[发明专利]一种卷积计算的实现方法、设备和计算机存储介质

说明书

本发明公开了一种卷积计算的实现方法、设备和计算机存储介质，该方法包括：获取待卷积计算的数据图像的输入通道数目M和输出通道数目N；将每一个输入通道的数据划分成大小为P*P的数据；设置N个工作组，以及设置每个工作组中的工作项数目为P*P；N个工作组并行计算，以及在每个工作组中，分别对每一输入通道的数据进行P*P个工作项的卷积计算；将M个输入通道卷积计算后的数据进行加法规约，得到N个输出通道的输出结果。本发明提供了一种卷积计算的实现方法、设备和计算机存储介质，实现对数据的并行卷积计算，满足FPGA的OpenCL程序的并行模式的工作模式。

技术领域

本发明涉及计算机技术，尤指一种卷积计算的实现方法、设备和计算机存储介质。

背景技术

在深度学习卷积神经网络模型中，卷积层多达几十到上千层，每层训练参数可以达到几万到几十万，总训练参数更是达到了千万级别。深度学习网络的训练时间可以多达几周甚至几个月的时间。

在深度学习计算的硬件层面，现场可编程门阵列(Field-Programmable GateArray，简称FPGA)已经成为深度学习计算的重要平台。相比于图形处理器(GraphicsProcessing Unit，简称GPU)，FPGA作为可编程重构的硬件，拥有更强大的可调控能力，拥有更高的计算效率；相比于专用集成电路芯片(Application Specific IntegratedCircuit，简称ASIC)，省去了ASIC方案的流片过程，使开发周期缩短。与此同时，开放运算语言(Open Computing Language，简称OpenCL)与FPGA的结合更能让研发者快速上手，一定程度上降低了研发者的开发时限，使研究更加简单易行。其中，OpenCL与FPGA的结合指的是使用OpenCL编程语言在FPGA上实现卷积计算。

然而，FPGA的OpenCL程序的工作模式是并行模式，而目前使用OpenCL编程语言在FPGA上进行卷积计算Fast Algorithms只能串行实现，无法满足FPGA的OpenCL程序的并行模式的工作模式。

发明内容

为了解决上述技术问题，本发明提供了一种卷积计算的实现方法、设备和计算机存储介，实现对数据的并行卷积计算，满足FPGA的OpenCL程序的并行模式的工作模式。

为了达到本发明目的，第一方面，本发明提供了一种卷积计算的实现方法，包括：

获取待卷积计算的数据图像的输入通道数目M和输出通道数目N；

将每一个输入通道的数据划分成大小为P*P的数据；

设置N个工作组，以及设置每个工作组中的工作项数目为P*P；

所述N个工作组并行计算，以及在每个工作组中，分别对每一输入通道的数据进行P*P个工作项的卷积计算；

将M个输入通道卷积计算后的数据进行加法规约，得到N个输出通道的输出结果；

其中，M、N和P均为正整数。

第二方面，本发明提供了一种卷积计算的实现设备，包括：

获取模块，用于获取待卷积计算的数据图像的输入通道数目M和输出通道数目N；

划分模块，用于将每一个输入通道的数据划分成大小为P*P的数据；

设置模块，用于设置N个工作组，以及设置每个工作组中的工作项数目为P*P；

计算模块，用于所述N个工作组并行计算，以及在每个工作组中，分别对每一输入通道的数据进行P*P个工作项的卷积计算；

累加模块，用于将M个输入通道卷积计算后的数据进行加法规约，得到N个输出通道的输出结果；

其中，M、N和P均为正整数。