[发明专利]一种CNN卷积层运算方法及CNN卷积层运算加速器

说明书

本发明提供一种CNN卷积层运算方法及CNN卷积层运算加速器，均能够：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H(h_pq)；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H(h_pq)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；判断整幅待处理特征图像是否读取完成：若是，则按照各所述分块图像之间的相对位置关系排布所得到的各CNN卷积层局部运算结果，并拼接得到整幅待处理特征图像对应的CNN卷积层运算结果；若否则继续读入下一个分块图像。本发明用于降低CNN卷积运算的复杂度、降低存储带宽压力以及降低完成CNN卷积层运算的成本。

技术领域

本发明涉及卷积运算加速领域，具体涉及一种CNN卷积层运算方法及CNN卷积层运算加速器。

背景技术

随着CNN(Convolutional Neural Networks，卷积神经网络)的不断发展，CNN在图像分类、图像识别等领域的应用越来越广泛。

CNN卷积层的运算是二维卷积，常见的实现方案是滑窗实现卷积计算，即对k×k卷积核采用专门的控制模块获取同样大小的特征图二维窗，然后将该特征图二维窗在需要进行卷积层计算的特征图上滑动，之后将需要进行卷积层计算的特征图与卷积核对应点做乘加运算。滑窗实现二维卷积的方法比较直观，只要能获取到正确的特征图二维窗，之后的计算过程相对简单。但是，用于产生二维窗的控制模块实现比较复杂。另外，对于k×k卷积核、对于在线输入的需要进行卷积层计算的特征图，往往需要额外增加k-1行存储，由此带来了成本的增加。此外，现有CNN卷积层运算过程中往往需要多次重复读取卷积核中的权重，一定程度上增加了存储带宽压力。

为此，本发明提供一种CNN卷积层运算方法及CNN卷积层运算加速器，用于解决上述问题。

发明内容

针对现有技术的上述不足，本发明提供一种CNN卷积层运算方法及CNN卷积层运算加速器，用于降低CNN卷积运算的复杂度。本发明还用于降低存储带宽压力。本发明还用于降低完成CNN卷积层运算的成本。

第一方面，本发明提供一种CNN卷积层运算方法，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H(h_pq)，其中，卷积核为k×k卷积核，h_pq为权重矩阵H(h_pq)的(p，q)元素，p＝0，1，2，…，k-1；q＝0，1，2，…，k-1；

S2、按照预先设定的图像大小阈值，分块图像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H(h_pq)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H(h_pq)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A(a_ij)，其中，分块图像为m×n像素的数字图像，a_ij为图像矩阵A(a_ij)的(i，j)元素；其中，i＝0，1，2，...，m-1；j＝0，1，2，...，n-1；