Ein neuronales Netzwerk ist nicht nur ein mathematisches Modell.Ein künstliches neuronales Netzwerk besteht aus vielen Elementen, die Neuronen oder Prozessoren genannt werden, ebenso wie ein biologisches neuronales Netzwerk aus Nervenzellen besteht.Das menschliche Gehirn zu kopieren, wirkt nicht nur nach einem strengen Algorithmus und Formeln, sondern sammelt und nutzt auch Erfahrungen aus der Vergangenheit.Neuronen können also lernen

Tesla Autopilot arbeitet aufgrund der Tatsache, dass das Unternehmen künstliche neuronale Netzwerke in seinen Fahrzeugen implementiert, die auf der Erfahrung aller anderen Flottenfahrzeuge geschult werden.Das sind die Treiber, die das neurale Netzwerk "trainieren".Wenn sie Hindernisse umgehen, geben sie dem Auto ein Beispiel für die richtige Aktion.Damit all dies funktionieren kann, sind alle Fahrzeuge von Tesla OP821717 mit speziell entwickelter Hardware ausgestattet.

Jedes neurale Netzwerk hat ein neuronales Netzwerkmodell, das seine Architektur und Konfiguration sowie die verwendeten Trainingsalgorithmen beschreibt.Die Architektur des neuronalen Netzwerks bestimmt die allgemeinen Prinzipien seiner Konstruktion, und die Konfiguration legt die Struktur des Netzwerks im Rahmen der gegebenen Architektur fest: die Anzahl der Neuronen, die Anzahl der Ein- und Ausgänge des Netzwerks, die verwendeten Aktivierungsfunktionen.

Im Juli 2. veröffentlichte Tesla das Patent 'System und Methode zur Anpassung eines neuronalen Netzwerkmodells auf einer Hardwareplattform'Nein.Diese Erfindung bezieht sich in der Regel auf das Lernfeld der Maschine und insbesondere auf ein neues und nützliches System und Verfahren zur Anpassung eines neuronalen Netzwerkmodells auf einer Plattform.

FIG. 1 ist eine schematische Darstellung eines Beispielmodellkonfigurationssystems.

Zum Beispiel kann ein neuronales Netzwerk verwendet werden, um einem Teil eines Eingabebildes, der eine Person darstellt, ein Objektetikett zuzuordnen.Basierend auf bestimmten Parametern und Hyperparametern weist das neuronale Netzwerk diesem Bild das Label "Person" zu.Typischerweise werden verschiedene neuronale Netzwerke mit unterschiedlichen Hyperparametern trainiert.Diese unterschiedlichen neuronalen Netzwerke werden dann verwendet, um den gleichen Trainingssatz zur Validierung zu analysieren, und ein spezifisches neuronales Netzwerk wird für den zukünftigen Einsatz auf der Grundlage der gewünschten Leistung oder Genauigkeit einer bestimmten Anwendung ausgewählt.

Für maschinelle Lernanwendungen kann es oft wünschenswert sein, neuronale Netzwerke auf bisher unbeeinträchtigten Plattformen (z.B. Software/Hardware-Kombination) zu implementieren und/oder zu konfigurieren.Die Implementierung oder Konfiguration eines neuronalen Netzwerks für eine bestimmte Plattform und/oder Anwendung (z.B. einen Anwendungsfall) kann jedoch extrem schwierig sein, da verschiedene neuronale Netzwerke, Hardware-Komponenten, Software und/oder Anwendungen unterschiedliche Anforderungen haben können, die komplexe Einschränkungen der Konfiguration verursachen.

So können beispielsweise autonome Fahrzeuge gezwungen werden, neuronale Netzwerke für ihre künstlichen Intelligenz-Systeme zu implementieren, indem sie eine relativ begrenzte Hardware verwenden, die im Fahrzeug selbst implementiert wird, was zu Einschränkungen der Hardware-Plattform in Bezug auf Implementierung und Leistung führen kann.Um ein tiefes Lernen und andere prozessschwere und computerintensive Techniken zu ermöglichen, muss das verwendete neurale Netzwerkmodell angepasst werden, um Konfigurationen zu erzeugen, die alle Einschränkungen der jeweiligen Plattform erfüllen.

Im Patent werden Techniken, Systeme und Methoden beschrieben, um eine neuronale Netzwerkkonfiguration zu bestimmen, die an eine bestimmte Plattform angepasst ist.Eine Beispielplattform kann eine Verarbeitungsarchitektur, eine Menge Speicher und so weiter darstellen, wie im Patent beschrieben.Zusätzlich kann eine Plattform eine bestimmte Cloud oder virtuelle Maschinenarchitektur oder Instanz darstellen.Es kann geschätzt werden, dass verschiedene Plattformen die Implementierung eines neuronalen Netzwerks erschweren können.

FIG. 2 ist eine Flussdiagrammdarstellung einer Beispielmodellkonfigurationsmethode.

Diese Erfindung hilft bei der Lösung einer Vielzahl von auftretenden Problemen und damit bei der Entwicklung eines neuen und nützlichen Systems und Verfahrens zur Anpassung eines neuronalen Netzwerkmodells auf einer Plattform.

Bildmaterial: Tesmanan