[发明专利]多任务神经网络

说明书

在本文中描述了被训练用于多个任务的神经网络的示例。在一些示例中，方法可以包括使用神经网络的第一部分来确定特征向量。在一些示例中，神经网络被训练用于多个任务。该方法的一些示例可以包括将特征向量传输到远程装置。在一些示例中，远程装置使用神经网络的第二部分来执行多个任务中的一个。

背景技术

电子装置的使用已经扩展。计算装置是一种包括用于执行处理的电子电路的电子装置。随着处理能力的扩展，计算装置已经被用来执行更多的功能。例如，各种计算装置被用于工作、通信和娱乐。计算装置可以被链接到网络，以实现计算装置之间的通信。

附图说明

图1是图示了用于神经网络执行的方法的示例的流程图；

图2是图示了用于神经网络执行的方法的示例的流程图；

图3是可以被用在神经网络执行中的设备和远程装置的示例的框图；

图4是图示了用于神经网络执行的计算机可读介质的示例的框图；以及

图5是图示了根据在本文中描述的技术的一些示例的设备和远程装置的示例的框图。

具体实施方式

机器学习是机器学习模型被训练为基于一组示例(例如，数据)来执行一项或多项任务的技术。在一些示例中，执行机器学习模型可能对诸如中央处理单元(CPU)的处理器的计算要求很高。人工神经网络是一种由节点、层和/或连接所构成的机器学习模型。深度学习是一种利用多个层的机器学习。深度神经网络是利用深度学习的神经网络。

深度学习的一些示例利用了卷积神经网络(CNN)。在一些示例中，CNN可以使用强大的硬件进行训练和/或预测。如在本文中所使用的，术语“预测”及其变型可以指代确定和/或推断。例如，事件或状态可以在该事件或状态发生之前、发生期间和/或发生之后被“预测”。在一些示例中，CNN的训练时间可能相对较长(例如，取决于网络和数据的大小，可能需要几天或几周)。在一些示例中，对于一些实现，预测或推断时间可能限制。例如，为实时或接近实时的实现提供快速预测可能是有利的。在一些示例中，在一些中央处理单元(CPU)对于CNN处理可能表现出降低的性能时，可以利用图形处理单元(GPU)来提供快速预测。GPU是执行算术计算的硬件(例如，电路)。例如，GPU可以执行与图形处理和/或渲染相关的计算。

在本文中描述的技术中的一些技术可以使一些具有更少的资源(例如，更少的存储器、更少的处理资源等)的装置能够使用资源密集型神经网络。例如，在没有在本文中描述的技术的一些示例的情况下，一些低资源装置可能无法在目标时间内处理一些资源密集型神经网络。在本文中描述的技术的一些示例可以被用于改进一些相对较高资源的装置(例如，工作站、服务器)的性能，这可以允许对于任务的较低功耗和/或可以允许执行更多任务。

在一些示例中，可以充分利用一组装置的计算能力来执行神经网络处理。例如，各种装置可以彼此通信。例如，个人助理、移动电话、嵌入式系统、膝上型计算机、工作站和/或服务器等可以链接到一个或多个通信网络(例如，局域网(LAN)、广域网(WAN)、个人区域网(PAN)等)(例如，与其通信)。在本文中描述的技术中的一些技术可以包括将多任务神经网络的计算分割在多个装置之上。例如，可以利用本地装置和一个或多个远程装置的组合来执行神经网络处理。

深度学习可以被用于执行诸如图像分类(例如，环境分类)、图像字幕、对象检测、对象定位、对象分割、回归、音频分类、情感分析、文本分类(例如，垃圾邮件过滤)等的不同的任务。在一些示例中，一个输入或一种输入可以被用于执行多个任务。例如，神经网络可以被训练为分类环境、分割对象以及基于一个或多个图像来定位对象。在一些示例中，神经网络可以被分割在一组装置之上，其中神经网络各自的任务的部分可以分布在一组装置之上。