[发明专利]一种信号处理方法及装置

说明书

本申请公开了一种信号处理方法及装置。该方法包括：分块信号矩阵得到X×H个分形信号矩阵，分块权重矩阵得到H×Y个分形权重矩阵；获取X×H×Y个矩阵乘的运算序列，并对X×H×Y个矩阵乘进行处理，得到X×Y个结果矩阵；X×H×Y个矩阵乘的运算序列是根据性能参数得到的，性能参数包括从第一缓存器读取X×H个分形信号矩阵中的任一分形信号矩阵的功耗、从第二缓存器中读取H×Y个分形权重矩阵中的任一分形权重矩阵的功耗和从第三缓存器读取X×H×Y个矩阵乘中的任一矩阵乘的运算结果的功耗。本申请实施例根据上述三种功耗来确定运算序列，能够更加有效地降低处理器的功耗。

技术领域

本申请实施例涉及计算机技术领域，特别涉及一种信号方法及装置。

背景技术

神经网络(Neural Network，NN)，是一种模仿动物神经网络行为特征进行信息处理的网络结构。该结构由大量的节点(或称神经元)相互联接构成，基于特定运算模型通过对输入信息进行学习和训练达到处理信息的目的。一个神经网络包括输入层、隐藏层及输出层，输入层负责接收输入信号，输出层负责输出神经网络的计算结果，隐藏层负责学习、训练等计算过程，是网络的记忆单元，隐藏层的记忆功能由权重矩阵来表征，通常每个神经元对应一个权重系数。

其中，卷积神经网络(Convolutional Neural Network，CNN)是一种多层的神经网络，每层有多个二维平面组成，而每个平面由多个独立神经元组成，每个平面的多个神经元共享权重，通过权重共享可以降低神经网络中的参数数目。目前，在卷积神经网络中，处理器进行卷积操作通常是将输入信号特征与权重的卷积，转换为信号矩阵与权重矩阵之间的矩阵乘运算。在具体矩阵乘运算时，对信号矩阵和权重矩阵进行分块处理，得到多个分形(Fractional)信号矩阵和分形权重矩阵，然后对多个分形信号矩阵和分形权重矩阵进行矩阵乘和累加运算。比如，如图1所示，假设C＝AB，A为信号矩阵，B为权重矩阵，则进行矩阵乘运算时，由于处理器可能缺少对A和B这种大矩阵进行计算的能力或进行此类计算代价较大，可以将矩阵A根据条件划分为4个分形信号矩阵，即A00、A01、A10和A11，将矩阵B根据条件划分为4个分形权重矩阵，即B00、B01、B10和B11，相应的矩阵C可以由C00、C01、C10和C11等4个矩阵块组成，矩阵C中每一矩阵块与分形信号矩阵和分形权重矩阵的关系可以如下公式所示。

C00＝A00B00+A01B10

C01＝A00B01+A01B11

C10＝A10B00+A11B10

C11＝A10B01+A11B11

根据上述公式可知，一个分形信号矩阵和一个分形权重矩阵构成一个矩阵乘，矩阵C中的每一矩阵块是由两个矩阵乘的运算结果累加得到的。具体实施中，可以通过调整8个矩阵乘的运算顺序来实现数据复用，进而减少功耗。比如，先计算A00B00，然后计算A00B01，则可以复用A00；又比如，先计算A00B00，然后计算A10B00，则可以复用B00。由此可知，多个矩阵乘的运算顺序决定了如何在运算过程复用数据，从而会影响处理器的计算能力和功耗等性能。

现有技术中通常基于高速缓冲存储器(cache)的命中率来确定多个矩阵乘的运算顺序，以便于尽可能地进行数据复用。然而，由于矩阵乘的输入矩阵和结果矩阵对处理器性能的影响可能是不相同，仅根据cache的命中率得到的运算顺序可能无法使处理器的性能达到充分发挥。

发明内容

本申请实施例提供一种信号处理方法，用于解决现有技术中仅根据cache的命中率得到的运算顺序可能无法使处理器的性能达到充分发挥的技术问题。

第一方面，本申请实施例提供一种信号处理方法，所述方法包括：

接收信号矩阵以及权重矩阵；