一种神经网络以及神经网络系统的制作方法

本发明涉及人工智能技术，尤其涉及一种神经网络以及神经网络系统。

背景技术：

近年来，随着人工智能技术的不断发展，神经网络在语音识别、图像识别等领域应用日益广泛。

当前技术中，现有的神经网络使用神经元权重的矩阵计算输入获得输出，并使用神经元权重的转置矩阵计算误差来调整神经元权重。神经网络的计算通常发生在单服务器上。输入和输出相对来说比较固定，往往是通过多次重复训练来最终获得一个用途单一的神经网络，应用范围不够广泛。

技术实现要素：

本发明实施例提供一种神经网络以及神经网络系统，能够扩大应用范围，提高运行效率。

本发明实施例第一方面提供了一种神经网络，包括：输入单元，与所述输入单元连接的中间单元，以及与所述中间单元连接的输出单元；

所述输入单元，用于接收输入信息，并根据输入信息大小动态调整神经元数量，将所述输入信息处理为输入序列后发送至所述中间单元；

所述中间单元，用于接收并处理所述输入单元发送的输入序列，将处理后的信息发送至所述输出单元；

所述输出单元，用于根据所述处理后的信息输出处理结果。

可选的，所述输入单元的神经元数量与输入信息的比特数相同；所述输出单元的输出处理结果的比特数与所述输出单元的神经元数量相同。

可选的，所述中间单元采用分级结构，包括位于多个级别的多个中间单元，其中，上一级别的中间单元用于将处理后的信息发送至下一级别的中间单元或者输出单元。

可选的，所述输入单元还用于自动识别并与下一级别的中间单元建立连接；所述上一级别的中间单元还用于自动识别并与下一级别的中间单元或者输出单元建立连接。

可选的，所述神经网络还包括：

输出反馈单元，用于在输出处理结果之后获取与所述输出处理结果匹配的反馈信息，并将所述反馈信息反馈至所述中间单元；

其中，所述输出反馈单元还用于自动识别并与上一级别的中间单元建立连接。

本发明实施例第二方面提供了一种神经网络系统，包括：

多个如本发明第一方面所述的神经网络；

所述多个神经网络还用于根据接收到的选择指令从所述多个神经网络中选取对应的至少一个神经网络，控制所述至少一个神经网络以预设的方式连接，以执行输入输出功能。

可选的，所述控制所述至少一个神经网络以预设的方式连接，包括：

控制所述至少一个神经网络以级联形式或者并联形式连接。

可选的，所述多个神经网络通过不同的输入数据进行训练。

可选的，所述多个神经网络的神经元结构不同。

可选的，所述神经网络系统还包括：

输入模块以及输出模块；

所述输出模块以及输出模块用于与所述至少一个神经网络连接。

实施本发明实施例，具有如下有益效果：

本发明实施例中的神经网络以及神经网络系统，根据具体用途类型配置输入以及输出，并能够实现多个神经网络的连接，从而扩大应用范围，提升运行效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的神经网络以及神经网络系统的实施环境图。

图2为本发明实施例提供的一种神经网络的结构示意图。

图3为本发明实施例提供的一种神经网络的分层结构示意图。

图4为本发明实施例提供的一种神经网络系统的结构示意图。

图5为本发明实施例提供的一种神经网络连接示意图。

图6为本发明实施例提供的另一种神经网络连接示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图中将各步骤描述成顺序的处理，但是其中的许多步骤可以并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排，当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图内的其它步骤。处理可以对应于方法、函数、规程、子例程、子程序等。

图1为本发明实施例提供的神经网络以及神经网络系统的实施环境图。如图1所示，神经网络系统100中包括了多个神经网络200。图中，神经网络200的数量仅为示例说明，并不以此为限。所述神经网络200的功能各不相同，架构也均不相同。根据用途的不同，可以从所述多个神经网络200中选取对应的神经网络200进行连接，连接后的多个神经网络200可以用于实现多种复杂的功能，其中，所述多个神经网络200的连接方式可以有多种，比如级联方式或者并联方式，图1中连接示例仅为举例，本发明实施例并不以此为限。所述神经网络系统100还可以包括输入模块以及输出模块。所述输入模块可以包括多个输入单元，所述输入单元可以是多种形式，比如可以是标准的输入单元形式，也可以由用户自定义；所述输出模块也可以包括多个输出单元，所述输出单元也可以是多种形式，比如可以是标准的输出单元形式，也可以是由用户自定义的输出单元，还可以是具有反馈功能的输出反馈单元。

本实施例中，所述神经网络系统100可以部署在云服务中，通过在多个服务器上设置神经网络200，神经网络系统100可以有选择的根据用途选取不同的神经网络200实现各种复杂的功能，从而扩大应用范围，提升运行效率。

图2为本发明实施例提供的一种神经网络的结构示意图。如图2所示，神经网络200包括输入单元201、中间单元202以及输出单元203。本实施例中，中间单元202与输入单元201连接，输出单元203与输入单元201连接。可以理解的是，神经网络200包括若干个神经元，根据神经网络200对应的功能不同，根据用途类型配置所述输入单元、中间单元以及输出单元，使得若干个神经元分布成输入单元201、中间单元202以及输出单元203。其中，输入单元201、中间单元202以及输出单元203的数量均可以为多个，本实施例并不以此为限。本领域技术人员可以理解的是，本发明实施例中所述的神经元即为感知器，能够接收输入，并产生输出。

输入单元201，用于接收输入信息，并根据输入信息大小动态调整神经元数量，将所述输入信息处理为输入序列后发送至所述中间单元。本实施例中，根据神经网络200的具体作用不同，输入单元201的数量可以为多个。

输入单元201根据输入信息大小动态调整神经元数量，其中，输入单元的神经元数量与输入信息的比特数相同。可以理解的是，输入信息的比特数为输入信息的字节数的8倍。举例来说，当输入信息为10个字节时，输入信息的比特数为80，与此同时，输入单元201的神经元数量也被调整为80个。本实施例中，在不同的输入环境下，输入单元201的神经元数量也会不同。举例来说，若第一次输入时，输入信息为10个字节，此时输入单元201的神经元数量初始化为80个；当第二次输入时，输入信息为20个字节，此时输入单元201的神经元数量对应的调整为160个，即对比第一次输入时增加80个神经元；当第三次输入时，输入信息为5个字节，则此时输入单元201的神经元数量动态调整为40个，即只使用第二次输入中已经确定的160个神经元中的前面40个神经元。通过动态的根据输入信息大小调整神经元数量，可以使得输入单元201适配多种输入类型，拓展了使用范围，从而可以用来处理多种类型的输入信息。

中间单元202，用于接收并处理所述输入单元发送的输入序列，将处理后的信息发送至所述输出单元。本实施例中，中间单元202包括若干个神经元，中间单元202的数量也可以为多个。在一些实施方式中，比如在进行图像识别时，为了提高图像识别的准确性，中间单元202还可以采用分层结构，比如设置3层或者4层以实现对图像多种特征的识别，不同层次的中间单元202之间依次连接。本实施例中，多个中间单元202可以分布式的部署在多个服务器上，不同中间单元202上的神经元分别通过连接进行输入和输出。由于采用分布式部署，使得网络健壮性增强，个别神经元的故障不会对整个网络产生影响。

中间单元202在接收到输入单元发送的输入序列之后，对输入序列进行处理，并将处理后的信息发送至输出单元。本实施例中，中间单元202对输入序列的处理可以有多种形式，根据神经网络200的用途的不同，处理可以采用多种方式。比如，若神经网络200用于图像识别，则中间单元202可能用于判断图像的颜色、像素等特征，通过各种条件来进行感知和决策，以实现输入信息的处理，获得处理后的信息。

在其他实施方式中，中间单元202的数量可以为多个，中间单元202之间可以采用分级结构，包括位于多个级别的多个中间单元，其中，上一级别的中间单元用于将处理后的信息发送至下一级别的中间单元或者输出单元。具体的，当中间单元采用分级结构时，中间单元在对信息进行处理后，可以将信息发送至下一中间单元，也可以将信息发送至输出单元。

输出单元203，用于根据所述处理后的信息输出处理结果。本实施例中，输出单元203的数量也可以为多个。其中，不同数量的输出单元203可以用于处理不同数据类型的输出。输出单元203的输出处理结果的比特数与输出单元203的神经元数量相同。举例来说，当输出单元203的神经元数量为40个时，输出单元203的输出处理结果的比特数也为40，字节数为5；当输出单元203的神经元数量为80个时，则对应的，输出单元203的输出处理结果的比特数为80，字节数为10。

在其他实施方式中，所述神经网络200还可以进一步包括输出反馈单元204，所述输出反馈单元204用于在输出处理结果之后获取与所述输出处理结果匹配的反馈信息，并将所述反馈信息反馈至所述中间单元202。具体的，不同于前述的输出单元203，输出反馈单元204不仅可以用于输出相关信息，还可以接收针对所述相关信息的反馈信息，并将所述反馈信息发送至中间单元202，从而便于神经网络200的训练。

在其他实施方式中，在信息处理流程中，输入单元201还用于自动识别中间单元202并与中间单元202建立连接；上一级别的中间单元202还用于自动识别并与下一级别的中间单元202建立连接，或者用于自动识别并与输出单元203建立连接。

在其他实施方式中，在信息反馈流程中，输出反馈单元204还用于自动识别并于上一级别的中间单元202建立连接，上一级别的中间单元202此时还可以用于自动识别并与更高级别的中间单元202建立连接。

下面结合图3进行详细说明，如图3所示，所述神经网络200进一步的可以分为多个层次，图3为本发明实施例提供的一种神经网络的分层结构示意图。在图3中，神经网络200包括输入单元201、中间单元202、输出单元203以及输出反馈单元204。本实施例中，中间单元202、输出单元203以及输出反馈单元204分别对应着不同级别的层级以及不同的节点数。在进行输入信息的传递及信息处理流程时，输入单元还用于自动识别并与下一级别的中间单元建立连接；所述上一级别的中间单元还用于自动识别并与下一级别的中间单元或者输出单元建立连接，对应的，信息从上一级别的层级传递到下一级别的层级，比如从第2级别的中间单元202传递至第3级别的中间单元202，再传递至第4级别的输出单元203。类似的，在进行反馈信息的传递及信息反馈流程时，输出反馈单元还用于自动识别并与上一级别的中间单元建立连接，对应的，反馈信息从下一级别的层级反向传递到上一级别的层级，比如从第5级别的输出反馈单元204传递至第4级别的中间单元202，再传递至第3级别的中间单元202。同一级别对应的中间单元202或者输出单元203的数量可以有多个，中间单元202或者输出单元203也可以位于不同的级别。根据神经网络用途的不同，神经网络的架构也可以是其他形式，本发明实施例并不以此为限。

上述可知，本发明实施例中的神经网络，输入单元根据具体的输入数据长度动态调整输入单元的神经元数量，从而适配多种数据类型，满足不同的需求，拓展了应用范围。

图4为本发明实施例提供的一种神经网络系统的结构示意图。本实施例中，神经网络系统400包括多个神经网络401。所述神经网络系统400进一步的还包括输入模块402以及输出模块403。

所述神经网络401的数量可以为多个，图4中仅示例性的画出了若干个。在其他实施方式中，根据具体用途不同，神经网络401的数量并不受限制。通过将神经网络401部署在多个服务器上，神经网络系统400可以实现云服务的神经网络。所述神经网络401可以采用如图2或图3所示的实施例中所述的神经网络。可选的，所述神经网络401包括输入单元、中间单元以及输出单元。

可选的，所述多个神经网络401的用途都不同，因此，所述多个神经网络401的神经元架构也不同。在其他实施方式中，所述多个神经网络401可以通过不同的输入数据进行训练。所述多个神经网络401的内部参数、神经元数量均不相同。

所述多个神经网络401还用于根据接收到的选择指令从所述多个神经网络401中选取对应的至少一个神经网络，控制所述至少一个神经网络以预设的方式连接，以执行输入输出功能。本实施中，所述选择指令可以由用户根据需求发出，不同的选择指令对应着不同的计算任务，根据特定任务的不同，从多个神经网络401中选取对应的神经网络执行该特定任务。比如，所述多个神经网络401均用于图像识别，当需要识别黑白图像时，则可以从中筛选出用于黑白图像识别的多个神经网络401，而用于彩色图像识别的则可不选取。在选取了至少一个神经网络之后，还可以控制所述至少一个神经网络以预设的方式连接。

本实施例中，所述连接方式包括级联形式或者并联形式，如图5以及图6所示，给出了本发明实施例提供的神经网络连接示意图。其中，图5是神经网络之间采取级联形式连接的示意图。本实施例中，多个神经网络401之间采用级联形式连接，上一层的神经网络401的输出信息是下一层的神经网络401的输入信息，从而可以更加精确的执行相应的计算任务。图6是神经网络之间采用并联形式连接的示意图。本实施例中，多个神经网络401之间采用并联形式，多个神经网络401都具有相同的输入单元，并具有相同的输出单元，当采用并联形式时，可以增强神经元的输入单元，提高运行效率。

输入模块402，用于接收输入信息。本实施中，所述输入模块402包括输入单元，所述输入单元可以是多种形式，比如可以是标准的输入单元形式，也可以由用户自定义。所述输入单元的数量也可以为多个。

输出模块403，用于输出处理后的信息。本实施中，所述输出模块403包括输出单元，所述输出单元可以是多种形式，比如可以是标准的输出单元形式，也可以由用户自定义。在其他实施方式中，所述输出单元还可以是具有反馈功能的输出反馈单元。所述输出单元的数量也可以为多个。

本实施例中，所述输入模块402以及输出模块403还用于与至少一个神经网络401连接，从而实现神经网络系统的相应功能。

本发明实施例中的神经网络系统，根据具体用途类型选取相应的神经网络，将神经网络连接之后进行输入以及输出，通过多个神经网络的连接，扩大应用范围，提升运行效率。

上述实施例中提供各模块两两之间均可实现通讯连接，且各模块均可与平台的中心控制装置通讯连接，上述实施例中提供的通过指纹识别快速录音装置可执行本公开中任意实施例中所提供的通过指纹识别快速录音的方法，具备执行该方法相应的功能模块和有益效果，未在上述实施例中详细描述的技术细节，可参见本公开任意实施例中所提供的快速录音的方法。

将意识到的是，本公开也扩展到适合于将本公开付诸实践的计算机程序，特别是载体上或者载体中的计算机程序。程序可以以源代码、目标代码、代码中间源和诸如部分编译的形式的目标代码的形式，或者以任何其它适合在按照本公开的方法的实现中使用的形式。也将注意的是，这样的程序可能具有许多不同的构架设计。例如，实现按照本公开的方法或者系统的功能性的程序代码可能被再分为一个或者多个子例程。

用于在这些子例程中间分布功能性的许多不同方式将对技术人员而言是明显的。子例程可以一起存储在一个可执行文件中，从而形成自含式的程序。这样的可执行文件可以包括计算机可执行指令，例如处理器指令和/或解释器指令(例如，java解释器指令)。可替换地，子例程的一个或者多个或者所有子例程都可以存储在至少一个外部库文件中，并且与主程序静态地或者动态地(例如在运行时间)链接。主程序含有对子例程中的至少一个的至少一个调用。子例程也可以包括对彼此的函数调用。涉及计算机程序产品的实施例包括对应于所阐明方法中至少一种方法的处理步骤的每一步骤的计算机可执行指令。这些指令可以被再分成子例程和/或被存储在一个或者多个可能静态或者动态链接的文件中。

另一个涉及计算机程序产品的实施例包括对应于所阐明的系统和/或产品中至少一个的装置中每个装置的计算机可执行指令。这些指令可以被再分成子例程和/或被存储在一个或者多个可能静态或者动态链接的文件中。

计算机程序的载体可以是能够运载程序的任何实体或者装置。例如，载体可以包含存储介质，诸如(rom例如cdrom或者半导体rom)或者磁记录介质(例如软盘或者硬盘)。进一步地，载体可以是可传输的载体，诸如电学或者光学信号，其可以经由电缆或者光缆，或者通过无线电或者其它手段传递。当程序具体化为这样的信号时，载体可以由这样的线缆或者装置组成。可替换地，载体可以是其中嵌入有程序的集成电路，所述集成电路适合于执行相关方法，或者供相关方法的执行所用。

应该留意的是，上文提到的实施例是举例说明本公开，而不是限制本公开，并且本领域的技术人员将能够设计许多可替换的实施例，而不会偏离所附权利要求的范围。在权利要求中，任何放置在圆括号之间的参考符号不应被解读为是对权利要求的限制。动词“包括”和其词形变化的使用不排除除了在权利要求中记载的那些之外的元素或者步骤的存在。在元素之前的冠词“一”或者“一个”不排除复数个这样的元素的存在。本公开可以通过包括几个明显不同的组件的硬件，以及通过适当编程的计算机而实现。在列举几种装置的装置权利要求中，这些装置中的几种可以通过硬件的同一项来体现。在相互不同的从属权利要求中陈述某些措施的单纯事实并不表明这些措施的组合不能被用来获益。

如果期望的话，这里所讨论的不同功能可以以不同顺序执行和/或彼此同时执行。此外，如果期望的话，以上所描述的一个或多个功能可以是可选的或者可以进行组合。

如果期望的话，上文所讨论的各步骤并不限于各实施例中的执行顺序，不同步骤可以以不同顺序执行和/或彼此同时执行。此外，在其他实施例中，以上所描述的一个或多个步骤可以是可选的或者可以进行组合。

虽然本公开的各个方面在独立权利要求中给出，但是本公开的其它方面包括来自所描述实施方式的特征和/或具有独立权利要求的特征的从属权利要求的组合，而并非仅是权利要求中所明确给出的组合。

这里所要注意的是，虽然以上描述了本公开的示例实施方式，但是这些描述并不应当以限制的含义进行理解。相反，可以进行若干种变化和修改而并不背离如所附权利要求中所限定的本公开的范围。

本领域普通技术人员应该明白，本公开实施例的装置中的各模块可以用通用的计算装置来实现，各模块可以集中在单个计算装置或者计算装置组成的网络组中，本公开实施例中的装置对应于前述实施例中的方法，其可以通过可执行的程序代码实现，也可以通过集成电路组合的方式来实现，因此本公开并不局限于特定的硬件或者软件及其结合。

本领域普通技术人员应该明白，本公开实施例的装置中的各模块可以用通用的移动终端来实现，各模块可以集中在单个移动终端或者移动终端组成的装置组合中，本公开实施例中的装置对应于前述实施例中的方法，其可以通过编辑可执行的程序代码实现，也可以通过集成电路组合的方式来实现，因此本公开并不局限于特定的硬件或者软件及其结合。