【技术实现步骤摘要】
本专利技术涉及一种机器学习技术，尤其是，还涉及一种神经网络(neural network)的参数优化方法及计算装置。
技术介绍
1、神经网络是人工智能(artificial intelligence，ai)中的一个重要主题，并是通过模拟人类脑细胞的运作来进行决策。值得注意的是，人类脑细胞中存在着许多神经元(neuron)，而这些神经元会通过突触(synapse)来互相连结。每一神经元可经由突触接收信号，且此信号经转化后的输出会再传导到另一个神经元。每一神经元的转化能力不同，且人类通过前述信号传递与转化的运作，可形成思考与确定的能力。神经网络即是根据前述运作方式来得到对应能力。
2、神经网络经常被应用在图像处理中。图像处理例如是去噪声、锐利化或高动态范围(high dynamic range，hdr)处理。值得注意的是，神经网络的输出图像可能有失真的情况。例如，图1是一范例说明棋盘式(checkboard)人造物(artifact)的示意图。请参照图1，经放大图像中的部分区域，可能发现人造的棋盘式图案(pattern)。
3、现今技术可通过额外计算避免棋盘式人造物。例如，在用于上采样(up sampling)的卷积(convolution)计算之前，重新调整特征图的大小。或者，在用于上采样的卷积计算之后，增加额外的卷积计算。另外，现今技术还有其他渐少棋盘式人造物的手段。例如，将用于邻近像素的信道视为输入特征图的部分来参考。或者，确定跨步(stride)所分割的核(kernel)大小。
1、本专利技术是针对一种神经网络的参数优化方法及计算装置，可有效降低或避免输出棋盘式图案。
2、根据本专利技术的实施例，神经网络的参数优化方法包括(但不仅限于)下列步骤：取得共享过滤器(filter)，且共享过滤器包括多个共享权重；将那些共享权重分配至多个次过滤器，每一次过滤器对应于多个信道中的一个，每一次过滤器包括多个次权重，且每一次过滤器的大小小于或等于共享过滤器的大小；根据所分配的共享权重生成每一次过滤器的那些次权重；使用那些信道的次过滤器分别与一个或多个输入数据进行计算。
3、根据本专利技术的实施例，计算装置包括(但不仅限于)存储器及处理器。存储器用以存储程序代码。处理器耦接存储器。处理器经配置用以加载并执行程序代码以取得共享过滤器，将那些共享权重分配至多个次过滤器，根据所分配的共享权重生成每一次过滤器的那些次权重，并使用那些信道的次过滤器分别与一个或多个输入数据进行计算。共享过滤器包括多个共享权重。每一次过滤器对应于多个信道中的一个，每一次过滤器包括多个次权重，且每一次过滤器的大小小于或等于共享过滤器的大小。
4、基于上述，本专利技术实施例的神经网络的参数优化方法及计算装置可将多个次过滤器共享一共享过滤器的共享权重，使所有输出数据都能保留输入数据中的特性，从而避免上采样所造成的棋盘式人造物。
本文档来自技高网...【技术保护点】
1.一种神经网络的参数优化方法，其特征在于，包括：
2.根据权利要求1所述的神经网络的参数优化方法，其中将所述共享权重分配至所述次过滤器的步骤包括：
3.根据权利要求2所述的神经网络的参数优化方法，其中根据所分配的共享权重生成每个所述次过滤器的所述次权重的步骤包括：
4.根据权利要求2所述的神经网络的参数优化方法，其中所述次过滤器包括第一次过滤器及第二次过滤器，且将所述次过滤器映射至所述共享过滤器的步骤包括：
5.根据权利要求1所述的神经网络的参数优化方法，其中所述计算为第一卷积计算，所述输入数据报括对应于所述信道的多个第一输入数据，且使用所述信道的所述次过滤器分别与所述输入数据进行所述计算的步骤包括：
6.根据权利要求5所述的神经网络的参数优化方法，其中所述信道的数量为N，且将所述第一输出数据进行所述第一格式转换的步骤包括：
7.根据权利要求5所述的神经网络的参数优化方法，其中分别根据对应信道对所述次过滤器与所述第一输入数据进行所述第一卷积计算的步骤之前，还包括：
8.根据权利要求5所述的神经网
9.根据权利要求5所述的神经网络的参数优化方法，其中分别根据对应信道对所述次过滤器与所述第一输入数据进行所述第一卷积计算的步骤之前，还包括：
10.根据权利要求1所述的神经网络的参数优化方法，其中所述计算为第一卷积计算，所述输入数据报括单一信道的第二输入数据，且使用所述信道的所述次过滤器分别与所述数据进行所述计算的步骤包括：
11.根据权利要求1所述的神经网络的参数优化方法，其中所述信道的所述次过滤器分别与至少所述输入数据进行所述计算后的步骤还包括：
12.一种计算装置，其特征在于，包括：
13.根据权利要求12所述的计算装置，其中所述处理器还经配置用以：
14.根据权利要求13所述的计算装置，其中所述处理器还经配置用以：
15.根据权利要求13所述的计算装置，其中所述次过滤器包括第一次过滤器及第二次过滤器，且所述处理器还经配置用以：
16.根据权利要求12所述的计算装置，其中所述计算为第一卷积计算，所述输入数据报括对应于所述信道的多个第一输入数据，且所述处理器还经配置用以：
17.根据权利要求16所述的计算装置，其中所述信道的数量为N，且所述处理器还经配置用以：
18.根据权利要求16所述的计算装置，其中所述处理器还经配置用以：
19.根据权利要求16所述的计算装置，其中所述处理器还经配置用以：
20.根据权利要求16所述的计算装置，其中所述处理器还经配置用以：
21.根据权利要求12所述的计算装置，其中所述计算为第一卷积计算，所述输入数据报括单一信道的第二输入数据，且所述处理器还经配置用以：
22.根据权利要求12所述的计算装置，其中所述处理器还经配置用以：
...【技术特征摘要】
1.一种神经网络的参数优化方法，其特征在于，包括：
2.根据权利要求1所述的神经网络的参数优化方法，其中将所述共享权重分配至所述次过滤器的步骤包括：
3.根据权利要求2所述的神经网络的参数优化方法，其中根据所分配的共享权重生成每个所述次过滤器的所述次权重的步骤包括：
4.根据权利要求2所述的神经网络的参数优化方法，其中所述次过滤器包括第一次过滤器及第二次过滤器，且将所述次过滤器映射至所述共享过滤器的步骤包括：
5.根据权利要求1所述的神经网络的参数优化方法，其中所述计算为第一卷积计算，所述输入数据报括对应于所述信道的多个第一输入数据，且使用所述信道的所述次过滤器分别与所述输入数据进行所述计算的步骤包括：
6.根据权利要求5所述的神经网络的参数优化方法，其中所述信道的数量为n，且将所述第一输出数据进行所述第一格式转换的步骤包括：
7.根据权利要求5所述的神经网络的参数优化方法，其中分别根据对应信道对所述次过滤器与所述第一输入数据进行所述第一卷积计算的步骤之前，还包括：
8.根据权利要求5所述的神经网络的参数优化方法，其中分别根据对应信道对所述次过滤器与所述第一输入数据进行所述第一卷积计算的步骤之前，还包括：
9.根据权利要求5所述的神经网络的参数优化方法，其中分别根据对应信道对所述次过滤器与所述第一输入数据进行所述第一卷积计算的步骤之前，还包括：
10.根据权利要求1所述的神经网络的参数优化方法，其中所述...
【专利技术属性】
技术研发人员：杨川岳，
申请(专利权)人：创惟科技股份有限公司，
类型：发明
国别省市：
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。