[发明专利]数据处理方法、装置、处理器及相关产品

说明书

本申请涉及一种数据处理方法、装置、处理器及相关产品，该方法在预设的条件满足时可以直接执行所述网络的各个层的前向传播操作。采用该方法，能够大大减少网络的计算量，进而极大的降低了资源占用率，进而大大提高了网络的执行效率。

技术领域

本申请涉及计算机应用技术领域，特别是涉及一种数据处理方法、装置、处理器及相关产品。

背景技术

随着神经网络技术的发展，深度学习框架(Caffe)已经广泛的得到应用。

在Caffe的原生设计中，神经网络在每次前向传播(forward)时都会执行一次重塑(reshape)。对于处理器而言，重塑的过程需要重置所有算子和张量资源，然后再进行计算。由于反复重塑，导致计算量大，资源占用率高。

发明内容

基于此，有必要针对传统的神经网络中网络前向传播时进行重塑所导致的计算量大以及资源占用率高的问题，提供一种数据处理方法、装置、处理器及相关产品。

第一方面，本申请实施例提供一种数据处理方法，所述方法包括：

获取网络的各个层对应的重塑标识值，所述重塑标识值用于指示所述网络的各个层是否执行重塑操作；

当所述重塑标识值为第一预设值时，则直接执行所述网络的各个层的前向传播操作。

在其中一个实施例中，当所述重塑标识值为第二预设值时，则根据所述网络的各个层的输入数据进行重塑操作，再执行所述网络的前向传播操作，其中，所述第一预设值与所述第二预设值不同。

在其中一个实施例中，所述方法还包括：

获取所述网络的各个层的重塑模式；

分别根据所述网络的各个层的重塑模式，确定所述网络各个层对应的重塑标识值。

在其中一个实施例中，所述重塑模式包括无闲模式；所述分别根据所述网络的各个层的重塑模式确定所述网络各个层对应的重塑标识值，包括：

当所述重塑模式为所述无闲模式时，则确定所述重塑标识值为所述第二预设值。

在其中一个实施例中，所述重塑模式包括初始化模式；所述分别根据所述网络的各个层的重塑模式确定所述网络各个层对应的重塑标识值，包括：

当所述重塑模式为所述初始化模式时，则根据所述网络的初始化信息，确定所述重塑标识值，所述初始化信息用于表征所述网络是否进行初始化。

在其中一个实施例中，所述根据所述网络的初始化信息，确定所述重塑标识值，包括：

当所述初始化信息为所述网络已初始化时，则确定所述重塑标识值为所述第二预设值；

当所述初始化信息为所述网络未初始化时，则确定所述重塑标识值为所述第一预设值。

在其中一个实施例中，所述重塑模式包括检测模式；所述分别根据所述网络的各个层的重塑模式确定所述网络各个层对应的重塑标识值，包括：

当所述重塑模式为所述检测模式时，则根据所述网络的网络形状变化信息确定所述重塑标识值，所述网络形状变化信息用于表征所述网络的网络形状是否需要发生变化。

在其中一个实施例中，所述根据所述网络的网络形状变化信息确定所述重塑标识值，包括：

当所述网络形状变化信息为网络形状需要发生变化时，则确定所述重塑标识值为所述第二预设值；

当所述网络形状变化信息为网络形状无需发生变化时，则确定所述重塑标识值为所述第一预设值。

在其中一个实施例中，所述根据所述网络的网络形状变化信息确定所述重塑标识值之前，包括：