[发明专利]数据处理方法、设备、DMA控制器及计算机可读存储介质

说明书

一种数据处理方法、设备、DMA控制器及计算机可读存储介质，所述方法包括：获取原始输入特征图的特征信息和参数信息；根据所述特征信息生成第二DMA配置信息，并根据所述特征信息和所述参数信息生成第一DMA配置信息和第三DMA配置信息；根据所述第一DMA配置信息构造目标输入特征图；根据所述第二DMA配置信息从所述原始输入特征图中读取输入数据；根据所述第三DMA配置信息将所述输入数据存储到目标输入特征图。应用本发明实施例，可以由DMA控制器实现CNN中的数据搬移，不需要由CPU实现CNN中的数据搬移，从而减轻CPU负担，更高效地搬移数据，进而起到加速CNN运算的效果，同时也不失灵活性。

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种数据处理方法、设备、DMA(DirectMemory Access，直接内存存取)控制器及计算机可读存储介质。

背景技术

在机器学习中，CNN(Convolutional Neural Network，卷积神经网络)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理具有出色表现。CNN是一个多层的神经网络，每层由多个二维平面组成，每个平面由多个独立的神经元组成。一般地，CNN可以由卷积层和池化层组成，卷积层的作用是提取图像的各种特征，池化层的作用是对原始特征信号进行两次特征提取，以减小特征分辨率，大幅度减少训练参数，并可以减轻模型过拟合的程度。此外，CNN以其局部权值共享的特殊结构，降低网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点，避免了特征提取和分类过程中数据重建的复杂度，因而得到广泛应用。

在CNN中，涉及多种数据搬移任务，传统的数据搬移任务，由CPU(CentralProcessing Unit，中央处理器)实现，其数据搬移效率较低，给CPU增加过多负担。例如，图像算法涉及固定矩阵的运算，如高斯滤波的Gaussian(高斯)矩阵等，CPU在完成矩阵运算时，还需要进行数据搬移，额外增加CPU负担。

发明内容

本发明提供数据处理方法、设备、DMA控制器及计算机可读存储介质。

本发明第一方面，提供一种数据处理方法，应用于DMA控制器，包括：

获取原始输入特征图的特征信息和参数信息；

根据所述特征信息生成第二DMA配置信息，并根据所述特征信息和所述参数信息生成第一DMA配置信息和第三DMA配置信息；

根据所述第一DMA配置信息构造目标输入特征图；

根据所述第二DMA配置信息从所述原始输入特征图中读取输入数据；

根据所述第三DMA配置信息将所述输入数据存储到目标输入特征图。

本发明第二方面，提供一种DMA控制器，所述DMA控制器用于：

获取原始输入特征图的特征信息和参数信息；

根据所述特征信息生成第二DMA配置信息，并根据所述特征信息和所述参数信息生成第一DMA配置信息和第三DMA配置信息；

根据所述第一DMA配置信息构造目标输入特征图；

根据所述第二DMA配置信息从所述原始输入特征图中读取输入数据；

根据所述第三DMA配置信息将所述输入数据存储到目标输入特征图。

本发明第三方面，提供一种数据处理设备，所述数据处理设备包括：

存储器，用于存储程序代码；DMA控制器，用于调用所述程序代码，当所述程序代码被执行时，实现上述的数据处理方法。

本发明第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有若干计算机指令，所述计算机指令被执行时，实现上述数据处理方法。