公开(公告)号：CN112784969B

公开(公告)日：2024-05-14

申请号：CN202110136925.9

申请日：2021-02-01

Applicant: 东北大学

Inventor： 杨晓春 ,  张宇杰 ,  许婧楠 ,  王斌

IPC: G06N3/0464 ,  G06N3/084 ,  G06V10/44 ,  G06V10/82

Abstract: 本发明公开了一种基于抽样的卷积神经网络加速学习方法，属于卷积神经网络技术领域。该方法在前向传播阶段只抽样获取部分卷积核向量与输入数据做乘积，其余的向量忽略不计算。反向传播阶段也只对前向传播时参与计算的卷积核向量进行更新。因此该方法和计算完整的矩阵乘法的现有卷积网络学习方法相比，能够有效减少前向传播和反向传播过程中的计算量；同时由于每次只计算并更新网络中较有意义的权重，也能加速网络的收敛过程。本发明的基于抽样的卷积神经网络加速学习方法，不需要调整实际应用中的卷积网络的宏观结构，也不影响卷积网络的局部特征提取特性，且相比基于硬件的卷积加速方法更易应用更节省成本。

公开(公告)号：CN112784969A

公开(公告)日：2021-05-11

申请号：CN202110136925.9

申请日：2021-02-01

Applicant: 东北大学

Inventor： 杨晓春 ,  张宇杰 ,  许婧楠 ,  王斌

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于抽样的卷积神经网络加速学习方法，属于卷积神经网络技术领域。该方法在前向传播阶段只抽样获取部分卷积核向量与输入数据做乘积，其余的向量忽略不计算。反向传播阶段也只对前向传播时参与计算的卷积核向量进行更新。因此该方法和计算完整的矩阵乘法的现有卷积网络学习方法相比，能够有效减少前向传播和反向传播过程中的计算量；同时由于每次只计算并更新网络中较有意义的权重，也能加速网络的收敛过程。本发明的基于抽样的卷积神经网络加速学习方法，不需要调整实际应用中的卷积网络的宏观结构，也不影响卷积网络的局部特征提取特性，且相比基于硬件的卷积加速方法更易应用更节省成本。