阅读说明：本技术 电子装置和用于控制该电子装置的方法 (Electronic device and method for controlling the same ) 是由 赵韩秀 金庆勳 朴永焕 金硕镇 金铉中 权东旭 于 2018-06-05 设计创作，主要内容包括：公开了一种电子装置。所述电子装置包括：存储器；以及处理器,针对从根据神经网络的学习产生的多个滤波器选择的每个主样式的滤波器检查用于对神经网络的输入数据进行滤波的操作命令,并且将检查的操作命令存储在存储器中。(An electronic device is disclosed. The electronic device includes: a memory; and a processor checking an operation command for filtering input data of the neural network for each filter of the main pattern selected from the plurality of filters generated according to the learning of the neural network, and storing the checked operation command in the memory.)

电子装置和用于控制该电子装置的方法

技术领域

本公开涉及一种电子装置和用于控制该电子装置的方法，并且更具体地，涉及一种电子装置和用于控制该电子装置以减少在通过神经网络执行学习的处理中所需操作量的方法。

背景技术

人工智能领域的机器学习是指用于研究并且构建用于通过收集并分析大规模大数据来预测将来并且改进其性能的系统和用于该系统的算法的技术。

近年来，随着硬件技术的发展，由于能够收集并存储大数据并且用于分析大数据的计算机技能和技术变得更加复杂且快速，已经积极地进行了对机器学习的研究，其中，机器学习是可识别出物体并且像人一样理解信息的算法。具体地讲，在机器学习技术的领域中，关于对使用神经网络的自学习方法的深度学习的研究是积极的。

神经网络是激励函数基于意图通过将通过多个输入与权重作积而获得的总和与特定边界值进行比较来确定最终输出以积极地模拟人脑的功能的算法，并且通常包括多个层。神经网络的代表性示例包括广泛用于图像识别的卷积神经网络(在下文中，CNN)、广泛用于语音识别的循环神经网络(在下文中，RNN)等。

然而，在传统CNN中，由于基本上执行通过卷积的滤波操作，故由于多个滤波器被应用于输入数据而需要大量操作。也就是说，由于为了特征图产生而重复卷积操作，故需要大量的操作和大容量神经网络参数，这反过来导致了操作速度退化和存储器的使用效率低下的问题。

因此，在机器学习中，存在针对用于减轻这样的操作的负担的方法的需求。

发明内容

技术问题

本公开提供一种电子装置和用于控制该电子装置以改进神经网络的操作处理中的操作速度和存储器使用的方法。

技术方案

根据本公开的实施例，一种电子装置包括：存储器；以及处理器，被配置为针对从根据通过神经网络的学习产生的多个滤波器选择的每个主样式的滤波器检查用于对神经网络的输入数据进行滤波的操作指令，并且将检查的操作指令存储在存储器中。

处理器可通过使用存储的操作指令通过主样式的滤波器执行滤波操作。

主样式的滤波器可以是针对非零元素被排列的每个样式基于由每个样式所占操作量的统计权重在产生的所述多个滤波器中选择的滤波器。

处理器可基于非零元素被排列的每个样式的频率在产生的所述多个滤波器中选择主样式。

电子装置还可包括通信器，其中，处理器可通过通信器将操作指令发送到另一电子装置，并且所述另一电子装置可通过使用操作指令通过主样式的滤波器执行滤波操作。

处理器可检查从选择的主样式的滤波器去除了零元素的最优化数据和与最优化数据相应的操作指令，并且将检查的最优化数据和操作指令存储在存储器中。

处理器可通过使用存储的最优化数据和与包括在存储的最优化数据中的识别信息相应的操作指令通过主样式的滤波器执行滤波操作。

处理器可通过通信器将最优化数据和操作指令发送到所述另一电子装置，并且所述另一电子装置可通过使用接收的最优化数据和与包括在接收的最优化数据中的识别信息相应的操作指令通过主样式的滤波器执行滤波操作。

根据本公开的另一实施例，一种用于控制电子装置的方法包括：针对从根据通过神经网络的学习产生的多个滤波器选择的每个主样式的滤波器检查用于对神经网络的输入数据进行滤波的操作指令；并且存储检查的操作指令。

所述方法还可包括通过使用存储的操作指令通过主样式的滤波器执行滤波操作。

主样式的滤波器可以是针对非零元素被排列的每个样式基于由每个样式所占的操作量的统计权重在产生的所述多个滤波器中选择的滤波器。

在检查操作指令的步骤中，可基于非零元素被排列的每个样式的频率在产生的所述多个滤波器中选择主样式。

所述方法还可包括将存储的操作指令发送到另一电子装置，其中，所述另一电子装置可通过使用操作指令通过主样式的滤波器执行滤波操作。

在检查操作指令的步骤中，可检查从选择的主样式的滤波器去除了零元素的最优化数据和与最优化数据相应的操作指令，并且在存储检查的操作指令的步骤中，可存储检查的最优化数据和操作指令。

所述方法还可包括通过使用存储的最优化数据和包括在存储的最优化数据中的操作指令通过主样式的滤波器执行滤波操作。

所述方法还可包括将存储的最优化数据和操作指令发送到所述另一电子装置，其中，所述另一电子装置可通过使用最优化数据和与包括在最优化数据中的识别信息相应的操作指令通过主样式的滤波器执行滤波操作。

有益效果

根据上述公开的多种实施例，在机器学习所需要的操作中，可极大地降低操作速度并减少操作量，并且与传统的存储器使用相比也可减少存储器使用。

附图说明

图1a和图1b是示意性地示出根据本公开的不同实施例的电子装置的配置的框图。

图2是示出根据本公开的实施例的通过将多个滤波器应用于输入数据执行分类操作的通用CNN的操作处理的示图。

图3a和图3b是用于描述根据本公开的实施例的主样式的滤波器的示图。

图4是示出根据本公开的实施例的用于具有作为主样式之一的样式A的滤波器的最优化数据的结构的示图。

图5是示意性地示出根据本公开的实施例的另一电子装置的配置的框图。

图6是示出根据本公开的实施例的从服务器接收用于主滤波器的操作指令并且使用操作指令执行卷积操作的机器学习系统的示图。

图7a和图7b是用于描述根据本公开的实施例的用于学习各种类型的输入图像并且使用学习的数据识别输入图像的方法的示图。

图8是用于描述根据本公开的实施例的通过神经网络执行学习的方法的流程图。

具体实施方式

在详细地描述本公开之前，将对描述本说明书和附图的方法进行描述。

首先，考虑到本公开的功能，在本说明书和权利要求书中使用的术语已经选择了通用术语。然而，这些术语可根据本领域的技术人员的意图、法律或技术解释以及新技术的出现而变化。另外，一些术语由申请人任意选择。除非另有定义，否则这些术语可被解释为如这里所定义的含义，并且可基于本说明书的总体内容和现有技术中的公用技术知识被解释。

另外，在本说明书所附附图中的相似的参考标号或符号表示执行基本相同的功能的部件或组件。为了便于解释和理解，将使用相同的参考标号或符号描述不同的实施例。也就是说，尽管在附图中示出了具有相同参考标号的所有组件，但附图不意味着一个实施例。

另外，在本说明书和权利要求书中，包括序数(诸如“第一”和“第二”)的术语可被用于在组件之间进行区分。这些序数被用于将相同或类似的组件彼此区分开，并且术语的含义不应被解释为受这些序数的使用限制。作为示例，与这些序数组合的组件不应被解释为限制它们的使用或布置的顺序。如果必要，则可互换使用各个序数。

在本说明书中，除非上下文另有清楚地指示，否则单数形式包括复数形式。应理解的是，在本说明书中使用的术语“包含”或“包括”指明在本说明书中提及的特征、数字、步骤、操作、组件和部件或特征、数字、步骤、操作、组件和部件的组合的存在，但不排除一个或更多个其他特征、数字、步骤、操作、组件、部件或特征、数字、步骤、操作、组件和部件的组合的存在或添加。

在本公开的实施例中的术语“模块”、“单元”、“部件”等是用于表示执行至少一个功能或操作的组件的术语，并且可以以硬件或软件或硬件和软件的组合实现这样的组件。另外，可将多个“模块”、“单元”、“部件”等集成为至少一个模块或芯片，并且除了需要均以单独的特定硬件实现多个“模块”、“单元”、“部件”等的情况之外，可以在至少一个处理器(未示出)中实现多个“模块”、“单元”、“部件”等。

另外，在本公开的实施例中，当部件连接到另一部件时，这不仅包括直接连接也包括通过另一介质的间接连接。另外，除非另有明确地描述，否则任何部分“包含”任何组件的含义指任何部分不排除其他组件并且还可包括其他组件。

在下文中，将参照附图详细地描述本公开。

图1a和图1b是示意性地示出根据本公开的实施例的电子装置的配置的框图。

参照图1a，通过神经网络执行学习的电子装置100包括存储器110和处理器120。

存储器110被配置为存储通过神经网络的学习数据。这里，学习数据可包括根据通过神经网络的学习产生的多个滤波器。在这种情况下，存储器110可存储已经对产生的多个滤波器执行预处理的数据，稍后将对此进行描述。

存储器110可被实现为各种格式的存储器，诸如硬盘驱动器(HDD)、固态驱动器(SSD)、DRAM存储器、SRAM存储器、FRAM存储器或闪存。

处理器120被配置为控制电子装置100的整体操作。处理器120对从通过神经网络的学习而产生的所述多个滤波器选择的主样式的滤波器执行预处理。

这里，滤波器被定义为作为具有权重的掩模的权重矩阵。滤波器也被认为是窗口或核。在滤波器中组成矩阵的权重包括0(零值)或可近似于0的零元素以及具有0与1之间的常量值的非零元素，并且可根据滤波器的功能具有各种样式。

例如，在神经网络被实现为用于识别图像的卷积神经网络(在下文中，CNN)的情况下，处理器120可将具有权重的滤波器应用于输入图像，并且通过将由图像与滤波器的权重作积而获得的值的总和(卷积操作)确定为输出图像的像素值来提取特征图。可通过多个滤波器多次对输入图像进行提取以提取出鲁棒特征，并且可根据滤波器的数量提取多个特征图。可通过多个层重复这样的卷积图像。在这种情况下，将被学习的滤波器根据CNN的学习对象变化，选择的滤波器的样式也变化。也就是说，将被学习的滤波器和将被选择的滤波器根据CNN所学为何(诸如猫、幼犬、猪和奶牛)而变化。

如上所述，处理器120可通过将能够提取不同特征的多个滤波器组合并且将组合的滤波器应用于CNN来确定输入的原始数据具有何种类型的特征。

另一方面，主样式的滤波器是多个学习的滤波器之中的非零元素被排列为主样式的滤波器，并且指包括在滤波操作期间占大于或等于预定比率的操作量的样式的滤波器，或者多个学习的滤波器之中的包括占大于或等于预定比率的频率的样式的滤波器。将参照图3a和图3b对此进行详细描述。

另一方面，通过处理器120执行的预处理包括针对每个选择的主样式的滤波器均检查用于通过使用选择的主样式的滤波器对神经网络的输入数据进行滤波的操作指令的处理。操作指令是代替用于对神经网络的输入数据进行滤波的卷积操作的指令，并且可被编译和识别。可在存储器110中存储检查的操作指令。

处理器120可根据存储的操作指令通过主样式的滤波器执行滤波操作。为此，根据实施例的处理器120还可包括用于执行滤波操作的操作模块(未示出)。

另外，根据另一实施例的电子装置100’还可包括如图1b中示出的通信器130，并且处理器120可通过通信器130将操作指令发送到另一电子装置200。所述另一电子装置200可包括操作模块并且通过使用操作指令通过主样式的滤波器执行滤波操作。

通信器130可在根据全球移动通信系统(GSM)、码分多址(CDMA)、码分多址2000(CDMA2000)、增强型语音数据最优化或仅增强型语音数据(EV-DO)、宽带CDMA(WCDMA)、高速下行链路分组接入(HSDPA)、高速上行链路分组接入(HSUPA)、长期演进(LTE)、高级长期演进(LTE-A)等建立的移动通信网络中与所述另一电子装置200发送并且接收无线信号。

另外，通信器130可支持Wi-Fi、蓝牙和Wi-Fi直连，并且可包括用于连接到有线网络的以太网端子。

另外，通信器130可通过有线方式将操作指令发送到所述另一电子装置200，并且在这种情况下，可包括用于通过有线方式连接到所述另一电子装置200的连接器。

另一方面，处理器120可获得从选择的主样式的滤波器去除了零元素的最优化数据，并且可根据获得的最优化数据检查用于执行滤波操作的操作指令。处理器120可从选择的主样式的滤波器去除零元素，并且可产生用于主样式的滤波器的最优化数据，其中，最优化数据由非零元素和用于识别样式的识别信息组成。在这种情况下，最优化数据具有识别信息和非零元素被排列成一线的数据结构。

另外，操作指令是用于在用于对神经网络的输入数据进行滤波的操作模块中使包括在该操作模块中的多个处理元件中的特定处理元件执行特定操作的指令。可以以预定的结构排列所述多个处理元件以构建操作模块。

在与如上所述的电子装置100’执行通信的所述另一电子装置200中可包括这样的操作模块，并且电子装置100’可将存储在存储器100中的最优化数据和操作指令发送到所述另一电子装置200。所述另一电子装置200可通过使用从电子装置100’接收的最优化数据和操作指令通过主样式的滤波器执行神经网络的滤波操作。

另一方面，处理器120可针对每种类型的主样式在存储器110中均存储与主样式的滤波器相应的最优化数据和操作指令。

图2示出根据本公开的实施例的通过将多个滤波器应用于输入数据执行分类操作的通用CNN的操作处理。

如图2所示出的，可将多个滤波器22-1至22-n应用于CNN的输入图像21。在这种情况下，滤波器22-1至22-n根据CNN的类型而不同，但通常可包括64种至512种类型的滤波器。另一方面，输入图像21可在输入到CNN之前被划分成多个图像并且被输入到CNN。

这里，输入图像21可具有用于表示颜色的特定深度，并且可由通过例如红(R)、绿(G)和蓝(B)表示的三条数据组成。

CNN基本上具有卷积层和池化层被重复的结构。在卷积层中，基于应用的滤波器22-1至22-n的数量产生针对输入图像21的多个特征图23-1至23-n，并且在池化层中对产生的所述多个特征图进行采样。随着重复这样的处理，可产生具有缩小的尺寸的多个特征图24-1至24-n。最终，通过全连接层将输入图像21分类为特定对象。图2示出将输入图像21分类为“猫”的示例。

图3a和图3b是用于描述根据本公开的实施例的主样式的滤波器的示图。

如图3a中示出的，在神经网络中，使用具有基于排列了零值或零元素(可近似于零值)以及非零元素(具有0与1之间的恒定值，非零值)的形式的恒定样式的滤波器。

在这种情况下，如图3b中示出的，在神经网络中使用的滤波器之中，存在具有特定高频率的使用的样式(也就是说，主样式)的滤波器。具有主样式的滤波器被广泛用于所有类型的神经网络，并且可使用具有主样式的滤波器用恒定的高概率对图像进行分类。由于用于具有主样式的滤波器的操作量在统计上占神经网络的总操作量的高操作比率，故通过对主滤波器执行预处理可提高操作效率。

处理器120可基于非零元素被排列的每个样式的频率在根据通过神经网络的学习产生的所述多个滤波器中选择主样式。也就是说，可按照产生的滤波器的各个样式之中的相对高频率出现的样式的顺序将预定数量的样式选择为主样式。另外，也可将在产生的滤波器的各个样式之中具有预定次数或更高次数的出现频率的样式选为主样式。

另一方面，也可针对非零元素被排列的每个样式基于由每个样式所占的操作量的统计权重在根据通过神经网络的学习产生的所述多个滤波器中选择主样式的滤波器。也就是说，可根据处理输入数据所需的操作量占总操作量的比率高的顺序选择具有预定数量的不同主样式的滤波器，并且在这种情况下，可选择操作量的总和超过特定比率的特定数量的滤波器。

例如，在作为一种类型的神经网络的VGG16的情况下，假设识别对象的数量是10，将VGG16中使用的215种样式的滤波器中的20种样式的滤波器应用于输入数据所需要的操作量占总操作量的60％。在这种情况下，处理器120可将占60％的操作量的20种样式的滤波器选为执行预处理的滤波器。另外，在作为另一种类型的神经网络的ResNet的情况下，假设识别对象的数量是80，将ResNet中使用的277种样式的滤波器中的20种样式的滤波器应用于输入数据所需的操作量占总操作量的40％。在这种情况下，处理器120可将占40％的操作量的20种样式的滤波器选为执行预处理的滤波器。

也就是说，尽管存在神经网络中使用的几百种类型的滤波器，但占预定阈值比率的操作量的样式的数量可以是几百种类型的滤波器之中的几十种。鉴于这样的趋势，本公开的目的是当具有主样式的滤波器被应用于输入数据时，通过预先存储与通过应用的滤波器对输入数据进行滤波相应的操作指令来减少根据主样式的滤波器的卷积操作的操作量。

另一方面，在上述实施例中，尽管假设在滤波器的二维平面(x，y)上的非零元素的位置具有预定的样式，但预处理的对象可延伸到“样式”单元而非“滤波器”单元。在这种情况下，当在滤波器的一个区域中存在非元素的主样式时，可预先存储针对存在主样式的区域的操作指令。在这种情况下，在本公开的技术精神中也可包括针对存在主样式的区域通过使用预存储的操作指令执行操作并且针对除了存在主样式的区域之外的其余区域执行通过传统卷积进行的滤波操作的实施例。另外，即使在沿滤波器的深度(z)方向存在非元素的主样式的情况下，也可预先存储针对存在主样式的区域的操作指令。

图4示出用于具有作为主样式之一的样式A的滤波器的最优化数据的结构。

当使用具有多个样式的滤波器41-1至41-n之中的具有作为主样式的样式A的滤波器(在下文中，滤波器A)对神经网络的输入数据进行滤波时，应用于输入数据的滤波器A可具有如图4的(a)中示出的包括在滤波器A中的非零元素和零元素被串联排列的数据阵列结构。

在本公开中提出的滤波器A的最优化数据具有指示应用的滤波器是样式A的标签被包括在数据阵列的第一字段区中并且其余字段区仅由滤波器A的非零元素组成的结构。这里，标签用作用于识别样式A的识别信息。总而言之，最优化数据具有从现有的数据阵列结构去除了所有零元素并且仅添加指示样式的类型的标签的结构。

图5是示意性地示出根据本公开的实施例的另一电子装置的配置的框图。

所述另一电子装置200被配置为将从电子装置100’接收的学习数据应用于CNN以产生从输入数据确定或预测的结果作为输出数据。在下文中，为了简明，电子装置100’将被称为第一电子装置，并且所述另一电子装置200将被称为第二电子装置。

参照图5，第二电子装置200包括通信器210、操作模块220、存储器230和处理器240。

通信器210被配置为与通过神经网络执行学习的第一电子装置100’执行通信。第二电子装置200可通过通信器210从第一电子装置100’接收由第一电子装置100’选择的滤波器的操作指令。

另外，根据另一实施例的第二电子装置200也可从第一电子装置100’接收选择的滤波器的最优化数据和与最优化数据相应的操作指令。另外，每当根据第一电子装置100’的学习更新操作指令时，通信器210可接收更新的操作指令。

另外，每当根据第一电子装置100’的学习更新主滤波器的最优化数据和与最优化数据相应的操作指令时，根据另一实施例的第二电子装置200的通信器210可接收更新的最优化数据和操作指令。

通信器210可在根据全球移动通信系统(GSM)、码分多址(CDMA)、码分多址2000(CDMA 2000)、增强型语音数据最优化或仅增强型语音数据(EV-DO)、宽带CDMA(WCDMA)、高速下行链路分组接入(HSDPA)、高速上行链路分组接入(HSUPA)、长期演进(LTE)、高级长期演进(LTE-A)等建立的移动通信网络中向第一电子装置100’发送无线信号并且从第一电子装置100’接收无线信号。

另外，通信器210可支持Wi-Fi、蓝牙和Wi-Fi直连。

操作模块220包括按照预定结构排列的多个处理元件(PE)，并且被配置为通过在相邻的处理元件之间共享数据来执行操作。例如，可按照各种类型的网络(诸如，网状拓扑网络和树状拓扑网络)的结构排列PE。存储器230被配置为存储已经对主样式的滤波器执行了预处理的数据。特别地，存储器230存储从第一电子装置100’接收的用于主样式的滤波器的最优化数据和与最优化数据相应的操作指令。

存储器230可被实现为各种格式的存储器，诸如，硬盘驱动器(HDD)、固态驱动器(SSD)、DRAM存储器、SRAM存储器、FRAM存储器或闪存。

处理器240被配置为控制第二电子装置200的整体操作。具体而言，处理器240可控制通信器230从第一电子装置100’接收通过神经网络的学习产生的所述多个滤波器中的主样式的滤波器并且接收与主样式相应的操作指令(也就是说，用于通过主样式的滤波器对神经网络的输入数据进行滤波的操作指令)。处理器240在存储器230中存储接收的操作指令。当在第一电子装100’中使用优化数据对主样式的滤波器进行了预处理并且从第一电子装置100’接收了与最优化数据相应的操作指令时，处理器240在存储器230中存储最优化数据和与最优化数据相应的操作指令。

另一方面，当将所述多个滤波器中的主样式的滤波器应用于输入数据时，处理器240可检查存储在存储器230中的操作指令之中的与应用的主样式相应的操作指令。

处理器240根据检查的操作指令基于输入数据和预处理的最优化数据推导操作值。具体而言，处理器240可控制操作模块220基于包括在最优化数据中的识别信息从存储器获得与识别信息相应的操作指令，并且根据获得的操作指令执行滤波操作。

在这种情况下，处理器240可控制操作模块220从存储器230获得与包括在最优化数据中的识别信息相应的操作指令并且根据获得的操作指令执行滤波操作。推导出的操作值通常与基于通过预定样式的滤波器的卷积操作对输入数据进行滤波的操作值相同。

图6示出根据本公开的实施例的从第一电子装置接收用于主滤波器的操作指令并且使用操作指令执行卷积操作的机器学习系统。图6示出了通过神经网络执行学习的第一电子装置100’被实现为服务器并且使用通过第一电子装置学习的数据针对输入数据执行滤波操作的第二电子装置200被实现为用户装置的实施例。另外，在图6中，为了简明，由主样式组成的滤波器被称为主滤波器。

服务器100’被配置为对主滤波器执行预处理，并且产生最优化数据和与主滤波器相应的操作指令。

如图6中所示出的，服务器100’包括存储器110、处理器120和通信器130。处理器120学习应用于神经网络的多个滤波器，选择学习的所述多个滤波器的主滤波器，并且在存储器110中存储主滤波器。处理器120可按照学习的滤波器之中的高频率的样式的顺序将预定样式的至少一个滤波器选为主滤波器。例如，如图6中所示出的，处理器120可在存储器110中存储用于第一滤波器至第三滤波器学习的第一数据至第三数据，其中，第一滤波器至第三滤波器是主滤波器。

参照图6，处理器120可分别产生使用数据分析软件工具使第一滤波器至第三滤波器最优化的第一最优化数据至第三最优化数据。第一最优化数据至第三最优化数据均包括指示根据包括在第一滤波器至第三滤波器中的每个滤波器中的非零元素的排列样式确定的第一滤波器至第三滤波器的样式类型的标签。

另一方面，第一最优化数据至第三最优化数据可以是去除了包括在滤波器中的零元素的数据。在这种情况下，第一最优化数据至第三最优化数据可比原始学习的数据具有更少数量的占用比特。也就是说，在这种情况下，由于第一最优化数据至第三最优化数据仅包括非零元素和指示滤波器的样式的类型的标签，故不论滤波器的类型如何，与占用特定数量的比特的原始学习的数据相比较可节省占用比特的数量。在这种情况下，根据非零元素的值可不同地确定表示最优化数据的比特的数量。例如，可分别由8比特表示在第一最优化数据中的位置“1”、“4”和“7”处的非零元素，其中，8比特是用于表示每个非零元素的比特的最优数量。另一方面，可分别由16比特表示在第二最优化数据中的位置“1”和“9”处的非零元素，其中，16比特是用于表示每个非零元素的比特的最优数量。

同时，处理器120可基于第一最优化数据至第三最优化数据分别产生作为用于第一滤波器至第三滤波器的操作指令的第一操作指令至第三操作指令。在这种情况下，操作指令是用于使处理元件执行根据主样式确定的操作的指令，其中，处理元件是根据主样式在包括在用户装置200中的操作模块220中包括的多个处理元件之中确定的。可根据第一滤波器至第三滤波器的样式类型确定第一操作指令至第三操作指令。

处理器120可通过通信器130将第一最优化数据至第三最优化数据和第一操作指令至第三操作指令发送到用户装置200。

参照图6，用户装置200可通过通信器接收第一最优化数据至第三最优化数据和第一操作指令至第三操作指令。处理器240可在存储器230中存储接收的第一最优化数据至第三最优化数据和第一操作指令至第三操作指令。在这种情况下，可在存储器230的不同区域(数据存储器、操作指令存储器)中分别存储第一最优化数据至第三最优化数据和第一操作指令至第三操作指令。

可将存储在存储器230中的第一最优化数据至第三最优化数据输入到操作模块220，并且当将第一最优化数据至第三最优化数据应用于输入图像时，操作模块220可根据第一操作指令至第三操作指令分别执行操作。处理器240通过使用处理元件通过卷积执行滤波操作，其中，处理元件是通过用于第一最优化数据至第三最优化数据中的每一个的第一操作指令至第三操作指令在包括在操作模块220中的多个处理元件之中确定的。

另一方面，每当存储在服务器100’中的第一最优化数据至第三最优化数据被改变时，处理器240可从服务器100’接收改变的第一最优化数据至第三最优化数据并且执行更新。另外，当由服务器100’选择的主滤波器被改变时，处理器240可接收用于改变的主滤波器的最优化数据和操作指令并且执行更新。

图7a和图7b是用于描述根据本公开的实施例的用于学习各种类型的输入图像并且使用学习的数据识别输入图像的方法的示图。

如图7a中示出的，第二电子装置200的处理器240可控制操作模块220根据用于图像识别的CNN算法执行操作，并且可识别各种动物图像，诸如，“猫”、“松鼠”、“鹿”和“狗”。

在这种情况下，可预先在第二电子装置200的存储器230中存储关于主样式学习的最优化数据。最优化数据可包括例如用于均指示由样式A、样式B和样式C组成的滤波器的主样式的类型的标签和非零元素的各个数据。另外，存储器230可存储与表示样式A、样式B和样式C的类型的标签分别相应的操作指令。

当图像数据被输入到操作模块220时，各种样式的滤波器被应用于图像数据，并且针对主样式的滤波器，操作模块220使用学习的最优化数据和操作指令执行操作。处理器240从用于对图像数据进行滤波的学习的多个滤波器选择至少一个样式A的滤波器，并且当将选择的样式A的滤波器应用于图像数据时，处理器240使用用于样式A的滤波器的预处理数据。也就是说，当将样式A的滤波器应用于图像数据时，处理器240将包括在与样式A的滤波器相应的最优化数据中的非零元素输入到操作模块110。在这种情况下，处理器240可基于指示样式A的类型的标签从存储器230提取与样式A相应的操作指令。处理器240可将提取的操作指令输入到操作模块220以控制通过包括样式A的滤波器的滤波操作被执行。

在这种情况下，如图7a中示出的，处理器240可重新排列将被顺序地应用于用于每个主样式的滤波器的操作模块220的多个滤波器(学习的数据)。具体而言，参照图7b，处理器240从通过学习产生的多个滤波器选择样式A的多个滤波器71。由于通过执行滤波操作获得的结果值因卷积操作的特性不受滤波器的顺序影响，故处理器240可重新排列所述多个滤波器使得选择的样式A的多个滤波器71被优先地应用于操作模块220。也就是说，处理器240可从存储器230仅获得一次与样式A相应的操作指令，并且可通过使用获得的操作指令通过具有相同样式的样式A的多个滤波器71共同处理滤波操作。以这样的方式，处理器240可分别针对相同样式中的每一个样式从顺序地应用于对输入数据的滤波的多个滤波器选择样式B的多个滤波器72和样式C的多个滤波器73并且对它们进行重新排列，仅获得一次与样式B的滤波器72和样式C的滤波器73分别相应的操作指令，并且通过样式B的滤波器72和样式C的滤波器73共同处理滤波操作。

因此，处理器240可减少通过从存储器230重复加载操作指令引起的负荷和操作速度的退化。

图8是用于描述根据本公开的实施例的用于控制第一电子装置的方法的流程图。

首先，针对从根据通过神经网络的学习产生的多个滤波器选择的每个主样式的滤波器检查用于对神经网络的输入数据进行滤波的操作指令(S810)。在这种情况下，主样式的滤波器可以是针对非零元素被排列的每个样式基于由每个样式所占操作量的统计权重在产生的所述多个滤波器中选择的滤波器。可选地，可基于非零元素被排列的每个样式的频率在产生的所述多个滤波器中选择主样式。在这种情况下，通过学习产生的所述多个滤波器可根据神经网络的学习对象而不同。

其后，检查针对选择的每个主样式的滤波器的用于对神经网络的输入数据进行滤波的操作指令(S820)。在这种情况下，可检查从选择的主样式的滤波器去除了零元素的最优化数据和与最优化数据相应的操作指令。

其后，存储检查的操作指令。

在实施例中，可根据存储的操作指令执行由主样式的滤波器进行的滤波操作。

另外，在另一实施例中，可将存储的操作指令发送到第二电子装置。在这种情况下，第二电子装置可通过使用操作指令对神经网络的输入数据进行滤波。

如上所述，通过预先对占用主操作量的主样式的滤波器进行预处理，减轻存储器上的负担并且提高操作效率。

根据上述的多种实施例的通过神经网络的学习方法可被实现为程序并且被存储在各种记录介质中。也就是说，也可以以存储在记录介质中的状态使用由各种处理器处理并且能够执行上述的各种显示方法的计算机程序。作为示例，可提供一种存储程序的非暂时性计算机可读介质，其中，所述程序执行针对从根据通过神经网络学习的多个滤波器选择的每个主样式的滤波器检查用于对神经网络的输入数据进行滤波的操作指令的操作和存储检查的操作指令的操作。

非暂时性计算机可读介质不是诸如寄存器、高速缓存器、存储器等的短时存储数据的介质，而是指半永久地存储数据的机器可读介质。具体而言，可在非暂时性计算机可读介质(诸如，压缩盘(CD)、数字多功能盘(DVD)、硬盘、蓝光盘、通用串行总线(USB)、存储卡、只读存储器(ROM)等)中存储并且提供上述的各种应用或程序。

尽管在以上已经示出并且描述了本公开的实施例，但本公开不限于上述特定实施例，而在不脱离如在权利要求书中所要求保护的本公开的范围和精神的情况下，可由本公开所属领域的技术人员进行各种修改。这些修改也应被理解为落入本公开的技术精神和范围之内。