[发明专利]一种并行计算方法及装置

说明书

本申请示出一种并行计算方法及装置，用于稀疏神经网络处理器，所述一种并行计算方法包括以下步骤：卷积计算单元获取待处理图像数据，所述待处理图像数据包括：图像通道和图像尺寸；根据所述图像通道和图像尺寸生成并行度；根据所述并行度对所述待处理图像数据进行卷积计算，得到单元计算结果；处理单元处理所述单元计算结果，得到卷积计算结果；累加器将所述卷积计算结果进行累加。本申请实施例示出的一种并行计算方法及装置，能够通过并行计算同时处理一个或多个图像通道，提高稀疏神经网络处理器中卷积计算单元的利用率。

技术领域

本发明涉及卷积神经网络加速技术领域，具体涉及一种并行计算方法及装置，用于稀疏神经网络。

背景技术

卷积神经网络(Convolutional neural networks，CNN or Deep convolutionalneural networks，DCNN)主要用于图像处理，也可用于其他类型的输入，如音频等。稀疏神经网络是一种稀疏性的卷积神经网络，稀疏神经网络能够将样本转化为合适的稀疏表达形式，从而使学习任务得以简化，模型复杂度得以降低。

传统的稀疏神经网络处理器网络模型较大，需要海量的计算来完成任务，稀疏神经网络处理器的实质是卷积计算方法，传统的稀疏神经处理器的卷积计算方法在计算单个图像的过程中，需在线存储卷积计算所需的权重数据，运算效率低下，且对于通道数较多的卷积层，需要消耗较多稀疏神经网络处理器的存储资源。

现有的稀疏神经网络处理器的卷积计算方法存在运算效率低下，浪费存储资源的问题，造成稀疏神经网络处理器极大的算力浪费。基于此应用场景，提出了本申请。

发明内容

基于上述问题，本申请的目的在于提供一种并行计算方法及装置，用于提高卷积计算单元的利用率，以解决现有技术存在的技术问题。

第一方面，本申请实施例示出一种并行计算方法，用于稀疏神经网络处理器，包括以下步骤：

卷积计算单元获取待处理图像数据，所述待处理图像数据包括：图像通道和图像尺寸；根据所述图像通道和图像尺寸生成并行度；根据所述并行度对所述图像数据进行卷积计算，得到单元计算结果；

处理单元处理所述单元计算结果，得到通道计算结果；

累加器将所述通道计算结果进行累加。

第二方面，本申请实施例示出一种并行计算装置，用于稀疏神经网络处理器，包括以下步骤：

卷积计算单元获取待处理图像数据，所述待处理图像数据包括：图像通道和图像尺寸；根据所述图像通道和图像尺寸生成并行度；根据所述并行度对所述图像数据进行卷积计算，得到单元计算结果；

处理单元处理所述单元计算结果，得到通道计算结果；

累加器将所述通道计算结果进行累加。

由以上技术方案可知，本申请示出一种并行计算方法及装置，用于稀疏神经网络处理器，所述一种并行计算方法包括以下步骤：卷积计算单元获取待处理图像数据，所述待处理图像数据包括：图像通道和图像尺寸；根据所述图像通道和图像尺寸生成并行度；卷积计算单元根据所述并行度对所述图像数据进行卷积计算，得到单元计算结果；处理单元处理所述单元计算结果，得到通道计算结果；累加器将所述通道计算结果进行累加。本申请实施例示出的一种并行计算方法及装置，能够通过并行计算同时处理一个或多个图像通道，提高稀疏神经网络处理器中卷积计算单元的利用率。

附图说明

为了更清楚的说明申请的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例示出的一种并行计算方法具体实施步骤；