【技术实现步骤摘要】
实施例一般涉及数据处理并且更特定地涉及经由通用图形处理单元的数据处理。特别地，实施例涉及用于利用深度学习中的特征的区分性语义转移和物理启发优化来执行深度学习网络的系统和方法。
技术介绍
1、当前并行图形数据处理包括被开发以对图形数据执行特定操作(诸如例如线性内插、曲面细分、光栅化、纹理映射、深度测试等)的系统和方法。传统上，图形处理器曾使用固定功能计算单元来处理图形数据；然而，最近，部分图形处理器已经被做成可编程的，使此类处理器能够支持用于处理顶点和片段数据的各种更广泛的操作。
2、为了进一步提高性能，图形处理器通常实现诸如流水线化之类的处理技术，这些技术尝试贯穿图形流水线的不同部分并行处理尽可能多的图形数据。具有单指令多线程(simt)架构的并行图形处理器设计成使图形流水线中的并行处理量最大化。在simt架构中，并行线程的群组尝试尽可能经常地一起同步执行程序指令来提高处理效率。对于simt架构的软件和硬件的一般概览可以在shane cook的cuda programming的第3章第37-51页(2013)中找到。
3、机器学习已经成功解决多种任务。在训练和使用机器学习算法(例如，神经网络)时出现的计算自然适合高效并行实现。因此，诸如通用图形处理单元(gpgpu)之类的并行处理器已经在深度神经网络的实际实现中起到重要作用。具有单指令多线程(simt)架构的并行图形处理器设计成使图形流水线中的并行处理量最大化。在simt架构中，并行线程的群组尝试尽可能经常地一起同步执行程序指令来提高处理效率。并行机器学习
4、深度学习神经网络(dnn)通常构造为卷积神经网络类型并且用于执行复杂的关联任务。在使用已知输入的训练阶段之后，dnn能够识别与原始训练输入相似的新输入。这有助于目标检测技术、自动语音识别、用户验证、图像理解和机器视觉使用等等。视频序列可以用于目标跟踪以及识别。
技术实现思路
本文档来自技高网...【技术保护点】
1.一种方法，包括：
2.根据权利要求1所述的方法，其中，所述层是卷积层。
3.根据权利要求2所述的方法，其中，所述卷积层具有1×1的内核大小。
4.根据权利要求1所述的方法，其中，所述第二神经网络是卷积神经网络。
5.根据权利要求1所述的方法，其中，所述特征图是三维张量。
6.根据权利要求1所述的方法，其中，所述第二神经网络被训练用于语义分割。
7.根据权利要求1所述的方法，其中，所述一个或多个权重包括与所述输入图像的不同部分相对应的权重。
8.一种计算机可读介质，所述计算机可读介质存储指令，所述指令当由至少一个处理器执行时，使所述处理器执行根据权利要求1至7中任一项所述的方法。
9.一种装置，所述装置包括：
10.一种计算机程序产品，所述计算机程序产品包括指令，所述指令当由至少一个处理器执行时，使所述处理器执行根据权利要求1至7中任一项所述的方法。
11.一种装置，所述装置包括用于执行根据权利要求1至7中任一项所述的方法的部件。
【技术特征摘要】
1.一种方法，包括：
2.根据权利要求1所述的方法，其中，所述层是卷积层。
3.根据权利要求2所述的方法，其中，所述卷积层具有1×1的内核大小。
4.根据权利要求1所述的方法，其中，所述第二神经网络是卷积神经网络。
5.根据权利要求1所述的方法，其中，所述特征图是三维张量。
6.根据权利要求1所述的方法，其中，所述第二神经网络被训练用于语义分割。
7.根据权利要求1所述的方法，其中，所述一个或多个权重包括与...
【专利技术属性】
技术研发人员：姚安邦，H·赵，M·卢，郭怡文，陈玉荣，
申请(专利权)人：英特尔公司，
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。