一种卷积方法及装置制造方法及图纸

本发明专利技术公开了一种卷积方法及装置，所述方法包括：根据输入的待卷积特征图，及卷积核中每个目标权重系数在卷积核中的位置，生成目标权重系数同步数据，及与目标权重系数同步数据对应的目标特征同步数据，其中目标权重系数为该卷积核中的非零权重系数；根据卷积核中目标权重系数，及卷积核对应的目标权重系数同步数据和目标特征同步数据，确定卷积核的卷积结果；根据每个卷积核的卷积结果，确定目标卷积结果。由于在本发明专利技术实施例中，生成的目标权重系数同步数据中不包含为零的权重系数，生成的目标特征同步数据中也不包含与零权重系数对应的特征数据，因此无需对为零的权重系数及其对应的特征数据进行运算，提高了卷积运算的效率。

A convolution method and device

The invention discloses a convolution method and a device, which include: generating target weight coefficient synchronization data and target feature synchronization data corresponding to target weight coefficient synchronization data according to input convolution characteristic graph and the position of each target weight coefficient in convolution kernel in convolution kernel, wherein target weight The multiple coefficients are the non-zero weight coefficients in the convolution kernel; the convolution results are determined according to the target weight coefficients in the convolution kernel, the target weight coefficients corresponding to the convolution kernel and the target feature synchronization data; and the target convolution results are determined according to the convolution results of each convolution kernel. In the embodiment of the invention, the generated target weight coefficient synchronization data does not contain the zero weight coefficient, and the generated target feature synchronization data does not contain the feature data corresponding to the zero weight coefficient, so the zero weight coefficient and its corresponding feature data need not be operated on, thus the convolution operation is improved. Efficiency.

【技术实现步骤摘要】
一种卷积方法及装置
本专利技术涉及数据处理
，尤其涉及一种卷积方法及装置。
技术介绍
卷积神经网络(ConvolutionalNeuralNetworks，CNN)是深度学习算法在图像处理领域的一个重要应用。卷积神经网络是将图像处理中的二维离散卷积运算和人工神经网络相结合，可以自动提取特征，主要应用于二维图像的识别和检测。卷积层是卷积神经网络最重要的层，卷积神经网络就是由该层冠名。卷积层主要用于提取图像浅层特征，如：边缘、梯度信息。卷积层的卷积运算占据了整个卷积神经网络95％的运算量，是卷积神经网络实用化的关键。如图1所示，假设输入特征图(Tin)个数为N，输出特征图(Tout)个数为M，特征图宽度为P_W，特征图高度为P_H，卷积核宽为K_W，卷积核高为K_H，卷积核的数量为N*M；则进行卷积运算时需要进行的乘法运算次数为P_W*P_H*K_W*K_H*N*M，而在进行卷积运算时存在大量的乘法运算，硬件实现中并行乘法器个数直接决定着卷积运算的实现性能。但目前乘法器硬件面积较大，基于芯片成本考虑，乘法器个数往往受限，因此如何在不增加乘法器个数的基础上，提升卷积运算的效率，成为了一个亟待解决的问题。
技术实现思路
本专利技术提供一种卷积方法及装置，用以提升卷积运算的效率。本专利技术实施例公开了一种卷积方法，所述方法包括：针对每个卷积核，根据输入的待卷积特征图，及该卷积核中每个目标权重系数在卷积核中的位置，生成目标权重系数同步数据，及与所述目标权重系数同步数据对应的目标特征同步数据，其中所述目标权重系数为该卷积核中的非零权重系数；针对每个卷积核，根据该卷积核中目标权重系数，及该卷积核对应的目标权重系数同步数据和目标特征同步数据，确定该卷积核的卷积结果；根据每个卷积核的卷积结果，确定目标卷积结果。进一步地，所述针对每个卷积核，根据输入的待卷积特征图，及该卷积核中每个目标权重系数在卷积核中的位置，生成目标权重系数同步数据，及与所述目标权重系数同步数据对应的目标特征同步数据包括：针对每个卷积核，根据输入的待卷积特征图，生成该卷积核对应的权重系数同步数据和特征同步数据；针对每个卷积核，根据该卷积核中每个目标权重系数在卷积核中的位置，去除该卷积核对应的权重系数同步数据中的非目标权重系数，确定目标权重系数同步数据，并去除该卷积核对应的特征同步数据中与非目标权重系数对应的特征数据，确定目标特征同步数据，其中非目标权重系数为零权重系数。进一步地，所述针对每个卷积核，根据输入的待卷积特征图，及该卷积核中每个目标权重系数在卷积核中的位置，生成目标权重系数同步数据，及与所述目标权重系数同步数据对应的目标特征同步数据之前，所述方法还包括：A、将卷积核的权重系数按照光栅顺序串联排序，确定排序后的权重系数序列，并将所述权重系数序列的起始位对应的权重系数作为第一权重系数；B、识别所述第一权重系数是否为目标权重系数，如果是，进行C，如果否，进行D；C、将所述第一权重系数压入数据码流，判断所述权重系数序列中是否存在与所述第一权重系数相邻的下一权重系数，如果是，将所述相邻的下一权重系数作为第一权重系数，进行B，如果否，进行E；D、在所述权重系数序列中以所述第一权重系数为起始权重系数，识别权重系数连续为零的权重系数的数量，将预设的特征值及所述数量压入数据码流，判断所述权重系数序列中是否存在位于所述第一权重系数之后，与所述第一权重系数间隔所述数量减1个权重系数的第二权重系数，如果是，将所述第二权重系数作为第一权重系数，进行C，如果否，进行E；E、为所述数据码流添加码流头，生成压缩码流，其中所述码流头包含卷积核大小的信息；F、读取压缩码流中的码流头及数据码流，识别所述码流头中卷积核的大小，根据卷积核的大小及所述数据码流中每个目标权重系数、每个预设的特征值及其对应的数量，确定每个卷积核中每个目标权重系数在卷积核中的位置。进一步地，所述为所述数据码流添加码流头，生成压缩码流之前，所述方法还包括：识别所述数据码流的第一长度，判断所述第一长度是否小于所述权重系数序列的第二长度；如果是，进行后续步骤。进一步地，如果所述第一长度不小于所述权重系数序列的第二长度，所述方法还包括：将所述权重系数序列作为数据码流。进一步地，所述码流头还包括数据码流是否被压缩的信息及数据码流长度的信息。本专利技术公开了一种卷积装置，所述装置包括：生成模块，用于针对每个卷积核，根据输入的待卷积特征图，及该卷积核中每个目标权重系数在卷积核中的位置，生成目标权重系数同步数据，及与所述目标权重系数同步数据对应的目标特征同步数据，其中所述目标权重系数为该卷积核中的非零权重系数；第一确定模块，用于针对每个卷积核，根据该卷积核中目标权重系数，及该卷积核对应的目标权重系数同步数据和目标特征同步数据，确定该卷积核的卷积结果；第二确定模块，用于根据每个卷积核的卷积结果，确定目标卷积结果。进一步地，所述生成模块，具体用于针对每个卷积核，根据输入的待卷积特征图，生成该卷积核对应的权重系数同步数据和特征同步数据；针对每个卷积核，根据该卷积核中每个目标权重系数在卷积核中的位置，去除该卷积核对应的权重系数同步数据中的非目标权重系数，确定目标权重系数同步数据，并去除该卷积核对应的特征同步数据中与非目标权重系数对应的特征数据，确定目标特征同步数据，其中非目标权重系数为零权重系数。进一步地，所述装置还包括：压缩确定模块，所述压缩确定模块包括排序单元、识别单元、第一压缩单元、第二压缩单元、生成单元、识别确定单元；其中，所述排序单元，用于将卷积核的权重系数按照光栅顺序串联排序，确定排序后的权重系数序列，并将所述权重系数序列的起始位对应的权重系数作为第一权重系数；所述识别单元，用于识别所述第一权重系数是否为目标权重系数，如果是，触发第一压缩单元，如果否，触发第二压缩单元；所述第一压缩单元，用于将所述第一权重系数压入数据码流，判断所述权重系数序列中是否存在与所述第一权重系数相邻的下一权重系数，如果是，将所述相邻的下一权重系数作为第一权重系数，触发识别单元，如果否，触发生成单元；所述第二压缩单元，用于在所述权重系数序列中以所述第一权重系数为起始权重系数，识别权重系数连续为零的权重系数的数量，将预设的特征值及所述数量压入数据码流，判断所述权重系数序列中是否存在位于所述第一权重系数之后，与所述第一权重系数间隔所述数量减1个权重系数的第二权重系数，如果是，将所述第二权重系数作为第一权重系数，触发识别单元，如果否，触发生成单元；所述生成单元，用于为所述数据码流添加码流头，生成压缩码流，其中所述码流头包含卷积核大小的信息；所述识别确定单元，用于读取压缩码流中的码流头及数据码流，识别所述码流头中卷积核的大小，根据卷积核的大小及所述数据码流中每个目标权重系数、每个预设的特征值及其对应的数量，确定每个卷积核中每个目标权重系数在卷积核中的位置。进一步地，所述压缩确定模块还包括：判断单元，用于为所述数据码流添加码流头，生成压缩码流之前，识别所述数据码流的第一长度，判断所述第一长度是否小于所述权重系数序列的第二长度；如果是，触发生成模块。进一步地，所述压缩确定模块还包括：更新单元，用于如果判断单元的判断结果为否，将所述权重系数序列作为数据码流。进一本文档来自技高网...

【技术保护点】
1.一种卷积方法，其特征在于，所述方法包括：针对每个卷积核，根据输入的待卷积特征图，及该卷积核中每个目标权重系数在卷积核中的位置，生成目标权重系数同步数据，及与所述目标权重系数同步数据对应的目标特征同步数据，其中所述目标权重系数为该卷积核中的非零权重系数；针对每个卷积核，根据该卷积核中目标权重系数，及该卷积核对应的目标权重系数同步数据和目标特征同步数据，确定该卷积核的卷积结果；根据每个卷积核的卷积结果，确定目标卷积结果。

【技术特征摘要】
1.一种卷积方法，其特征在于，所述方法包括：针对每个卷积核，根据输入的待卷积特征图，及该卷积核中每个目标权重系数在卷积核中的位置，生成目标权重系数同步数据，及与所述目标权重系数同步数据对应的目标特征同步数据，其中所述目标权重系数为该卷积核中的非零权重系数；针对每个卷积核，根据该卷积核中目标权重系数，及该卷积核对应的目标权重系数同步数据和目标特征同步数据，确定该卷积核的卷积结果；根据每个卷积核的卷积结果，确定目标卷积结果。2.如权利要求1所述的方法，其特征在于，所述针对每个卷积核，根据输入的待卷积特征图，及该卷积核中每个目标权重系数在卷积核中的位置，生成目标权重系数同步数据，及与所述目标权重系数同步数据对应的目标特征同步数据包括：针对每个卷积核，根据输入的待卷积特征图，生成该卷积核对应的权重系数同步数据和特征同步数据；针对每个卷积核，根据该卷积核中每个目标权重系数在卷积核中的位置，去除该卷积核对应的权重系数同步数据中的非目标权重系数，确定目标权重系数同步数据，并去除该卷积核对应的特征同步数据中与非目标权重系数对应的特征数据，确定目标特征同步数据，其中非目标权重系数为零权重系数。3.如权利要求1所述的方法，其特征在于，所述针对每个卷积核，根据输入的待卷积特征图，及该卷积核中每个目标权重系数在卷积核中的位置，生成目标权重系数同步数据，及与所述目标权重系数同步数据对应的目标特征同步数据之前，所述方法还包括：A、将卷积核的权重系数按照光栅顺序串联排序，确定排序后的权重系数序列，并将所述权重系数序列的起始位对应的权重系数作为第一权重系数；B、识别所述第一权重系数是否为目标权重系数，如果是，进行C，如果否，进行D；C、将所述第一权重系数压入数据码流，判断所述权重系数序列中是否存在与所述第一权重系数相邻的下一权重系数，如果是，将所述相邻的下一权重系数作为第一权重系数，进行B，如果否，进行E；D、在所述权重系数序列中以所述第一权重系数为起始权重系数，识别权重系数连续为零的权重系数的数量，将预设的特征值及所述数量压入数据码流，判断所述权重系数序列中是否存在位于所述第一权重系数之后，与所述第一权重系数间隔所述数量减1个权重系数的第二权重系数，如果是，将所述第二权重系数作为第一权重系数，进行C，如果否，进行E；E、为所述数据码流添加码流头，生成压缩码流，其中所述码流头包含卷积核大小的信息；F、读取压缩码流中的码流头及数据码流，识别所述码流头中卷积核的大小，根据卷积核的大小及所述数据码流中每个目标权重系数、每个预设的特征值及其对应的数量，确定每个卷积核中每个目标权重系数在卷积核中的位置。4.如权利要求3所述的方法，其特征在于，所述为所述数据码流添加码流头，生成压缩码流之前，所述方法还包括：识别所述数据码流的第一长度，判断所述第一长度是否小于所述权重系数序列的第二长度；如果是，进行后续步骤。5.如权利要求4所述的方法，其特征在于，如果所述第一长度不小于所述权重系数序列的第二长度，所述方法还包括：将所述权重系数序列作为数据码流。6.如权利要求3所述的方法，其特征在于，所述码流头还包括数据码流是否被压缩的信息及数据码流长度的信息。7...

【专利技术属性】
技术研发人员：陆金刚，沈强，方伟，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江,33