示的信息處理裝置進行的神經網絡的學習的示例的說明圖；

圖5是示出獲取統計信息的方法、確定量化范圍的方法以及計算量化誤差的方法的示例的說明圖；

圖6是示出由圖1所示的信息處理裝置進行的神經網絡的學習的示例的流程圖；

圖7是示出由圖1所示的信息處理裝置進行的神經網絡的學習的概況的說明圖；

圖8是示出在執行神經網絡的學習時的識別率的變化的示例的說明圖；

圖9是示出根據另一實施方式的信息處理裝置的示例的框圖；

圖10是示出要由圖9中的信息處理裝置執行的處理的示例的功能框圖；

圖11是示出由圖9所示的信息處理裝置進行的神經網絡的學習的示例的流程圖；以及