[发明专利]一种神经网络数据处理方法、装置、设备及存储介质

说明书

本发明涉及神经网络技术领域，具体是涉及一种神经网络数据处理方法、装置、设备及存储介质。本发明首先获取神经网络模型中所涉及到的数据需要重复计算的次数，再根据复用次数对神经网络模型所涉及的数据所对应的数据流进行划分，得到对数据的划分结果，依据划分结果分别对神经网络模型所涉及的数据进行计算，以此实现加速运行神经网络。

技术领域

本发明涉及神经网络技术领域，具体是涉及一种神经网络数据处理方法、装置、设备及存储介质。

背景技术

人工智能和机器学习(ML)的应用是嵌入式处理器的下一个巨大市场机遇。然而,传统处理器的解决方案并不能满足神经网络的计算量,而这些工作负荷是许多应用动力基础,因此需要新的架构来满足不断增长的智能需求。随着标准的开放式深度学习框架使用,如Caffe(快速特征嵌入的卷积架构)和TensorFlow以及例如GoogleNet和ResNet这样随时可用的开源网络,因此专用运行各种神经网络层的硬件随之快速发展。

深度学习(DL)已经是解决复杂现实问题至关重要的用途径之一，特别是对大多数实际的场景神经网络的应用，例如图像识别、目标检测、语言翻译、音频合成、自动驾驶等领域。由于大多数的DNN(深度卷积神经网络)操作涉及数百万和数十亿的计算操作复数(MACs)，例如一些常见的神经网络LeNet-5 341KMACs，AlexNext724MMACs、VGG-1615.5GMACs、GoogLeNet1.43GMACs等。如果对神经网络中的数据不加以区分计算，则会导致降低计算速度。

综上所述，现有技术处理神经网络的速度较慢。

因此，现有技术还有待改进和提高。

发明内容

为解决上述技术问题，本发明提供了一种神经网络数据处理方法、装置、设备及存储介质，解决了现有技术处理神经网络的速度较慢的问题。

为实现上述目的，本发明采用了以下技术方案：

第一方面，本发明提供一种神经网络数据处理方法，其中，所述方法包括：

获取神经网络模型中的模型数据所对应的复用次数；

依据所述复用次数，得到与所述模型数据所对应的数据流；

依据所述数据流，对所述神经网络模型进行处理。

在一种实现方式中，所述依据所述复用次数，得到与所述模型数据所对应的数据流，包括：

依据所述复用次数，得到所述复用次数中的神经网络模型所对应的权值复用次数和神经网络模型中所对应的中间结果复用次数；

依据所述权值复用次数和所述中间结果复用次数，得到与所述模型数据所对应的数据流。

在一种实现方式中，依据所述权值复用次数和所述中间结果复用次数，得到与所述模型数据所对应的数据流，包括：

依据所述模型数据，得到所述模型数据中的卷积核；

依据所述权值复用次数，得到所述权值复用次数中的所述卷积核所对应的权重复用次数；

依据所述中间结果复用次数，得到所述中间结果复用次数中的所述卷积核所对应的输出结果复用次数；

依据所述卷积核所对应的权重复用次数和所述卷积核所对应的输出结果复用次数，得到所述卷积核所对应的数据流。

在一种实现方式中，所述依据所述卷积核所对应的权重复用次数和所述卷积核所对应的输出结果复用次数，得到所述卷积核所对应的数据流，包括：

对所述卷积核所对应的权重复用次数和所述卷积核所对应的输出结果复用次数进行比较，得到比较结果；

依据所述比较结果，得到所述卷积核所对应的数据流。