[发明专利]一种数据读取系统和方法

说明书

本发明公开了一种数据读取系统，包括：配置单元，所述配置单元接收卷积计算的参数信息；数据读取单元，所述数据读取单元对进行卷积计算的图像进行切分，使得切分后的图像块每次产生M次卷积计算所需的数据，所述数据读取单元按行读入切分后图像块；数据缓存单元，所述数据缓存单元存取所述所述数据读取单元读入的数据；以及数据扩展及输出单元，所述数据扩展及输出单元读出数据缓存单元中存放的一行图像数据，然后扩展M次卷积计算所需的该行的数据，共产生M*K个数据，并在输出端进行输出。

技术领域

本发明涉及数据处理领域，尤其涉及一种低缓存占用的图像处理卷积神经网络的数据读取系统和方法。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，与传统的BP神经网络相比，具有识别效率高、旋转缩放不变性好等优点，已在数字图像处理及人脸识别等各个领域得到了广泛的应用。

传统卷积神经网络一般由多个交替的卷积层、池化层以及最后的全连接层组成。卷积神经网络可通过反向传播方法将网络损失传递到网络的所有层。参数更新学习过程通过随机梯度下降算法来实现。卷积神经网络与传统神经网络最大的区别在于，其卷积层采用了一种权值共享局部连接网络，而不是传统的权值独立全连接网络，这使得在层数相同的情况下，卷积神经网络的连接数目要远少于传统神经网络。卷积层的二维数据结构使得卷积神经网络非常适合于处理图像数据信息。此外，池化层的加入使得卷积神经网络对输入数据的几何变化(平移、缩放、旋转等)具有一定程度的稳健性。卷积神经网络由于其强大的数据特征提取能力和非线性学习能力，在性能上超越了大多数传统的机器视觉算法。目前在图像分类、目标识别等研究和应用领域，卷积神经网络已经成为主流方法。

目前常用的卷积神经网络由于计算量特别巨大，一般均采用多个乘累加器(MAU)并发运行的方式来降低网络的计算时间。而要为这些MAU同时提供计算所需的数据，对系统的总线带宽也提出了很大的挑战。

另一方面，用于图像处理的卷积神经网络的卷积核用到的均为二维甚至三维的数据结构，直接从系统的内存(例如，DDR)中读取这些地址不连续的数据对系统内存的利用率也会产生极大的影响。

发明内容

针对现有技术中存在的上述问题，本发明提出一种数据读取方法，在满足MAU计算需求的前提下，将对系统内存的访问大大降低。

根据本发明的一个方面，提供一种数据读取系统，包括：

配置单元，所述配置单元接收卷积计算的参数信息；

数据读取单元，所述数据读取单元对进行卷积计算的图像进行切分，使得切分后的图像块每次产生M次卷积计算所需的数据，所述数据读取单元按行读入切分后图像块；

数据缓存单元，所述数据缓存单元存取所述所述数据读取单元读入的数据；以及

数据扩展及输出单元，所述数据扩展及输出单元读出数据缓存单元中存放的一行图像数据，然后扩展M次卷积计算所需的该行的数据，共产生M*K个数据，并在输出端进行输出。

在本发明的一个实施例中，所述配置单元根据卷积计算的参数信息和系统的总线位宽及内存的特性确定每行数据切分的次数及最后一次剩余数据的长度。

在本发明的一个实施例中，切分后的图像块的宽度在M到M+K-1之间。

在本发明的一个实施例中，当所述数据扩展及输出单元对数据缓存单元中存储的K行数据完成扩展输出后，所述数据读取单元读入下一行的数据，覆盖所述数据缓存单元编号最靠前的一行的数据。

在本发明的一个实施例中，所述数据扩展及输出单元将扩展后的数据以K倍读入带宽的速度被送至后级的MAU。

根据本发明的另一个方面，提供一种数据读取方法，包括：