【技术实现步骤摘要】
多样本多通道卷积神经网络池化的向量化实现方法
本专利技术涉及向量处理器
，尤其涉及一种多样本多通道卷积神经网络池化的向量化实现方法。
技术介绍
近年来基于深度卷积神经网络的深度学习模型在图像识别和分类、目标检测、视频分析等方面取得了令人瞩目的成就，成为学术界和工业界的研究热点，并且促进了人工智能、大数据处理、处理器等相关技术的快速发展。卷积神经网络(ConvolutionalNeuralNetworks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是深度学习的代表算法之一。卷积神经网络的输入层可以处理多维数据，由于卷积神经网络在计算机视觉领域应用最为广泛，因此在设计卷积神经网络结构时通常都是设定三维的输入数据，即二维平面上的图像像素数据和RGB通道。池化层是卷积神经网络重要的组成部分，卷积神经网络通常使用池化层来缩减网络模型的大小，提高计算的速度，同时提高所提取特征的鲁棒性。池化层主要有最大池化层和平均池化层两种类型，最大池化层是对输入特征矩阵在过滤器窗...
【技术保护点】
1.一种多样本多通道卷积神经网络池化的向量化实现方法，其特征在于，步骤包括：/n步骤1：将卷积神经网络池化层的输入特征数据集数据按照样本维优先方式存储；/n步骤2：向量处理器按列将所述输入特征数据集数据矩阵划分为多个矩阵块，得到多个输入特征数据矩阵；/n步骤3：向量处理器根据步长、过滤器的大小，依次按行从所述输入特征数据矩阵中抽取指定大小矩阵块传输到向量处理器的阵列存储器AM的数据缓冲区中；/n步骤4：向量处理器的各个核并行的对各自阵列存储器AM的数据缓冲区中抽取出的矩阵块进行池化向量化计算，计算结果按顺序传输至片外存储器中；/n步骤5：重复步骤3至步骤4，直到完成全部池化...
【技术特征摘要】
1.一种多样本多通道卷积神经网络池化的向量化实现方法，其特征在于，步骤包括：
步骤1：将卷积神经网络池化层的输入特征数据集数据按照样本维优先方式存储；
步骤2：向量处理器按列将所述输入特征数据集数据矩阵划分为多个矩阵块，得到多个输入特征数据矩阵；
步骤3：向量处理器根据步长、过滤器的大小，依次按行从所述输入特征数据矩阵中抽取指定大小矩阵块传输到向量处理器的阵列存储器AM的数据缓冲区中；
步骤4：向量处理器的各个核并行的对各自阵列存储器AM的数据缓冲区中抽取出的矩阵块进行池化向量化计算，计算结果按顺序传输至片外存储器中；
步骤5：重复步骤3至步骤4，直到完成全部池化层计算，得到按所述样本维优先方式存储的卷积神经网络池化层结果。
2.根据权利要求1所述的多样本多通道卷积神经网络池化的向量化实现方法，其特征在于，所述步骤S1中将卷积神经网络池化层的输入特征数据集数据按照样本维优先的方式存储包括：第一层卷积神经网络卷积层计算时，将输入特征的数据集数据重排序，使得输入特征的数据集数据按照N*M阶的矩阵连续存储在向量处理器的片外存储器，其他层计算的输入特征数据矩阵为上一层计算结果的输出特征矩阵且是按照样本维优先的方式存储在向量处理器的片外存储器中。
3.根据权利要求2所述的多样本多通道卷积神经网络池化的向量化实现方法，其特征在于，所述步骤2中，具体将所述输入特征数据集数据矩阵划分为num个矩阵块，每个矩阵块的大小为N*MB阶，其中MB为每个数据块的大小，且MB＝q*p，q为目标向量处理器的核数，p为每个核的向量处理单元VPE的个数。
4.根据权利要求3所述的多样本多通道卷积神经网络池化的向量化实现方法，其特征在于，所述步骤S1中N*M阶矩阵、所述步骤S5执行完成后得到的输出特征数据中，每一列存储单个样本的输入特征，在各列的存储顺序为：先是通道方向优先，接着是图像宽度方向优先，最后是图像高度方向优先。
5.根据权利要求1～4中任意一项所述的多样本多通道卷积神经网络池化的向量化实现方法，其特征在于，所述步骤S3中所述数据缓冲区设置有两个，当对其中一个数据缓冲区执行计算的同时，对另一个数据缓冲区进行数据传输。
6.根据权利要求1～4中任意一项所述的多样本多通道卷积神经网络池化的向量化实现方法，其特征在于，所述步骤S3中具体抽取K*MB阶矩阵块传输到向量处理器的阵列存储器AM的数据缓冲区中，其中K＝kernelH*kernelW*preC，kernelH*kernelW为过滤器的大小，preC为通道数，传输到每个核的阵列存储器AM中的矩阵子块规模为K*p阶，抽取...
【专利技术属性】
技术研发人员：刘仲，鲁建壮，雷元武，田希，陈海燕，刘胜，吴虎成，李勇，王耀华，李程，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。