CN107800572B - 一种基于神经网络升级设备的方法和装置 - Google Patents

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

一种基于神经网络升级设备的方法和装置

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、系统更新周期长等问题。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参数缓存单元中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，所述神经网络结构配置参数包括神经网络层数、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参数缓存单元中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，所述神经网络结构配置参数包括神经网络层数、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，所述神经网络结构配置参数包括神经网络层数、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参数缓存单元110中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参数缓存单元中获取相应数量的各个参数元素。步骤S705后继续执行步骤S703，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，所述神经网络结构配置参数包括神经网络层数、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参数缓存单元中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2所述的基于神经网络升级设备的装置，其特征在于，所述神经网络结构配置参数包括神经网络层数、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参数缓存单元中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7所述的基于神经网络升级设备的方法，其特征在于，所述神经网络结构配置参数包括神经网络层数、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。

Images