[发明专利]卷积神经网络的结构学习

权利要求书

1.一种采用处理器实现的方法，包括：

创建包括多个层的神经网络；

所述神经网络执行处理任务以生成输出；

从所述多个层识别无关层；

从所述神经网络移除所述无关层；以及

从所述多个层识别并移除其他无关层，直到不再识别出其他无关层；

其中所述神经网络经历垂直分割和水平分割。

2.根据权利要求1所述的方法，其中识别所述无关层包括确定所述无关层不改进所述神经网络的所述处理任务的性能。

3.根据权利要求1所述的方法，其中使用全或无高速网络以识别要移除的所述神经网络中的所述无关层。

4.根据权利要求3所述的方法，其中所述全或无高速网络生成不使用所述无关层的二元决策。

5.一种采用处理器实现的方法，包括：

创建包括多个层的神经网络；

所述神经网络执行处理任务以生成输出；

从所述多个层识别无关层，其中使用全或无高速网络以识别要移除的所述神经网络中的所述无关层；

从所述神经网络移除所述无关层；

从所述多个层识别并移除其他无关层，直到不再识别出其他无关层；以及

将惩罚与所述无关层的使用相关联，

其中当所述处理器是云计算平台的一部分时，所述惩罚被设定为0。

6.一种采用处理器实现的方法，包括：

创建包括多个层的神经网络；

所述神经网络执行处理任务以生成输出；

从所述多个层识别无关层，其中使用全或无高速网络以识别要移除的所述神经网络中的所述无关层；

从所述神经网络移除所述无关层；

从所述多个层识别并移除其他无关层，直到不再识别出其他无关层；以及

所述全或无高速网络引入混合矩阵来确定如何转换与所述无关层对应的跳跃连接。

7.一种采用处理器实现的方法，包括：

创建包括多个层的神经网络；

所述神经网络执行处理任务以生成输出；

从所述多个层识别无关层；

从所述神经网络移除所述无关层；

从所述多个层识别并移除其他无关层，直到不再识别出其他无关层；

将多个损失层添加到所述神经网络；以及

在所述损失层中的一个处生成预测，以及将所述预测转换为形成张量T的一个或多个混淆矩阵。

8.一种采用处理器实现的方法，包括：

创建包括多个层的神经网络；

所述神经网络执行处理任务以生成输出；

从所述多个层识别无关层；

从所述神经网络移除所述无关层；

从所述多个层识别并移除其他无关层，直到不再识别出其他无关层；

其中所述神经网络的每个层被独立解决，并且所述神经网络的给定层经历通过执行贪婪选择来分割所述给定层的分割，所述贪婪选择提供对于训练损失的最优改进。

9.一种系统，包括：

处理器；

存储器，其上存储有可编程代码；以及

其中所述可编程代码包括用于如下的指令：创建包括多个层的神经网络；所述神经网络执行处理任务以生成输出；从所述多个层识别无关层；从所述神经网络移除所述无关层；以及从所述多个层识别并移除其他无关层，直到不再识别出其他无关层；

其中所述神经网络经历垂直分割和水平分割。

10.一种体现在非暂态计算机可读介质上的计算机程序产品，所述非暂态计算机可读介质具有存储在其上的指令序列，所述指令序列在由处理器执行时使所述处理器执行包括如下步骤的方法：

创建包括多个层的神经网络；

所述神经网络执行处理任务以生成输出；

从所述多个层识别无关层；

从所述神经网络移除所述无关层；以及

从所述多个层识别并移除其他无关层，直到不再识别出其他无关层；

其中所述神经网络经历垂直分割和水平分割。