[发明专利]一种CNN卷积层运算方法及CNN卷积层运算加速器

权利要求书

1.一种CNN卷积层运算方法，其特征在于，包括步骤：

S1、读入用于对待处理特征图像进行CNN卷积层运算的卷积核，并将读入的卷积核转化为权重矩阵，其中，卷积核为卷积核，为权重矩阵的元素，；

S2、按照预先设定的图像大小阈值，读取待处理特征图像上的一个分块图像，并依据所述的权重矩阵计算当前所读入的分块图像对应的CNN卷积层局部运算结果；

S3、判断整幅待处理特征图像是否读取完成，若是，则继续执行步骤S4，否则转而重复执行步骤S2；

S4、按照各所述分块图像之间的相对位置关系，排布步骤S2中得到的各CNN卷积层局部运算结果，之后拼接得到整幅待处理特征图像对应的CNN卷积层运算结果；

其中，步骤S2中依据所述的权重矩阵计算当前所读入的分块图像对应的CNN卷积层局部运算结果的实现方法包括步骤：

P1、将当前读入的分块图像转化为图像矩阵，其中，分块图像为像素的数字图像，为图像矩阵的元素；其中，；

P2、读取权重矩阵的每一个元素、并分别获取每一个元素各自对应的由图像矩阵中的所有需要与其做乘法运算的元素构成的乘积矩阵，并将每一个元素与其各自对应的乘积矩阵相乘得到每一个元素各自对应的局部矩阵；

P3、计算所得到的各局部矩阵的和，该和即为当前所读入的分块图像对应的CNN卷积层局部运算结果；

其中，步骤S2中每次读取到的待处理特征图像的分块图像互不相同；

其中，步骤S2中按照预先设定的图像大小阈值，读取待处理特征图像上的一个分块图像，读取方法包括：

在首次读取分块图像时，按预先设定的读取起始位置从待处理特征图像上读取一个满足所述图像大小阈值要求的分块图像；

在再次读取分块图像时，每个所读取到的分块图像均包含其各相邻分块图像的k-1行或k-1列像素；

步骤P2中所涉及到的元素对应的乘积矩阵包括以下情况：

在p=0且q=0时，所涉及到的元素对应的乘积矩阵为图像矩阵中除去第n-k+1、n-k+2、n-k+3、...、n-1列及除去第m-k+1、m-k+2、m-k+3、...、m-1行之后余下的所有的行和列形成矩阵；

在p=0且时，所涉及到的元素对应的乘积矩阵为将图像矩阵中除去第0、1、2、...、q-1、n-k+q+1、n-k+q+2、n-k+q+3、...、n-1列以及除去第m-k+1、m-k+2、m-k+3、...、m-1行之后余下的所有的行和列拼接形成的矩阵；

在且q=0时，所涉及到的元素对应的乘积矩阵为，将图像矩阵中除去第n-k+1、n-k+2、n-k+3、...、n-1列及除去第0、1、2、...、p-1、m-k+p+1、m-k+p+2、m-k+p+3、...、m-1行之后余下的所有的行和列拼接形成的矩阵；

在且时，所涉及到的元素对应的乘积矩阵为将图像矩阵中除去第0、1、2、...，q-1、n-k+q+1、n-k+q+2、n-k+q+3、...、n-1列及除去第0、1、2、...、p-1、m-k+p+1、m-k+p+2、m-k+p+3、...、m-1行之后余下的所有的行和列拼接形成的矩阵。

2.根据权利要求1所述的CNN卷积层运算方法，其特征在于，

步骤S1中将转化得到的权重矩阵存储在缓存中；

步骤P1中将转化为的图像矩阵存储在缓存中。

3.根据权利要求1所述的CNN卷积层运算方法，其特征在于，该CNN卷积层运算方法基于FPGA实现。

4.根据权利要求1所述的CNN卷积层运算方法，其特征在于，步骤P2中采用乘法器阵列将每一个元素与其各自对应的乘积矩阵相乘得到每一个元素各自对应的局部矩阵。