CN107800572A - 一种基于神经网络升级设备的方法和装置 - Google Patents
一种基于神经网络升级设备的方法和装置 Download PDFInfo
- Publication number
- CN107800572A CN107800572A CN201711026919.8A CN201711026919A CN107800572A CN 107800572 A CN107800572 A CN 107800572A CN 201711026919 A CN201711026919 A CN 201711026919A CN 107800572 A CN107800572 A CN 107800572A
- Authority
- CN
- China
- Prior art keywords
- unit
- initial value
- configuration
- parameter
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/082—Configuration setting characterised by the conditions triggering a change of settings the condition being updates or upgrades of network functionality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种基于神经网络升级设备的方法和装置,所述装置包括第一接口,第一接口在与待升级设备的第二接口建立连接后,可以根据任务请求类型(如语音识别、人脸识别等),从初始值配置查询单元查询对应的配置参数,并根据配置参数可重构网络矩阵单元,以组建对应的神经网络结构。可重构网络矩阵单元可以通过不断调整配置参数,对神经网络结构进行训练,直至训练完成,即测试的结果与预期结果的误差在预设误差范围内。本发明可以使得传统的本不具备人工智能功能的传统的家电产品能够转变为具有人工智能功能的产品,从而有效降低人工智能家电产品的成本,满足市场需求。
Description
技术领域
本发明涉及电子设备领域,尤其涉及一种基于神经网络升级设备的方法和装置。
背景技术
随着人工智能深度学习神经网络的快速发展,人们对人工智能应用的需求越来越强烈,如进行智能语音识别对话、智能人脸识别等。然而,现有的人工智能产品普通存在着价格昂贵、***更新周期长等问题。对于家庭中传统的一些家电产品(如冰箱、彩电等),基于成本和情怀因素的考量,用户一般不忍将其直接丢弃,继续使用这类家电产品,则无法满足用户对智能家电的需求;而如果将这类家电产品束之高阁或直接丢弃,则又造成了资源的浪费。因此,如果能提供一种装置,使得本不具备人工智能功能(如语音识别、指纹识别等)的传统的家电产品转变为具有人工智能功能的产品,这在当前市场环境下是非常有意义的。
发明内容
为此,需要提供一种基于神经网络升级设备的技术方案,使得传统的本不具备人工智能功能的传统的家电产品能够转变为具有人工智能功能的产品,从而有效降低人工智能家电产品的成本,满足市场需求。
为实现上述目的,发明人提供了一种基于神经网络升级设备的方法,所述装置包括第一接口、协议解析单元、初始值配置存储单元、初始值配置查询单元、参数配置单元、可重构网络矩阵单元、取数单元、误差计算单元、反向回写单元、参数缓存单元;所述第一接口与协议解析单元连接,所述协议解析单元与初始值配置查询单元连接,所述初始值配置存储单元与初始值配置查询单元连接,所述初始值配置查询单元与参数配置单元连接,所述参数配置单元与可重构网络矩阵单元连接,所述反向回写单元、取数单元、误差计算单元分别与可重构网络矩阵单元连接,所述取数单元、反向回写单元分别与参数缓存单元连接,所述误差计算单元与反向回写单元连接;
所述协议解析单元用于在第一接口与待升级设备的第二接口建立连接后,接收并解析待升级设备发送的任务请求,确定任务请求类型,并将任务请求类型发送至初始值配置查询单元;
所述初始值配置查询单元用于从初始值配置存储单元中获取任务请求类型对应的网络结构的各个参数初始值,并将各个参数初始值发送至参数配置单元;
所述参数配置单元用于根据各个参数初始值控制取数单元从参数缓存单元中获取相应数量的各个参数元素,对可重构网络矩阵单元进行配置;
所述可重构网络矩阵单元用于根据配置的各个参数元素的初始值进行神经网络计算,所述误差计算单元用于判断本次计算结果与真实信息的匹配度的误差是否小于预设误差,若是则判定为训练完成,可重构神经网络矩阵单元用于将各个参数元素的参数值更新为当前的各个参数值,并将更新后的各个参数值写入参数缓存单元中;否则可重构神经网络矩阵单元用于根据本次训练结果的匹配度相较于上一次训练结果的匹配度的差异,调整各个参数元素的配置参数值,并通过反向回写单元将调整后的参数值写入参数缓存单元中,以及控制取数单元根据调整后的参数值从获取相应数量的各个参数元素,并再次进行神经网络计算,直至训练完成。
进一步地,所述装置包括WIFI通信单元,所述初始值配置查询单元还通过WIFI通信单元与互联网连接,所述初始值配置查询单元还用于在未从初始值配置存储单元中获取到任务请求对应的神经网络结构配置参数初始值时,通过WIFI通信单元从互联网中搜索任务请求所需的神经网络结构配置参数初始值,并在搜索到需要的神经网络结构配置参数初始值后,将其存储于初始值配置存储单元中。
进一步地,所述神经网络网络结构配置参数包括数据流包括神经网络层数、各层神经网络的神经元数量、各层神经网络的卷积核值、卷积配置值以及权值。
进一步地,所述装置还包括结果反馈单元,所述结果反馈单元与协议解析单元连接;
所述可重构神经网络矩阵单元还用于在训练完成后,接收待测设备发送的待测数据,并将待测数据的计算结果发送至结果反馈单元;
所述结果反馈单元用于接收待测数据的计算结果,并通过第一接口将计算结果反馈给待测设备。
进一步地,所述可重构神经网络矩阵包括互联矩阵单元、累加器单元、升级单元、激活函数单元、累加器配置单元;所述累加器单元、升级单元、激活函数单元分别与互联矩阵单元连接,所述累加器单元与累加器配置单元连接;所述累加器单元包括多个不同精度的累加器单元;
所述累加器配置单元用于配置累加器精度,所述可重构神经网络矩阵在进行神经网络训练时,根据配置的累加器精度采用相对应精度的累加器单元进行计算;
互联矩阵单元根据参数连接信息对累加器单元、升级单元、激活函数单元进行互联,从而形成对应的神经网络结构。
发明人还提供了一种基于神经网络升级设备的方法,所述方法应用于基于神经网络升级设备的装置,所述装置包括第一接口、协议解析单元、初始值配置存储单元、初始值配置查询单元、参数配置单元、可重构网络矩阵单元、取数单元、误差计算单元、反向回写单元、参数缓存单元;所述第一接口与协议解析单元连接,所述协议解析单元与初始值配置查询单元连接,所述初始值配置存储单元与初始值配置查询单元连接,所述初始值配置查询单元与参数配置单元连接,所述参数配置单元与可重构网络矩阵单元连接,所述反向回写单元、取数单元、误差计算单元分别与可重构网络矩阵单元连接,所述取数单元、反向回写单元分别与参数缓存单元连接,所述误差计算单元与反向回写单元连接;所述方法包括以下步骤:
协议解析单元在第一接口与待升级设备的第二接口建立连接后,接收并解析待升级设备发送的任务请求,确定任务请求类型,并将任务请求类型发送至初始值配置查询单元;
初始值配置查询单元从初始值配置存储单元中获取任务请求类型对应的网络结构的各个参数初始值,并将各个参数初始值发送至参数配置单元;
参数配置单元根据各个参数初始值控制取数单元从参数缓存单元中获取相应数量的各个参数元素,对可重构网络矩阵单元进行配置;
可重构网络矩阵单元根据配置的各个参数元素的初始值进行神经网络计算,误差计算单元判断本次计算结果与真实信息的匹配度的误差是否小于预设误差,若是则判定为训练完成,可重构神经网络矩阵单元用于将各个参数元素的参数值更新为当前的各个参数值,并将更新后的各个参数值写入参数缓存单元中;否则可重构神经网络矩阵单元用于根据本次训练结果的匹配度相较于上一次训练结果的匹配度的差异,调整各个参数元素的配置参数值,并通过反向回写单元将调整后的参数值写入参数缓存单元中,以及控制取数单元根据调整后的参数值从获取相应数量的各个参数元素,并再次进行神经网络计算,直至训练完成。
进一步地,所述装置包括WIFI通信单元,初始值配置查询单元还通过WIFI通信单元与互联网连接,所述方法包括:
初始值配置查询单元在未从初始值配置存储单元中获取到任务请求对应的神经网络结构配置参数初始值时,通过WIFI通信单元从互联网中搜索任务请求所需的神经网络结构配置参数初始值,并在搜索到需要的神经网络结构配置参数初始值后,将其存储于初始值配置存储单元中。
进一步地,所述神经网络网络结构配置参数包括数据流包括神经网络层数、各层神经网络的神经元数量、各层神经网络的卷积核值、卷积配置值以及权值。
进一步地,所述装置还包括结果反馈单元,所述结果反馈单元与协议解析单元连接;所述方法包括:
可重构神经网络矩阵单元在训练完成后,接收待测设备发送的待测数据,并将待测数据的计算结果发送至结果反馈单元;
结果反馈单元接收待测数据的计算结果,并通过第一接口将计算结果反馈给待测设备。
进一步地,所述可重构神经网络矩阵包括互联矩阵单元、累加器单元、升级单元、激活函数单元、累加器配置单元;所述累加器单元、升级单元、激活函数单元分别与互联矩阵单元连接,所述累加器单元与累加器配置单元连接;所述累加器单元包括多个不同精度的累加器单元;所述方法包括:
累加器配置单元配置累加器精度,可重构神经网络矩阵在进行神经网络训练时,根据配置的累加器精度采用相对应精度的累加器单元进行计算;
互联矩阵单元根据参数连接信息对累加器单元、升级单元、激活函数单元进行互联,从而形成对应的神经网络结构。
区别于现有技术,上述技术方案所述的基于神经网络升级设备的方法和装置,所述装置包括第一接口,第一接口在与待升级设备的第二接口建立连接后,可以根据任务请求类型(如语音识别、人脸识别等),从初始值配置查询单元查询对应的配置参数,并根据配置参数可重构网络矩阵单元,以组建对应的神经网络结构。可重构网络矩阵单元可以通过不断调整配置参数,对神经网络结构进行训练,直至训练完成,即测试的结果与预期结果的误差在预设误差范围内。本发明可以使得传统的本不具备人工智能功能的传统的家电产品能够转变为具有人工智能功能的产品,从而有效降低人工智能家电产品的成本,满足市场需求。
附图说明
图1为本发明一实施例涉及的一种基于神经网络升级设备的装置的示意图;
图2为本发明一实施例涉及的误差计算单元的电路结构图;
图3为本发明一实施例涉及的升级单元的电路结构图;
图4为本发明一实施例涉及的累加器单元的电路结构图;
图5为本发明一实施例涉及的可重构神经网络矩阵的电路结构图;
图6为本发明一实施例涉及的配置累加器单元的精度的电路结构图;
图7为本发明一实施例涉及的基于神经网络升级设备的方法的流程图。
附图标记说明:
101、第一接口;
102、协议解析单元;
103、初始值配置存储单元;
104、初始值配置查询单元;
105、参数配置单元;
106、可重构网络矩阵单元;
107、取数单元;
108、误差计算单元;
109、反向回写单元;
110、参数缓存单元;
111、WIFI通信单元;
112、结果反馈单元;
131、互联矩阵单元;132、累加器单元;133、升级单元;134、激活函数单元;
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,为本发明一实施例涉及的一种基于神经网络升级设备的装置的示意图。所述装置包括第一接口101、协议解析单元102、初始值配置存储单元103、初始值配置查询单元104、参数配置单元105、可重构网络矩阵单元106、取数单元107、误差计算单元108、反向回写单元109、参数缓存单元110;所述第一接口101与协议解析单元102连接,所述协议解析单元102与初始值配置查询单元104连接,所述初始值配置存储单元103与初始值配置查询单元104连接,所述初始值配置查询单元104与参数配置单元105连接,所述参数配置单元105与可重构网络矩阵单元106连接,所述反向回写单元109、取数单元107、误差计算单元108分别与可重构网络矩阵单元106连接,所述取数单元107、反向回写单元109分别与参数缓存单元110连接,所述误差计算单元108与反向回写单元109连接;
所述协议解析单元102用于在第一接口101与待升级设备的第二接口建立连接后,接收并解析待升级设备发送的任务请求,确定任务请求类型,并将任务请求类型发送至初始值配置查询单元。所述待升级设备可以为冰箱、彩电、个人计算机等。所述第一接口和第二接口可以为USB接口、HDMI接口等。所述任务请求根据功能进行划分,包括指纹识别请求、人脸识别请求、语音识别请求等。在神经网络领域,每一种任务请求类型都有其对应的神经网络结构,不同的神经网络结构具有不同的神经网络配置参数。
所述初始值配置查询单元104用于从初始值配置存储单元103中获取任务请求类型对应的网络结构的各个参数初始值,并将各个参数初始值发送至参数配置单元105。
在某些实施例中,所述装置包括WIFI通信单元111,所述初始值配置查询单元104还通过WIFI通信单元111与互联网连接,所述初始值配置查询单元104还用于在未从初始值配置存储单元103中获取到任务请求对应的神经网络结构配置参数初始值时,通过WIFI通信单元111从互联网中搜索任务请求所需的神经网络结构配置参数初始值,并在搜索到需要的神经网络结构配置参数初始值后,将其存储于初始值配置存储单元103中。简言之,初始值配置存储单元会存储一些网络结构的配置参数,以便可重构网络矩阵单元进行神经网络训练时及时调取,同时,参数配置单元也可以通过互联网将本地没有的一些神经网络结构的配置参数下载存储至初始值配置存储单元,从而提高本装置的适用范围。例如在某一应用场景中,初始值配置存储单元只存储有指纹识别的配置参数,而现在使得让待升级设备经过装置训练后实现人脸识别的功能,因而初始值配置查询单元在查询到初始值配置存储单元中未存储有人脸识别相关的神经网络配置参数初始值时,将从互联网下载与人脸识别相关的神经网络结构的配置参数至初始值配置存储单元中,以便后续调用。
所述参数配置单元105用于根据各个参数初始值控制取数单元107从参数缓存单元110中获取相应数量的各个参数元素,对可重构网络矩阵单元进行配置。在本实施方式中,所述神经网络网络结构配置参数包括数据流包括神经网络层数、各层神经网络的神经元数量、各层神经网络的卷积核值、卷积配置值以及权值。相对应地,所述取数单元包括神经元取数单元、卷积核取数单元、核值取数单元、卷积配置取数单元。
所述可重构网络矩阵单元106用于根据配置的各个参数元素的初始值进行神经网络计算,所述误差计算单元108用于判断本次计算结果与真实信息的匹配度的误差是否小于预设误差,若是则判定为训练完成。可重构神经网络矩阵单元106用于将各个参数元素的参数值更新为当前的各个参数值,并将更新后的各个参数值写入参数缓存单元中;否则可重构神经网络矩阵单元106用于根据本次训练结果的匹配度相较于上一次训练结果的匹配度的差异,调整各个参数元素的配置参数值,并通过反向回写单元109将调整后的参数值写入参数缓存单元110中,以及控制取数单元107根据调整后的参数值从获取相应数量的各个参数元素,并再次进行神经网络计算,直至训练完成。误差计算单元的电路结构如图2所示。
所述真实信息是指输入至可重构网络矩阵单元的特征信息,可以是指纹特征信息、人脸特征信息,也可以是包含有指纹特征信息、人脸特征信息的图片等。例如可重构神经网络矩阵进行的是基于指纹识别功能的训练,则输入的特征信息为指纹特征信息,误差计算单元所比较的对象是本次计算结果得到的识别结果与输入的真实指纹特征信息之间的匹配度,如果匹配度越高说明误差越小,当误差小于预设误差时,则判定为训练完成。神经网络训练计算过程,现有多种算法已有公开,此处不再赘述。
如图5所示,所述可重构神经网络矩阵包括互联矩阵单元131、累加器单元132、升级单元133、激活函数单元134、累加器配置单元;所述累加器单元、升级单元、激活函数单元分别与互联矩阵单元连接,所述累加器单元与累加器配置单元连接;所述累加器单元包括多个不同精度的累加器单元。参数配置单元除了配置可重构神经网络矩阵进行训练的各个参数之外,同时也会配置各个参数元素之间的参数连接信息,以使得可重构神经网络矩阵可以根据各个配置参数和参数连接信息重构出相应功能的神经网络结构。参数连接信息与其对应的配置参数初始值事先存储于初始值配置存储单元中,当初始值配置存储单元未查询到任务请求对应的神经网络结构配置参数初始值时,通过WIFI通信单元111从互联网中搜索任务请求所需的神经网络结构配置参数初始值时可以一并下载该参数初始值对应的参数连接关系,并存储于初始值配置存储单元中。
所述累加器配置单元用于配置累加器精度,所述可重构神经网络矩阵在进行神经网络训练时,根据配置的累加器精度采用相对应精度的累加器单元进行计算;所述互联矩阵单元用于根据参数连接信息对累加器单元、升级单元、激活函数单元进行互联,从而形成对应的神经网络结构。升级单元的电路结构如图3所示、累加器单元的电路结构如图4所示。
如图6所示,累加器单元包括不同精度的累加器单元,如8bit整数、16bit浮点数、32bit浮点数等。累加器配置单元可以通过发送不同的控制信号,使得神经网络结构选用不同精度的累加器进行搭建,以便提供多种选择。同理,激活函数单元也可以包括有多种激活函数(比如sigmoid、ReLU等),可以通过不同的控制信号进行选定,选定后则记录于参数配置信息中,而后通过互联矩阵单元根据参数连接信息对选定的累加器单元、升级单元、激活函数单元进行互联。
在某些实施例中,所述装置还包括结果反馈单元112,所述结果反馈单元与协议解析单元连接;所述可重构神经网络矩阵单元还用于在训练完成后,接收待测设备发送的待测数据,并将待测数据的计算结果发送至结果反馈单元;所述结果反馈单元用于接收待测数据的计算结果,并通过第一接口将计算结果反馈给待测设备。这样,就使得传统的本不具备人工智能功能的传统的家电产品能够转变为具有人工智能功能的产品,从而有效降低人工智能家电产品的成本,满足市场需求。
如图7所示,本发明还提供了一种基于神经网络升级设备的方法,所述方法应用于基于神经网络升级设备的装置,所述装置包括第一接口、协议解析单元、初始值配置存储单元、初始值配置查询单元、参数配置单元、可重构网络矩阵单元、取数单元、误差计算单元、反向回写单元、参数缓存单元;所述第一接口与协议解析单元连接,所述协议解析单元与初始值配置查询单元连接,所述初始值配置存储单元与初始值配置查询单元连接,所述初始值配置查询单元与参数配置单元连接,所述参数配置单元与可重构网络矩阵单元连接,所述反向回写单元、取数单元、误差计算单元分别与可重构网络矩阵单元连接,所述取数单元、反向回写单元分别与参数缓存单元连接,所述误差计算单元与反向回写单元连接;所述方法包括以下步骤:
首先进入步骤S701协议解析单元在第一接口与待升级设备的第二接口建立连接后,接收并解析待升级设备发送的任务请求,确定任务请求类型,并将任务请求类型发送至初始值配置查询单元;
而后进入步骤S702初始值配置查询单元从初始值配置存储单元中获取任务请求类型对应的网络结构的各个参数初始值,并将各个参数初始值发送至参数配置单元;
而后进入步骤S703参数配置单元根据各个参数初始值控制取数单元从参数缓存单元中获取相应数量的各个参数元素,对可重构网络矩阵单元进行配置;
而后进入步骤S704可重构网络矩阵单元根据配置的各个参数元素的初始值进行神经网络计算,误差计算单元判断本次计算结果与真实信息的匹配度的误差是否小于预设误差,若是则进入步骤S706训练完成,可重构神经网络矩阵单元用于将各个参数元素的参数值更新为当前的各个参数值,并将更新后的各个参数值写入参数缓存单元中。否则进入步骤S705可重构神经网络矩阵单元用于根据本次训练结果的匹配度相较于上一次训练结果的匹配度的差异,调整各个参数元素的配置参数值,并通过反向回写单元将调整后的参数值写入参数缓存单元中,以及控制取数单元根据调整后的参数值从获取相应数量的各个参数元素。步骤S705后继续执行步骤S704,直至训练完成。用户可以输入待测数据(如指纹数据、人脸数据)至装置中,进行相应的智能识别。
在某些实施例中,所述装置包括WIFI通信单元,初始值配置查询单元还通过WIFI通信单元与互联网连接,所述方法包括:初始值配置查询单元在未从初始值配置存储单元中获取到任务请求对应的神经网络结构配置参数初始值时,通过WIFI通信单元从互联网中搜索任务请求所需的神经网络结构配置参数初始值,并在搜索到需要的神经网络结构配置参数初始值后,将其存储于初始值配置存储单元中。简言之,初始值配置存储单元会存储一些网络结构的配置参数,以便可重构网络矩阵单元进行神经网络训练时及时调取,同时,参数配置单元也可以通过互联网将本地没有的一些神经网络结构的配置参数下载存储至初始值配置存储单元,从而提高本装置的适用范围。
在某些实施例中,所述神经网络网络结构配置参数包括数据流包括神经网络层数、各层神经网络的神经元数量、各层神经网络的卷积核值、卷积配置值以及权值。
在某些实施例中,所述装置还包括结果反馈单元,所述结果反馈单元与协议解析单元连接;所述方法包括:可重构神经网络矩阵单元在训练完成后,接收待测设备发送的待测数据,并将待测数据的计算结果发送至结果反馈单元;结果反馈单元接收待测数据的计算结果,并通过第一接口将计算结果反馈给待测设备。
在某些实施例中,所述可重构神经网络矩阵包括互联矩阵单元、累加器单元、升级单元、激活函数单元、累加器配置单元;所述累加器单元、升级单元、激活函数单元分别与互联矩阵单元连接,所述累加器单元与累加器配置单元连接;所述累加器单元包括多个不同精度的累加器单元;所述方法包括:累加器配置单元配置累加器精度,可重构神经网络矩阵在进行神经网络训练时,根据配置的累加器精度采用相对应精度的累加器单元进行计算;互联矩阵单元根据参数连接信息对累加器单元、升级单元、激活函数单元进行互联,从而形成对应的神经网络结构。
本发明公开了一种基于神经网络升级设备的方法和装置,所述装置包括第一接口,第一接口在与待升级设备的第二接口建立连接后,可以根据任务请求类型(如语音识别、人脸识别等),从初始值配置查询单元查询对应的配置参数,并根据配置参数可重构网络矩阵单元,以组建对应的神经网络结构。可重构网络矩阵单元可以通过不断调整配置参数,对神经网络结构进行训练,直至训练完成,即测试的结果与预期结果的误差在预设误差范围内。本发明可以使得传统的本不具备人工智能功能的传统的家电产品能够转变为具有人工智能功能的产品,从而有效降低人工智能家电产品的成本,满足市场需求。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种基于神经网络升级设备的装置,其特征在于,所述装置包括第一接口、协议解析单元、初始值配置存储单元、初始值配置查询单元、参数配置单元、可重构网络矩阵单元、取数单元、误差计算单元、反向回写单元、参数缓存单元;所述第一接口与协议解析单元连接,所述协议解析单元与初始值配置查询单元连接,所述初始值配置存储单元与初始值配置查询单元连接,所述初始值配置查询单元与参数配置单元连接,所述参数配置单元与可重构网络矩阵单元连接,所述反向回写单元、取数单元、误差计算单元分别与可重构网络矩阵单元连接,所述取数单元、反向回写单元分别与参数缓存单元连接,所述误差计算单元与反向回写单元连接;
所述协议解析单元用于在第一接口与待升级设备的第二接口建立连接后,接收并解析待升级设备发送的任务请求,确定任务请求类型,并将任务请求类型发送至初始值配置查询单元;
所述初始值配置查询单元用于从初始值配置存储单元中获取任务请求类型对应的网络结构的各个参数初始值,并将各个参数初始值发送至参数配置单元;
所述参数配置单元用于根据各个参数初始值控制取数单元从参数缓存单元中获取相应数量的各个参数元素,对可重构网络矩阵单元进行配置;
所述可重构网络矩阵单元用于根据配置的各个参数元素的初始值进行神经网络计算,所述误差计算单元用于判断本次计算结果与真实信息的匹配度的误差是否小于预设误差,若是则判定为训练完成,可重构神经网络矩阵单元用于将各个参数元素的参数值更新为当前的各个参数值,并将更新后的各个参数值写入参数缓存单元中;否则可重构神经网络矩阵单元用于根据本次训练结果的匹配度相较于上一次训练结果的匹配度的差异,调整各个参数元素的配置参数值,并通过反向回写单元将调整后的参数值写入参数缓存单元中,以及控制取数单元根据调整后的参数值从获取相应数量的各个参数元素,并再次进行神经网络计算,直至训练完成。
2.如权利要求1所述的基于神经网络升级设备的装置,其特征在于,所述装置包括WIFI通信单元,所述初始值配置查询单元还通过WIFI通信单元与互联网连接,所述初始值配置查询单元还用于在未从初始值配置存储单元中获取到任务请求对应的神经网络结构配置参数初始值时,通过WIFI通信单元从互联网中搜索任务请求所需的神经网络结构配置参数初始值,并在搜索到需要的神经网络结构配置参数初始值后,将其存储于初始值配置存储单元中。
3.如权利要求1所述的基于神经网络升级设备的装置,其特征在于,所述神经网络网络结构配置参数包括数据流包括神经网络层数、各层神经网络的神经元数量、各层神经网络的卷积核值、卷积配置值以及权值。
4.如权利要求1基于神经网络升级设备的装置,其特征在于,所述装置还包括结果反馈单元,所述结果反馈单元与协议解析单元连接;
所述可重构神经网络矩阵单元还用于在训练完成后,接收待测设备发送的待测数据,并将待测数据的计算结果发送至结果反馈单元;
所述结果反馈单元用于接收待测数据的计算结果,并通过第一接口将计算结果反馈给待测设备。
5.如权利要求1所述的基于神经网络升级设备的装置,其特征在于,所述可重构神经网络矩阵包括互联矩阵单元、累加器单元、升级单元、激活函数单元、累加器配置单元;所述累加器单元、升级单元、激活函数单元分别与互联矩阵单元连接,所述累加器单元与累加器配置单元连接;所述累加器单元包括多个不同精度的累加器单元;
所述累加器配置单元用于配置累加器精度,所述可重构神经网络矩阵在进行神经网络训练时,根据配置的累加器精度采用相对应精度的累加器单元进行计算;
互联矩阵单元根据参数连接信息对累加器单元、升级单元、激活函数单元进行互联,从而形成对应的神经网络结构。
6.一种基于神经网络升级设备的方法,其特征在于,所述方法应用于基于神经网络升级设备的装置,所述装置包括第一接口、协议解析单元、初始值配置存储单元、初始值配置查询单元、参数配置单元、可重构网络矩阵单元、取数单元、误差计算单元、反向回写单元、参数缓存单元;所述第一接口与协议解析单元连接,所述协议解析单元与初始值配置查询单元连接,所述初始值配置存储单元与初始值配置查询单元连接,所述初始值配置查询单元与参数配置单元连接,所述参数配置单元与可重构网络矩阵单元连接,所述反向回写单元、取数单元、误差计算单元分别与可重构网络矩阵单元连接,所述取数单元、反向回写单元分别与参数缓存单元连接,所述误差计算单元与反向回写单元连接;所述方法包括以下步骤:
协议解析单元在第一接口与待升级设备的第二接口建立连接后,接收并解析待升级设备发送的任务请求,确定任务请求类型,并将任务请求类型发送至初始值配置查询单元;
初始值配置查询单元从初始值配置存储单元中获取任务请求类型对应的网络结构的各个参数初始值,并将各个参数初始值发送至参数配置单元;
参数配置单元根据各个参数初始值控制取数单元从参数缓存单元中获取相应数量的各个参数元素,对可重构网络矩阵单元进行配置;
可重构网络矩阵单元根据配置的各个参数元素的初始值进行神经网络计算,误差计算单元判断本次计算结果与真实信息的匹配度的误差是否小于预设误差,若是则判定为训练完成,可重构神经网络矩阵单元用于将各个参数元素的参数值更新为当前的各个参数值,并将更新后的各个参数值写入参数缓存单元中;否则可重构神经网络矩阵单元用于根据本次训练结果的匹配度相较于上一次训练结果的匹配度的差异,调整各个参数元素的配置参数值,并通过反向回写单元将调整后的参数值写入参数缓存单元中,以及控制取数单元根据调整后的参数值从获取相应数量的各个参数元素,并再次进行神经网络计算,直至训练完成。
7.如权利要求6所述的基于神经网络升级设备的方法,其特征在于,所述装置包括WIFI通信单元,初始值配置查询单元还通过WIFI通信单元与互联网连接,所述方法包括:
初始值配置查询单元在未从初始值配置存储单元中获取到任务请求对应的神经网络结构配置参数初始值时,通过WIFI通信单元从互联网中搜索任务请求所需的神经网络结构配置参数初始值,并在搜索到需要的神经网络结构配置参数初始值后,将其存储于初始值配置存储单元中。
8.如权利要求6所述的基于神经网络升级设备的方法,其特征在于,所述神经网络网络结构配置参数包括数据流包括神经网络层数、各层神经网络的神经元数量、各层神经网络的卷积核值、卷积配置值以及权值。
9.如权利要求6基于神经网络升级设备的方法,其特征在于,所述装置还包括结果反馈单元,所述结果反馈单元与协议解析单元连接;所述方法包括:
可重构神经网络矩阵单元在训练完成后,接收待测设备发送的待测数据,并将待测数据的计算结果发送至结果反馈单元;
结果反馈单元接收待测数据的计算结果,并通过第一接口将计算结果反馈给待测设备。
10.如权利要求6所述的基于神经网络升级设备的方法,其特征在于,所述可重构神经网络矩阵包括互联矩阵单元、累加器单元、升级单元、激活函数单元、累加器配置单元;所述累加器单元、升级单元、激活函数单元分别与互联矩阵单元连接,所述累加器单元与累加器配置单元连接;所述累加器单元包括多个不同精度的累加器单元;所述方法包括:
累加器配置单元配置累加器精度,可重构神经网络矩阵在进行神经网络训练时,根据配置的累加器精度采用相对应精度的累加器单元进行计算;
互联矩阵单元根据参数连接信息对累加器单元、升级单元、激活函数单元进行互联,从而形成对应的神经网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711026919.8A CN107800572B (zh) | 2017-10-27 | 2017-10-27 | 一种基于神经网络升级设备的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711026919.8A CN107800572B (zh) | 2017-10-27 | 2017-10-27 | 一种基于神经网络升级设备的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107800572A true CN107800572A (zh) | 2018-03-13 |
CN107800572B CN107800572B (zh) | 2020-10-02 |
Family
ID=61547569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711026919.8A Active CN107800572B (zh) | 2017-10-27 | 2017-10-27 | 一种基于神经网络升级设备的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107800572B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520296A (zh) * | 2018-03-20 | 2018-09-11 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习芯片动态cache分配的方法和装置 |
CN108549934A (zh) * | 2018-04-25 | 2018-09-18 | 福州瑞芯微电子股份有限公司 | 一种基于自动集群神经网络芯片组的运算方法和装置 |
CN108647155A (zh) * | 2018-05-14 | 2018-10-12 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的多级cache共享的方法和装置 |
CN108664909A (zh) * | 2018-04-28 | 2018-10-16 | 上海爱优威软件开发有限公司 | 一种身份验证方法及终端 |
CN108717178A (zh) * | 2018-04-12 | 2018-10-30 | 福州瑞芯微电子股份有限公司 | 一种基于神经网络的声源定位方法和装置 |
CN108932124A (zh) * | 2018-06-26 | 2018-12-04 | Oppo广东移动通信有限公司 | 神经网络模型压缩方法、装置、终端设备及存储介质 |
CN110309911A (zh) * | 2019-07-05 | 2019-10-08 | 北京中科寒武纪科技有限公司 | 神经网络模型验证方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007727A (zh) * | 2014-05-21 | 2014-08-27 | 珠海格力电器股份有限公司 | 家用电器设备控制方法和*** |
CN104238424A (zh) * | 2014-09-21 | 2014-12-24 | 雷乔 | 一种电器设备逻辑控制装置及其控制方法 |
US20160125303A1 (en) * | 2014-10-31 | 2016-05-05 | Xiaomi Inc. | Method and apparatus for calculating smart indicator |
CN105913839A (zh) * | 2016-05-30 | 2016-08-31 | 合肥华凌股份有限公司 | 一种智能冰箱、服务器及语音控制***和方法 |
CN106249719A (zh) * | 2016-08-30 | 2016-12-21 | 宁波菜鸟智能科技有限公司 | 基于机器人的电器控制方法、装置及*** |
-
2017
- 2017-10-27 CN CN201711026919.8A patent/CN107800572B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007727A (zh) * | 2014-05-21 | 2014-08-27 | 珠海格力电器股份有限公司 | 家用电器设备控制方法和*** |
CN104238424A (zh) * | 2014-09-21 | 2014-12-24 | 雷乔 | 一种电器设备逻辑控制装置及其控制方法 |
US20160125303A1 (en) * | 2014-10-31 | 2016-05-05 | Xiaomi Inc. | Method and apparatus for calculating smart indicator |
CN105913839A (zh) * | 2016-05-30 | 2016-08-31 | 合肥华凌股份有限公司 | 一种智能冰箱、服务器及语音控制***和方法 |
CN106249719A (zh) * | 2016-08-30 | 2016-12-21 | 宁波菜鸟智能科技有限公司 | 基于机器人的电器控制方法、装置及*** |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520296A (zh) * | 2018-03-20 | 2018-09-11 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习芯片动态cache分配的方法和装置 |
CN108520296B (zh) * | 2018-03-20 | 2020-05-15 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习芯片动态cache分配的方法和装置 |
CN108717178A (zh) * | 2018-04-12 | 2018-10-30 | 福州瑞芯微电子股份有限公司 | 一种基于神经网络的声源定位方法和装置 |
CN108549934A (zh) * | 2018-04-25 | 2018-09-18 | 福州瑞芯微电子股份有限公司 | 一种基于自动集群神经网络芯片组的运算方法和装置 |
CN108549934B (zh) * | 2018-04-25 | 2020-06-19 | 福州瑞芯微电子股份有限公司 | 一种基于自动集群神经网络芯片组的运算方法和装置 |
CN108664909A (zh) * | 2018-04-28 | 2018-10-16 | 上海爱优威软件开发有限公司 | 一种身份验证方法及终端 |
CN108647155A (zh) * | 2018-05-14 | 2018-10-12 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的多级cache共享的方法和装置 |
CN108647155B (zh) * | 2018-05-14 | 2020-08-21 | 瑞芯微电子股份有限公司 | 一种基于深度学习的多级cache共享的方法和装置 |
CN108932124A (zh) * | 2018-06-26 | 2018-12-04 | Oppo广东移动通信有限公司 | 神经网络模型压缩方法、装置、终端设备及存储介质 |
CN110309911A (zh) * | 2019-07-05 | 2019-10-08 | 北京中科寒武纪科技有限公司 | 神经网络模型验证方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107800572B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107800572A (zh) | 一种基于神经网络升级设备的方法和装置 | |
CN107783840A (zh) | 一种分布式多层深度学习资源分配方法和装置 | |
WO2020259502A1 (zh) | 神经网络模型的生成方法及装置、计算机可读存储介质 | |
CN108549934A (zh) | 一种基于自动集群神经网络芯片组的运算方法和装置 | |
CN107995428B (zh) | 图像处理方法、装置及存储介质和移动终端 | |
CN109523017A (zh) | 深度神经网络的压缩方法、装置、设备及存储介质 | |
CN108763398A (zh) | 数据库配置参数处理方法、装置、计算机设备和存储介质 | |
CN108717178A (zh) | 一种基于神经网络的声源定位方法和装置 | |
CN108874655A (zh) | 一种处理众包测试数据的方法及装置 | |
CN112001067B (zh) | 基于不确定性度量的复杂装备仿真***可信度评估方法 | |
CN108830547A (zh) | 项目参数配置方法、装置、终端设备及存储介质 | |
CN109214515A (zh) | 一种深度神经网络推理方法及计算设备 | |
CN115472279B (zh) | 一种基于人工智能的远程按摩控制方法及*** | |
CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
CN109753275A (zh) | 应用编程接口的推荐方法、装置、存储介质和电子设备 | |
CN110458572A (zh) | 用户风险的确定方法和目标风险识别模型的建立方法 | |
CN105550747A (zh) | 一种新型卷积神经网络的样本训练方法 | |
CN113792110A (zh) | 一种基于社交物联网的设备信任值评估方法 | |
CN108364063B (zh) | 一种基于权值分配资源的神经网络训练方法和装置 | |
CN111461228B (zh) | 图像推荐方法和装置及存储介质 | |
CN107968817A (zh) | 一种普通设备与人工智能设备交互方法和*** | |
CN115529616A (zh) | 基于路由器的物联网设备的配置方法及双频无线路由器 | |
CN109581280A (zh) | 终端自适应在线定位方法、***及装置 | |
CN114358260A (zh) | 一种神经网络模型搭建方法、装置、设备及存储介质 | |
CN110166272A (zh) | 提供终端设备指标仲裁服务的方法、装置及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 350003 building, No. 89, software Avenue, Gulou District, Fujian, Fuzhou 18, China Applicant after: Ruixin Microelectronics Co., Ltd Address before: 350003 building, No. 89, software Avenue, Gulou District, Fujian, Fuzhou 18, China Applicant before: Fuzhou Rockchips Electronics Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |