[发明专利]电子设备和操作电子设备的方法

说明书

一种电子设备，包括图形处理器和存储器件。图形处理器包括人工神经网络引擎，人工神经网络引擎通过使用学习数据和权重使对象识别模型学习以提供学习后的对象识别模型。存储器件将特征向量划分为第一子特征向量和第二子特征向量，并且执行第一计算以将第二子特征向量和权重应用于学习后的对象识别模型来提供第二对象识别结果。人工神经网络引擎执行第二计算以将第一子特征向量和权重应用于学习后的对象识别模型来提供第一对象识别结果，并且将第一对象识别结果提供给存储器件。第二计算与第一计算并行执行。

相关申请的交叉引用

将2018年8月29日在韩国知识产权局递交的题为“Electronic Devices andMethods of Operating Electronic Devices”的韩国专利申请No.10-2018-0102183通过引用的方式整体并入本文。

技术领域

示例实施例总体上涉及人工智能，更具体地，涉及电子设备和能够以增强的性能操作电子设备的方法。

背景技术

随着诸如计算机和智能电话的信息设备的发展，已经开发了数字计算机应用和数字信号处理技术。

具体地，近来已开发诸如人工智能图像识别(视频/运动识别)、深度学习和机器学习之类的技术，并且自动识别数据(例如，语音、图像、视频或文本)且提供与数据相关的信息或者提供与数据相关的服务的智能服务在各个领域得到应用。附加地，边缘设备开始使用人工智能。

发明内容

根据示例实施例，一种电子设备包括图形处理器和存储器件。图形处理器包括人工神经网络引擎，人工神经网络引擎通过使用学习数据和权重使对象识别模型学习以提供学习后的对象识别模型。存储器件存储学习数据和权重，将特征向量划分为第一子特征向量和第二子特征向量以将第一子特征向量提供给图形处理器，从图形处理器接收学习后的对象识别模型，并且执行第一计算以将第二子特征向量和权重应用于学习后的对象识别模型来提供第二对象识别结果。从输入数据提取特征向量。人工神经网络引擎执行第二计算以将第一子特征向量和权重应用于学习后的对象识别模型来提供第一对象识别结果，并且将第一对象识别结果提供给存储器件。第二计算与第一计算并行执行。

根据示例实施例，一种电子设备包括应用处理器、图形处理器和存储器件。应用处理器提供学习数据和权重，并且提供从构成对象的对象数据提取的特征向量。图形处理器包括人工神经网络引擎，人工神经网络引擎通过使用学习数据和权重使对象识别模型学习以提供学习后的对象识别模型。存储器件存储学习数据和权重，将特征向量划分为第一子特征向量和第二子特征向量以将第一子特征向量提供给图形处理器，从图形处理器接收学习后的对象识别模型，并且执行第一计算以将第二子特征向量和权重应用于学习后的对象识别模型来提供第二对象识别结果。从输入数据提取特征向量。人工神经网络引擎执行第二计算以将第一子特征向量和权重应用于学习后的对象识别模型来提供第一对象识别结果，并且将第一对象识别结果提供给存储器件。第二计算与第一计算并行执行。

根据示例实施例，在操作电子设备的方法中，电子设备包括图形处理器和与图形处理器通信的存储器件，图形处理器包括人工神经网络引擎，由人工神经网络引擎通过将学习数据和权重应用于对象识别模型使对象识别模型学习来提供学习后的对象识别模型。由存储器件中的数据分配器将与输入数据相关联的特征向量划分为第一子特征向量和第二子特征向量，以将第一子特征向量提供给图形处理器。由存储器件中的乘法和累加(MAC)电路执行第一计算以将第二子特征向量和权重应用于学习后的对象识别模型来提供第二对象识别结果。由人工神经网络引擎执行第二计算以将第一子特征向量和权重应用于学习后的对象识别模型来提供第一对象识别结果。由存储器件中的池化器合并第一对象识别结果和第二对象识别结果以向用户提供合并的对象识别结果。第一计算和第二计算彼此并行地执行。

附图说明

通过参考附图详细描述示例性实施例，特征对于本领域技术人员将变得显而易见，在附图中：