JP7045947B2 - ニューラルネットワークの学習装置および学習方法 - Google Patents
ニューラルネットワークの学習装置および学習方法 Download PDFInfo
- Publication number
- JP7045947B2 JP7045947B2 JP2018128241A JP2018128241A JP7045947B2 JP 7045947 B2 JP7045947 B2 JP 7045947B2 JP 2018128241 A JP2018128241 A JP 2018128241A JP 2018128241 A JP2018128241 A JP 2018128241A JP 7045947 B2 JP7045947 B2 JP 7045947B2
- Authority
- JP
- Japan
- Prior art keywords
- quantization
- learning
- neural network
- region
- network model
- 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
- G06N3/06—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/008—Vector quantisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
- H04N19/94—Vector quantisation
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)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Description
y = w*x
y:出力特徴マップ
(次の層の入力特徴マップとなる。最終層目の場合はニューラルネットワークからの出力。)
w:重み係数
*:畳み込演算
x:入力特徴マップ
(前の層の出力特徴マップである。1層目の場合はニューラルネットワークへの入力。)
である。よって、再学習により重み係数が変化すると、出力特徴マップ(すなわち次の層の入力特徴マップ)も変化する。
Claims (13)
- 低ビット化部と、学習部と、メモリを具備し、
前記低ビット化部は、ニューラルネットワークモデルの演算対象となる数値に対して、第1の量子化領域を適用した第1の量子化を実行し、
前記学習部は、前記第1の量子化が実行されたニューラルネットワークモデルに対し、学習を実行し、
前記低ビット化部は、前記学習部において学習が実行されたニューラルネットワークモデルの演算対象となる数値に対して、第2の量子化領域を適用した第2の量子化を実行し、
前記メモリは、前記第2の量子化が実行されたニューラルネットワークモデルを格納し、
はずれ値除外部をさらに備え、
前記はずれ値除外部は、前記演算対象となる数値の所定範囲外の値を除外し、
前記低ビット化部は、サンプリング領域再設定回路と量子化回路を備え、
前記サンプリング領域再設定回路は、前記第2の量子化で、前記演算対象となる数値の前記所定範囲内における最小値と最大値の間で、前記第2の量子化領域を設定し、
前記量子化回路は、演算対象となる数値を前記第2の量子化領域で等間隔に標本化する、
ニューラルネットワークの学習装置。 - 前記第1の量子化領域と前記第2の量子化領域は、範囲が異なる、
請求項1記載のニューラルネットワークの学習装置。 - 前記低ビット化部は、第1の制御回路を備え、
前記第1の制御回路は、前記学習により前記演算対象となる数値の分布に変化が生じた場合に、前記第2の量子化を実行させる、
請求項1記載のニューラルネットワークの学習装置。 - 前記低ビット化部は、第1の制御回路を備え、
前記第1の制御回路は、前記学習により前記演算対象となる数値が前記第1の量子化領域からオーバーフローした場合に、前記第2の量子化を実行させる、
請求項1記載のニューラルネットワークの学習装置。 - 前記低ビット化部は、サンプリング領域再設定回路と量子化回路を備え、
前記サンプリング領域再設定回路は、前記第2の量子化で、前記演算対象となる数値の最小値と最大値の間で、前記第2の量子化領域を設定し、
前記量子化回路は、前記演算対象となる数値を前記第2の量子化領域で等間隔に標本化する、
請求項1記載のニューラルネットワークの学習装置。 - 前記ニューラルネットワークモデルの演算対象となる数値は、
ニューラルネットワークの重み係数および特徴マップの少なくとも一つである、
請求項1記載のニューラルネットワークの学習装置。 - 低ビット化部と、学習部と、メモリを具備する情報処理装置により、ニューラルネットワークの重み係数を学習するニューラルネットワークの学習方法であって、
前記低ビット化部が、入力された任意のニューラルネットワークモデルの重み係数に対して、第1の量子化領域を適用した第1の量子化を実行する第1のステップ、
前記学習部が、前記第1の量子化が実行されたニューラルネットワークモデルに対し、学習を実行する第2のステップ、
前記低ビット化部が、前記学習部において学習が実行されたニューラルネットワークモデルの重み係数に対して、第2の量子化領域を適用した第2の量子化を実行する第3のステップ、
前記メモリが、前記第2の量子化が実行されたニューラルネットワークモデルを格納する第4のステップ、を備え、
前記第3のステップにおいて、
前記ニューラルネットワークモデルの重み係数の所定範囲外の値を除外し、
前記第2の量子化では、前記ニューラルネットワークモデルの重み係数の前記所定範囲内における最小値と最大値の間で、前記第2の量子化領域を設定し、前記重み係数を前記第2の量子化領域で等間隔に標本化する、
ニューラルネットワークの学習方法。 - 前記第1の量子化領域と前記第2の量子化領域は、範囲が異なる、
請求項7記載のニューラルネットワークの学習方法。 - 前記第3のステップにおいて、
前記学習により重み係数の分布に変化が生じた場合に、前記第2の量子化を実行させる、
請求項7記載のニューラルネットワークの学習方法。 - 前記第3のステップにおいて、
前記学習により重み係数が前記第1の量子化領域からオーバーフローした場合に、前記第2の量子化を実行させる、
請求項7記載のニューラルネットワークの学習方法。 - 前記第3のステップにおいて、
前記第2の量子化では、前記ニューラルネットワークモデルの重み係数の最小値と最大値の間で、前記第2の量子化領域を設定し、前記重み係数を前記第2の量子化領域で等間隔に標本化する、
請求項7記載のニューラルネットワークの学習方法。 - 前記第4のステップにおいて、
前記第2の量子化が実行されたニューラルネットワークモデルの学習損失が任意閾値以上かどうかを判定し、
学習損失が任意閾値以下の場合は、前記第2の量子化が実行されたニューラルネットワークモデルを前記メモリに格納して、処理を終了し、
学習損失が任意閾値以上の場合は、前記第2の量子化が実行されたニューラルネットワークモデルに対し、前記学習部による再学習を実行する、
請求項7記載のニューラルネットワークの学習方法。 - 前記メモリに格納されたニューラルネットワークモデルを用いて、半導体装置にニューラルネットワークを構成する、
請求項12記載のニューラルネットワークの学習方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018128241A JP7045947B2 (ja) | 2018-07-05 | 2018-07-05 | ニューラルネットワークの学習装置および学習方法 |
US16/460,382 US20200012926A1 (en) | 2018-07-05 | 2019-07-02 | Neural network learning device and neural network learning method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018128241A JP7045947B2 (ja) | 2018-07-05 | 2018-07-05 | ニューラルネットワークの学習装置および学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020009048A JP2020009048A (ja) | 2020-01-16 |
JP7045947B2 true JP7045947B2 (ja) | 2022-04-01 |
Family
ID=69102207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018128241A Active JP7045947B2 (ja) | 2018-07-05 | 2018-07-05 | ニューラルネットワークの学習装置および学習方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200012926A1 (ja) |
JP (1) | JP7045947B2 (ja) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11907829B2 (en) * | 2019-03-14 | 2024-02-20 | Infineon Technologies Ag | FMCW radar with interference signal suppression using artificial neural network |
US20200341109A1 (en) * | 2019-03-14 | 2020-10-29 | Infineon Technologies Ag | Fmcw radar with interference signal suppression using artificial neural network |
DE102019106529A1 (de) | 2019-03-14 | 2020-09-17 | Infineon Technologies Ag | Fmcw radar mit störsignalunterdrückung mittels künstlichem neuronalen netz |
KR20200139909A (ko) | 2019-06-05 | 2020-12-15 | 삼성전자주식회사 | 전자 장치 및 그의 연산 수행 방법 |
CN113112008B (zh) * | 2020-01-13 | 2024-05-10 | 中科寒武纪科技股份有限公司 | 用于神经网络数据量化的方法、装置和计算机可读存储介质 |
KR102338995B1 (ko) * | 2020-01-22 | 2021-12-14 | 고려대학교 세종산학협력단 | Yolo 기반 경량 경계 상자 검출과 영상 처리를 통한 정확한 동물 탐지 방법 및 장치 |
JP7359028B2 (ja) * | 2020-02-21 | 2023-10-11 | 日本電信電話株式会社 | 学習装置、学習方法、および、学習プログラム |
CN113408715B (zh) * | 2020-03-17 | 2024-05-28 | 杭州海康威视数字技术股份有限公司 | 一种神经网络的定点化方法、装置 |
WO2021189225A1 (zh) * | 2020-03-24 | 2021-09-30 | Oppo广东移动通信有限公司 | 一种机器学习模型训练方法、电子设备及存储介质 |
KR20210141252A (ko) * | 2020-05-15 | 2021-11-23 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
CN113762500B (zh) * | 2020-06-04 | 2024-04-02 | 合肥君正科技有限公司 | 一种卷积神经网络在量化时提高模型精度的训练方法 |
WO2022027242A1 (zh) * | 2020-08-04 | 2022-02-10 | 深圳市大疆创新科技有限公司 | 神经网络的数据处理方法、装置、可移动平台及计算机可读存储介质 |
CN111983569B (zh) * | 2020-08-17 | 2024-01-19 | 西安电子科技大学 | 基于神经网络的雷达干扰抑制方法 |
CN112149797B (zh) * | 2020-08-18 | 2023-01-03 | Oppo(重庆)智能科技有限公司 | 神经网络结构优化方法和装置、电子设备 |
JP2022088096A (ja) | 2020-12-02 | 2022-06-14 | 富士通株式会社 | 量子化プログラム,量子化方法および量子化装置 |
US11716469B2 (en) | 2020-12-10 | 2023-08-01 | Lemon Inc. | Model selection in neural network-based in-loop filter for video coding |
CN112801281A (zh) * | 2021-03-22 | 2021-05-14 | 东南大学 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
JP7350214B2 (ja) | 2021-03-24 | 2023-09-25 | 三菱電機株式会社 | 推論装置、推論方法、及び、推論プログラム |
CN113255901B (zh) * | 2021-07-06 | 2021-10-08 | 上海齐感电子信息科技有限公司 | 实时量化方法及实时量化系统 |
JP2023031367A (ja) | 2021-08-25 | 2023-03-09 | 富士通株式会社 | 閾値決定プログラム及び閾値決定方法 |
WO2023128024A1 (ko) * | 2021-12-30 | 2023-07-06 | 한국전자기술연구원 | 딥러닝 네트워크 양자화 처리 방법 및 시스템 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07302292A (ja) * | 1994-05-09 | 1995-11-14 | Nippon Telegr & Teleph Corp <Ntt> | ニューラルネットワーク回路の制御装置 |
KR0170505B1 (ko) * | 1995-09-15 | 1999-03-30 | 양승택 | 다층퍼셉트론 신경회로망의 n비트 데이타 표현에 의한 학습방법 |
US10417525B2 (en) * | 2014-09-22 | 2019-09-17 | Samsung Electronics Co., Ltd. | Object recognition with reduced neural network weight precision |
KR102526650B1 (ko) * | 2017-05-25 | 2023-04-27 | 삼성전자주식회사 | 뉴럴 네트워크에서 데이터를 양자화하는 방법 및 장치 |
US20190050710A1 (en) * | 2017-08-14 | 2019-02-14 | Midea Group Co., Ltd. | Adaptive bit-width reduction for neural networks |
US20200380357A1 (en) * | 2017-09-13 | 2020-12-03 | Intel Corporation | Incremental network quantization |
JP6540770B2 (ja) * | 2017-10-17 | 2019-07-10 | 富士通株式会社 | 演算処理回路、演算処理回路を含む演算処理装置、演算処理装置を含む情報処理装置、および方法 |
CN110533175A (zh) * | 2018-05-23 | 2019-12-03 | 富士通株式会社 | 深度学习加速的方法和设备及深度神经网络 |
-
2018
- 2018-07-05 JP JP2018128241A patent/JP7045947B2/ja active Active
-
2019
- 2019-07-02 US US16/460,382 patent/US20200012926A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
US20200012926A1 (en) | 2020-01-09 |
JP2020009048A (ja) | 2020-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7045947B2 (ja) | ニューラルネットワークの学習装置および学習方法 | |
US11521068B2 (en) | Method and system for neural network synthesis | |
WO2022006919A1 (zh) | 基于激活定点拟合的卷积神经网络训练后量化方法及系统 | |
EP3564865A1 (en) | Neural network circuit device, neural network, neural network processing method, and neural network execution program | |
WO2021043294A1 (en) | Neural network pruning | |
WO2019220975A1 (ja) | ニューラルネットワーク回路装置、ニューラルネットワーク処理方法およびニューラルネットワークの実行プログラム | |
CN113825978B (zh) | 用于定义路径的方法和设备、存储装置 | |
CN110796251A (zh) | 基于卷积神经网络的图像压缩优化方法 | |
US20220237465A1 (en) | Performing inference and signal-to-noise ratio based pruning to train sparse neural network architectures | |
US20110299789A1 (en) | Systems and methods for determining image representations at a pixel level | |
CN113112013A (zh) | 针对分辨率降低的神经网络的优化量化 | |
CN116309135A (zh) | 扩散模型处理方法及装置、图片处理方法及装置 | |
CN111353534A (zh) | 一种基于自适应分数阶梯度的图数据类别预测方法 | |
KR20200023695A (ko) | 연산량을 줄이는 학습 시스템 | |
US20230306255A1 (en) | Method and system for smooth training of a quantized neural network | |
CN111882028A (zh) | 用于卷积神经网络的卷积运算装置 | |
US20210390386A1 (en) | Low resource computational block for a trained neural network | |
TWI732467B (zh) | 訓練稀疏連接神經網路的方法 | |
KR20210157826A (ko) | 심층 신경망 구조 학습 및 경량화 방법 | |
JP6942204B2 (ja) | データ処理システムおよびデータ処理方法 | |
CN114820326B (zh) | 基于可调节核稀疏化的高效单帧图像超分方法 | |
WO2023061465A1 (en) | Methods, systems, and media for computer vision using 2d convolution of 4d video data tensors | |
CN112602097A (zh) | 数据处理系统和数据处理方法 | |
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 | |
WO2022242076A1 (en) | Methods and systems for compressing trained neural network and for improving efficiently performing computations of compressed neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201210 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211221 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220214 |
|
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: 20220301 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220322 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7045947 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |