[发明专利]图像数据的卷积运算方法、装置、电子设备及存储介质

说明书

本申请提供了一种图像数据的卷积运算方法、装置、电子设备及存储介质，该方法包括：在提取出输入图像的特征图的情况下，获取卷积神经网络中单个卷积核的非零值分布；根据所述单个卷积核的非零值分布对所述单个卷积核进行拆分，得到多个子卷积核；将各个所述子卷积核与在所述特征图上对应的运算范围内的数据进行卷积运算，并将各个所述子卷积核的卷积运算结果进行累加，得到所述单个卷积核的卷积运算结果；将所述单个卷积核的卷积运算结果在输入通道上进行累加，得到所述输入图像在输出通道上的卷积运算结果。本申请实施例有利于减少卷积神经网络的运算量，从而降低边缘设备的功耗。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种图像数据的卷积运算方法、装置、电子设备及存储介质。

背景技术

随着机器学习技术的不断发展，卷积神经网络被广泛应用于社会各领域中，尤其在图像识别、视频分析、自然语言处理等领域取得了非凡的成就。高计算复杂度和高模型参数是卷积神经网络的特性，为了能将卷积神经网络部署在资源受限的边缘设备上，现有技术通常采用模型压缩的方法，在不降低模型精度的情况下，将卷积神经网络模型中不重要的权重或卷积核移除，实现模型参数稀疏化。然而，参数稀疏化仅起到了压缩模型参数存储量的效果，模型的计算量并未降低，仍然不能有效减少边缘设备的功耗。

发明内容

针对上述问题，本申请提供了一种图像数据的卷积运算方法、装置、电子设备及存储介质，有利于减少卷积神经网络的运算量，从而降低边缘设备的功耗。

为实现上述目的，本申请实施例第一方面提供了一种图像数据的卷积运算方法，该方法包括：

在提取出输入图像的特征图的情况下，获取卷积神经网络中单个卷积核的非零值分布；

根据所述单个卷积核的非零值分布对所述单个卷积核进行拆分，得到多个子卷积核；

将各个所述子卷积核与在所述特征图上对应的运算范围内的数据进行卷积运算，并将各个所述子卷积核的卷积运算结果进行累加，得到所述单个卷积核的卷积运算结果；

将所述单个卷积核的卷积运算结果在输入通道上进行累加，得到所述输入图像在输出通道上的卷积运算结果。

结合第一方面，在一种可能的实施方式中，所述根据所述单个卷积核的非零值分布对所述单个卷积核进行拆分，得到多个子卷积核，包括以下之一：

根据所述单个卷积核的非零值分布，将每一非零值拆分为所述子卷积核，得到多个所述子卷积核；

根据所述单个卷积核的非零值分布，若内存中指示的是行优先，则将水平方向上不相邻的每一非零值拆分为所述子卷积核，以及将水平方向上相邻的非零值聚合为所述子卷积核，得到多个所述子卷积核；

根据所述单个卷积核的非零值分布，若内存中指示的是列优先，则将垂直方向上不相邻的每一非零值拆分为所述子卷积核，以及将垂直方向上相邻的非零值聚合为所述子卷积核，得到多个所述子卷积核。

结合第一方面，在一种可能的实施方式中，在所述将各个所述子卷积核与在所述特征图上对应的运算范围内的数据进行卷积运算之前，所述方法还包括：

确定各个所述子卷积核在所述单个子卷积核中垂直方向和水平方向的起始位置、所述单个卷积核垂直方向和水平方向的移动步长以及各个所述子卷积核垂直方向和水平方向的大小；

根据所述起始位置、所述移动步长以及所述大小获取各个所述子卷积核的所述运算范围。

结合第一方面，在一种可能的实施方式中，所述将所述单个卷积核的卷积运算结果在输入通道上进行累加，包括：

确定输入通道的数量C_i；

将所述单个卷积核的卷积运算结果在C_i个输入通道上进行累加。