[发明专利]用于减少的网络带宽的内容传输的机器学习系统

说明书

解码器网络被训练，用以基于与内容相关联的特征向量来再生成该内容。经训练的解码器网络被预先部署至设备。该设备可向第二设备做出对该内容的请求。响应于接收到这样的请求，解码器网络被用来使用用于原始内容的特征向量来创建该内容的第一版本。还可以计算内容的第一版本和原始内容之间的增量或残差。特征向量和增量被传送到设备。设备上的解码器网络利用特征向量来生成原始内容的另一第一版本。增量被应用于原始内容的第一版本以生成原始内容的第二版本，其具有比由解码器网络生成的原始内容的版本更高的质量。

背景技术

许多不同类型的计算设备的性能一代又一代地不断提高。例如，服务器计算机、台式计算机、膝上型设备、平板和智能电话的处理能力不断提高，并且将可能在可预见的将来这么样地提高。处理和存储能力的进步允许这些类型的设备来处理和利用越来越大的数据量。例如，对于一些应用程序(例如，复杂的视频游戏)而言，利用数百千兆字节(“GB”)的程序代码、音频文件、图像、文本、视频、贴图(textures)和其他类型的内容并不罕见。

在许多类型的计算设备中使用的各种硬件组件不断发展以便支持大量数据的处理和存储。例如，处理器、存储器设备、大容量存储设备和图形处理单元的能力已迅速地发展，并将不断这么样地发展，以支持大量数据的处理。然而，在许多情形中，网络性能发展得不够快，以致于无法高效地支持数百千兆字节数据(诸如复杂视频游戏和其他类型程序当前所需的数据)的传输。

此处所作的披露正是关于这些和其他技术挑战而呈现的。

发明内容

公开了一种计算机实现的机器学习系统，该系统可减少在两个计算设备之间传送数字内容(诸如音频、图像、文本、视频、贴图和其他类型的数据)所需的网络带宽量。实现所公开技术的计算设备的性能可通过减少在计算设备之间传送内容所需的网络带宽量以及因此减少所需时间来改善。因为传输时间被减少，所以其他类型的计算资源(诸如处理器周期、功率、存储器、以及潜在的其他计算资源)的利用率也可被减少。本文未具体提到的其他技术益处还可通过所公开主题的实现来达成。

为了达成上面简要提到的技术益处，机器学习技术被用来训练编码器网络，以高效地生成与内容(诸如举例而言，图像、视频、音频、或文本)相关联的特征向量(latentvector)。机器学习技术还被用来训练用于从与原始内容相关联的特征向量生成原始内容的新版本的解码器网络。由解码器网络生成的内容在本文中可被称为原始内容的“第一版本”或“经生成的内容”。在一些实施例中，变分(variational)自编码器(autoencoder)生成对抗网络(“VAE-GAN”)被用来训练编码器网络和解码器网络。

一旦解码器网络已被训练，则经训练的解码器网络可被部署至内容将被传送到的计算设备(即“目的地”计算设备)。在一个特定示例中，例如，经训练的解码器网络被部署至视频游戏控制台或内容将被传送到的另一类型的计算设备。经训练的解码器网络可通过在制造时将该经训练的解码器网络存储在计算设备中的大容量存储设备上来被预先部署至该设备。在其他实施例中，经训练的解码器网络可按其他方式来被预先部署至目的地计算设备。

在将经训练的解码器网络部署至目的地计算设备之后，经训练的解码器网络可被用来将内容从源计算设备(例如，服务器计算机)高效地传送到目的地计算设备。例如，在一个特定实施例中，目的地计算设备可向源计算设备请求诸如此类图像、视频、音频、或文本等内容。

响应于接收到内容请求，源计算设备可执行经训练的编码器网络以生成用于所请求的原始内容的特征向量。源计算设备还可执行经训练的解码器网络，以从特征向量生成所请求的原始内容的一个版本。源计算设备还可计算原始内容和由经训练的解码器网络生成的原始内容的该版本之间的残差或增量(Δ)。在一些实施例中，特征向量和增量在从目的地计算设备接收内容请求之前被生成和存储。