[发明专利]面向嵌入式系统的神经网络的映射方法及装置

说明书

技术领域

本发明涉及机器学习技术领域，具体涉及一种面向嵌入式系统的神经网络的映射方法、一种面向嵌入式系统的神经网络系统以及一种面向嵌入式系统的神经网络的映射装置。

背景技术

近几年，深度学习算法被成功应用于图片搜索和语言识别等领域。由于计算量大、内存占用高和应用实时性的要求，深度学习算法往往被部署在云端。随着芯片工艺和架构技术进步，以及轻量级深度学习模型的问世，深度学习算法已经可以在智能手机和嵌入式设备中实现，并将成为智能机器人、无人机和无人车等新型人工智能应用的基本功能单元。

相关技术中，为了在嵌入式设备实现深度学习算法，通常将开源的深度学习框架例如TensorFlow(谷歌的第二代分布式机器学习系统)、Caffe(Convolutional Architecture for Fast Feature Embedding，卷积神经网络框架)或MXNet，移植到嵌入式计算平台。其中，开源深度学习框架指定移植支持的硬件架构、操作系统、工具链和基础软件库，提供移植所需的样例流程。开发者首先检查嵌入式平台是否满足移植的条件，然后以样例流程为模版，根据实际的平台修改流程，移植这些开源框架。

但是，相关技术存在的问题是，开源框架大多针对云端平台，很难高效地应用到嵌入式平台，造成人力和时间的大量消耗，甚至影响产品原型验证和上市时间。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一方面的在于提出一种面向嵌入式系统的神经网络的映射方法，能够将神经网络映射成适用于嵌入式系统的实现程序。

根据第一方面，实施例中提供一种面向嵌入式系统的神经网络的映射方法，包括以下步骤：

建立所述神经网络结构,并获取所述神经网络的参数；

根据所述神经网络结构和所述神经网络的参数生成描述所述神经网络的数据流图；

获取深度学习计算单元库，并利用深度学习计算单元库实现神经网络的数据流图，以获取神经网络的实现程序。

可选的，所述神经网络的参数可通过神经网络的深度学习模型训练获取。

可选的，所述数据流图的具有节点和边，所述方法可还包括：将所述数据流图的节点映射到所述深度学习计算单元库，所述数据流图的边映射为所述节点的逻辑关系，以通过所述深度学习单元库获取神经网络的实现程序。

可选的，所述深度学习计算单元库可为适用于嵌入式系统的单元库。

根据第二方面，一种实施例中提供面向嵌入式系统的神经网络系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的方法。

根据第三方面，一种实施例中提供计算机可读存储介质所述程序能够被处理器执行以实现所述的方法。

根据第四方面，一种实施例中提供面向嵌入式系统的神经网络的映射装置包括：

第一获取单元，用于获取所述神经网络结构和所述神经网络的参数；

编译器，用于根据所述神经网络结构和所述神经网络的参数生成描述所述神经网络的数据流图；

第二获取单元，用于获取深度学习计算单元库，并利用深度学习计算单元库实现神经网络的数据流图，以获取神经网络的实现程序。

可选的，所述神经网络的参数可通过神经网络的深度学习模型训练获取。

可选的，所述数据流图的具有节点和边，所述装置可还包括：将所述数据流图的节点映射到所述深度学习计算单元库，所述数据流图的边映射为所述节点的逻辑关系，以通过所述深度学习单元库获取神经网络的实现程序。可选的，所述深度学习计算单元库可为适用于嵌入式系统的单元库。

由以上技术方案可见，本实施例提供的面向嵌入式系统的神经网络的映射方法、装置以及系统，能够以深度学习计算单元库为基础，将神经网络映射为应用于嵌入式系统的实现程序，从而能够加快神经网络在嵌入式平台的实现速度，最大化嵌入式平台的性能。

附图说明

图1为根据本发明实施例的面向嵌入式系统的神经网络的映射方法流程图；

图2为根据本发明一个具体实施例的面向嵌入式系统的神经网络的影射方法的流程图；

图3为根据本发明一个具体实施例的面向嵌入式系统的神经网络的影射方法的数据流图的示意图；

图4为根据本发明实施例的面向嵌入式系统的神经网络的映射装置的方框示意图。

具体实施方式