[发明专利]一种基于卷积运算的矩阵转化方法、装置及介质

说明书

本发明公开了一种基于卷积运算的矩阵转化方法、装置及介质，该方法的步骤包括：获取原特征矩阵以及卷积核矩阵；统计原特征矩阵的总行数、卷积核矩阵的核行数以及卷积核矩阵的核列数；在原特征矩阵中依次选取具有目标行数以及核列数的目标矩阵进行展开以组合为结果特征矩阵；其中，目标行数大于核行数且小于或等于总行数；将结果特征矩阵写入内存以进行与卷积核矩阵的卷积运算。本方法将原特征矩阵展开后所得到的结果特征矩阵的规模更小。可见，本方法相对减少了卷积运算时对内存资源的占用，提高了内存的使用效率，进而保证了整体卷积运算的效率。此外，本发明还提供一种基于卷积运算的矩阵转化装置及介质，有益效果如上所述。

技术领域

本发明涉及卷积神经网络领域，特别是涉及一种基于卷积运算的矩阵转化方法、装置及介质。

背景技术

卷积神经网络是近年来被发展起来，并引起广泛重视的一种高效识别方法。

卷积神经网络与普通神经网络的区别在于，卷积神经网络中包含了一个由卷积层与子采样层结构的特征抽取器。在卷积神经网络的卷积层中，通常包含着若干个特征平面，每个特征平面由矩阵排列的神经元组成，同一特征平面的神经元共享同一个卷积核，卷积核通常以随机小数矩阵的形式初始化，进而卷积神经网络中往往会涉及到卷积运算，通过特征矩阵与卷积核之间的卷积运算实现对特征矩阵中特征的学习。当前在进行卷积运算前通常是先采用IM2COL的方式将特征矩阵进行展开后，再与卷积核进行卷积运算。图1为采用IM2COL的方式对特征矩阵进行展开的示意图，其中A为展开前的原特征矩阵、B为卷积核矩阵、C为展开后的结果特征矩阵，原特征矩阵要与卷积核矩阵进行卷积运算。IM2COL的方式是在原特征矩阵中从左到右、从上到下依次选取与卷积核矩阵行列数相同的矩阵，并分别进行展开，再组合成为结果特征矩阵以与卷积核矩阵进行卷积运算，因此展开后的结果特征矩阵的规模由原特征矩阵的行列数以及卷积核矩阵的行列数共同决定。但是，在实际的使用情况下，特征矩阵的行列数往往远大于卷积核矩阵的行列数，因此特征矩阵以IM2COL方式展开所得到的结果特征矩阵规模相对较大，会占用较多的内存资源，进而导致内存的使用效率较低，并且影响整体卷积运算的效率。

由此可见，提供一种基于卷积运算的矩阵转化方法，以相对减少对内存资源的占用，提高内存的使用效率，进而保证整体卷积运算的效率，是本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种基于卷积运算的矩阵转化方法、装置及介质，以相对减少对内存资源的占用，提高内存的使用效率，进而保证整体卷积运算的效率。

为解决上述技术问题，本发明提供一种基于卷积运算的矩阵转化方法，包括：

获取原特征矩阵以及卷积核矩阵；

统计原特征矩阵的总行数、卷积核矩阵的核行数以及卷积核矩阵的核列数；

在原特征矩阵中依次选取具有目标行数以及核列数的目标矩阵进行展开以组合为结果特征矩阵；其中，目标行数大于核行数且小于或等于总行数；

将结果特征矩阵写入内存以进行与卷积核矩阵的卷积运算。

优选的，目标行数等于总行数。

优选的，在原特征矩阵中依次选取具有目标行数以及核列数的目标矩阵进行展开以组合为结果特征矩阵前，该方法进一步包括：

判断原特征矩阵中是否存在浮点型数据；

如果是，则将浮点型数据转化为定点型数据。

优选的，将浮点型数据转化为定点型数据具体为：

以Q格式将浮点型数据转化为定点型数据。

优选的，获取原特征矩阵以及卷积核矩阵具体为：

通过FPGA获取原特征矩阵以及卷积核矩阵。