【技术实现步骤摘要】
本说明书涉及使用神经网络的图像识别。
技术介绍
具有若干级和层次的特征的深度神经网络可以具有非常大的学习能力并且可用在语音或图像识别中。深度神经网络通常在输入和输出空间之间,具有以前馈方式连接的若干层的单元。深度神经网络中的每一层可以执行特定功能,例如,卷积、池、归一化或矩阵乘法和非线性激活。
技术实现思路
在一些实施方式中,系统使用矩阵乘法来确定用于神经网络中的特定层的输出。例如,矩阵乘法是激活向量(例如,用于特定层的输入)和权重矩阵(例如用于特定层中的一些节点的权重)的组合。神经网络使用快速局部敏感散列技术来接近矩阵乘法的结果,以允许神经网络生成用于大量,例如几百万输出类的评分。当神经网络使用散列技术时,神经网络可以近似计算用于神经网络中的特定层的权重W和激活向量x的矩阵乘积,使得特定层中的节点数目,例如输出维度可以增加若干数目级。在一些示例中,特定层可以是用来确定神经网络的输入的分类的神经网络中的输出层,例如最终分类层。通常,在本说明书中所述的主题的一个创新方面能以一种通过神经网络的多层的每一个来处理输入来生成输出的方法实现,其中,神经网络的多层中的每一层包括相应的多个节点,针对多层中的特定层,所述方法包括如下动作:由分类系统接收激活向量作为用于特定层的输入;使用激活向量和将数值映射到特定层中的节点的散列表来选择特定层中的一个或多个节点;以及使用所选择的节 ...
【技术保护点】
一种用于通过神经网络的多层中的每一层处理输入来生成输出的方法,其中,所述神经网络的多层中的每一层包括相应的多个节点,对所述多层中的特定层,所述方法包括:由分类系统接收激活向量作为用于所述特定层的输入;使用所述激活向量和将数值映射到所述特定层中的节点的散列表来选择所述特定层中的一个或多个节点;以及使用所选择的节点来处理所述激活向量以生成用于所述特定层的输出。
【技术特征摘要】
2014.12.19 US 62/094,7681.一种用于通过神经网络的多层中的每一层处理输入来生成输
出的方法,其中,所述神经网络的多层中的每一层包括相应的多个节
点,对所述多层中的特定层,所述方法包括:
由分类系统接收激活向量作为用于所述特定层的输入;
使用所述激活向量和将数值映射到所述特定层中的节点的散列表
来选择所述特定层中的一个或多个节点;以及
使用所选择的节点来处理所述激活向量以生成用于所述特定层的
输出。
2.根据权利要求1所述的方法,进一步包括:通过将与未被选择
的节点相对应的所述激活向量中的值设定为0来创建修改的激活向量,
其中,使用所选择的节点处理所述激活向量以生成用于所述特定
层的输出包括:处理所修改的激活向量以生成用于所述特定层的输出。
3.根据权利要求1所述的方法,其中,针对所述特定层的节点中
的每一个节点,所述散列表存储该节点的权重值的相应的散列。
4.根据权利要求1所述的方法,其中,选择一个或多个节点包括:
计算用于所述激活向量的至少一部分的散列码;
确定所述散列表中相对于所述激活向量的所述部分的散列码的一
个或多个最相似的散列;以及
选择与所述一个或多个最相似的散列相对应的节点。
5.根据权利要求1所述的方法,其中,针对所述特定层的节点中
的每一个节点,所述散列表存储该节点的相应的节点标识符。
6.根据权利要求1所述的方法,其中,所述激活向量包括实数值,
所述方法包括:
将所述激活向量中的每一实数转换成二进制值来创建二进制向
量;
确定所述二进制向量的多个部分;以及
针对所述多个部分中的每一个部分,将该部分中的二进制值转换
成整数,其中,使用所述激活向量和所述散列表来选择所述特定层中
的节点包括通过将所述整数用作所述散列表的输入来选择所述特定层
中的所述一个或多个节点。
7.根据权利要求6所述的方法,其中,
所述整数包括第一子集和互斥的第二子集;以及
通过将所述整数用作所述散列表的输入来选择所述特定层中的所
述一个或多个节点包括:
针对所述第一子集中的每一整数,确定所述散列表不包括用于节
点的相对应的第一条目;
针对所述第二子集中的每一整数,确定所述散列表包括用于节点
的相对应的第二条目;以及
将所述特定层中的所述一个或多个节点选择为由所述第二条目识
别的节点。
8.根据权利要求7所述的方法,其中,
针对所述第一子集中的每一整数,确定所述散列表不包括用于节
点的相对应的第一条目包括:针对所述第一子集中的至少一些整数,
确定所述散列表不包括具有当前时间戳的相应的第一条目。
9.根据权利要求8所述的方法,包括:
对所述输出中的至少一些输出值,确定相应输出值的精度值;以
及
通过下述操作,使用所述精度值来更新所述散列表中的至少一些
映射:更新用于所述特定层中的特定节点的所述散列表中的第一节点
条目的时间戳、并且不更新用于不与所述特定层中的任何节点相对应
\t的所述散列表中的第二节点条目的时间戳。
10.根据权利要求9所述的方法,包括:
由所述分类系统确定具有旧时间戳的所述散列表中的旧条目;以
及
从所述散列表移除所述旧条目。
11.根据权利要求1所述的方法,其中,所述特定层包括所述神
经网络的输出层,所述方法包括:
根据用于所述特定层的输出确定最...
【专利技术属性】
技术研发人员:苏达赫恩德拉·维娅亚纳拉辛汉,杰伊·亚格尼科,
申请(专利权)人:谷歌公司,
类型:发明
国别省市:美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。