多任务深度学习网络及其产生方法技术

本发明专利技术提供一种多任务深度学习网络及其产生方法。多任务深度学习网络的产生方法包括：建立至少一共享层，共享层用以接收多个输入信息并产生多个处理后特征信息；建立多组特定任务层，所述多组特定任务层根据所述多个处理后特征信息以分别计算产生分别对应多个不同任务的多组输出信息；以及，根据电子装置的电源供应状态以分阶启动所述多组特定任务层的至少其中之一。的至少其中之一。的至少其中之一。

【技术实现步骤摘要】
多任务深度学习网络及其产生方法


[0001]本专利技术涉及一种多任务深度学习网络及其产生方法，特别是涉及一种可根据电力供应状态来进行运作的多任务深度学习网络及其产生方法。

技术介绍

[0002]在公知
中，多任务深度学习网络常利用多个独立的网络来执行不同的任务。在这样的条件下，执行多任务深度学习网络的电子装置，需要利用复杂的电路来进行任务的相关运算，造成电力的浪费。此外，在低供应电源的情况下，多任务深度学习网络也可能因为电力不足而无法运作，造成电子装置无法工作的现象。

技术实现思路

[0003]本专利技术是针对一种任务深度学习网络及其产生方法，可根据电源供应状态以决定所要启动的特定任务层。
[0004]根据本专利技术的实施例，多任务深度学习网络的产生方法包括：建立至少一共享层，共享层用以接收多个输入信息并产生多个处理后特征信息；建立多组特定任务层，所述多组特定任务层根据所述多个处理后特征信息以分别计算产生分别对应多个不同任务的多组输出信息；以及，根据电子装置的电源供应状态以分阶启动所述多组特定任务层的至少其中之一。
[0005]根据本专利技术的实施例，多任务深度学习网络适用于电子装置。多任务深度学习网络包括至少一共享层以及多组特定任务层。共享层用以接收多个输入信息并产生多个处理后特征信息。多组特定任务层根据处理后特征信息以分别计算产生分别对应多个不同任务的多组输出信息。其中，多组特定任务层的每一者，根据电子装置的电源供应状态以被分阶启动。
[0006]根据上述，本专利技术的实施例的多任务深度学习网络中，可根据电子装置的电源供应状态，来分阶启动多组特定任务层的至少其中之一。如此一来，电子装置可根据实际的电力状态，来启动需要执行的特定任务层，并提升电子装置的工作效率。
附图说明
[0007]包含附图以便进一步理解本专利技术，且附图并入本说明书中并构成本说明书的一部分。附图说明本专利技术的实施例，并与描述一起用于解释本专利技术的原理。
[0008]图1为本专利技术一实施例的多任务深度学习网络的产生方法的流程图；
[0009]图2为本专利技术实施例的多任务深度学习网络的示意图；
[0010]图3为本专利技术实施例中，多任务深度学习网络的产生方法的一实施方式的流程图；
[0011]图4A至图4C分别为本专利技术实施例的多任务深度学习网络的应用方式的示意图；
[0012]图5A以及图5B为本专利技术实施例中，特定任务层的启动机制的示意图；
[0013]图6为应用本专利技术实施例的多任务深度学习网络的电子装置的实施方式的示意
图。
[0014]附图标号说明
[0015]200：多任务深度学习网络；
[0016]210、510：共享层；
[0017]221～22N、521～52N、620、631～63N：特定任务层；
[0018]401、402、403、600：电子装置；
[0019]401
‑
1、402
‑
1、402
‑
2、403
‑
1～403
‑
3：微控制器；
[0020]4011：远程装置；
[0021]401
‑
2：内存；
[0022]401
‑
3、402
‑
4：传感器；
[0023]402
‑
3：处理器；
[0024]610：影像侦测器；
[0025]FMAP：特征地图；
[0026]INF：输入信息；
[0027]MDATA：元数据
[0028]OF1～OFN：输出信息；
[0029]PINF1～PINFN：处理后特征信息；
[0030]S110～S130、S310～S331：步骤；
[0031]TS：触发讯号。
具体实施方式
[0032]现将详细地参考本专利技术的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同元件符号在图式和描述中用来表示相同或相似部分。
[0033]请同步参照图1以及图2，图1为本专利技术一实施例的多任务深度学习网络的产生方法的流程图，图2则为本专利技术实施例的多任务深度学习网络的示意图。本实施例的多任务深度学习网络200适于应用在一电子装置中。其中，在步骤S110中，建立至少一共享层210。共享层210用以接收多个输入信息INF并产生多个处理后特征信息PINF1～PINFN。在本实施例中，共享层210的数量可以是一个或是多个。共享层210可以为深度学习网络中，用以针对处理输入信息INF进行前置处理的网络层。在本实施例中，深度学习网络可以为人工神经网络(Artificial Neural Network，ANN)，且共享层210可为权重共享层，利用相同权重对输入信息INF进行运算(例如以同一卷积核进行卷积运算)以撷取其中特征，可降低参数运算量。
[0034]在步骤S120中，则建立多组特定任务层221～22N。多组特定任务层221～22N用以根据共享层210所产生的处理后特征信息PINF1～PINFN以分别计算产生分别对应多个不同任务(任务1～任务N)的多组输出信息OF1～OFN。并且，在步骤S130中，则根据电子装置的电源供应状态以启动所述的多组特定任务层221～22N的至少其中之一。多组特定任务层221～22N的每一者可具有一个或多个神经网络层。多组特定任务层221～22N并用以分别针对处理后特征信息PINF1～PINFN进行乘加运算，来分别产生多组输出信息OF1～OFN。
[0035]在细节上，多组特定任务层221～22N的每一者可以根据电子装置目前的电源供应状态来决定是否被开启。其中，多组特定任务层221～22N可分别具有多个需求条件，并分别
对应多个优先度。需求条件的每一者包括电力消耗需求、计算能力需求以及硬件需求的至少其中之一。举例来说明，例如特定任务层221具有最低的电力消耗需求，且对应最高的优先度。特定任务层222则具有第二低的电力消耗需求，且对应第二高的优先度。特定任务层22N则可具有最高的电力消耗需求，并对应最低的优先度。在当电子装置目前的电源供应状态为低电源状态，且仅足够使特定任务层221正常动作时，电子装置可仅使特定任务层221被开启，并执行具有最高优先度的任务1。若电子装置目前的电源供应状态被提升为可使多组特定任务层221～22N中的多个或全部来进行运作，电子装置可根据所设定的优先度来分阶开启多组特定任务层221～22N中的多个或全部以执行运作。
[0036]相类似的，特定任务层221也可具有最低的计算能力需求及最低的硬件需求的至少其中之一，且对应第一高的优先度。在此的硬件需求可以例如是存储器的尺寸，计算能力需求则可以是执行特定任务层221的处理器的工作频率。特定任务层222则可具有第二低的计算能力需求及第二低的硬件需求的至少其中之一，且对应第二高的优先度。特定任务层22N则可具有最高的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多任务深度学习网络的产生方法，其特征在于，包括：建立至少一共享层，所述至少一共享层用以接收多个输入信息并产生多个处理后特征信息；建立多组特定任务层，所述多组特定任务层根据所述多个处理后特征信息以分别计算产生分别对应多个不同任务的多组输出信息；以及根据电子装置的电源供应状态以分阶启动所述多组特定任务层的至少其中之一。2.根据权利要求1所述的产生方法，其特征在于，产生所述多组特定任务层分别具有多个需求条件，所述多个需求条件的每一包括电力消耗需求、计算能力需求以及硬件资源需求的至少其中之一，所述多个需求条件并分别对应多个优先度。3.根据权利要求2所述的产生方法，其特征在于，所述多组特定任务层中对应最高优先度者，具有最低电力消耗需求、最低计算能力需求以及最低硬件需求的至少其中之一。4.根据权利要求2所述的产生方法，其特征在于，根据电子装置的电源供应状态以分阶启动所述多组特定任务层的至少其中之一的步骤包括：基于所述电子装置的所述电源供应状态，根据所述多个优先度以及所述多个需求条件以开启所述多组特定任务层的至少其中之一。5.根据权利要求1所述的产生方法，其特征在于，建立所述多组特定任务层的步骤包括：建立多个运算器对应的多个功率消耗信息；针对所述多组特定任务层的每一者，根据对应的准确度需求以及所述多个功率消耗信息，基于最小总功率消耗以挑选所述多个运算器中的多个来建立选中模型；根据选中模型执行网络权重稀疏性分析以及利用率评估来优化网络剪枝，以产生硬件感知模型；以及根据所述硬件感知模型来产生所述多组特定任务层的每一者。6.根据权利要求5所述的产生方法，其特征在...

【专利技术属性】
技术研发人员：潘柔允，陈亘志，
申请(专利权)人：扬智科技股份有限公司，
类型：发明
国别省市：