[发明专利]兼容多维度卷积神经网络的Winograd处理方法、系统及介质

权利要求书

1.一种兼容多维度卷积神经网络的Winograd处理方法，其特征在于，包括以下步骤：

根据网络维度进行判断，确定Winograd维度计算模式，进入Winograd转换步骤；

在Winograd转换步骤中，将神经网络的激活输入Winograd激活转换模块进行转换计算；

将神经网络的权重输入权重转换模块进行Winograd转换计算；

将Winograd计算转换完成的激活和权重进行矩阵相乘，获得Winograd转化前的部分和；

根据不同的Winograd卷积尺寸，判断部分和转换对应的计算模式，将部分和进行Winograd转换计算；

根据不同Winograd维度模式，确定最终有效输出链路；

所述根据网络维度进行判断，确定Winograd维度计算模式，包括：

3D卷积神经网络的尺寸分为行列帧三个维度方向，2D神经网络方向分为行列两个维度方向，1D神经网络只有一个维度方向；

对于不同维度的网络数据，采用不同Winograd公式对激活、权重以及部分和进行转换处理及计算；

1D神经网络对应的Winograd计算公式为：

y＝G[(Bx)⊙(Aw)]

2D神经网络对应的Winograd计算公式为：

y＝G[(BxB^T)⊙(AwA^T)]G^T

3D神经网络对应的Winograd计算公式为：

y＝(G[((BxB^T)^RB^T)⊙((AwA^T)^RA^T)]G^T)^RG^T

其中，其中，G表示Winograd算法部分和转换矩阵，B表示Winograd算法激活转换矩阵，A表示Winograd算法权重转换矩阵，x表示激活，w表示权重，T表示转置，R表示旋转。

2.根据权利要求1所述的一种兼容多维度卷积神经网络的Winograd处理方法，其特征在于，所述权重转换模块由加法器、取反器、移位器和选择器组成。

3.根据权利要求1所述的一种兼容多维度卷积神经网络的Winograd处理方法，其特征在于，所述部分和转换模块由加法器、取反器和选择器组成。

4.根据权利要求1所述的一种兼容多维度卷积神经网络的Winograd处理方法，其特征在于，所述根据不同Winograd维度模式，确定最终有效输出链路，包括：

根据不同网络维度，选择对应的有效输出链路作为最终结果；

对于3D卷积神经网络的情况，选择对于3D输出的链路；

对于2D卷积神经网络的情况，选择对于2D输出的链路；

对于1D卷积神经网络的情况，选择对于1D输出的链路。

5.一种兼容多维度卷积神经网络的Winograd处理系统，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-4任一项所述方法。

6.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-4任一项所述方法。