用于深度学习中的特征的区分性语义转移和物理启发优化的方法和装置与流程

实施例一般涉及数据处理并且更特定地涉及经由通用图形处理单元的数据处理。特别地，实施例涉及用于利用深度学习中的特征的区分性语义转移和物理启发优化来执行深度学习网络的系统和方法。

背景技术：

1、当前并行图形数据处理包括被开发以对图形数据执行特定操作（诸如例如线性内插、曲面细分、光栅化、纹理映射、深度测试等）的系统和方法。传统上，图形处理器曾使用固定功能计算单元来处理图形数据；然而，最近，部分图形处理器已经被做成可编程的，使此类处理器能够支持用于处理顶点和片段数据的各种更广泛的操作。

2、为了进一步提高性能，图形处理器通常实现诸如流水线化之类的处理技术，这些技术尝试贯穿图形流水线的不同部分并行处理尽可能多的图形数据。具有单指令多线程（simt）架构的并行图形处理器设计成使图形流水线中的并行处理量最大化。在simt架构中，并行线程的群组尝试尽可能经常地一起同步执行程序指令来提高处理效率。对于simt架构的软件和硬件的一般概览可以在shane cook的cuda programming的第3章第37-51页（2013）中找到。

3、机器学习已经成功解决多种任务。在训练和使用机器学习算法（例如，神经网络）时出现的计算自然适合高效并行实现。因此，诸如通用图形处理单元（gpgpu）之类的并行处理器已经在深度神经网络的实际实现中起到重要作用。具有单指令多线程（simt）架构的并行图形处理器设计成使图形流水线中的并行处理量最大化。在simt架构中，并行线程的群组尝试尽可能经常地一起同步执行程序指令来提高处理效率。并行机器学习算法实现所提供的效率允许使用高容量网络并且使那些网络能够在更大的数据集上得到训练。

4、深度学习神经网络（dnn）通常制造为卷积神经网络类型并且用于执行复杂的关联任务。在使用已知输入的训练阶段之后，dnn能够识别与原始训练输入相似的新输入。这有助于目标检测技术、自动语音识别、用户验证、图像理解和机器视觉使用等等。视频序列可以用于目标跟踪以及识别。

技术实现思路

1.至少一种非暂时性计算机可读介质，包括存储在其上的指令，所述指令在由一个或多个图形处理单元gpu执行时，使所述一个或多个gpu执行：

2.根据权利要求1所述的计算机可读介质，其中，识别所述场景中的对象包括：生成具有识别出的所述场景中的对象的可显示图像。

3.根据权利要求1所述的计算机可读介质，其中，所述场景是包括像素的数据集的一部分。

4.根据权利要求1所述的计算机可读介质，其中，所述场景包括多个所述对象和背景图像。

5.根据权利要求1所述的计算机可读介质，其中，所述场景包括杂乱场景。

6.根据权利要求1所述的计算机可读介质，包括存储在其上的指令，所述指令在由一个或多个图形处理单元gpu执行时，使所述一个或多个gpu执行：

7.一种方法，包括：

8.根据权利要求7所述的方法，其中，识别所述场景中的对象包括：生成具有识别出的所述场景中的对象的可显示图像。

9.一种装置，包括：

10.一种存储器系统，包含：