[发明专利]数据的处理方法及装置、存储介质和电子装置

说明书

本发明提供了一种数据的处理方法及装置、存储介质和电子装置；其中，该方法包括：读取所有输入通道的M*N的特征图数据，以及预设数量的输出通道的权重，其中，M*N的取值和预设数量的取值分别由预设的Y*Y权重确定；将读取到的特征图数据和输出通道的权重输入到预设数量的输出通道的乘加阵列中进行卷积计算；其中，卷积计算的方式包括：在特征图数据或输出通道的权重为零的情况下不进行卷积计算；在存在多个特征图数据的取值相同的情况下，从多个相同的取值中选择一个进行卷积计算；输出卷积计算的结果。通过本发明，解决了相关技术中不存在如何高效的人工智能中的对卷积部分进行加速的问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种数据的处理方法及装置、存储介质和电子装置。

背景技术

人工智能蓬勃发展，但是现有CPU(Central Processing Unit，中央处理器)、GPU(Graphics Processing Unit，图形处理器)、FPGA(Field Programmable Gate Array，现场可编程门阵列)等芯片的基本架构早在这次人工智能突破之前就已经存在了，并不是为人工智能而专门设计的，因此不能完美地承担实现人工智能的任务。AI(ArtificialIntelligence，人工智能)算法目前仍处于不断的变化中，需要找到能够适应所有算法的结构，能够使得AI芯片成为高能效通用的深度学习引擎。

目前深度学习算法是建立在多层大规模神经网络之上的，后者本质上是包含了矩阵乘积和卷积操作的大运算量函数。往往需要先定义一个包含回归问题的方差、分类时的交叉熵的代价函数，在将数据分批传递进网络，根据参数求导出代价函数值，从而更新整个网络模型。这通常意味着至少几百万次的相乘处理，计算量巨大。通俗来说，包含了数百万次A*B+C的计算，算力消耗巨大。因此深度学习算法主要需要在卷积部分进行加速，通过卷积部分的累加来实现算力的提升。与过去的大部分算法相比，过去的算法的计算复杂度较高，而深度学习的计算复杂度和存储复杂度的关系是倒置的，存储部分带来的性能瓶颈和功耗瓶颈远大于计算部分。简单的设计一个卷积加速器并不能带来深度学习计算性能上的提高。

可见对于如何高效地对卷积部分进行加速，目前尚未存在有效的解决方案。

发明内容

本发明实施例提供了一种数据的处理方法及装置、存储介质和电子装置，以至少解决相关技术中不存在如何高效的人工智能中的对卷积部分进行加速的问题。

根据本发明的一个实施例，提供了一种数据的处理方法，包括：读取所有输入通道的M*N的特征图数据，以及预设数量的输出通道的权重，其中，M*N的取值和所述预设数量的取值分别由预设的Y*Y权重确定；将读取到的特征图数据和所述输出通道的权重输入到所述预设数量的输出通道的乘加阵列中进行卷积计算；其中，卷积计算的方式包括：在所述特征图数据或所述输出通道的权重为零的情况下不进行所述卷积计算；在存在多个所述特征图数据的取值相同的情况下，从多个相同的取值中选择一个进行所述卷积计算；输出所述卷积计算的结果。

根据本发明的另一个实施例，提供了一种数据的处理装置，包括：读取模块，用于读取所有输入通道的M*N的特征图数据，以及预设数量的输出通道的权重，其中，M*N的取值和所述预设数量的取值分别由预设的Y*Y权重确定；卷积模块，用于将读取到的特征图数据和所述输出通道的权重输入到所述预设数量的输出通道的乘加阵列中进行卷积计算；其中，卷积计算的方式包括：在所述特征图数据或所述输出通道的权重为零的情况下不进行所述卷积计算；在存在多个所述特征图数据的取值相同的情况下，从多个相同的取值中选择一个进行所述卷积计算；输出模块，用于输出所述卷积计算的结果。

根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。