[发明专利]用于机器学习的方法和设备

权利要求书

1.一种用于利用人工神经网络来进行机器学习的方法，其特征在于，为用于所述人工神经网络的计算硬件（110）提供层描述，所述层描述限定了所述人工神经网络的层的至少一部分，其中所述层描述限定了所述层的至少一部分的输入值的张量、所述层的至少一部分的权重的张量和所述层的至少一部分的输出值的张量，尤其是这些张量的初始地址，其中所述计算硬件（110）为了传输所述输入值而发送如下消息（216），所述消息包括所述输入值的张量在存储器（102）中的初始地址，其中所述计算硬件（110）为了传输所述权重而发送如下消息（224），所述消息包括所述权重的张量在存储器（102）中的初始地址，或者其中所述计算硬件（110）为了传输所述输出值而发送如下消息（232），所述消息包括所述输出值的张量在存储器（102）中的初始地址。

2.根据权利要求1所述的方法，其特征在于，为用于所述人工神经网络的计算硬件（110）提供网络描述，所述网络描述包括多个层描述的列表，其中所述多个层描述中的一个层描述包括多个存储页帧描述，其中所述多个存储页帧描述中的一个存储页帧描述包括所述层的至少一部分的输入值的张量的初始地址、所述层的至少一部分的权重的张量的初始地址和所述层的至少一部分的输出值的张量的初始地址，其中所述计算硬件（110）发送（212）如下消息，所述消息将所述存储页帧描述在所述列表中标识出，其中作为对所述消息的响应，接收（214）所述存储页帧描述，而且其中根据所述存储页帧描述来确定这些张量的初始地址。

3.根据权利要求1或2所述的方法，其特征在于，多个权重为了存储在用于所述人工神经网络的计算硬件（110）中而从存储器（102）经由存储控制器（104）被传输（220）到所述计算硬件（110），其中多个输入值从所述存储器（102）经由所述存储控制器（104）被传输（228）以存储在用于所述人工神经网络的计算硬件（110）中，其中在所述多个权重从所述存储器（102）经由所述存储控制器（104）被传输到所述计算硬件（110）期间，根据所述多个权重来确定（222）总和（CK），其中在所述多个输入值从所述存储器（102）经由所述存储控制器（104）被传输以存储在所述计算硬件（110）中期间，根据所述多个输入值以及所述总和（CK）来确定（230）参考值（CAR），其中在所述存储控制器（104）处从所述计算硬件（110）接收（232）多个输出值期间，根据所述多个输出值来确定（234）校验和（CA），其中所述校验和（CA）在与所述参考值（CAR）的比较中被检查（236），而且其中根据所述比较的结果识别出（238）或者没有识别出错误。

4.根据权利要求1或2所述的方法，其特征在于，多个权重为了存储在用于所述人工神经网络的计算硬件（110）中而从存储器（102）经由存储控制器（104）被传输（220）到所述计算硬件（110），其中多个输入值从所述存储器（102）经由所述存储控制器（104）被传输（228）以存储在用于所述人工神经网络的计算硬件（110）中，其中在所述多个输入值从所述存储器（102）经由所述存储控制器（104）被传输到所述计算硬件（110）期间，根据所述多个输入值来确定（222）总和（CK），其中在所述多个权重从所述存储器（102）经由所述存储控制器（104）被传输以存储在所述计算硬件（110）中期间，根据所述多个权重以及所述总和（CK）来确定（230）参考值（CAR），其中在所述存储控制器（104）处从所述计算硬件（110）接收（232）多个输出值期间，根据所述多个输出值来确定（234）校验和（CA），其中所述校验和（CA）在与所述参考值（CAR）的比较中被检查（236），而且其中根据所述比较的结果识别（238）出或者没有识别出错误。

5.根据权利要求3或4所述的方法，其特征在于，针对所述人工神经网络的至少一个层来执行错误识别（238）。

6.根据上述权利要求中任一项所述的方法，其特征在于，接收（216）对人工神经网络的层的多个权重的读请求，其中从所述存储器（102）中读（218）所述多个权重。