[发明专利]一种深度学习卷积计算的方法和装置

说明书

本发明公开了一种深度学习卷积计算的方法和装置，用以解决现有技术中存在深度学习需要大量SRAM支持卷积计算，运行成本比较高的问题。本发明实施例中，在计算中心对SRAM存储的至少一个目标数据进行卷积计算后，从DDR存储的未进行卷积计算的目标数据中选择至少一个目标数据；将选择的DDR存储的至少一个目标数据覆盖所述SRAM存储的卷积计算已使用的至少一个目标数据或存储到所述SRAM中的空白存储区域；其中，所述目标数据为特征图的行像素数据和/或所述特征图的卷积计算权重数据。如此，对卷积计算的数据进行切分，SRAM中存储的数据只需要是目标数据的数据量的整数倍，SRAM的需求量比较小，降低成本。

技术领域

本发明涉及图像处理技术领域，特别涉及一种深度学习卷积计算的方法和装置。

背景技术

深度学习的概念源于人工神经网络的研究。随着深度学习研究的深入，卷积神经网络的运算量已经发生了极大地变化，为了满足深度学习中的运算能力的需求，现一般通过下列方式：(一)通过ASIC(Application Specific Integrated Circuits,专用集成电路)提升深度学习速率；(二)通过FPGA(Field－Programmable Gate Array，现场可编程门阵列)提升深度学习速率；(三)通过GPU(Graphics Processing Unit，图形处理器)方案提升深度学习速率。

现有技术中在通过GPU方案提升卷积神经网络计算速度时，通常在一次卷积计算过程中，需要将参与卷积计算的所有的特征图以及对应的权重数据从DDR(Double DataRate Synchronous Dynamic Random Access Memory，双倍速率同步动态随机存储器)中读取出来并存储到SRAM(Static Random-Access Memory，静态随机存取存储器)中，再由SRAM将这些数据传送到卷积计算中心进行计算。

然而SRAM的成本是比较高昂的，在深度学习应用领域的不断发展的今天，深度学习过程中参与卷积计算的数据量是十分庞大的，在一次卷积计算过程中，就需要使用大面积的SRAM支持卷积计算，这样无疑会极大地增加运行成本。

综上所述，现有技术中深度学习需要大量SRAM支持卷积计算，运行成本比较高。

发明内容

本发明提供一种深度学习卷积计算的方法和装置，用以解决现有技术中存在深度学习需要大量SRAM支持卷积计算，运行成本比较高的问题。

第一方面，本发明实施例提供一种深度学习卷积计算的方法，该方法包括：

在计算中心对SRAM存储的至少一个目标数据进行卷积计算后，从DDR存储的未进行卷积计算的目标数据中选择至少一个目标数据；

将选择的DDR存储的至少一个目标数据覆盖所述SRAM存储的卷积计算已使用的至少一个目标数据或存储到所述SRAM中的空白存储区域；

其中，所述目标数据为特征图的行像素数据和/或所述特征图的卷积计算权重数据。

上述方法，首先在计算中心对SRAM存储的至少一个目标数据进行卷积计算后，从DDR存储的未进行卷积计算的目标数据中选择至少一个目标数据；随后，将选择的DDR存储的至少一个目标数据覆盖所述SRAM存储的卷积计算已使用的至少一个目标数据或存储到所述SRAM中的空白存储区域；其中，所述目标数据为特征图的行像素数据和/或所述特征图的卷积计算权重数据。如此，本发明实施例中特征图的行像素数据和/或所述特征图的卷积计算权重数据作为目标数据，可以直接明了的看出，SRAM中存储的数据只需要是特征图的行像素数据和/或所述特征图的卷积计算权重数据的数据量的整数倍，相对于现有技术中将所有的卷积计算需要的数据都存储到SRAM中，本发明实施例中SRAM的需求量比较小，故而可以减少SRAM的设置，降低深度学习运行成本。

在一种可能的实施方式中，所述从DDR存储的目标数据中选择至少一个目标数据，包括：