[发明专利]卷积神经网络的数据处理方法、预测方法、计算装置和存储介质

说明书

本说明书公开了一种卷积神经网络的数据处理方法、预测方法、计算装置和存储介质，方法包括:获取运算配置信息(S110)；根据运算配置信息从目标存储器读取来自第一、第二特征图集合的第一特征数据和第二特征数据(S120)；根据运算配置信息指定的计算类型对第一特征数据和第二特征数据进行并行运算处理(S130)；将处理结果存储在目标存储器(S140)。

技术领域

本说明书涉及卷积神经网络技术领域，尤其涉及一种卷积神经网络的数据处理方法、预测方法、计算装置和存储介质。

背景技术

随着大数据时代的到来,包含更多隐含层的卷积神经网络具有更复杂的网络结构,与传统机器视觉方法相比具有更强大的特征学习和特征表达能力。被广泛应用于图像分类、物体检测、姿态估计、图像分割和人脸识别等计算机视觉领域。

通常卷积神经网络由若干预先定义好的基本层组合而成，包括卷积层、激活层、池化层、全连接层等，随着网络层数的增加，收敛越来越难，准确率也出现快速下降的趋势。可以通过例如Resnet网络的跨层(Skip-Layer或称为shortcut connection)等方式对抗过拟合，解决反向传播时梯度消失的问题，实现深度方面的多模型融合。

在一些网络中可以通过Eltwise层实现不同分支的合并及元素级操作，实现例如对残差结构进行特征汇聚，使得底层的信息和高层的信息能够建立起更加直接的联系。目前的Eltwise层通常运算效率较低，使得ELTWISE层成为网络中的速度瓶颈。

发明内容

基于此，本说明书提供了一种卷积神经网络的数据处理方法、预测方法、计算装置和存储介质，通过并行处理来自第一、第二特征图集合的第一特征数据和第二特征数据，提高了计算吞吐率，降低了占用带宽，计算资源利用率较高。

第一方面，本说明书提供了一种卷积神经网络的数据处理方法，包括：

获取运算配置信息；

根据所述运算配置信息从目标存储器读取第一特征数据和第二特征数据，所述第一特征数据包括第一特征图集合中第一数目的像素，所述第二特征数据包括第二特征图集合中第一数目的像素，所述第一数目为至少两个；

根据所述运算配置信息指定的计算类型对所述第一特征数据和所述第二特征数据进行并行运算处理；

将所述并行运算处理的结果存储在所述目标存储器。

第二方面，本说明书提供了一种卷积神经网络的预测方法，其特征在于，所述卷积神经网络包括卷积层和/或池化层，所述卷积层和/或池化层输出第一特征图集合和第二特征图集合；

所述方法包括：

获取运算配置信息；

根据所述运算配置信息从目标存储器读取第一特征数据和第二特征数据，所述第一特征数据包括第一特征图集合中第一数目的像素，所述第二特征数据包括第二特征图集合中第一数目的像素，所述第一数目为至少两个；

根据所述运算配置信息指定的计算类型对所述第一特征数据和所述第二特征数据进行并行运算处理；

将所述并行运算处理的结果存储在所述目标存储器。

第三方面，本说明书提供了一种卷积神经网络的计算装置，其特征在于，包括一个或多个处理器，单独地或共同地工作，用于执行如下步骤：

获取运算配置信息；

根据所述运算配置信息从目标存储器读取第一特征数据和第二特征数据，所述第一特征数据包括第一特征图集合中第一数目的像素，所述第二特征数据包括第二特征图集合中第一数目的像素，所述第一数目为至少两个；

根据所述运算配置信息指定的计算类型对所述第一特征数据和所述第二特征数据进行并行运算处理；