[发明专利]用于深度卷积神经网络的卷积计算方法及装置

权利要求书

1.一种用于深度卷积神经网络的卷积计算方法，其特征在于，用于构建卷积算法的选择模型，所述方法包括：

确定第一优化参数，第一优化参数包括：优化知识的抽象和表达；其中，所述第一优化参数用于初始化选择模型；

根据所述第一优化参数建立知识库，其中，所述知识库用于按照表结构储存卷积算法和对应的第一优化参数；

根据第一优化参数中优化知识抽象的五个方面，以Hash表{key，value}的方式构建知识库；Hash表的key值为硬件平台、输入图片规模、Channels数量、Stride大小、Kernel大小五个方面；

所述知识库用于按照表结构储存卷积算法和对应的第一优化参数，包括：

构建多维数组，用于表示知识库中的索引表；

构建实际输入参数到所述多维数组索引的映射表；

根据实际输入参数和所述映射表，确定key值在索引表中的索引，并返回对应的value值，其中，所述知识库用于按照表结构储存卷积算法和对应的第一优化参数；

检索所述知识库中是否存在符合预设性能条件的执行计划，其中，所述执行计划用于作为当前深度卷积神经网络的卷积算法，将性能参数传递至知识库，获得最佳实现方法；然后将最佳实现方法地址传递给该层神经网络；以及

如果所述知识库中存在符合预设性能条件的执行计划，则生成符合预设性能条件的卷积算法；根据上述确定的执行计划，调用相应的卷积算法代码，生成最终的高性能卷积算法代码。

2.根据权利要求1所述的卷积计算方法，其特征在于，根据所述第一优化参数建立知识库包括：

按照哈希表{key，value}的方式建立知识库；

其中，将哈希表的key值配置为预设参数，将哈希表的value配置为深度卷积神经网络中的最优卷积算法。

3.根据权利要求1所述的卷积计算方法，其特征在于，检索所述知识库中是否存在符合预设性能条件的执行计划包括：

按照第一优化参数，提取实际输入参数；

确定实际输入参数；

通过实际输入参数在所述知识库中检索得到执行计划；

通过执行计划生成用于卷积计算的预设代码。

4.根据权利要求1所述的卷积计算方法，其特征在于，如果所述知识库中存在符合预设性能条件的执行计划，则生成符合预设性能条件的卷积算法包括如下任一一种：

生成通用矩阵-矩阵乘法算法；

生成Winograd算法；

生成直接卷积算法。

5.一种用于深度卷积神经网络的卷积计算装置，其特征在于，包括：

确定模块，用于确定第一优化参数，第一优化参数包括：优化知识的抽象和表达；其中，所述第一优化参数用于初始化选择模型；根据第一优化参数中优化知识抽象的五个方面，以Hash表{key，value}的方式构建知识库，Hash表的key值为硬件平台、输入图片规模、Channels数量、Stride大小、Kernel大小五个方面，所述知识库用于按照表结构储存卷积算法和对应的第一优化参数；

建立模块，用于根据所述第一优化参数建立知识库，其中，所述知识库用于按照表结构储存卷积算法和对应的第一优化参数；

所述建立模块包括：第二建立模块，

所述第二建立模块，用于构建多维数组，用于表示知识库中的索引表；

构建实际输入参数到所述多维数组索引的映射表；

根据实际输入参数和所述映射表，确定key值在索引表中的索引，并返回对应的value值，其中，所述知识库用于按照表结构储存卷积算法和对应的第一优化参数；

检索模块，用于检索所述知识库中的是否存在符合预设性能条件的执行计划，其中，所述执行计划用于作为当前深度卷积神经网络的卷积算法，将性能参数传递至知识库，获得最佳实现方法；然后将最佳实现方法地址传递给该层神经网络；

生成模块，用于在所述知识库中的存在符合预设性能条件的执行计划时，生成符合预设性能条件的卷积算法；根据上述确定的执行计划，调用相应的卷积算法代码，生成最终的高性能卷积算法代码。