神经网络的卷积实现方法及相关产品技术

本发明专利技术提供一种神经网络的卷积实现方法及相关产品，该方法包括：获取输入数据以及权值数据；将所述权值数据切割成核尺寸为[n][m]的多个数据块，并将每个数据块拟合成核尺寸为[A][B]的X个卷积核；以及将每个卷积核与所述输入数据执行卷积运算得到中间结果，将所有的中间结果进行处理得到卷积结果。本申请提供的技术方案具有计算速度快的优点。

Convolution method of neural network and related products

【技术实现步骤摘要】
神经网络的卷积实现方法及相关产品
本申请涉及人工智能
，具体涉及一种神经网络的卷积实现方法及相关产品。
技术介绍
随着人工智能技术的日益成熟，各行各业的应用场景和产品需求爆发式增长，人工智能的算法更新迭代速度非常快，硬件计算平台一方面要足够的灵活，以应付灵活多变的算法需求，且研发周期需要尽可能的短，以应付产品竞争压力；对于人工智能计算的算法模型，尤其是神经网络模型，卷积运算属于神经网络模型的基础运算，对于卷积运算中不同的神经网络模型中使用到的核尺寸(英文：KERNELSIZE)不固定，何种尺寸都有可能被应用到，现有的硬件平台无法支持所有核尺寸的运算和变化，影响卷积运算速度，进而影响用户体验度。申请内容本申请实施例提供了一种神经网络的卷积实现及相关产品，通过将不同的核尺寸拟合成标准核尺寸，从而实现标准核尺寸的卷积运算，进而提高了卷积运算速度以及用户体验度。第一方面，本申请实施例提供一种神经网络的卷积实现方法，所述方法包括如下步骤：获取输入数据以及权值数据；将所述权值数据切割成核尺寸为[n][m]的多个数据块，并将每个数据块拟合成核尺寸为[A][B]的X个卷积核；以及将每个卷积核与本文档来自技高网...

【技术保护点】
1.一种神经网络的卷积实现方法，其特征在于，所述方法包括如下步骤：获取输入数据以及权值数据；将所述权值数据切割成核尺寸为[n][m]的多个数据块，并将每个数据块拟合成核尺寸为[A][B]的X个卷积核；以及将每个卷积核与所述输入数据执行卷积运算得到中间结果，将所有的中间结果进行处理得到卷积结果；其中，A小于或等于n，B小于或等于m，A、B、m、n及X均为大于或等于1的整数。

【技术特征摘要】
1.一种神经网络的卷积实现方法，其特征在于，所述方法包括如下步骤：获取输入数据以及权值数据；将所述权值数据切割成核尺寸为[n][m]的多个数据块，并将每个数据块拟合成核尺寸为[A][B]的X个卷积核；以及将每个卷积核与所述输入数据执行卷积运算得到中间结果，将所有的中间结果进行处理得到卷积结果；其中，A小于或等于n，B小于或等于m，A、B、m、n及X均为大于或等于1的整数。2.根据权利要求1所述的方法，其特征在于，所述将每个数据块拟合成核尺寸为[A][B]的X个卷积核包括：如果每个数据块不能切割成整数个核尺寸为[A][B]的卷积核，则对每个数据块的边缘补零，补零之后的数据块的核尺寸为[n+b][m+c]，然后将核尺寸为[n+b][m+c]的数据块切割成核尺寸为[A][B]的X个卷积核，其中b、c均为大于或等于0的整数。3.根据权利要求1所述的方法，其特征在于，所述将每个数据块拟合成核尺寸为[A][B]的X个卷积核包括：如果每个数据块不能切割成整数个核尺寸为[A][B]的卷积核，则将每个数据块切割成核尺寸等于[A][B]的E个卷积核以及核尺寸小于[A][B]的F个卷积核，对F个卷积核的边缘补零，补零之后的F个卷积核的核尺寸为[A][B]，其中，E+F＝X，E和F均为大于或等于零的整数。4.根据权利要求1-3任意一项所述的方法，其特征在于，所述核尺寸[A][B]具体包括：核尺寸[2][2]、核尺寸[3][3]或核尺寸[5][5]。5.一种神经网络芯片，其特征在于，所述神经网络芯片，用于获取输入数据以及权值数据；所述神经网络芯片，用于将所述权值数据切割成核尺寸为[n][m]的多个数据块，并将每个数据块拟合成核尺寸为[A][B]的...

【专利技术属性】
技术研发人员：曹庆新，黎立煌，李炜，
申请(专利权)人：深圳云天励飞技术有限公司，
类型：发明
国别省市：广东,44