[发明专利]一种数据处理方法及装置

说明书

本申请实施例提供了一种数据处理方法、装置及电子设备，应用于包括融合层的深度学习网络，每一融合层分别与深度学习框架中的卷积层一一对应，每一卷积层对应的融合层为：通过预设参数融合方式和预设规则融合方式、将待融合层融合至该卷积层得到的网络层；方法包括：每一融合层获得与该融合层连接的上一融合层对待处理数据进行数据处理的结果和待处理数据；根据融合层的参数和融合层对应的数据处理规则，对所获得的结果和待处理数据进行数据处理。采用本申请实施例提供的方案处理数据，可以减少数据处理过程中对内存或显存的访问次数，提高数据处理的速度和效率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种数据处理方法及装置。

背景技术

随着计算机技术的发展，深度学习网络被越来越广泛地用来进行处理数据。基于卷积神经网络框架(Convolutional Architecture for Fast Feature Embedding，简称Caffe)的深度学习网络是常用的一种深度学习网络。Caffe包括卷积层和非卷积层，Eltwise层为Caffe的一个非卷积层，其功能是对各卷积(Convolutional，简称Conv)层的运算结果进行求和、点积、取最大值等处理。

应用基于Caffe的深度学习网络进行数据处理时，各Conv层对待处理数据分别进行卷积计算，Eltwise层获得各卷积层计算得到的卷积计算结果，并按照Eltwise层对应的数据处理规则对各卷积计算结果进行数据处理。

然而，上述数据处理过程中，各Conv层在计算出各卷积计算结果后，需要将各卷积计算结果分别存入内存或显存，Eltwise层需要从内存或显存中读取各卷积计算结果，并在对各卷积计算结果进行数据处理后将处理结果存入内存或显存。可见，上述数据处理过程需要频繁地对内存或显存进行访问，使得数据处理速度较慢、效率低。

发明内容

本申请实施例的目的在于提供一种数据处理方法及装置，以减少数据处理过程中对内存或显存的访问次数，提高数据处理的速度和效率。具体技术方案如下：

第一方面，本申请实施例提供了一种数据处理方法，应用于深度学习网络，所述深度学习网络包括融合层，每一融合层分别与深度学习框架中的卷积层一一对应，每一卷积层对应的融合层为：通过预设参数融合方式和预设规则融合方式、将待融合层融合至该卷积层得到的网络层，所述预设参数融合方式包括：基于卷积层对应的待融合参数修正卷积层的参数得到融合层的参数，所述预设规则融合方式包括：基于卷积层对应的待融合规则修正卷积层对应的数据处理规则得到融合层对应的数据处理规则，所述待融合层包括：所述深度学习框架中用于对各卷积层的卷积运算结果进行运算的非卷积层；所述方法包括：

每一融合层获得与该融合层连接的上一融合层对待处理数据进行数据处理的结果和所述待处理数据；

根据融合层的参数和融合层对应的数据处理规则，对所获得的结果和所述待处理数据进行数据处理。

可选的，所述深度学习框架为卷积神经网络框架Caffe；所述待融合层为Eltwise层。

可选的，基于卷积层对应的待融合规则修正卷积层对应的数据处理规则，得到的融合层对应的数据处理规则为：满足以下表达式的规则：

Y＝alpha2*conv(x)+alpha1*z+bias

其中，Y表示融合层对所述待处理数据进行数据处理的结果，z表示与融合层连接的上一融合层对所述待处理数据进行数据处理的结果，alpha2表示卷积层的卷积计算缩放系数，conv()表示卷积层的卷积计算公式，x表示所述待处理数据，alpha1表示所述z的缩放系数，bias表示融合层的偏置值。

可选的，在所述根据融合层的参数和融合层对应的数据处理规则，对所获得的结果和所述待处理数据进行数据处理之前，所述方法还包括：