[发明专利]跨平台卷积神经网络控制系统及方法、信息数据处理终端

说明书

本发明属于计算机软件技术领域，公开了一种跨平台卷积神经网络控制系统及方法、信息数据处理终端，卷积运算单元和池化运算单元，卷积运算单元与池化运算单元连接，通过OpenGL ES的fbo渲染来实现gpu计算；全连接运算单元，与卷积运算单元或者池化运算单元连接，使用cpu的neon指令实现；卷积运算前需要给各个通道添加padding，将padding操作和卷积运算或者池化运算结合。本发明利用OpenGL ES来实现卷积计算的方法，达到了利用gpu的优秀浮点计算性能来加快卷积神经网络的计算，同时实现不同系统的跨平台。

技术领域

本发明属于计算机软件技术领域，尤其涉及一种跨平台卷积神经网络控制系统及方法、信息数据处理终端。

背景技术

目前，业内常用的现有技术是这样的：随着人工智能和深度学习技术的发展，移动端成为深度学习成为一个重要的使用场景。目前的移动端的深度学习方案，在IOS上有苹果推出的CoreML，以及能够同时在IOS和Android上利用的cpu进行计算的谷歌推出的tesorflow和facebook推出的caffe2。目前能够做到跨平台的移动端的深度学习框架都只利用了cpu进行计算，由于在移动端开发环境及语言的限制没有利用上使用gpu。pc及服务器上利用gpu使用cuda，在移动端不支持。opencl是一种移动端上支持gpu的逻辑计算语言，但是ios不支持，android部分手机支持。所以移动端的核心问题是缺乏开发环境和开发语言的支持。opengles并不是一种像c语言的通用逻辑语言，只是一种用于进行图像渲染的标准，所以来进行数学逻辑计算是非常不方便的，没有人想到，想到的觉得无法实现。能够利用gpu的只能在IOS上基于metal开发或者直接使用苹果的CoreML。

综上所述，现有技术存在的问题是：

(1)android上没有有效的能够利用gpu进行计算的方案

(2)ios上利用gpu的方案不能在android上使用，无法实现跨屏，增加了开发的难度和工作量。

解决上述技术问题的难度和意义：移动端上利用gpu进行数学计算的编程语言一般使用opengcl，但是opengcl在ios上并不支持，在android上部分手机支持。唯一广泛被使用的gpu语言为opengles，ios最高支持到3.0，android支持到3.1，但是opengles作为一种图形处理与渲染标准，并不适合于通用的逻辑与数学计算，本发明提出了一种利用opengles的渲染过程来实现卷积计算的方案，从而实现一个利用gpu计算卷积神经网络的方法。

发明内容

针对现有技术存在的问题，本发明提供了一种跨平台卷积神经网络控制系统及方法、信息数据处理终端。

本发明是这样实现的，一种跨平台卷积神经网络控制系统，所述跨平台卷积神经网络控制系统包括：

卷积运算单元和池化运算单元，卷积运算单元与池化运算单元连接，通过 OpenGLES的fbo渲染来实现gpu计算。

全连接运算单元，与卷积运算单元或者池化运算单元连接，使用cpu的neon 指令实现；卷积运算前需要给各个通道添加padding，将padding操作和卷积运算或者池化运算结合。

本发明的另一目的在于提供一种所述跨平台卷积神经网络控制系统的跨平台卷积神经网络控制方法，所述跨平台卷积神经网络控制方法包括以下步骤：

步骤一，计算绑定fbo的输出的纹理尺寸，也即是fbo渲染过程的视窗大小，定义卷积计算中有k个卷积核，输出纹理有k个通道；输出通道平铺在输出纹理中；

步骤二，计算顶点坐标：渲染按照GL_TRIANGLES方式，每个通道包括2 个三角形；