[发明专利]图像处理方法、装置、电子设备、存储介质和程序产品

说明书

本公开提供了一种图像处理方法、图像处理装置、电子设备、存储介质和程序产品，可以用于人工智能领域，特别是图像处理领域等领域中。该方法包括：获取输入图像，输入图像包括多个通道，多个通道中的每个通道包括多个像素点；针对输入图像的每个通道，使用多个专用处理单元并行地执行像素提取，以得到针对每个通道的每个对应像素点的像素点数据；以及将针对每个通道的每个对应像素点的像素点数据拼接，以得到输出图像。利用上述方法，可以灵活支持各种规模输入图像的格式处理，能够充分利用硬件的并行性特点，高效地进行像素提取，从而可以支持高效的权重梯度计算，能够提升整体计算过程的吞吐率，并且因此能够提升用户体验。

技术领域

本公开涉及计算机技术，并且更具体地，涉及图像处理方法、图像处理装置、电子设备、计算机可读存储介质和计算机程序产品，可以用于人工智能领域，特别是图像处理领域等领域中。

背景技术

如今深度学习已经被广泛应用。伴随着模型的多样化以及对算力需求的提升，考虑到原有的深度学习硬件平台中的例如通用处理器、图形处理单元等的性能、成本等因素，业界纷纷开始自研深度学习加速器。

卷积层是神经网络中极为常见的层。在卷积层的前向计算中，需要若干个卷积核在输入图像上进行卷积操作。一种常见的实现方法是对输入图像进行im2col操作，这样卷积操作就能转化为矩阵乘法。而在训练过程中，还需要反向计算，需要根据当前层的输出图像梯度，计算出当前层的权重梯度和输入图像梯度，并依次向前层传播。权重梯度的求解方法为输出图像梯度乘以im2col操作之后的输入图像。硬件计算时为了获取高吞吐率，需要将该维度整理成连续数据并输出到矩阵运算单元，等同于进行im2col操作和transpose操作。

然而，传统技术中的用于反向权重梯度计算的技术效率较低，难以满足用户的需求。

发明内容

根据本公开的实施例，提供了一种图像处理方法、图像处理装置、电子设备、计算机可读存储介质和计算机程序产品。

在本公开的第一方面中，提供了一种图像处理方法，包括：获取输入图像，输入图像包括多个通道，多个通道中的每个通道包括多个像素点；针对输入图像的每个通道，使用多个专用处理单元并行地执行像素提取，以得到针对每个通道的每个对应像素点的像素点数据；以及将针对每个通道的每个对应像素点的像素点数据拼接，以得到输出图像。

在本公开的第二方面中，提供了一种图像处理装置，包括：获取模块，被配置为获取输入图像，输入图像包括多个通道，多个通道中的每个通道包括多个像素点；第一计算模块，被配置为针对输入图像的每个通道，使用多个专用处理单元并行地执行像素提取，以得到针对每个通道的每个对应像素点的像素点数据；以及拼接模块，被配置为将针对每个通道的每个对应像素点的像素点数据拼接，以得到输出图像。

在本公开的第三方面中，提供了一种电子设备，包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够实现根据本公开的第一方面的方法。

在本公开的第四方面中，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机实现根据本公开的第一方面的方法。

在本公开的第五方面中，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时，执行根据本公开的第一方面的方法。

利用根据本申请的技术，提供了一种适用于HWC格式卷积层权重梯度计算中输入图像数据处理的方法，利用该方法的技术方案，可以灵活支持各种规模输入图像的格式处理，能够充分利用硬件的并行性特点，高效地进行像素提取，从而可以支持高效的权重梯度计算，能够提升整体计算过程的吞吐率，并且因此能够提升用户体验。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。