CN112784967B - 信息处理方法、装置以及电子设备 - Google Patents
信息处理方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN112784967B CN112784967B CN202110129105.7A CN202110129105A CN112784967B CN 112784967 B CN112784967 B CN 112784967B CN 202110129105 A CN202110129105 A CN 202110129105A CN 112784967 B CN112784967 B CN 112784967B
- Authority
- CN
- China
- Prior art keywords
- neurons
- data
- neuron
- output result
- neural network
- 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.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 25
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims abstract description 191
- 238000003062 neural network model Methods 0.000 claims abstract description 64
- 230000001537 neural effect Effects 0.000 claims abstract description 63
- 125000000524 functional group Chemical group 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 28
- 210000005036 nerve Anatomy 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000002775 capsule Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000001153 interneuron Anatomy 0.000 description 1
- 230000003585 interneuronal effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种信息处理方法、装置以及电子设备，涉及深度学习技术领域。具体实现方案为：获取待处理数据；利用神经网络模型对所述待处理数据进行处理，获得输出结果，所述神经网络模型包括神经功能团，所述神经功能团包括属于相同层的M个神经元，所述M个神经元中任意一个神经元与所述M个神经元中的至少一个神经元之间具有连接关系，M为大于1的正整数。神经功能团中神经元的连接方式是图结构的连接方式，可提高神经网络模型处理数据的准确率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及深度学习技术领域。具体地，提供了一种信息处理方法、装置以及电子设备。
背景技术
传统神经网络模型为分层结构，每个分层中可包括多个神经元，相同层的神经元之间没有连接关系，相邻层的神经元之间具有连接关系，即第一层中的任意一个神经元与第二层中的每个神经元之间具有连接关系，例如，若第一层的神经元个数为100个，第二层的神经元个数为10个，则连接关系为100×10个，每个连接关系可视为一个未知参数，在模型训练过程中，需要确定该未知参数的值。
发明内容
本公开提供了一种信息处理方法、装置以及电子设备。
根据本公开的第一方面，提供了一种信息处理方法，包括：
获取待处理数据；
利用神经网络模型对所述待处理数据进行处理，获得输出结果，所述神经网络模型包括神经功能团，所述神经功能团包括属于相同层的M个神经元，所述M个神经元中任意一个神经元与所述M个神经元中的至少一个神经元之间具有连接关系，M为大于1的正整数。
根据本公开的第二方面，提供了一种信息处理装置，包括：
第一获取模块，用于获取待处理数据；
第二获取模块，用于利用神经网络模型对所述待处理数据进行处理，获得输出结果，所述神经网络模型包括神经功能团，所述神经功能团包括属于相同层的M个神经元，所述M个神经元中任意一个神经元与所述M个神经元中的至少一个神经元之间具有连接关系，M为大于1的正整数。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面任一项所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面任一项所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面任一项所述的方法。
本公开提供的方法，神经功能团中神经元的连接方式是图结构的连接方式，可提高神经网络模型处理数据的准确率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的信息处理方法的流程图；
图2是本公开实施例提供的神经元示意图；
图3是本公开实施例提供的神经功能团的示意图；
图4是本公开实施例提供的前馈式神经网络模型的示意图；
图5是本公开实施例提供的基于神经功能团的卷积处理示意图；
图6是本公开实施例提供的信息处理装置的结构图；
图7是用来实现本公开实施例的信息处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
参见图1，图1是本公开实施例提供的信息处理方法的流程图，如图1所示，本实施例提供一种信息处理方法，由电子设备执行，包括以下步骤：
步骤101、获取待处理数据。
待处理数据可为图像数据、音频数据和文本数据中的至少一项。
步骤102、利用神经网络模型对所述待处理数据进行处理，获得输出结果，所述神经网络模型包括神经功能团，所述神经功能团包括属于相同层的M个神经元，所述M个神经元中任意一个神经元与所述M个神经元中的至少一个神经元之间具有连接关系，M为大于1的正整数。
如图2所示为本公开实施例提供的神经功能团中神经元的示意图，图中，I所示为神经元，o所示为神经元的输出结果，y是神经元在高维空间中的向量表示，x表示输入数据，C表示输入数据的上下文信息，x∈C。σ为激活函数，该激活函数可定义在高维向量空间中，以对定义在高维空间中的向量进行处理。根据激活函数可获知x是否会导致神经元的激活以及激活量的大小。高维空间可理解为多维空间，维度可为几维、十几维或者更高维度，在此不做限定。
神经功能团包括M个神经元，同属于一个神经功能团的神经元属于神经网络模型的同一层。对于神经功能团中的任意一个神经元，该神经元与该神经功能团中的其他至少一个神经元之间具有连接关系。如图3所示为神经网络模型的示意图，该神经网络模型包括一个神经功能团，A所示为待处理数据，B所示为神经功能团，o1所示为神经功能团的输出结果，o1至o5分别为各神经元的输出，y1至y5分别为各神经元的向量表示。
神经功能团包括5个神经元，分别为n1至n5，这5个神经元中的任意一个神经元与其他4个神经元中的至少一个神经元之间具有连接关系，例如n1与n3之间具有连接关系λ(y1,y3)，λ(y1,y3)可理解为连接权重，n3、n5均与n2之间具有连接关系，n1到n3之间的箭头表示n1与n3之间具有连接关系，其他神经元之间的箭头以此类推，在此不做赘述。神经功能团中神经元之间的连接关系可理解为是一种消息传递机制，这种消息传递机制使得神经元之间的信息能高效的传递，有助于增强各神经元组成的神经网络的学习能力。
本实施例中的神经网络模型可应用于图像识别、图像分类、图像去噪、自然语言处理、小数据学习等领域。采用神经网络模型对待处理数据进行处理，获得输出结果，该输出结果可以是图像识别结果、图像分类结果、图像去噪后的结果等等，具体输出结果可根据神经网络模型的用途确定。
神经功能团可以作为单独的模块使用，即神经网络模型仅包括神经功能团，神经功能团也可以与传统神经网络结合使用，例如，把传统神经网络模型中的某一层或几层换成神经功能团。此种情况下，本实施例中的神经网络模型不仅包括神经功能团，还包括传统神经网络模型中的分层，例如，可将神经网络模型的输入层和输出层均采用传统神经网络模型中的分层，神经网络模型的中间层采用神经功能团。
举例来说，若神经网络模型的输入层包括5个神经元，中间层的神经功能团包括10个神经元，输出层包括4个神经元，则输入层中的5个神经元之间无连接关系(即采用传统神经网络模型中的分层)，输入层中的5个神经元分别与神经功能团的10个神经元之间具有连接关系，输出层中的4个神经元之间无连接关系(即采用传统神经网络模型中的分层)，输出层中的4个神经元分别与神经功能团的10个神经元之间具有连接关系。
本实施例中，获取待处理数据；利用神经网络模型对所述待处理数据进行处理，获得输出结果，所述神经网络模型包括神经功能团，所述神经功能团包括属于相同层的M个神经元，所述M个神经元中任意一个神经元与所述M个神经元中的至少一个神经元之间具有连接关系，M为大于1的正整数。由于神经功能团中神经元的连接方式是图结构的连接方式，图结构的连接方式更加类脑，可提高神经网络模型处理数据的准确率。
神经网络模型可包括一个或多个神经功能团，每个神经功能图属于神经网络模型中的不同层，神经网络模型可包括输入层、中间层或者输出层等。各神经功能团包括的神经元个数可以相同也可以不同，在此不做限定。如图4所示为本公开实施例提供的一种前馈式神经网络模型，该神经网络模型包括三个神经功能团，各神经功能团分别位于输入层、隐藏层和输出层中。输入层也可称为输入神经功能团，包括5个神经元；中间层(即隐藏层)也可称为中间神经功能团，包括3个神经元；输出层也可称为输出神经功能团，包括3个神经元。图4中，x1、x2和x3为输入数据，和/>为输出数据，n1至n11分别标识各神经元，y1至y11分别为各神经元的向量表示。
若在中间神经功能团中新增一个神经元，则神经网络模型需要增加的参数数量为常数，增加的参数包括新增神经元自己的表示向量，以及用来计算连接权重的函数中的参数，增加的参数跟网络规模(即神经元个数)无关。也就是说，神经功能团中，增加一个神经元带来的参数数量增加为常数，跟神经功能团中的神经元数量无关，相比于传统神经网络模型，可以大大减少参数的数量，从而减小神经功能团在训练过程中的数据复杂度，进一步地，由于采用神经功能团可以大大降低参数的数量，因此可以利用神经功能团构造超大规模神经网络(即上百亿甚至上千亿级别的神经元集群)。
神经功能团可以采用误差反向传播进行训练，此种情况下，需要激活函数和连接权重函数可导。
上述中，对于所述M个神经元中具有连接关系的第一神经元和第二神经元，所述第一神经元和所述第二神经元之间的连接关系根据表征所述第一神经元的向量、表征所述第二神经元的向量，以及连接权重函数确定。
连接权重函数可为线性函数或者非线性函数，在此不做限定。连接权重函数基于表征第一神经元的向量、表征第二神经元的向量可计算获得连接关系。连接权重函数中的变量包括表征第一神经元的向量、表征第二神经元的向量以及未知参数。
神经功能图中的神经元在训练过程中会对表征神经元的向量进行更新，同时对两个神经元的连接关系对应的未知参数(即连接权重函数中的未知参数)进行更新，在训练完成后，表征神经元的向量为确定值，两个神经元的连接关系对应的未知参数为确定值，根据连接权重函数可确定这两个神经元之间的权重，权重即两个神经元之间的连接关系。
神经功能团中的神经元可采用高维空间中的向量进行表示，高维空间可理解为多维空间，维度可为几维、十几维或者更高维度，在此不做限定。
通过高维向量表示神经元，神经元可编码更为多样化的信息，提高了利用人工智能手段将生物神经元嵌入到高维数值空间的可能性。
上述中，第一神经元和所述第二神经元之间的连接关系根据表征所述第一神经元的向量、表征所述第二神经元的向量，以及连接权重函数确定，通过连接关系可使得神经元之间的信息能高效的传递，有助于增强神经功能团的学习能力。
在采用M个神经元对待处理数据进行处理时，可将待处理数据输入到M个神经元中的一个神经元上进行处理，也可以将待处理数据中的N个数据分别输入至神经功能团中的N个神经元上进行处理，此种情况下，N为小于或等于M的正整数。N也可以大于M，在此不做限定。
上述中，利用神经网络模型对所述待处理数据进行处理，获得输出结果，包括：
将所述待处理数据中的M个数据中的各数据分别输入至所述M个神经元的各神经元中，获得第一子输出结果，所述输出结果包括所述第一子输出结果。
可以将待处理数据划分为多组数据，每组数据包括M个数据，对于每组数据，可该组数据中的各个数据分别输入至M个神经元的各神经元中，例如，若有一组数据包括5个数据，神经功能团包括5个神经元，则每个神经元接收一个数据进行处理，获得第一子输出结果，输出结果包括所述第一子输出结果。第一子输出结果可为M个神经元中的一个或多个神经元的输出结果，例如，可选择M个神经元中的一个、两个或全部的神经元的输出结果作为神经网络模型的输出结果，提高输出结果获取的灵活性。
一组数据中的M个数据相互包括上下文信息，这可以理解为，对于M个数据中的任意第一数据，在M个数据中存在第二数据，第一数据和第二数据相互包括上下文信息。
举例来说，对于图像数据来说，M个数据可为3×3的像素块，这个像素块中包括9个像素点，对于像素块中的任意一个第一像素点，像素块中包括有第二像素点，第二像素点与第一像素点相邻，相邻的像素点之间相互包括上下文信息。上下文信息可以为语义上下文信息，例如同属于一个句子中的字或词，空间位置上的上下文信息，例如上述示例中3×3的像素块中的像素点，以及尺度上下文信息等。
本实施例中，在对待处理数据进行处理时，可将M个数据中的各数据分别输入至M个神经元的各神经元中进行处理，可提高神经网络模型处理数据的效率。
为了使得基于神经功能团的卷积具有全局感受野，除了上述中将所述待处理数据中的M个数据中的各数据分别输入至所述M个神经元的各神经元的处理方式，还可以将图像的所有图像数据输入至神经功能团的一个神经元中，即，利用神经网络模型对所述待处理数据进行处理，获得输出结果，还包括：
将所述待处理数据输入至所述M个神经元中的一个神经元中，获得第二子输出结果，所述输出结果还包括所述第二子输出结果。
上述中，待处理数据可为图像数据，M可为神经网络模型的卷积核大小，即神经网络模型每次处理的图像数据块大小，例如，M个数据可为3×3的像素块，这个像素块中包括9个像素点。
如图5所示，C为一幅图像，X是C的一个小图像块，即3×3大小的像素块，也是神经网络模型的卷积核大小，G所示为神经功能团，对于的图像块，可设置G有9个神经元，X的每个对应的像素会输入到对应的神经元中去，如图5所示，1号像素输入到1号神经元，2号像素输入到2号神经元，依次类推，若神经功能团G以窗口(二维)大小(kH,kW)，步长(SH,SW)遍历高为H，宽为W的图像，神经功能团会输出高为(H-kH+2×padding)/sH，宽为(W-kW+2×padding)/sW的输出O，其中，padding跟卷积核大小以及图像输入尺寸有关。
为了使得基于神经功能团的卷积具有全局感受野，可以把图像C中的所有像素输入到神经功能团中的某个神经元上。另外，采用神经功能团处理图像数据时，可以用神经功能团中一个神经元的输出作为整个神经功能团的输出。
在本实施例中，将所述待处理数据中的M个数据中的各数据分别输入至所述M个神经元的各神经元中，并将所述待处理数据输入至所述M个神经元中的一个神经元中，基于两种输入获得的输出结果(即第一子输出结果和第二子输出结果)作为神经网络模型的输出结果，可提高输出结果的准确率。
上述实施例中的神经功能团中的神经元采用高维数值空间中的向量来表示，神经元上的激活函数也是定义在高维数值空间中的非线性激活函数。通过一个高维向量表示神经元，神经元可编码成更为多样的信息，为利用人工智能手段将生物神经元嵌入到高维数值空间提供可能。
神经功能团中的神经元的连接方式没有明确层次，是图结构的(即以神经元为节点，以神经元之间的连接为边，边上有连接权重)，这样的图结构化的网络更加类脑。
传统神经网络每一层的神经元之间不存在连接关系，即不存在消息传递机制，但是神经功能团中的神经元之间具有连接关系，通过消息传递机制可使得神经元之间信息能高效的传递，有助于增强神经网络的学习能力。
对于传统神经网络，增加一个神经元带来的神经网络参数数量增加与前一层和后一层的神经元数量(神经元个数)成线性关系，而在神经功能团中，增加一个神经元带来的参数数量增加是常数，跟神经元数量无关。由此可以构造超大规模神经网络(上百亿甚至上千亿级别的神经元集群)，而不用担心网络参数爆表，这对于构造与人脑规模相当的(百亿级别)类脑计算系统意义重大。
在图像分类、图像识别等图像场景，神经功能团在图像分类任务上能大幅度减少网络参数，并提高分类精度。在MNIST数据集上的实验表明，3层神经功能团(即神经网络模型包括三个神经功能团)的精确度大大超过3层卷积神经网络(convolutional neuralnetwork，CNN)以及胶囊网络，而且3层神经功能团的参数数量比胶囊网络也少了上百倍，同时精确度还比传统卷积神经网络和胶囊网络高，同样的情况也存在于Cifar10数据集上。
参见图6，图6是本公开实施例提供的信息处理装置的结构图，如图6所示，本实施例提供一种信息处理装置600，由电子设备执行，包括：
第一获取模块601，用于获取待处理数据；
第二获取模块602，用于利用神经网络模型对所述待处理数据进行处理，获得输出结果，所述神经网络模型包括神经功能团，所述神经功能团包括属于相同层的M个神经元，所述M个神经元中任意一个神经元与所述M个神经元中的至少一个神经元之间具有连接关系，M为大于1的正整数。
进一步地，所述第二获取模块602，包括：
第一获取子模块，用于将所述待处理数据中的M个数据中的各数据分别输入至所述M个神经元的各神经元中，获得第一子输出结果，输出结果包括第一子输出结果。
进一步地，所述第二获取模块602，还包括：
第二获取子模块，用于将所述待处理数据输入至所述M个神经元中的一个神经元中，获得第二子输出结果，所述输出结果还包括所述第二子输出结果。
进一步地，所述输出结果为所述M个神经元中的一个或多个神经元的输出结果。
进一步地，对于所述M个神经元中具有连接关系的第一神经元和第二神经元，所述第一神经元和所述第二神经元之间的连接关系根据表征所述第一神经元的向量、表征所述第二神经元的向量，以及连接权重函数确定。
本公开实施例提供的信息处理装置600能够实现图1的方法实施例中电子设备实现的各个过程以及达到相同的技术效果，为避免重复，这里不再赘述。
本公开实施例的信息处理装置600，获取待处理数据；利用神经网络模型对所述待处理数据进行处理，获得输出结果，所述神经网络模型包括神经功能团，所述神经功能团包括属于相同层的M个神经元，所述M个神经元中任意一个神经元与所述M个神经元中的至少一个神经元之间具有连接关系，M为大于1的正整数。由于神经功能团中神经元的连接方式是图结构的连接方式，图结构的连接方式更加类脑，可提高神经网络模型处理数据的准确率。
根据本公开的实施例，本公开还提供了一种电子设备、计算机程序产品和一种可读存储介质。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如信息处理方法。例如，在一些实施例中，信息处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元404。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的信息处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物体主机与VPS服务(“VirtualPrivate Server”,或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (8)
1.一种信息处理方法，包括：
获取待处理数据，其中，所述待处理数据为图像数据；
利用神经网络模型对所述待处理数据进行处理，获得输出结果，所述神经网络模型包括神经功能团，所述神经功能团包括属于相同层的M个神经元，所述M个神经元中任意一个神经元与所述M个神经元中的至少一个神经元之间具有连接关系，M为大于1的正整数，所述神经网络模型的卷积核大小与所述神经网络模型每次处理所述待处理数据的图像数据块大小相同，所述图像数据块的每个像素用于输入对应的所述神经元，在所述神经功能团以窗口大小(kH，kW)、步长(SH，SW)遍历高为H，宽为W的图像的情况下，所述神经功能团输出高为(H-kH+2×padding)/sH、宽为(W-kW+2×padding)/sW的输出，其中，padding基于所述神经网络模型的卷积核大小以及输入所述神经网络模型的图像尺寸确定；
其中，所述利用神经网络模型对所述待处理数据进行处理，获得输出结果，包括：
将所述待处理数据中的M个数据中的各数据分别输入至所述M个神经元的各神经元中，获得第一子输出结果，所述输出结果包括所述第一子输出结果；
将所述待处理数据输入至所述M个神经元中的一个神经元中，获得第二子输出结果，所述输出结果包括所述第二子输出结果；
其中，所述输出结果基于所述第一子输出结果和所述第二子输出结果确定。
2.根据权利要求1所述的方法，其中，所述输出结果为所述M个神经元中的一个或多个神经元的输出结果。
3.根据权利要求1所述的方法，其中，对于所述M个神经元中具有连接关系的第一神经元和第二神经元，所述第一神经元和所述第二神经元之间的连接关系根据表征所述第一神经元的向量、表征所述第二神经元的向量，以及连接权重函数确定。
4.一种信息处理装置，包括：
第一获取模块，用于获取待处理数据，其中，所述待处理数据为图像数据；
第二获取模块，用于利用神经网络模型对所述待处理数据进行处理，获得输出结果，所述神经网络模型包括神经功能团，所述神经功能团包括属于相同层的M个神经元，所述M个神经元中任意一个神经元与所述M个神经元中的至少一个神经元之间具有连接关系，M为大于1的正整数；
所述神经网络模型的卷积核大小与所述神经网络模型每次处理所述待处理数据的图像数据块大小相同，所述图像数据块的每个像素用于输入对应的所述神经元，在所述神经功能团以窗口大小(kH，kW)、步长(H，SW)遍历高为H，宽为W的图像的情况下，所述神经功能团输出高为(H-kH+2×padding)/sH、宽为(W-kW+2×padding)/sW的输出，其中，padding基于所述神经网络模型的卷积核大小以及输入所述神经网络模型的图像尺寸确定；
其中，所述第二获取模块，包括：
第一获取子模块，用于将所述待处理数据中的M个数据中的各数据分别输入至所述M个神经元的各神经元中，获得第一子输出结果，所述输出结果包括所述第一子输出结果；
第二获取子模块，用于将所述待处理数据输入至所述M个神经元中的一个神经元中，获取第二子输出结果，所述输出结果包括所述第二子输出结果；
其中，所述输出结果基于所述第一子输出结果和所述第二子输出结果确定。
5.根据权利要求4所述的装置，其中，所述输出结果为所述M个神经元中的一个或多个神经元的输出结果。
6.根据权利要求4所述的装置，其中，对于所述M个神经元中具有连接关系的第一神经元和第二神经元，所述第一神经元和所述第二神经元之间的连接关系根据表征所述第一神经元的向量、表征所述第二神经元的向量，以及连接权重函数确定。
7. 一种电子设备，其中，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110129105.7A CN112784967B (zh) | 2021-01-29 | 2021-01-29 | 信息处理方法、装置以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110129105.7A CN112784967B (zh) | 2021-01-29 | 2021-01-29 | 信息处理方法、装置以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784967A CN112784967A (zh) | 2021-05-11 |
| CN112784967B true CN112784967B (zh) | 2023-07-25 |
Family
ID=75759981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110129105.7A Active CN112784967B (zh) | 2021-01-29 | 2021-01-29 | 信息处理方法、装置以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784967B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113624998A (zh) * | 2021-09-17 | 2021-11-09 | 辽宁旭能科技有限公司 | 基于电力大数据的电锅炉补热储热成本优化方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
| CN107273969A (zh) * | 2017-05-11 | 2017-10-20 | 西安交通大学 | 一种参数化可扩展的神经网络全连接层多层互连结构 |
| CN110533158A (zh) * | 2018-05-25 | 2019-12-03 | 宏达国际电子股份有限公司 | 模型建构方法、系统及非易失性电脑可读取记录介质 |
| WO2020042658A1 (zh) * | 2018-08-31 | 2020-03-05 | 华为技术有限公司 | 数据处理方法、装置、设备和系统 |
| WO2020126692A1 (en) * | 2018-12-19 | 2020-06-25 | Ams Ag | Implementing a multi-layer neural network using a single physical layer of analog neurons |
-
2021
- 2021-01-29 CN CN202110129105.7A patent/CN112784967B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
| CN107273969A (zh) * | 2017-05-11 | 2017-10-20 | 西安交通大学 | 一种参数化可扩展的神经网络全连接层多层互连结构 |
| CN110533158A (zh) * | 2018-05-25 | 2019-12-03 | 宏达国际电子股份有限公司 | 模型建构方法、系统及非易失性电脑可读取记录介质 |
| WO2020042658A1 (zh) * | 2018-08-31 | 2020-03-05 | 华为技术有限公司 | 数据处理方法、装置、设备和系统 |
| WO2020126692A1 (en) * | 2018-12-19 | 2020-06-25 | Ams Ag | Implementing a multi-layer neural network using a single physical layer of analog neurons |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于神经网络的图像识别算法;曾晓娟;;电脑知识与技术(第17期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784967A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
| CN112560985B (zh) | 神经网络的搜索方法、装置及电子设备 | |
| CN112580732B (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
| CN112561060A (zh) | 神经网络训练方法及装置、图像识别方法及装置和设备 | |
| CN113393371B (zh) | 一种图像处理方法、装置及电子设备 | |
| CN113627536B (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| US20220398834A1 (en) | Method and apparatus for transfer learning | |
| CN115482395A (zh) | 模型训练方法、图像分类方法、装置、电子设备和介质 | |
| CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
| CN112784967B (zh) | 信息处理方法、装置以及电子设备 | |
| Huai et al. | Latency-constrained DNN architecture learning for edge systems using zerorized batch normalization | |
| CN117746125A (zh) | 图像处理模型的训练方法、装置及电子设备 | |
| CN114973333B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
| CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 | |
| CN113361621B (zh) | 用于训练模型的方法和装置 | |
| EP4095761A1 (en) | Method for generating backbone network, apparatus for generating backbone network, device, and storage medium | |
| CN116030235A (zh) | 目标检测模型训练方法、目标检测方法、装置和电子设备 | |
| WO2022052647A1 (zh) | 一种数据处理方法、神经网络的训练方法以及相关设备 | |
| US20220138528A1 (en) | Data processing method for neural network accelerator, device and storage medium | |
| CN112559727B (zh) | 用于输出信息的方法、装置、设备、存储介质和程序 | |
| CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 | |
| CN113989152A (zh) | 图像增强方法、装置、设备以及存储介质 | |
| CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
| CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |