CN110826721B 信息处理方法及信息处理系统 （松下电器（美国）知识产权公司）

US2022091837A1,2022US2019297326A1,2019.US2017132528A1,201即使从第1学习模型变换为第2学习模型的变换工具的变换处理内容不清楚，也能够减小第1学习模型的输出数据与第2学习模型的输出数据之差。信息处理方法取得第1学习模型(50)的针对输入数据的第1输出数据、针对输入数据的正解数据、以及通过第1学习模型(50)的变换而得到的第2学习模型(60)的针对输入数据的第2输出数据；计算与第1输出数据和正解数据的差分对2通过对第1学习模型进行变换而得到第2学习模型，上述第1学习模型以图像为输入数取得上述第1学习模型的针对上述图像的上述输出数据即第1计算与上述第1输出数据和上述正解数据的差分对应的第1差分数据、以及与上述第2输出数据和上述正解数据的差分对应的第2上述第1学习模型及上述第2学习模型是神经输入数据，以表示上述图像中包含的被摄体的位置的坐标及该被摄体的可靠度为输出数取得部，取得上述第1学习模型的针对上述图像的上述输出数据即计算部，计算与上述第1输出数据和上述正解数据的差分对应学习部，使用上述第1差分数据及上述第2差分数据，仅进行上述第1学习模型的再学31学习模型的输出数据与第2学习模型的输出[0004]非专利文献1：QuantizationandTrainingofNeuralNetworksforEfficientInteger－Arithmetic－OnlyInference.https：///abs/[0005]但是，在从第1学习模型变换为第2学习模型的变换工具的变换处理内容不清楚1输出数据和上述正解数据的差分对应的第1差分数据、以及与上述第2输出数据和上述正[0010]根据有关本发明的一技术方案的信息处理方法及信息处理系统，即使从第1学习4和第2学习模型输入了相同的数据的情况下发生的、第1学习模型的输出数据与第2学习模[0012]图2是表示有关第1实施方式的变换部将第1学习模型变换为第2学习模型的状况[0013]图3是表示有关第1实施方式的学习部进行第1学习模型的再学习的状况的一例的[0016]图6是表示在有关第2实施方式的信息处理系统中用于第1学习模型的再学习的数车载装入系统高的性能的计算机系统中的学习而得到的第1学习模型应用变换工具，变换点运算进行推论的第1学习模型变换为在车载装入系统中进行整数运算处理的第2学习模[0031]在公开了从第1学习模型变换为第2学习模型的变换工具的变换处理内容的情况51输出数据和上述正解数据的差分对应的第1差分数据、以及与上述第2输出数据和上述正输入了相同的数据的情况下发生的第1学习模型的输出数据与第2学习模型的输出数据之出与第2学习模型的输出的差分的程度赋予61学习模型进行再学习以减小在对第1学习模型和第2学习模型输入了相同的数据的情况下[0049]信息处理系统1例如也可以由包括处理器和存储器而构成的个人计算机实现。在素例如可以通过由某1个以上的处理器执行存储在某1个以上的存储器中的1个以上的程序1学习模型50是神经网络型的学习模型，是进行了学习以从图像中识别在该图像中作为被[0051]第2学习模型60是通过后述的变换部40从第1学习模型50进行变换以使得使用整[0052]第2学习模型60与第1学习模型50相比进行数值运算精度较低的处理，但另一方7面，即使是不能处理浮动小数点型变量的系统即不能利用第1学习模型50的系统也能够利[0054]此外，第2学习模型60例如适合在比运算的精度更重视伴随着运算的耗电量的减[0055]变换部40将使用浮动小数点型变量进行处理的第1学习模型50变换为使用整数型[0056]图2是表示变换部40将第1学习模型50变换为第2学习模型60的状况的一例的示意动小数点型变量进行处理的多个权重分别变换为使用整数型变量进行处理的多个权重(这模型60输入了相同的图像A，从第1学习模型50输出的输出数据A1和从第2学习模型60输出据A的情况下，在与输出数据A1和正解数据A的差分对应的第1差分数据(后述)和与输出数据A2和正解数据A的差分对应的第2差分数据(后述)间[0060]取得部10取得第1学习模型50的针对输入数据的第1输出数据、第2学习模型60的8[0076]发明人关于学习部30对第1学习模型50的再学习，将计算差分数据的(式3)中的λ值运算精度更低的处理的第2学习模型60的输出更重视进行数值运算精度更高的处理的第1学习模型50的输出来使第1学习模型50再学习，能够精度更好地进行第1学习模型的输出[0079]信息处理系统1进行使用第1差分数据和第2差分数据来更新第1学习模型50和第2[0081]学习模型的第1更新处理例如通过针对一个输入数据，由第1学习模型50输出第1系统1进行执行学习模型的第1更新处理的[0082]在开始了学习模型的第1更新处理的情况下和后述的步骤S80的处理结束的情况[0085]在步骤S40的处理中，在计算出的差分数据比预先设定的规定的阈值大的情况下(步骤S40：是)，学习部30使用以计算出的差分数据为误差的误差逆传播法将权重进行更9[0086]如果第1输出数据被更新，则变换部40将再学习后的第1学习模型50变换为第2学[0088]在步骤S40的处理中，在计算出的差分数据不比预先设定的规定的阈值大的情况使从第1学习模型50向第2学习模型60的变换处理内容不清楚，也能够减小在对第1学习模率(或是伪数据的概率)及第2输出数据是真数据的第2概率(或是伪数据的概率)作为判定[0101]LOSS=λ4*Loss1+[0107]如果由取得部10取得第1输出数据和第2输出数据，则判定部70判定所取得的第1[0108]判定部70根据判定结果计算第3差分数据(步骤S120)。例如，判定部70使用上述[0116]以上，基于第1实施方式及第2实施方式对有关本发明的1个或多个技术方案的信要素组合而构建的形态也可以包含在本发明的1个或多个技术方案的[0117](1)在第1实施方式中，设为第1学习模型50是使用浮动小数点型变量进行处理的量化后的8比特的RGB数据进行处理的学习模型，第2学习模型60是将要处理的图像中的各[0121](2)信息处理系统1所具备的构成要素的一部分或全部也可以由1个系统LSI片上而制造的超多功能LSI，具体而言，是包括微处理器、ROM(ReadOnlyMemory)、RAM重构LSI内部的电路单元的连接或设定的可[0123]进而，如果因半导体技术的进步或派生的其他技术而出现替代LSI的集成电路化[0124](3)本发明的一形态不仅是这样的信息处理系统，也可以是将信息处理系统中包是记录有这样的计算机程序的计算机可读取的非暂时