JP6810092B2 - 学習装置、学習方法及び学習プログラム - Google Patents
学習装置、学習方法及び学習プログラム Download PDFInfo
- Publication number
- JP6810092B2 JP6810092B2 JP2018083488A JP2018083488A JP6810092B2 JP 6810092 B2 JP6810092 B2 JP 6810092B2 JP 2018083488 A JP2018083488 A JP 2018083488A JP 2018083488 A JP2018083488 A JP 2018083488A JP 6810092 B2 JP6810092 B2 JP 6810092B2
- Authority
- JP
- Japan
- Prior art keywords
- function
- learning
- parameters
- calculation unit
- layer
- 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
Images
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
- G06N3/08—Learning methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Description
まず、図1を用いて、第1の実施形態に係る学習装置の構成について説明する。図1は、第1の実施形態に係る学習装置の構成の一例を示す図である。図1に示すように、学習装置10は、記憶部11及び制御部12を有する。
図2を用いて、学習装置10によって行われる各処理のアルゴリズムを説明する。図2は、第1の実施形態に係る学習処理のアルゴリズムを説明するための図である。
図3を用いて、学習装置10の処理の流れについて説明する。図3は、第1の実施形態に係る学習処理の流れを示すフローチャートである。図3に示すように、まず、学習装置10は、ステップ関数を用いた順伝播処理(後に、図4を用いて詳述)を行う(ステップS10)。次に、学習装置10は、ステップ関数を近似した連続関数を用いた逆伝播処理(後に、図5を用いて詳述)を行う(ステップS20)。そして、学習装置10は、逆伝播処理の結果得られる誤差関数の勾配を基に、パラメータの更新を行う(ステップS30)。
本実施形態において、第1の計算部121は、パラメータをステップ関数によって離散化させた後、ニューラルネットワークの各層の出力信号を計算する。また、第2の計算部122は、ステップ関数を近似した連続関数を用いて、ニューラルネットワークの各層について、パラメータに対する出力信号の誤差関数の勾配を計算する。また、更新部123は、第2の計算部122によって計算された勾配を基にパラメータを更新する。このように、順伝播で用いられたステップ関数を近似した連続関数に置き換えた上で誤差逆伝播を行うことで、順伝播の際にパラメータ及び出力信号を離散化しつつ、学習の精度を高くすることができる。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示のように構成されていることを要しない。すなわち、各装置の分散及び統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散又は統合して構成することができる。さらに、各装置にて行われる各処理機能は、その全部又は任意の一部が、CPU及び当該CPUにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
一実施形態として、学習装置10は、パッケージソフトウェアやオンラインソフトウェアとして上記の学習処理を実行する学習プログラムを所望のコンピュータにインストールさせることによって実装できる。例えば、上記の学習プログラムを情報処理装置に実行させることにより、情報処理装置を学習装置10として機能させることができる。ここで言う情報処理装置には、デスクトップ型又はノート型のパーソナルコンピュータが含まれる。また、その他にも、情報処理装置にはスマートフォン、携帯電話機やPHS(Personal Handyphone System)等の移動体通信端末、さらには、PDA(Personal Digital Assistant)等のスレート端末等がその範疇に含まれる。
11 記憶部
111 パラメータ情報
12 制御部
121 第1の計算部
122 第2の計算部
123 更新部
Claims (4)
- パラメータをステップ関数によって離散化させた後、ニューラルネットワークの各層の出力信号を計算する第1の計算部と、
前記ステップ関数を近似した連続関数を用いて、前記ニューラルネットワークの各層について、前記パラメータに対する前記出力信号の誤差関数の勾配を計算する第2の計算部と、
前記第2の計算部によって計算された勾配を基に前記パラメータを更新する更新部と、
を有し、
前記第1の計算部は、前記パラメータの平均偏差を上限とし、前記平均偏差を負にした値を下限とするステップ関数によって離散化を行い、
前記第2の計算部は、前記ステップ関数を、前記パラメータの平均偏差を上限とし、前記平均偏差を負にした値を下限とする連続関数に近似することを特徴とする学習装置。 - 前記第2の計算部は、前記ステップ関数を、1から−1までを出力値の区間とする連続関数に前記パラメータの平均偏差を掛けた関数に近似することを特徴とする請求項1に記載の学習装置。
- コンピュータによって実行される学習方法であって、
パラメータをステップ関数によって離散化させた後、ニューラルネットワークの各層の出力信号を計算する第1の計算工程と、
前記ステップ関数を近似した連続関数を用いて、前記ニューラルネットワークの各層について、前記パラメータに対する前記出力信号の誤差関数の勾配を計算する第2の計算工程と、
前記第2の計算工程によって計算された勾配を基に前記パラメータを更新する更新工程と、
を含み、
前記第1の計算工程は、前記パラメータの平均偏差を上限とし、前記平均偏差を負にした値を下限とするステップ関数によって離散化を行い、
前記第2の計算工程は、前記ステップ関数を、前記パラメータの平均偏差を上限とし、前記平均偏差を負にした値を下限とする連続関数に近似することを特徴とする学習方法。 - コンピュータを、請求項1又は2に記載の学習装置として機能させるための学習プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018083488A JP6810092B2 (ja) | 2018-04-24 | 2018-04-24 | 学習装置、学習方法及び学習プログラム |
PCT/JP2019/015874 WO2019208248A1 (ja) | 2018-04-24 | 2019-04-11 | 学習装置、学習方法及び学習プログラム |
US17/049,343 US20210192341A1 (en) | 2018-04-24 | 2019-04-11 | Learning device, learning method, and learning program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018083488A JP6810092B2 (ja) | 2018-04-24 | 2018-04-24 | 学習装置、学習方法及び学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019191899A JP2019191899A (ja) | 2019-10-31 |
JP6810092B2 true JP6810092B2 (ja) | 2021-01-06 |
Family
ID=68295296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018083488A Active JP6810092B2 (ja) | 2018-04-24 | 2018-04-24 | 学習装置、学習方法及び学習プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210192341A1 (ja) |
JP (1) | JP6810092B2 (ja) |
WO (1) | WO2019208248A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7341387B2 (ja) * | 2020-07-30 | 2023-09-11 | オムロン株式会社 | モデル生成方法、探索プログラム及びモデル生成装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5261035A (en) * | 1991-05-31 | 1993-11-09 | Institute Of Advanced Study | Neural network architecture based on summation of phase-coherent alternating current signals |
KR0170505B1 (ko) * | 1995-09-15 | 1999-03-30 | 양승택 | 다층퍼셉트론 신경회로망의 n비트 데이타 표현에 의한 학습방법 |
US9194484B2 (en) * | 2013-04-11 | 2015-11-24 | GM Global Technology Operations LLC | System and method for detecting lash in a transmission and controlling an engine and/or a motor based on lash detections |
US10222869B2 (en) * | 2015-08-03 | 2019-03-05 | Intel Corporation | State machine based tracking system for screen pointing control |
-
2018
- 2018-04-24 JP JP2018083488A patent/JP6810092B2/ja active Active
-
2019
- 2019-04-11 WO PCT/JP2019/015874 patent/WO2019208248A1/ja active Application Filing
- 2019-04-11 US US17/049,343 patent/US20210192341A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2019191899A (ja) | 2019-10-31 |
US20210192341A1 (en) | 2021-06-24 |
WO2019208248A1 (ja) | 2019-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A mesh-free method for interface problems using the deep learning approach | |
CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
US20180181867A1 (en) | Artificial neural network class-based pruning | |
US20210034955A1 (en) | Quantizing neural networks using approximate quantization function | |
WO2019111118A1 (en) | Robust gradient weight compression schemes for deep learning applications | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
US20220147877A1 (en) | System and method for automatic building of learning machines using learning machines | |
US20200151545A1 (en) | Update of attenuation coefficient for a model corresponding to time-series input data | |
US20180144266A1 (en) | Learning apparatus and method for learning a model corresponding to real number time-series input data | |
Koziel et al. | Surrogate-based optimization | |
JP2019040414A (ja) | 学習装置及び学習方法 | |
CN110825589A (zh) | 用于微服务系统的异常检测方法及其装置和电子设备 | |
JP6810092B2 (ja) | 学習装置、学習方法及び学習プログラム | |
CN113448821B (zh) | 一种识别工程缺陷的方法和装置 | |
CN110489435B (zh) | 基于人工智能的数据处理方法、装置、及电子设备 | |
US11188454B2 (en) | Reduced memory neural network training | |
WO2021117162A1 (ja) | 検査装置、検査方法及び検査プログラム | |
CN110689117A (zh) | 基于神经网络的信息处理方法和装置 | |
CN111553324B (zh) | 人体姿态预测值校正方法、装置,服务器及存储介质 | |
JP7077746B2 (ja) | 学習装置、学習方法及び学習プログラム | |
JP2019067062A (ja) | 学習装置、学習方法、および、学習プログラム | |
CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
CN114925821B (zh) | 一种神经网络模型的压缩方法及相关系统 | |
KR102534888B1 (ko) | 피처-임베딩 뉴럴 프로세스를 이용한 결측값 예측 방법 | |
WO2022070342A1 (ja) | 学習装置、学習方法及び学習プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200805 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201006 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201116 |
|
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: 20201208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201210 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6810092 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |