用于简化人工神经网络的方法与流程

1.本发明涉及人工神经网络的简化，所述人工神经网络可以用作例如图像分类器。

背景技术：

2.人工神经网络knn借助于处理链将输入（诸如图像）映射到对于相应应用相关的输出，所述处理链通过大量参数被表征并且例如能够以层的形式被组织。例如，图像分类器对于所输入的图像提供：到预先给定的分类的一个或多个类别的分配作为输出。对knn进行训练，其方式是将训练数据输送给所述knn，并且将处理链的参数优化为使得所提供的输出尽可能好地与属于相应训练数据的、事先已知的额定输出协调一致。
3.所述训练典型地是非常计算耗费的并且与此相应地消耗很多能量。为了减少计算耗费，以名称“剪枝（pruning）”已知的是：将参数的一部分设置为零并且不对其进行进一步训练。同时，这从而也抑制“过拟合（overfitting）”的趋势，所述“过拟合”对应于“背诵”训练数据，而不是理解在训练数据中包含的知识。此外，从de 10 2019 205 079 a1中已知：在knn的运行时间（推理（inferenz））对各个计算单元进行去激活（deaktivieren），以便节省能量和热生成。此外，在训练期间和训练之后对于网络的存储耗费也会减少。

技术实现要素：

4.在本发明的范围内开发了一种用于简化人工神经网络knn的方法。通过可训练参数而表征knn的行为。特别地，所述参数可以包含例如权重，利用所述权重而对输送给knn的神经元或其他处理单元的输入加权地求和。这个总和构成对所述神经元或所述处理单元的激活。根据所述总和通过应用非线性、诸如relu函数而形成所述神经元或所述处理单元的输出。
5.knn的简化配置理解为如下配置，所述配置在如下方面与原始knn有区别：
•
将来自剪枝参数集合的参数分别设置为零或恒定值和/或在knn的训练期间保持不变，其中剪枝参数集合是可训练参数的真子集（echte teilmenge），和/或
•
对剪枝单元集合中的神经元或其他处理单元去激活，所述剪枝单元集合是所述knn的神经元或其他处理单元的真子集。
6.在该方法的范畴内，提供至少第一和第二评价标准（bewertungskriterium）。这些评价标准分别将knn的简化配置映射到对相应配置中knn的性能（leistung）的预测。在此，这两个评价标准至少部分互补。这意味着：这两个评价标准对knn配置的不同方面进行评价，而不仅仅是以不同的方式评价同一方面。
7.这一定程度上类似于：用激光测量设备重新测量事先已用卷尺测量过的对象的尺寸并不会带来任何根本上的新知识增益，而对该对象进行额外称重则使得能够确定密度并且因此界定材料。
8.与此相对应地，针对knn的同一个简化配置，由这两个评价标准而获得在不同的标度上的针对knn性能的不同预测。
9.现在以如下目标优化knn的简化配置：
•
既通过第一评价标准又通过第二评价标准，和/或
•
通过由这两个评价标准的合并（zusammenf
ü
hrung）得出的总评价标准，将这种简化配置映射到针对在这个简化配置中knn的性能的尽可能好的预测。
10.对knn的经优化的简化配置的有效应用（nutzanwendung）是多方面的。例如，如果尚在knn的训练之前或该训练期间就进行所述简化，则可以显著减少knn对计算时间和存储空间的需求。同时，knn的复杂度也显著降低。这又会导致knn的行为更好地泛化到训练中未见过的数据。因此，抑制了称为“过拟合”的knn趋势，这种趋势或多或少地“背诵”所述训练数据，而不是开发对训练数据的真实“理解”。结果是：knn在预给定应用、诸如图像分类中的性能在更大范围的状况中得以改善。
11.但是，也可以为已经完成训练的knn确定简化配置。通过这种方式，例如可以针对特定应用来优化以巨大耗费训练的knn，在所述特定应用中，应当在尽可能短的时间内通过网络加载该knn，或者例如在硬件资源有限的嵌入式系统上实现该knn。
12.现在已经认识到，采用两个至少部分互补的评价标准导致：以特定的预给定度量而简化的knn（即，其例如具有预给定数量的设置为零的参数）在训练中或在真实应用中显示出更好的性能。从而例如在将knn用作图像分类器的情况下，将训练中未见过的测试图像映射到针对这些测试图像预先已知的、到一个或多个类别的额定分配的准确性会提高。因此利用两个或更多个评价标准而以如下方式形成更完整的概念：哪些参数或哪些神经元或其他处理单元对于knn在相应应用中的性能确实是必不可少的。
13.在特别有利的设计中，所述第一评价标准和所述第二评价标准被选择为，使得
•
第一最佳剪枝参数集合与第二最佳剪枝参数集合不全等（nicht deckungsgleich），其中所述第一最佳剪枝参数集合根据所述第一评价标准导致对经简化的knn的性能的最佳预测，其中所述第二最佳剪枝参数集合根据所述第二评价标准导致对经简化的knn的性能的最佳预测；和/或
•
第一最佳剪枝单元集合与第二最佳剪枝单元集合不全等，其中所述第一最佳剪枝单元集合根据所述第一评价标准导致对经简化的knn的性能的最佳预测，所述第二最佳剪枝单元集合根据所述第二评价标准导致对经简化的knn的性能的最佳预测。
14.本文反映了：这两个评价标准评价了knn简化配置的足够不同的方面，并且因此至少部分地互补。
15.特别有利地，所述第一评价标准和所述第二评价标准被选择为，使得所述第一最佳剪枝参数集合和所述第二最佳剪枝参数集合的最多75%、优选最多40%的元素（element）是共有的（haben gemeinsam），或第一最佳剪枝单元集合和第二最佳剪枝单元集合的最多75%、优选最多40%的元素是共有的。本发明人的试验中已经表明：这两个评价标准于是以所述方式以特别高的程度相互补充。
16.在特别有利的设计中，所述第一评价标准包含对不同参数或对不同神经元或其他处理单元求平均的评价。同时，所述第二评价标准评价关于各个参数或关于各个神经元或其他处理单元而言所述配置的变化的影响。这两个目标同等重要，同时在一定程度上又是此消彼长的（gegenl
ä
ufig）从而例如期望：在knn的简化配置中省略自身对knn性能只有很小贡献的神经元或
其他处理单元。但是，如果这种情况发生在许多形成一条连贯线的神经元或其他处理单元，则可能会掐断（abschn
ü
ren）knn的子区域的信息流或者甚至会完全中断通过knn的信息流，从而使其不能再使用。因此有利的是，评价标准之一以任何一种方式在简化配置中总体上测量knn的功能能力。
17.通过knn的平均梯度流（mittlerer gradientenfluss）越大，这样的概括评价标准就可以有利地例如对knn的简化配置越好地进行评价。该梯度流是针对通过knn的信息流的度量，特别是在训练期间错误反向传播的情况下。例如，该梯度流可以作为关于所有以下参数的平均梯度范数（gradientennorm）而得以确定，这些参数在knn的简化配置中未被设置或规定为零或恒定值。例如可以通过批量的训练数据来形成该平均值，并且可以在knn处理这种批量的训练数据期间确定该平均值。该评价标准也称为“grasp”（出自“gradient signal preservation（梯度信号保持）”）。
18.相反，对于以下变化:
•
向剪枝参数集合添加另外的参数，和/或
•
向剪枝单元集合添加另外的神经元或另外的处理单元，这种变化对knn可训练性的影响越小，评价标准就可以例如对所述变化越好地进行评价。于是例如可以致力于省略自身影响低于预定阈值的所有参数、神经元或处理单元。例如，参数的影响可以作为该参数与其梯度的数值上的乘积（betragsm
äß
iges produkt）而得以确定。
19.以此，例如可以按照knn中的“贪心算法”的方式总是省略当前对knn的可训练性影响最小的参数或神经元或处理单元。该评价标准也称为“snip”（出自“single-shot network pruning based on connection sensitivity（基于连接灵敏度的单次网络剪枝）”）。
20.在另一有利的设计中，这两个评价标准使用在训练数据组中所包含的额定信息的不同部分（anteil），其中knn 1分别应当将该训练数据组的训练数据映射到这些不同部分。通过这种方式，例如可以向评价标准之一赋予或多或少“不受监控”的特征（charakter）。例如，如果将knn用作图像分类器，则一个评价标准或这两个评价标准可以分别采用关于图像到可用类别的不同子集的分配的额定信息。例如，可以分别由从随机分布中抽取的样本来代替关于其他类别的额定信息（分类评分）。通过这种方式，该评价标准可以测量：knn多么好地处理如下应用，在这些应用中只有一小部分可用训练数据是以额定信息“加标签（gelabelt）”的。
21.在另一特别有利的设计中，交替地鉴于所述第一评价标准和鉴于所述第二评价标准而优化所述简化配置。如上文所解释的，在许多情况下，这两个评价标准可能不仅是至少部分地互补的而且是至少部分地此消彼长的。这两个评价标准于是可以在训练期间像是生成对抗网络gan的生成器和判别器那样以类似方式相对立。
22.在另一有利设计中，在针对纳入（eingegangen）总评价标准中的评价标准之一的附加限制的辅助条件下，鉴于总评价标准而执行优化，其中由所述第一评价标准和所述第二评价标准得出所述总评价标准。通过这种方式可以抑制以下趋势：原本应当与另一个评价标准相互作用地得以优化的一个可能数值不稳定的评价标准具有过度的（exorbitant）值并由此导致如下简化配置，在这些简化配置的情况下另一个评价标准实际上不再发挥作
用。针对数值不稳定的评价标准的示例是前面提到的snip，其检查对另外的参数、另外的神经元或另外的处理单元“剪枝”的效果。
23.可以通过如下极限值调整评价标准彼此之间的相对权重，其中所述极限值用于限制这些评价标准之一。因此，该极限值是具有直观意义的超参数，这使得该超参数的优化变得容易。
24.在另一有利设计中，所述优化包括将优化任务转换为凸问题并借助于凸优化解决所述凸问题。在这种凸优化的情况下，将待考虑的辅助条件转换为关于拉格朗日乘数的优化任务，这也称为针对原始优化任务的“对偶问题（duales problem）”。例如可以通过区间嵌套来解决这个问题。然后通过针对拉格朗日乘数的最佳解也为knn的简化配置设定最佳解。就此而论，该简化配置可以例如作为二进制掩码存在，所述二进制掩码说明每个参数或每个神经元或每个其他处理单元在所述简化配置中是仍然有效还是被省略。
25.特别有利地，选择构造为图像分类器的knn。这样的图像分类器将输入图像映射到：到预给定分类的一个或多个类别的分配。正是用作图像分类器的knn可以极度简化，而不会在相关范围内损害分类的准确性。
26.如上所解释的，knn的简化特别是例如可以在knn的训练之前执行。因此，本发明还涉及一种方法，其中首先提供knn，然后如上所述确定针对该knn的简化配置。在将knn引入该简化配置之后，knn得到了训练。在完成训练后，knn对于所设置的应用而言是即可使用的（gebrauchsfertig）。
27.然而，如上所解释的，例如已经完成训练的knn也可以事后得到简化。因此，本发明还涉及另一种方法。在所述另一种方法中提供了经过训练的knn。使用上述方法确定针对该knn的简化配置。然后将knn转换为所述简化配置，从而该knn对于所设置的应用而言变得即可使用。knn在转换为所述简化配置之后可选地还可以经历基于训练数据的“微调”步骤。这种“微调”例如可以包括基于训练数据的进一步训练步骤。利用这些进一步的训练步骤例如可以优化knn鉴于训练数据所达成的准确度，该准确度可以根据knn所提供的输出与属于训练数据的“标签”（也称为“ground truth（地面真值）”）的偏差来确定。替代地或与此相结合地，也可以鉴于其他目标来进行优化，例如鉴于尽可能好的“交并比（intersection over union）”。所述“微调”应当抵抗通过将许多参数设置为零而引起的knn的变化。
28.有利地，向即可使用的knn分别输送用至少一个传感器记录的测量数据。所述测量数据例如可以特别是图像数据、视频数据、雷达数据、激光雷达数据或超声数据。
29.由knn将所述测量数据映射到输出。由以这种方式获得的输出生成操控信号。使用所述操控信号来操控车辆、对象识别系统、用于产品质量控制的系统和/或用于医学成像的系统。
30.knn配置的简化分别具有以下效果：使得knn能够更快地由测量数据产生有意义的输出，从而最终生成操控信号，分别被操控的技术系统以对于传感器检测到的状况而言适当的方式对所述操控信号作出反应。如前所解释的，在训练范围中节省了计算耗费，从而使训练总体进行得更快。此外，完成训练的knn可以更快地从训练它的实体传输到运行待操控技术系统并且为此需要knn的输出的实体。进行处理的这种实体所需的存储空间被减少，即，可以在具有较少存储空间的硬件上分析该knn。
31.上述方法例如可以特别是由计算机实现，并因此体现在软件中。因此，本发明还涉
及具有机器可读指令的计算机程序，所述机器可读指令在一个或多个计算机上执行时促使所述一个或多个计算机执行所描述的方法之一。从这个意义上说，同样能够执行机器可读指令的车辆的控制设备和技术设备的嵌入式系统也应被视为计算机。
32.本发明还涉及具有计算机程序的机器可读数据载体和/或下载产品。下载产品是可通过数据网络传输、即可以由数据网络的用户下载的数字产品，该数字产品例如可以在线上商店中出售以供立即下载。
33.此外，计算机可以装备有所述计算机程序、所述机器可读数据载体或所述下载产品。
34.下面与本发明的优选实施例的描述一起，基于附图而更详细地示出改进本发明的进一步措施。
附图说明
35.图1示出了用于简化knn1的方法100的实施例；图2示出了剪枝参数集合2a与根据评价标准4的最佳剪枝参数集合2a*的相似度s（曲线a）、与根据评价标准5的最佳剪枝参数集合2a**的相似度s（曲线b）；剪枝参数集合2a*、2a**的相似度s（曲线c）。
36.图3示出了在训练之前简化knn1的方法200的实施例；图4示出了根据图3获得的完成训练的knn1*的性能（曲线b）与未经剪枝的knn的性能（曲线a）以及以其他方式剪枝的knn的性能（曲线c-e）的比较；图5示出了在训练之后简化knn1的方法300的实施例。
具体实施方式
37.图1是用于简化knn 1的方法100的实施例的示意性流程图。在步骤105中，选择构造为图像分类器的knn。
38.在步骤110中，提供第一评价标准4。在步骤120中，提供第二评价标准5。这两个评价标准4、5分别将knn 1的简化配置1a映射到相应配置1a中knn 1性能的预测6。在此，两个评价标准4、5至少部分地互补。
39.根据块111、121，这两个评价标准4、5可以特别是例如被选择为，使得分别导致针对经简化的knn 1的性能的最佳预测6*或6**的根据这些标准4或5所确定的剪枝参数集合2a*或2a**和/或根据这些标准4或5确定的剪枝单元集合3a*或3a**不全等。根据块111a、121a，剪枝参数集合2a*和2a**或者剪枝单元集合3a*和3a**的最多75%、优选最多40%的元素是共有的。
40.根据块112，第一评价标准4可以包含对不同参数2或对不同神经元或其他处理单元3求平均的评价。于是，根据块122，所述第二评价标准5可以评价关于各个参数2或关于各个神经元或其他处理单元3而言所述配置1a的变化的影响。
41.根据块113、123，通过knn1的平均梯度流越大，评价标准4、5就可以对knn1的简化配置1a越好地进行评价。
42.根据块114、124，对于以下变化
•
向剪枝参数集合2a添加另外的参数2，和/或
•
向剪枝单元集合3a添加另外的神经元或另外的处理单元3，这种变化对knn 1可训练性的影响越小，评价标准4、5就可以对所述变化越好地进行评价。
43.根据块115、125，这两个评价标准4、5可以使用在训练数据组中所包含的额定信息的如下不同部分（anteil），其中knn 1应当理想地将该训练数据组的训练数据映射到这些部分。
44.在步骤130中，以如下目标优化knn 1的简化配置1a：
•
既通过第一评价标准4又通过第二评价标准5，和/或
•
通过由这两个评价标准4、5的合并得出的总评价标准7，将该简化配置1a映射到针对knn 1性能的尽可能好的预测6。
45.在此情况下，特别是例如可以交替地鉴于第一评价标准4和鉴于第二评价标准5来优化所述简化配置1a。
46.根据块132，例如可以在针对纳入总评价标准7中的评价标准4、5之一的附加限制的辅助条件下鉴于总评价标准7来执行优化。
47.这特别是可以例如包括：根据块132a将优化任务转换为凸问题（konvexes problem）并根据块132b借助于凸优化而解决该凸问题。
48.优化130的最终结果是knn 1的简化配置1a，该简化配置通过经优化的剪枝参数集合2a和/或经优化的剪枝单元集合3a表征。
49.图2示例性地示出了评价标准4、5如何能够利用参数α相对于彼此连续地（stufenlos）加权。分别绘制了使用汉明距离确定的剪枝参数集合的相似性s。子图像（a）是针对90%的经剪枝的参数2创建的，而子图像（b）是针对99.5%的经剪枝的参数2创建的。
50.曲线a描述了使用根据图1的方法100最终确定的剪枝参数集合2a与仅根据第一评价标准4确定的最佳剪枝参数集合2a*的相似度s。曲线b描述了剪枝参数集合2a与仅根据第二评价标准确定的最佳剪枝参数集合2a**的相似度s。曲线c描述了最佳剪枝参数集合2a*和2a**的相似度s。
51.参数α在结合图1提到的基于总评价标准7的优化中确定针对纳入总评价标准7中的评价标准4、5之一的附加限制。
52.图3是方法200的实施例的示意流程图，在该方法的范畴内在训练之前简化了knn 1。
53.在步骤210中，提供knn 1。在步骤220中，使用上述方法100确定knn 1的简化配置1a。在步骤230中，将knn 1转换为该简化配置1a。然后对在此情况下获得的knn 1（1a）进行训练。在简化配置1a中产生完成训练的knn 1*（1a）。
54.在步骤250中，向knn 1*（1a）输送用至少一个传感器9记录的测量数据8。在步骤260中，这些测量数据8由knn 1*（1a）映射到输出10。在步骤270中，由这些输出10生成操控信号11。在步骤280中，使用操控信号11来操控车辆50、对象识别系统60、用于产品质量控制的系统70和/或用于医学成像的系统80。
55.图4说明了与以其它方式训练的knn相比，架构vgg 16的在简化之后训练的knn1*（1a）基于标准数据组cifar-10所达到的性能。分别绘制了在使用该数据组cifar-10的训练数据训练了knn之后对数据组cifar-10的测试数据分类的测试准确度t。根据经过剪枝的参
数2的比例p，在从0（0%）到1（100%）的标度上示出测试准确度t。
56.曲线a是针对未剪枝knn的参考。曲线b示出了根据图3训练的knn 1*（1a）的性能。曲线c示出了仅基于grasp标准剪枝的knn的性能。曲线d示出了随机选择要剪枝的参数的knn的性能。曲线e示出了基于snip标准剪枝的knn的性能。
57.图5是方法1的实施例的示意流程图，在该方法中在训练后才简化knn 1。
58.在步骤310中，提供经过训练的knn 1*。在步骤320中，使用上述方法100确定针对knn 1*的简化配置1a。在步骤330中，将knn 1*转换成该简化配置1a。产生了完成训练且同时简化的knn 1*（1a）。
59.在转换为简化配置1a之后，该knn 1*（1a）可选地还可以经历基于训练数据进行的“微调”步骤。这种“微调”例如可以包括基于训练数据的进一步训练步骤。
60.在步骤340中，向knn 1*（1a）输送用至少一个传感器9记录的测量数据8。在步骤350中，测量数据8由knn 1*（1a）映射到输出10。在步骤360中，由这些输出10产生操控信号11。在步骤370中，使用操控信号11来操控车辆50、对象识别系统60、用于产品质量控制的系统70和/或用于医学成像的系统80。

技术特征：

1.一种用于简化人工神经网络knn（1）的方法（100），通过可训练参数（2）而表征所述knn的行为，所述方法具有步骤：
•
提供（110）第一评价标准（4），所述第一评价标准将所述knn（1）的简化配置（1a）映射到对相应配置（1a）中所述knn（1）的性能的预测（6），其中所述knn（1）的每个简化配置（1a）在如下方面与原始knn（1）有区别：o将来自剪枝参数集合（2a）的参数（2）分别设置为零或恒定值和/或在所述knn（1）的训练期间保持不变，其中所述剪枝参数集合是所述可训练参数（2）的真子集，和/或o对剪枝单元集合（3a）中的神经元或其他处理单元（3）去激活，其中所述剪枝单元集合（3a）是所述knn（1）的神经元或其他处理单元（3）的真子集；
•
提供（120）第二评价标准（5），所述第二评价标准同样将所述knn（1）的简化配置（1a）映射到对相应配置（1a）中knn（1）的性能的预测（6），其中所述第二评价标准（5）至少部分地与所述第一评价标准（4）互补；
•
以如下目标优化（130）所述knn（1）的简化配置（1a）：o既通过所述第一评价标准（4）又通过所述第二评价标准（5），和/或o通过由所述两个评价标准（4、5）的合并得出的总评价标准（7），将所述简化配置（1a）映射到对所述knn（1）的性能的尽可能好的预测（6）。2.根据权利要求1所述的方法（100），其中所述第一评价标准（4）和所述第二评价标准（5）被选择（111、121）为，使得
•
第一最佳剪枝参数集合（2a*）与第二最佳剪枝参数集合（2a**）不全等，所述第一最佳剪枝参数集合根据所述第一评价标准（4）导致对经简化的knn（1）的性能的最佳预测（6*），所述第二最佳剪枝参数集合根据所述第二评价标准（5）导致对经简化的knn（1）的性能的最佳预测（6**）；和/或
•
第一最佳剪枝单元集合（3a*）与第二最佳剪枝单元集合（6**）不全等，所述第一最佳剪枝单元集合根据所述第一评价标准（4）导致对经简化的knn（1）的性能的最佳预测（6*），所述第二最佳剪枝单元集合根据所述第二评价标准（5）导致对经简化的knn（1）的性能的最佳预测（6**）。3.根据权利要求2所述的方法（100），其中，所述第一评价标准（4）和所述第二评价标准（5）被选择（111a，121a）为使得所述第一最佳剪枝参数集合（2a*）和所述第二最佳剪枝参数集合（2a**），或所述第一最佳剪枝单元集合（3a*）和所述第二最佳剪枝单元集合（3a**）的最多75%、优选最多40%的元素是共有的。4.根据权利要求1至3中任一项所述的方法（100），其中
•
所述第一评价标准（4）包含（112）对不同参数（2）或对不同神经元或其他处理单元（3）求平均的评价，以及
•
所述第二评价标准（5）评价（122）关于各个参数（2）或关于各个神经元或其他处理单元（3）而言所述配置（1a）的变化的影响。5.根据权利要求1至4中任一项所述的方法（100），其中通过所述knn（1）的平均梯度流越大，评价标准（4、5）就对所述knn（1）的简化配置（1a）越好地进行评价（113、123）。6.根据权利要求1至5中任一项所述的方法（100），其中对于以下变化
•
向所述剪枝参数集合（2a）添加另外的参数（2），和/或
•
向所述剪枝单元集合（3a）添加另外的神经元或另外的处理单元（3），所述变化对所述knn（1）的可训练性的影响越小，评价标准（4、5）就对所述变化越好地进行评价（114、124）。7.根据权利要求1至6中任一项所述的方法（100），其中所述两个评价标准（4、5）使用（115、125）在训练数据组中所包含的额定信息的不同部分，其中knn（1）应当将所述训练数据组的训练数据理想地映射到所述不同部分。8.根据权利要求1至7中任一项所述的方法（100），其中交替地鉴于所述第一评价标准（4）和鉴于所述第二评价标准（5）而优化（131）所述简化配置（1a）。9.根据权利要求1至8中任一项所述的方法（100），其中在针对纳入总评价标准（7）中的评价标准（4、5）之一的附加限制的辅助条件下，鉴于所述总评价标准（7）而执行优化（132）。10.根据权利要求9所述的方法（100），其中所述优化包括
•
将优化任务转换（132a）为凸问题，和
•
借助于凸优化而解决（132b）所述凸问题。11.根据权利要求1至10中任一项所述的方法（100），其中选择（105）构造为图像分类器的knn，其中所述图像分类器将输入图像映射到：到预给定分类的一个或多个类别的分配。12.一种方法（200），所述方法包括以下步骤：
·
提供（210）人工神经网络knn（1）；
·
利用根据权利要求1至11中任一项所述的方法（100）确定（220）所述knn（1）的简化配置（1a）；
•
将所述knn（1）转换（230）为所述简化配置（1a），并且然后训练（240、1*）所述knn。13.一种方法（300），所述方法包括以下步骤：
•
提供（310）经过训练的人工神经网络knn（1*）；
·
利用根据权利要求1至11中任一项所述的方法（100）确定（320）所述knn（1*）的简化配置（1a）；
•
将所述knn（1*）转换（330）为所述简化配置（1a）。14.根据权利要求12至13中任一项所述的方法（200、300），其中另外
•
向knn（1*）输送（250、340）用至少一个传感器（9）记录的测量数据（8）；
•
由knn（1*）将所述测量数据（8）映射（260、350）到输出（10）；
•
由所述输出（10）生成（270、360）操控信号（11）；以及
·
使用所述操控信号（11）来操控（280、370）车辆（50）、对象识别系统（60）、用于产品质量控制的系统（70）和/或用于医学成像的系统（80）。15.一种包含机器可读指令的计算机程序，所述机器可读指令在一个或多个计算机上执行时促使所述一个或多个计算机执行根据权利要求1至14中任一项所述的方法（100、200、300）。16.一种机器可读数据载体和/或下载产品，所述机器可读数据载体和/或下载产品具有根据权利要求15所述的计算机程序。17.一种计算机，所述计算机具有根据权利要求15所述的计算机程序和/或根据权利要求16所述的机器可读数据载体和/或下载产品。

技术总结

简化人工神经网络KNN的方法（100），由可训练参数（2）表征KNN的行为，该方法具有步骤：提供（110）第一评价标准（4），其将KNN的简化配置（1a）映射到对相应配置（1a）中KNN性能的预测（6）；提供（120）第二评价标准（5），其同样将KNN的简化配置（1a）映射到对相应配置（1a）中KNN性能的预测（6），第二评价标准（5）至少部分地与第一评价标准（4）互补；以如下目标优化（130）KNN的简化配置（1a）：既通过第一评价标准（4）又通过第二评价标准（5）和/或通过由这两个评价标准（4、5）的合并所得出的总评价标准（7）将简化配置（1a）映射到对KNN性能尽可能好的预测（6）。配置（1a）映射到对KNN性能尽可能好的预测（6）。配置（1a）映射到对KNN性能尽可能好的预测（6）。