[发明专利]一种卷积运算方法、装置、设备及存储介质

说明书

本发明实施例公开了一种卷积运算方法、装置、设备及存储介质，其中，方法包括：在目标卷积层的运算过程中，获取目标卷积层的卷积参数组；将目标卷积层的卷积参数组输入至预先训练的卷积算法预测模型，通过预先训练的卷积算法预测模型，在各个预设卷积算法中确定出与目标卷积层对应的目标卷积算法、以及与目标卷积算法对应的预测运行时间；使用目标卷积算法对目标卷积层进行卷积运算。本发明实施例可以在目标卷积层的运算过程中，通过预先训练的卷积算法预测模型，根据目标卷积层的卷积参数组，快速而准确地确定对目标卷积层进行卷积运算的运行时间最短的目标卷积算法，即与目标卷积层对应的可以达到最优的卷积运算加速效果的最优卷积算法。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种卷积运算方法、装置、设备及存储介质。

背景技术

神经网络的运算量主要集中在卷积层。确定可以达到最优的卷积运算加速效果的最优卷积算法，使用最优卷积算法对神经网络中卷积层进行卷积运算，成为优化神经网络运算的一个重要方面。

相关技术中，神经网络运算中的最优卷积算法确定过程通常分为两种：第一，根据针对卷积运算的经验以及测试结果，指定某种卷积算法为固定的最优卷积算法；第二，在进行神经网络的运算前，使用适用的各卷积算法对神经网络中卷积层进行卷积运算，得到适用的各卷积算法的运行时间，逐一比对各卷积算法的运行时间，将运行时间最短的卷积算法确定为最优卷积算法。

相关技术的缺陷在于：第一种方式中，固定的最优卷积算法不能确保在每种情况下都能达到最优的卷积运算加速效果；第二种方式中，逐一比对运行时间的方式虽然能够得出可以达到最优的卷积运算加速效果的最优卷积算法，但是随着卷积算法的增多，该方式会导致神经网络运算的复杂化，导致神经网络运算中的最优卷积算法确定过程的耗时增加。

发明内容

本发明实施例提供了一种卷积运算方法、装置、设备及存储介质，可以针对卷积层，快速而准确地预测出一个可以达到最优的卷积运算加速效果的最优卷积算法，使用最优卷积算法对卷积层进行卷积运算。

第一方面，本发明实施例提供了一种卷积运算方法，包括：

在目标卷积层的运算过程中，获取所述目标卷积层的卷积参数组，所述卷积参数组中包括所述目标卷积层的至少一项卷积参数；

将所述目标卷积层的卷积参数组输入至预先训练的卷积算法预测模型，通过预先训练的卷积算法预测模型，在各个预设卷积算法中确定出与所述目标卷积层对应的目标卷积算法，确定与所述目标卷积算法对应的预测运行时间；

其中，所述目标卷积算法是各个预设卷积算法中对所述目标卷积层进行卷积运算的运行时间最短的卷积算法，所述预测运行时间是预测的使用所述目标卷积算法对所述目标卷积层进行卷积运算的运行时间；

使用所述目标卷积算法对所述目标卷积层进行卷积运算。

可选的，在获取所述目标卷积层的卷积参数组之前，还包括：

获取设定数量的卷积层的卷积参数组、以及与各所述卷积层对应的卷积算法运行时间，并对各所述卷积层的卷积参数组中的卷积参数进行归一化处理；

根据与各所述卷积层对应的卷积算法运行时间，在各个预设卷积算法中确定与各所述卷积层对应的目标卷积算法；

将各所述卷积层的归一化处理后的卷积参数组、与各所述卷积层对应的目标卷积算法的标识信息和运行时间作为训练样本，对机器学习模型进行训练，得到卷积算法预测模型；

其中，所述卷积算法预测模型的输入为卷积层的卷积参数组，输出为与卷积层对应的目标卷积算法的标识信息、与目标卷积算法对应的预测运行时间。

可选的，所述将各所述卷积层的归一化处理后的卷积参数组、与各所述卷积层对应的目标卷积算法的标识信息和运行时间作为训练样本，对机器学习模型进行训练，得到卷积算法预测模型，包括：