基于光子神经网络芯片的数据处理方法及相关装置或设备制造方法及图纸

本发明专利技术提供了一种基于光子神经网络芯片的数据处理方法及相关装置或设备，将待处理图像分割成尺寸不同的多个子图像，然后逐一对每个子图像执行多层卷积处理，并基于每层的卷积核以及中间结果确定与子图像对应的缓冲器尺寸。并从多个缓冲器尺寸中，确定出目标缓冲器尺寸。在本方案中，设定缓冲器尺寸大于等于每层的卷积核以及中间结果所需的缓冲器占用尺寸之和，即保证一个子图像在进行多层卷积时的卷积核与中间数据均能一次性存储在缓冲器中，避免了重复读取数据。且由于子图像的尺寸小于切割前图像的尺寸，而输入多层卷积的图像的尺寸越小，其卷积计算的效率越高。即本方案采用较小的缓冲器尺寸实现降低内存读取带宽的同时提高计算效率。

Data processing method and related devices or equipment based on the photon neural network chip

【技术实现步骤摘要】
基于光子神经网络芯片的数据处理方法及相关装置或设备
本专利技术涉及数据计算
，具体涉及一种基于光子神经网络芯片的数据处理方法、装置、存储介质及电子设备。
技术介绍
卷积神经网络凭借其局部权值共享的架构特性，在语音识别和图像处理等领域得到了快速的发展。在对图像进行卷积计算时，每一层做完卷积运算后，需要将计算的中间结果以及卷积核存储在缓冲器上。目前，缓冲器的存储空间有限，不能一次性将全部的卷积核以及中间结果存储，需要重复读取图像，导致缓冲器的空间利用率较低。因此，如何提供一种基于光子神经网络芯片的数据处理方法，能够提高缓冲器的空间利用率，是本领域技术人员亟待解决的一大技术难题。
技术实现思路
有鉴于此，本专利技术实施例提供了一种基于光子神经网络芯片的数据处理方法，能够提高缓冲器的空间利用率。为实现上述目的，本专利技术实施例提供如下技术方案：一种基于光子神经网络芯片的数据处理方法，包括：将待处理图像分割成多个子图像，至少两个所述子图像的尺寸不同；对每个所述子图像执行多层卷积处理，基于每本文档来自技高网...

【技术保护点】
1.一种基于光子神经网络芯片的数据处理方法，其特征在于，包括：/n将待处理图像分割成多个子图像，至少两个所述子图像的尺寸不同；/n对每个所述子图像执行多层卷积处理，基于每层的卷积核以及中间结果确定与所述子图像对应的缓冲器尺寸，所述缓冲器尺寸大于等于所述每层的卷积核以及中间结果所需的缓冲器占用尺寸之和；/n基于多个所述缓冲器尺寸，确定出目标缓冲器尺寸。/n

【技术特征摘要】
1.一种基于光子神经网络芯片的数据处理方法，其特征在于，包括：
将待处理图像分割成多个子图像，至少两个所述子图像的尺寸不同；
对每个所述子图像执行多层卷积处理，基于每层的卷积核以及中间结果确定与所述子图像对应的缓冲器尺寸，所述缓冲器尺寸大于等于所述每层的卷积核以及中间结果所需的缓冲器占用尺寸之和；
基于多个所述缓冲器尺寸，确定出目标缓冲器尺寸。


2.根据权利要求1所述的基于光子神经网络芯片的数据处理方法，其特征在于，所述基于每层的卷积核以及中间结果确定与所述子图像对应的缓冲器尺寸，包括：
确定所述每层的卷积核以及所述中间结果所需的缓冲器占用尺寸之和为与所述子图像对应的缓冲器尺寸。


3.根据权利要求1所述的基于光子神经网络芯片的数据处理方法，其特征在于，所述基于多个所述缓冲器尺寸，确定出目标缓冲器尺寸，包括：
确定多个所述缓冲器尺寸的最小值为所述目标缓冲器尺寸。


4.根据权利要求3所述的基于光子神经网络芯片的数据处理方法，其特征在于，还包括：
确定与所述目标缓冲器尺寸对应的子图像的尺寸为目标图像尺寸；
将待处理图像分割成多个与所述目标图像尺寸相同的第一子图像以及至少一个第二子图像，所述第二子图像的尺寸小于所述第一子图像的尺寸；
对所述第一子图像以及所述第二子图像执行多层卷积处理。


5.一种基于光子神经网络芯片的数据处理装置，其特征在于，包括：
第一分割模块，用于将待处理图像分割成多个子图像，至少两个所述子图像的尺寸不同；
第一确定模块，用于对每个所述子图像执行多层卷积处理，基于每层的卷积核以及中间结果确定与所述子图像...

【专利技术属性】
技术研发人员：白冰，赵斌，吴建兵，李智，
申请(专利权)人：光子算数北京科技有限责任公司，
类型：发明
国别省市：北京;11