JP6528884B1 - 学習プログラム、学習方法、及び情報処理装置 - Google Patents
学習プログラム、学習方法、及び情報処理装置 Download PDFInfo
- Publication number
- JP6528884B1 JP6528884B1 JP2018107200A JP2018107200A JP6528884B1 JP 6528884 B1 JP6528884 B1 JP 6528884B1 JP 2018107200 A JP2018107200 A JP 2018107200A JP 2018107200 A JP2018107200 A JP 2018107200A JP 6528884 B1 JP6528884 B1 JP 6528884B1
- Authority
- JP
- Japan
- Prior art keywords
- learning
- point number
- floating point
- represented
- parameter
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
Abstract
Description
(1)
(2)
(3)
(4)
(5)
(7)
(8)
(9)
所定の学習モデルを繰り返し学習させる際に、浮動小数点数である数値を用いて前記学習モデルを所定回数繰り返し学習させ、
前記浮動小数点数である数値を用いての学習後に、該学習により得られた前記浮動小数点数である数値に対応する、固定小数点数である数値を用いて前記学習モデルを繰り返し学習させる、
処理をコンピュータに実行させるための学習プログラム。
前記固定小数点数である数値を用いて前記学習モデルを学習させる際に、前記浮動小数点数である数値を用いた学習における前記数値に応じた小数点位置を算出し、算出された前記小数点位置に基づいて、前記浮動小数点数である数値を固定小数点数である数値へ変換し、前記固定小数点数である数値を用いて前記学習モデルを学習させる、
付記1に記載の学習プログラム。
前記数値は、前記学習モデルのパラメータ及び前記学習モデルの学習用データの少なくとも1つである、
付記1又は付記2に記載の学習プログラム。
前記所定回数は、予め設定された回数である、
付記1〜付記3の何れか1項に記載の学習プログラム。
前記浮動小数点数によるi−1回目の学習における前記数値に応じた小数点位置と、前記浮動小数点数によるi回目の学習における前記数値に応じた小数点位置とを算出し、
前記i回目の学習における前記小数点位置と前記i−1回目の学習における前記小数点位置との間の変化に基づいて、前記浮動小数点数による学習から前記固定小数点数による学習へ切り替える、
付記1〜付記4の何れか1項に記載の学習プログラム。
前記浮動小数点数による学習が繰り返される毎に、
前記i回目の学習における前記小数点位置と前記i−1回目の学習における前記小数点位置との間の差の絶対値を前記変化として算出し、
今回の前記浮動小数点数による学習が繰り返された際に算出された前記差の絶対値から、前回の前記浮動小数点数による学習が繰り返された際に算出された前記差の絶対値を引いた値が閾値より大きい場合に、i+1回目の学習から前記固定小数点数である数値を用いて前記学習モデルを学習させる、
付記5に記載の学習プログラム。
前記学習モデルは、ニューラルネットワークであり、
前記浮動小数点数である数値を用いた学習における前記数値に応じた前記小数点位置を算出する際に、前記ニューラルネットワークの各層について、前記層のパラメータベクトルの各要素から絶対値が最大である要素を選択し、選択された最大の前記要素に応じて、前記パラメータベクトルの各要素の値の小数点位置を算出する、
付記2、付記5、及び付記6の何れか1項に記載の学習プログラム。
前記固定小数点数である数値を用いて前記学習モデルを学習させる際に、前記固定小数点数である数値を用いての処理に関する統計情報に基づいて、前記固定小数点数における小数点位置を変更し、前記学習モデルを学習させる、
付記1〜付記7の何れか1項に記載の学習プログラム。
所定の学習モデルを繰り返し学習させる際に、浮動小数点数である数値を用いて前記学習モデルを所定回数繰り返し学習させ、
前記浮動小数点数である数値を用いての学習後に、該学習により得られた前記浮動小数点数である数値に対応する、固定小数点数である数値を用いて前記学習モデルを繰り返し学習させる、
処理をコンピュータに実行させる学習方法。
前記固定小数点数である数値を用いて前記学習モデルを学習させる際に、前記浮動小数点数である数値を用いた学習における前記数値に応じた小数点位置を算出し、算出された前記小数点位置に基づいて、前記浮動小数点数である数値を固定小数点数である数値へ変換し、前記固定小数点数である数値を用いて前記学習モデルを学習させる、
付記9に記載の学習方法。
前記数値は、前記学習モデルのパラメータ及び前記学習モデルの学習用データの少なくとも1つである、
付記9又は付記10に記載の学習方法。
前記所定回数は、予め設定された回数である、
付記9〜付記11の何れか1項に記載の学習方法。
前記浮動小数点数によるi−1回目の学習における前記数値に応じた小数点位置と、前記浮動小数点数によるi回目の学習における前記数値に応じた小数点位置とを算出し、
前記i回目の学習における前記小数点位置と前記i−1回目の学習における前記小数点位置との間の変化に基づいて、前記浮動小数点数による学習から前記固定小数点数による学習へ切り替える、
付記9〜付記12の何れか1項に記載の学習方法。
前記浮動小数点数による学習が繰り返される毎に、
前記i回目の学習における前記小数点位置と前記i−1回目の学習における前記小数点位置との間の差の絶対値を前記変化として算出し、
今回の前記浮動小数点数による学習が繰り返された際に算出された前記差の絶対値から、前回の前記浮動小数点数による学習が繰り返された際に算出された前記差の絶対値を引いた値が閾値より大きい場合に、i+1回目の学習から前記固定小数点数である数値を用いて前記学習モデルを学習させる、
付記13に記載の学習方法。
前記学習モデルは、ニューラルネットワークであり、
前記浮動小数点数である数値を用いた学習における前記数値に応じた前記小数点位置を算出する際に、前記ニューラルネットワークの各層について、前記層のパラメータベクトルの各要素から絶対値が最大である要素を選択し、選択された最大の前記要素に応じて、前記パラメータベクトルの各要素の値の小数点位置を算出する、
付記10、付記13、及び付記14の何れか1項に記載の学習方法。
前記固定小数点数である数値を用いて前記学習モデルを学習させる際に、前記固定小数点数である数値を用いての処理に関する統計情報に基づいて、前記固定小数点数における小数点位置を変更し、前記学習モデルを学習させる、
付記9〜付記15の何れか1項に記載の学習方法。
所定の学習モデルを繰り返し学習させる際に、浮動小数点数である数値を用いて前記学習モデルを所定回数繰り返し学習させる第1学習部と、
前記第1学習部による前記浮動小数点数である数値を用いての学習後に、該学習により得られた前記浮動小数点数である数値に対応する、固定小数点数である数値を用いて前記学習モデルを繰り返し学習させる第2学習部と、
を含む情報処理装置。
前記第2学習部は、前記固定小数点数である数値を用いて前記学習モデルを学習させる際に、前記浮動小数点数である数値を用いた学習における前記数値に応じた小数点位置を算出し、算出された前記小数点位置に基づいて、前記浮動小数点数である数値を固定小数点数である数値へ変換し、前記固定小数点数である数値を用いて前記学習モデルを学習させる、
付記17に記載の情報処理装置。
前記数値は、前記学習モデルのパラメータ及び前記学習モデルの学習用データの少なくとも1つである、
付記17又は付記18に記載の情報処理装置。
所定の学習モデルを繰り返し学習させる際に、浮動小数点数である数値を用いて前記学習モデルを所定回数繰り返し学習させ、
前記浮動小数点数である数値を用いての学習後に、該学習により得られた前記浮動小数点数である数値に対応する、固定小数点数である数値を用いて前記学習モデルを繰り返し学習させる、
処理をコンピュータに実行させるための学習プログラムを記憶した記憶媒体。
20 データ記憶部
22 第1学習部
24 第1パラメータ記憶部
26 第2学習部
28 第2パラメータ記憶部
50 コンピュータ
51 CPU
53 記憶部
59 記録媒体
60 学習プログラム
61 第1学習プロセス
62 第2学習プロセス
63 データ記憶領域
64 第1パラメータ記憶領域
65 第2パラメータ記憶領域
Claims (12)
- 所定の学習モデルを学習させる際に、浮動小数点数で表された学習用データを用いて前記学習モデルを学習させることにより、前記学習モデルの浮動小数点数で表されたパラメータを更新する第1学習部と、
前記第1学習部による前記浮動小数点数で表された学習用データを用いた学習後に、該学習により更新された前記浮動小数点数で表されたパラメータを固定小数点数で表されたパラメータに変換し、固定小数点数で表された学習用データを用いて前記学習モデルを学習させる第2学習部と、
を含み、
前記浮動小数点数で表されたパラメータは、複数の要素を含むパラメータベクトルであり、
前記浮動小数点数で表されたパラメータの前記固定小数点数で表されたパラメータへの変換において、前記第2学習部は、前記パラメータベクトルに含まれる前記複数の要素のうち最大の絶対値を有する第1要素を選択し、式(1)
N Wl =Ceil(log 2 第1要素の絶対値) ・・・式(1)
(Ceilは、最も近い整数に切り上げられた数値を意味する)
に従って整数N Wl を算出し、算出された前記整数N Wl と前記固定小数点数で表された学習用データのビット幅WLを用いて、式(2)
Q(W l )=N wl −WL−1 ・・・式(2)
に従って前記浮動小数点数で表されたパラメータに応じた小数点位置Q(W l )を算出し、算出された前記小数点位置Q(W l )に基づいて、前記浮動小数点数で表されたパラメータを前記固定小数点数で表されたパラメータへ変換する
ことを特徴とする情報処理装置。 - 前記第2学習部は、前記浮動小数点数で表された学習用データを用いた学習が複数回行われる毎に、前記浮動小数点数で表された学習用データを用いたi−1回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置と、前記浮動小数点数で表された学習用データを用いたi回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置とを算出し、
前記i回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置と前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置との間の変化に基づいて、前記浮動小数点数で表された学習用データを用いた学習から前記固定小数点数で表された学習用データを用いた学習へ切り替える、
請求項1に記載の情報処理装置。 - 前記第2学習部は、前記i回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置と前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置との間の第1差の絶対値を算出し、
前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置とi−2回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置との間の第2差の絶対値を算出し、
前記第1差の絶対値から、前記第2差の絶対値を引いた値が閾値より大きい場合に、i+1回目の学習から前記固定小数点数で表された学習用データを用いた学習へ切り替える、
請求項2に記載の情報処理装置。 - 前記第2学習部は、前記固定小数点数で表された学習用データを用いて前記学習モデルを学習させる際に、前記固定小数点数で表された学習用データを用いた前記学習モデルの前記学習に関する統計情報に基づいて、前記小数点位置を決定し、前記学習モデルを学習させる、
請求項1〜請求項3の何れか1項に記載の情報処理装置。 - 所定の学習モデルを学習させる際に、浮動小数点数で表された学習用データを用いて前記学習モデルを学習させることにより、前記学習モデルの浮動小数点数で表されたパラメータを更新し、
前記浮動小数点数で表された学習用データを用いた学習後に、該学習により更新された前記浮動小数点数で表されたパラメータを固定小数点数で表されたパラメータに変換し、
固定小数点数で表された学習用データを用いて前記固定小数点数で表されたパラメータを有する前記学習モデルを学習する、
処理をコンピュータが実行する学習方法であって、
前記浮動小数点数で表されたパラメータは、複数の要素を含むパラメータベクトルであり、
前記浮動小数点数で表されたパラメータの前記固定小数点数で表されたパラメータへの変換において、前記コンピュータは、前記パラメータベクトルに含まれる前記複数の要素のうち最大の絶対値を有する第1要素を選択し、式(1)
N Wl =Ceil(log 2 第1要素の絶対値) ・・・式(1)
(Ceilは、最も近い整数に切り上げられた数値を意味する)
に従って整数N Wl を算出し、算出された前記整数N Wl と前記固定小数点数で表された学習用データのビット幅WLを用いて、式(2)
Q(W l )=N wl −WL−1 ・・・式(2)
に従って前記浮動小数点数で表されたパラメータに応じた小数点位置Q(W l )を算出し、算出された前記小数点位置Q(W l )に基づいて、前記浮動小数点数で表されたパラメータを前記固定小数点数で表されたパラメータへ変換する
ことを特徴とするコンピュータが実行する学習方法。 - 所定の学習モデルを学習させる際に、浮動小数点数で表された学習用データを用いて前記学習モデルを学習させることにより、前記学習モデルの浮動小数点数で表されたパラメータを更新し、
前記浮動小数点数で表された学習用データを用いて学習させた後に、該学習により更新された前記浮動小数点数で表されたパラメータを固定小数点数で表されたパラメータに変換し、
固定小数点数で表された学習用データを用いて前記固定小数点数で表されたパラメータを有する前記学習モデルを学習する
処理をコンピュータに実行させるための学習プログラムであって、
前記浮動小数点数で表されたパラメータは、複数の要素を含むパラメータベクトルであり、
前記浮動小数点数で表されたパラメータの前記固定小数点数で表されたパラメータへの変換において、前記コンピュータは、前記パラメータベクトルに含まれる前記複数の要素のうち最大の絶対値を有する第1要素を選択し、式(1)
N Wl =Ceil(log 2 第1要素の絶対値) ・・・式(1)
(Ceilは、最も近い整数に切り上げられた数値を意味する)
に従って整数N Wl を算出し、算出された前記整数N Wl と前記固定小数点数で表された学習用データのビット幅WLを用いて、式(2)
Q(W l )=N wl −WL−1 ・・・式(2)
に従って前記浮動小数点数で表されたパラメータに応じた小数点位置Q(W l )を算出し、算出された前記小数点位置Q(W l )に基づいて、前記浮動小数点数で表されたパラメータを前記固定小数点数で表されたパラメータへ変換する
ことを特徴とする学習プログラム。 - 所定の学習モデルを学習させる際に、浮動小数点数で表された学習用データを用いて前記学習モデルを学習させることにより、前記学習モデルの浮動小数点数で表されたパラメータを更新する第1学習部と、
前記第1学習部による前記浮動小数点数で表された学習用データを用いた学習後に、該学習により更新された前記浮動小数点数で表されたパラメータを固定小数点数で表されたパラメータに変換し、固定小数点数で表された学習用データを用いて前記学習モデルを学習させる第2学習部と、
を含み、
前記第2学習部は、前記浮動小数点数で表された学習用データを用いた学習が複数回行われる毎に、前記浮動小数点数で表された学習用データを用いたi−1回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置と、前記浮動小数点数で表された学習用データを用いたi回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置とを算出し、
前記i回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置と前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置との間の変化に基づいて、前記浮動小数点数で表された学習用データを用いた学習から前記固定小数点数で表された学習用データを用いた学習へ切り替える、
ことを特徴とする情報処理装置。 - 前記第2学習部は、前記i回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置と前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置との間の第1差の絶対値を算出し、
前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置とi−2回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置との間の第2差の絶対値を算出し、
前記第1差の絶対値から、前記第2差の絶対値を引いた値が閾値より大きい場合に、i+1回目の学習から前記固定小数点数で表された学習用データを用いた学習へ切り替える、
ことを特徴とする請求項7に記載の情報処理装置。 - 所定の学習モデルを学習させる際に、浮動小数点数で表された学習用データを用いて前記学習モデルを学習させることにより、前記学習モデルの浮動小数点数で表されたパラメータを更新し、
前記浮動小数点数で表された学習用データを用いた学習後に、該学習により更新された前記浮動小数点数で表されたパラメータを固定小数点数で表されたパラメータに変換し、固定小数点数で表された学習用データを用いて前記学習モデルを学習する
処理をコンピュータが実行する学習方法であって、
前記コンピュータは、
前記浮動小数点数で表された学習用データを用いた学習が複数回行われる毎に、前記浮動小数点数で表された学習用データを用いたi−1回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置と、前記浮動小数点数で表された学習用データを用いたi回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置とを算出し、
前記i回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置と前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置との間の変化に基づいて、前記浮動小数点数で表された学習用データを用いた学習から前記固定小数点数で表された学習用データを用いた学習へ切り替える、
ことを特徴とするコンピュータが実行する学習方法。 - 前記コンピュータは、
前記i回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置と前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置との間の第1差の絶対値を算出し、
前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置とi−2回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置との間の第2差の絶対値を算出し、
前記第1差の絶対値から、前記第2差の絶対値を引いた値が閾値より大きい場合に、i+1回目の学習から前記固定小数点数で表された学習用データを用いた学習へ切り替える、
ことを特徴とする請求項9に記載のコンピュータが実行する学習方法。 - 所定の学習モデルを学習させる際に、浮動小数点数で表された学習用データを用いて前記学習モデルを学習させることにより、前記学習モデルの浮動小数点数で表されたパラメータを更新し、
前記浮動小数点数で表された学習用データを用いた学習後に、該学習により更新された前記浮動小数点数で表されたパラメータを固定小数点数で表されたパラメータに変換し、固定小数点数で表された学習用データを用いて前記学習モデルを学習する
処理をコンピュータに実行させるための学習プログラムであって、
前記コンピュータは、
前記浮動小数点数で表された学習用データを用いた学習が複数回行われる毎に、前記浮動小数点数で表された学習用データを用いたi−1回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置と、前記浮動小数点数で表された学習用データを用いたi回目の学習における前記浮動小数点数で表されたパラメータに応じた小数点位置とを算出し、
前記i回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置と前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置との間の変化に基づいて、前記浮動小数点数で表された学習用データを用いた学習から前記固定小数点数で表された学習用データを用いた学習へ切り替える、
ことを特徴とする学習プログラム。 - 前記コンピュータは、
前記i回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置と前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置との間の第1差の絶対値を算出し、
前記i−1回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置とi−2回目の学習における前記浮動小数点数で表されたパラメータに応じた前記小数点位置との間の第2差の絶対値を算出し、
前記第1差の絶対値から、前記第2差の絶対値を引いた値が閾値より大きい場合に、i+1回目の学習から前記固定小数点数で表された学習用データを用いた学習へ切り替える、
ことを特徴とする請求項11に記載の学習プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018107200A JP6528884B1 (ja) | 2018-06-04 | 2018-06-04 | 学習プログラム、学習方法、及び情報処理装置 |
US16/393,104 US11288597B2 (en) | 2018-06-04 | 2019-04-24 | Computer-readable recording medium having stored therein training program, training method, and information processing apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018107200A JP6528884B1 (ja) | 2018-06-04 | 2018-06-04 | 学習プログラム、学習方法、及び情報処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6528884B1 true JP6528884B1 (ja) | 2019-06-12 |
JP2019211985A JP2019211985A (ja) | 2019-12-12 |
Family
ID=66821601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018107200A Active JP6528884B1 (ja) | 2018-06-04 | 2018-06-04 | 学習プログラム、学習方法、及び情報処理装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11288597B2 (ja) |
JP (1) | JP6528884B1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3764217A1 (en) * | 2019-07-11 | 2021-01-13 | Fujitsu Limited | Arithmetic processing apparatus, control method, and control program |
JP2021043596A (ja) * | 2019-09-09 | 2021-03-18 | 株式会社ソシオネクスト | 量子化パラメータ最適化方法、及び、量子化パラメータ最適化装置 |
WO2022003855A1 (ja) * | 2020-07-01 | 2022-01-06 | 日本電信電話株式会社 | データ処理装置およびデータ処理方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59197936A (ja) | 1983-04-25 | 1984-11-09 | Fujitsu Ltd | デイジタル信号処理方式 |
JP3523104B2 (ja) | 1999-02-09 | 2004-04-26 | 株式会社東芝 | 固定小数点型乗加算器 |
US10373050B2 (en) * | 2015-05-08 | 2019-08-06 | Qualcomm Incorporated | Fixed point neural network based on floating point neural network quantization |
JP6745019B2 (ja) * | 2015-10-29 | 2020-08-26 | 株式会社Preferred Networks | 情報処理装置及び情報処理方法 |
CN107688849B (zh) * | 2017-07-28 | 2021-04-13 | 赛灵思电子科技(北京)有限公司 | 一种动态策略定点化训练方法及装置 |
-
2018
- 2018-06-04 JP JP2018107200A patent/JP6528884B1/ja active Active
-
2019
- 2019-04-24 US US16/393,104 patent/US11288597B2/en active Active
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3764217A1 (en) * | 2019-07-11 | 2021-01-13 | Fujitsu Limited | Arithmetic processing apparatus, control method, and control program |
US11410036B2 (en) | 2019-07-11 | 2022-08-09 | Fujitsu Limited | Arithmetic processing apparatus, control method, and non-transitory computer-readable recording medium having stored therein control program |
JP2021043596A (ja) * | 2019-09-09 | 2021-03-18 | 株式会社ソシオネクスト | 量子化パラメータ最適化方法、及び、量子化パラメータ最適化装置 |
JP7419711B2 (ja) | 2019-09-09 | 2024-01-23 | 株式会社ソシオネクスト | 量子化パラメータ最適化方法、及び、量子化パラメータ最適化装置 |
WO2022003855A1 (ja) * | 2020-07-01 | 2022-01-06 | 日本電信電話株式会社 | データ処理装置およびデータ処理方法 |
JP7491379B2 (ja) | 2020-07-01 | 2024-05-28 | 日本電信電話株式会社 | データ処理装置およびデータ処理方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190370682A1 (en) | 2019-12-05 |
US11288597B2 (en) | 2022-03-29 |
JP2019211985A (ja) | 2019-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11137981B2 (en) | Operation processing device, information processing device, and information processing method | |
US11468331B2 (en) | Neural network load reduction device, information processing unit, and neural network load reduction method and computer-readable storage medium | |
JP6528884B1 (ja) | 学習プログラム、学習方法、及び情報処理装置 | |
JP2019164793A5 (ja) | ||
CN118095366A (zh) | 利用反向传播为深度神经网络选择量化参数的方法和系统 | |
KR20160143505A (ko) | 신경망의 연산량을 줄이는 방법 및 시스템 | |
JP2019148972A (ja) | 演算処理装置、情報処理装置、情報処理方法、およびプログラム | |
JP2019139338A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP7272121B2 (ja) | 演算処理装置、制御方法、及び制御プログラム | |
US11551087B2 (en) | Information processor, information processing method, and storage medium | |
JP7294017B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
JP2019040365A (ja) | 情報処理装置、方法、及びプログラム | |
JP4733552B2 (ja) | Parcor係数算出装置、parcor係数算出方法、そのプログラムおよびその記録媒体 | |
JP7243498B2 (ja) | 演算処理装置、制御プログラム、及び制御方法 | |
JP7322620B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
JP2021140493A (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP2020190901A (ja) | 演算処理装置、演算処理装置の制御プログラム及び演算処理装置の制御方法 | |
JP6992864B1 (ja) | ニューラルネットワーク軽量化装置、ニューラルネットワーク軽量化方法およびプログラム | |
JP7055211B2 (ja) | データ処理システムおよびデータ処理方法 | |
JP7120288B2 (ja) | ニューラルネットワーク軽量化装置、ニューラルネットワーク軽量化方法およびプログラム | |
JPWO2020090025A1 (ja) | 演算処理装置および演算処理装置の制御方法 | |
JP7436830B2 (ja) | 学習プログラム、学習方法、および学習装置 | |
US11886977B2 (en) | Computing apparatus, computing method, storage medium, and table generating apparatus | |
US20210334634A1 (en) | Method and apparatus for implementing an artificial neuron network in an integrated circuit | |
JP2828791B2 (ja) | 積和演算に用いる部分和を量子化する方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181112 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181212 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190403 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190416 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190429 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6528884 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |