[发明专利]一种数据处理方法、装置、计算机设备及存储介质

说明书

本公开提供了一种数据处理方法、装置、计算机设备及存储介质，其中，该方法包括：从待处理图像特征矩阵以及权重矩阵中，确定多个处理周期分别对应的目标特征元素以及目标权重元素；其中，所述待处理图像特征矩阵对应多个权重矩阵；响应于任一处理周期到来，处理引擎PE阵列中的每个PE获取该处理周期对应的目标特征元素以及对应的目标权重元素并进行预设运算，得到中间处理数据；其中，针对任一处理周期，所述PE阵列中的目标特征元素包括重复特征元素，以及该重复特征元素分别与不同权重矩阵中与该重复特征元素对应的目标权重元素相对应；基于多个处理周期分别对应的中间处理数据，得到对所述待处理图像特征矩阵进行处理的结果数据。

技术领域

本公开涉及计算机技术领域，具体而言，涉及一种数据处理方法、装置、计算机设备及存储介质。

背景技术

卷积神经网络(Convolutional Neural Networks，CNN)作为深度学习的重要模型，在图像识别、自然语言处理等方面有着广泛的应用。在卷积神经网络中，包含有卷积层、池化层、激活层、以及全连接层等多种不同的网络层。

其中，全连接层由较多个节点构成，在对全连接层的各个节点进行计算时，由于输入数据和相关参数等处理数据的数据量较大，因此每次计算都需要较长的时间将需要的数据传输至运算单元中，造成处理效率较低。

发明内容

本公开实施例至少提供一种数据处理方法、装置、计算机设备及存储介质。

第一方面，本公开实施例提供了一种数据处理方法，包括：从待处理图像特征矩阵以及权重矩阵中，确定多个处理周期分别对应的目标特征元素以及目标权重元素；其中，所述待处理图像特征矩阵对应多个权重矩阵；响应于任一处理周期到来，处理引擎PE阵列中的每个PE获取该处理周期对应的目标特征元素以及对应的目标权重元素并进行预设运算，得到中间处理数据；其中，针对任一处理周期，所述PE阵列中的目标特征元素包括重复特征元素，以及该重复特征元素分别与不同权重矩阵中与该重复特征元素对应的目标权重元素相对应；基于多个处理周期分别对应的中间处理数据，得到对所述待处理图像特征矩阵进行处理的结果数据。

这样，通过在每个处理周期中，分别复用传输至PE阵列中的特征元素，减少每个处理周期需要读入到PE阵列中的数据的数据量，减少数据读入PE阵列中所需要的耗时，提升PE阵列的处理效率。

一种可能的实施方式中，所述确定多个处理周期分别对应的目标特征元素以及目标权重元素之前，还包括：基于所述PE阵列的尺寸，对原始待处理图像特征矩阵以及原始权重矩阵进行尺寸变换，得到所述待处理图像特征矩阵、以及所述权重矩阵。

这样，可以将原始待处理图像特征矩阵、以及原始权重矩阵的尺寸变换至与PE阵列匹配，能够在后续处理过程中处理逻辑更加简单，简化处理过程。

一种可能的实施方式中，所述多个处理周期分别对应的目标特征元素，包括所述待处理图像特征矩阵中的至少一个图像特征元素；所述多个处理周期分别对应的目标权重元素，包括多个所述权重矩阵中至少部分权重矩阵中与对应处理周期处理的目标特征元素位置对应的权重元素。

一种可能的实施方式中，所述PE阵列的每一行包括重复特征元素；响应于任一处理周期到来，处理引擎PE阵列中的每个PE获取该处理周期对应的目标特征元素以及对应的目标权重元素并进行预设运算，得到中间处理数据，包括：响应于任一处理周期到来，将所述待处理图像特征矩阵中所述PE阵列行数个目标特征元素传输至所述PE阵列中的一列PE中，并将所述一列PE中的目标特征元素复制到其他列的PE中，作为对应PE的第一个操作数；并将与每一列PE中目标特征元素分别对应的来自不同权重矩阵的权重元素传输至所述PE阵列中与目标特征元素位置对应的PE中，作为对应PE的第二个操作数；利用所述PE阵列对所述PE阵列中存储的第一个操作数以及第二个操作数进行预设运算，得到所述对应处理周期对应的中间处理数据。