[发明专利]用于机器学习的方法和设备

说明书

本发明涉及用于利用人工神经网络进行机器学习的设备和方法，其特征在于，为用于人工神经网络的计算硬件（110）提供层描述，该层描述限定人工神经网络的层的至少一部分，其中层描述限定该层的至少一部分的输入值的张量、该层的至少一部分的权重的张量和该层的至少一部分的输出值的张量，尤其这些张量的初始地址，其中计算硬件（110）为了传输所述输入值而发送消息（216），其包括所述输入值的张量在存储器（102）中的初始地址，其中计算硬件（110）为了传输所述权重而发送消息（224），其包括所述权重的张量在存储器（102）中的初始地址，或其中计算硬件（110）为了传输所述输出值而发送消息（232），其包括所述输出值的张量在存储器（102）中的初始地址。

技术领域

本发明的出发点是一种用于机器学习的方法和设备。

背景技术

机器学习可基于人工神经网络，所述人工神经网络在计算硬件、即所谓的KI加速器中实现。

在这样实现的人工神经网络中的错误识别或错误修正可以基于校验和来执行，该校验和在计算硬件中被确定。

这能够实现对有错误的神经元输出值的定位和修正，所述有错误的神经元输出值可能在计算神经网络的神经元函数时出现，例如由于计算硬件的错误响应而触发。

值得期望的是：进一步改善用于机器学习的错误识别或错误修正。

发明内容

这通过按照独立权利要求的方法和设备来实现。

用于机器学习的方法规定：为用于人工神经网络的计算硬件提供层描述，该层描述限定了人工神经网络的层的至少一部分，其中该层描述限定了该层的至少一部分的输入值的张量、该层的至少一部分的权重的张量和该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，其中计算硬件为了传输这些输入值而发送如下消息，该消息包括这些输入值的张量在存储器中的初始地址，其中计算硬件为了传输这些权重而发送如下消息，该消息包括这些权重的张量在存储器中的初始地址，或者其中计算硬件为了传输这些输出值而发送如下消息，该消息包括这些输出值的张量在存储器中的初始地址。由此，以预先给定的数据格式来在计算硬件与存储控制器（Memory-Controller）之间进行通信。由此，存储控制器可以与支持该数据格式的任意计算硬件进行通信。

在一个方面，为用于人工神经网络的计算硬件提供网络描述，该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该层的至少一部分的输入值的张量的初始地址、该层的至少一部分的权重的张量的初始地址和该层的至少一部分的输出值的张量的初始地址，其中计算硬件发送如下消息，该消息将该存储页帧描述在该列表中标识出，其中作为对该消息的响应，接收存储页帧描述，而且其中根据该存储页帧描述来确定这些张量的初始地址。通过按顺序处理该列表，计算硬件可以依次请求、分析针对所有计算的存储页帧描述并且接着通过直接访问正确的存储位置从那里读输入值或权重或者写输出值。

优选地，多个权重为了存储在用于人工神经网络的计算硬件中而从存储器经由存储控制器被传输到计算硬件，其中多个输入值从存储器经由存储控制器被传输以存储在用于人工神经网络的计算硬件中，其中在所述多个权重从存储器经由存储控制器被传输到计算硬件期间根据所述多个权重来确定总和，其中在所述多个输入值从存储器经由存储控制器被传输以存储在计算硬件中期间根据所述多个输入值以及该总和来确定参考值，其中在存储控制器处从计算硬件接收多个输出值期间根据所述多个输出值来确定校验和，其中该校验和在与该参考值的比较中被检查，而且其中根据该比较的结果识别出或者没有识别出错误。由此，错误识别在计算硬件之外被实施。该方法能被用来提高用于机器学习的计算硬件的可靠性并且能被用来分配用于机器学习的计算硬件的可靠性单元和功能单元。对校验和与参考值的计算以及校验和与参考值的比较在计算硬件之外进行，即在存储控制器中进行。通过该增加的安全机制，计算硬件例如可以被外部提供商使用。