一种用于控制卷积神经网络进行数据处理的方法和装置制造方法及图纸

本申请公开了一种用于控制卷积神经网络进行数据处理的方法和装置，包括：S1，第一模块根据接收到的数据生成第一控制信号和输入数据，发送至第二模块；S2，第二模块根据第一控制信号和输入数据，加载处理单元；S3，第二模块使用加载的处理单元处理输入数据，得到处理后的数据和第二控制信号，发送至第一模块；S4，第一模块根据处理后的数据和第二控制信号，判断处理后的数据是否为输出数据，若是，则输出输出数据，若否，则返回S1。本申请的实施方式能够使第二模块在第一模块的控制下进行稳定的卷积计算，够降低在FPGA上实现卷积神经网络的难度，提高卷积神经网络的运行效率，支持所有以卷积神经网络为基础的深度学习架构，应用范围广。

A method and device for controlling convolution neural network to process data

【技术实现步骤摘要】
一种用于控制卷积神经网络进行数据处理的方法和装置
本申请涉及神经网络
，尤其涉及一种用于控制卷积神经网络进行数据处理的方法和装置。
技术介绍
人工智能是计算机学科中的一个分支学科，早在二十世纪五十年代时就被提出和确立了。如果某种机械的运行结果可以展现出与人类的智商相同或者是无法分辨的智慧，则认为这机械有了思维能力，能够进行思考。从实用角度讲，AI的目标是要让计算机装置能够自己去做完那些需要依靠人类的头脑才能完成的工作。深度学习是目前机器学习学科发展最蓬勃的分支，也是整个人工智能领域中应用前景最为广阔的技术。卷积神经网络是深度学习中使用最为广泛的一类神经网络，占据当前技术的绝对主流。当前，卷积神经网络已经被成功的应用到图像处理、视频处理、自然语言处理等多种技术中。FPGA是一种半定制电路,设计师可以通过配置开关状态来达到想要的逻辑操作。FPGA的逻辑部分主要由可配置逻辑块和用于接口的输入/输出块构成。FPGA具有高性能并行计算和超低功耗的优点，所以在FPGA上实现深度学习算法模型是该领域的必然发展方向。<br>由于卷积计算占本文档来自技高网...

【技术保护点】
1.一种用于控制卷积神经网络进行数据处理的方法，其特征在于，包括：/nS1，第一模块根据接收到的数据生成第一控制信号和输入数据，发送至第二模块；/nS2，第二模块根据所述第一控制信号和输入数据，加载处理单元；/nS3，第二模块使用加载的所述处理单元处理输入数据，得到处理后的数据和第二控制信号，发送至第一模块；/nS4，第一模块根据所述处理后的数据和第二控制信号，判断所述处理后的数据是否为输出数据，若是，则输出所述输出数据，若否，则返回S1。/n

【技术特征摘要】
1.一种用于控制卷积神经网络进行数据处理的方法，其特征在于，包括：
S1，第一模块根据接收到的数据生成第一控制信号和输入数据，发送至第二模块；
S2，第二模块根据所述第一控制信号和输入数据，加载处理单元；
S3，第二模块使用加载的所述处理单元处理输入数据，得到处理后的数据和第二控制信号，发送至第一模块；
S4，第一模块根据所述处理后的数据和第二控制信号，判断所述处理后的数据是否为输出数据，若是，则输出所述输出数据，若否，则返回S1。


2.如权利要求1所述的方法，其特征在于，所述第一控制信号和第二控制信号，均包括：数据标志控制信号，行控制信号、通道控制信号和完成控制信号中的一种或几种。


3.如权利要求1所述的方法，其特征在于，所述处理单元，包括：输入数据处理单元、滑动处理单元和池化处理单元。


4.如权利要求3所述的方法，其特征在于，所述第二模块使用加载的所述处理单元处理输入数据，包括：
输入数据处理单元对所述输入数据进行加载，解析所述控制信号，根据模块计数器中的数据，对所述输入数据进行处理；
或滑动处理单元解析所述控制信号对所述输入数据进行加载，解析所述控制信号，根据模块计数器中的数据，对所述输入数据进行处理；
或池化处理单元解析所述控制信号对所述输入数据进行加载，解析所述控制信号，根据模块计数器中的数据，对所述输入数据进行处理。


5.如权利要求4所述的方法，其特征在于，所述模块计数器在滑动处理单元中，用于对所述输入数据进行定位以及对处理过程中的过程信...

【专利技术属性】
技术研发人员：王子玮，黄斐，陈文彬，张峰，
申请(专利权)人：中国电子科技集团公司信息科学研究院，
类型：发明
国别省市：北京;11