[发明专利]一种卷积神经网络系统的控制方法及装置

说明书

本发明公开了一种卷积神经网络系统的控制方法，所述方法包括：1)、针对目标应用场景的卷积神经网络系统的每一层的网络，获取所述网络的参数，其中，所述网络的参数包括：所述网络涉及到的操作的尺寸、变量；2)、解析所述网络的参数，并根据所述网络的参数从预设的运算单元的集合中获取与所述网络的参数对应的运算单元，其中，所述运算单元的集合包括：若干个不同应用场景下的卷积神经网络系统所使用的运算单元；3)、将所述运算单元作为所述网络的运算单元，并使用所述运算单元进行所述网络的运算。本发明公开了一种卷积神经网络系统的控制装置。应用本发明实施例，提高了卷积神经网络芯片的适应性。

技术领域

本发明涉及一种神经网络的控制方法及装置，更具体涉及一种卷积神经网络系统的控制方法及装置。

背景技术

CNN(Convolutional Neural Network，卷积神经网络)，是一种前馈神经网络。目前，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，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。

卷积神经网络的本质特点是用线性模型去逼近各种自然界的非线性，甚至奇异函数模型。代价是计算器偏大，好处是同一模型、同一结构只需要通过改变权重系数、局部参数，就可以应用于各种不同的场景。这些权重系数、网络结构是通过深度学习建立模型，训练得到的。CNN最基本的运算单元包括：矩阵卷积，矩阵池化，矩阵全连接等。

但是，现有的卷积神经网络模型都是针对特定的应用场景开发的，因此，卷积神经网络芯片中包含的运算单元仅可以应用于特定的应用场景的，进而导致卷积神经网络芯片的适应性不佳。

发明内容

本发明所要解决的技术问题在于提供了一种卷积神经网络系统的控制方法及装置，以解决现有技术中存在的卷积神经网络芯片的适应性不佳的技术问题。

本发明是通过以下技术方案解决上述技术问题的：

本发明实施例提供了一种卷积神经网络系统的控制方法，所述方法包括：

1)、针对目标应用场景的卷积神经网络系统的每一层的网络，获取所述网络的参数，其中，所述网络的参数包括：所述网络涉及到的操作的尺寸、变量；

2)、解析所述网络的参数，并根据所述网络的参数从预设的运算单元的集合中获取与所述网络的参数对应的运算单元，其中，所述运算单元的集合包括：若干个不同应用场景下的卷积神经网络系统所使用的运算单元；

3)、将所述运算单元作为所述网络的运算单元，并使用所述运算单元进行所述网络的运算。

可选的，所述步骤1)，包括：

按照卷积神经网络系统的每一层的网络的先后顺序对所述网络进行排序，从顺序次序最前的网络开始，将所述网络作为当前网络，获取所述网络的参数；

所述步骤3)，包括：

将所述运算单元作为所述当前网络的运算单元，并使用所述运算单元进行所述网络的运算；将所述当前网络的下一网络作为当前网络，并返回执行所述获取所述网络的参数的步骤，直至所述卷积神经网络系统的每一层网络均具有了运算单元。

可选的，所述根据所述网络的参数从预设的运算单元的集合中获取与所述网络的参数对应的运算单元，包括：