用于卷积运算的装置以及方法制造方法及图纸

根据本发明专利技术一实施例的卷积运算方法可以包括：相互不同地提取多个部分矩阵的步骤，上述部分矩阵相应于M×N矩阵的特征数据的局部区域，并且具有与K×L矩阵的卷积核相同的维数，其中，M和N是自然数，K是小于等于M的自然数，L是小于等于N的自然数；生成第一向量和第二向量的步骤，上述第一向量包括上述特征数据的元素中属于至少一个上述部分矩阵的元素作为元素，上述第二向量包括上述卷积核的元素作为元素；对于上述部分矩阵每一个，提取包括自己的所有元素且作为上述第一向量的一部分的部分向量的步骤；以及对于上述部分矩阵每一个，执行对应的部分向量的各元素与在上述第二向量内位于对应位置的元素之间的相乘，并且将上述相乘的执行结果全部相加，从而算出与上述卷积核的卷积运算结果的步骤。

【技术实现步骤摘要】
【国外来华专利技术】用于卷积运算的装置以及方法
本专利技术涉及用于在利用卷积神经网络(convolutionneuralnetwork，CNN)等特定的提取模型识别对象数据时高效率地执行卷积(convolution)运算的装置以及方法。作为参考，本申请要求基于2018年3月27日提交的韩国专利申请(申请号10-2018-0035104)的优先权。这样的成为优先权基础的相应申请的全部内容作为参考文献引用到本申请中。
技术介绍
最近，自动分析图像数据或文本数据等识别对象数据并将上述识别对象数据按照类型分类或者提取出包含在上述识别对象数据中的信息的技术作为人工智能(artificialintelligence，AI)技术中的一种备受瞩目。这样的技术可以应用于如自动驾驶、医学图像读取、安全系统等各种领域，而不仅仅是识别图像数据中的客体类型。尤其是，最近如深度学习(deeplearning)等机器学习(machinelearning)技法应用于数据识别技术中。在这样的深度学习技法中，众所周知的卷积神经网络技法在图像数据识别中表现出很高的性能。只是，在本文档来自技高网...

【技术保护点】
1.一种卷积运算方法，包括：/n相互不同地提取多个部分矩阵的步骤，上述部分矩阵相应于M×N矩阵的特征数据的局部区域，并且具有与K×L矩阵的卷积核相同的维数，其中，M和N是自然数，K是小于等于M的自然数，L是小于等于N的自然数；/n生成第一向量和第二向量的步骤，上述第一向量包括上述特征数据的元素中属于至少一个上述部分矩阵的元素作为元素，上述第二向量包括上述卷积核的元素作为元素；/n对于上述部分矩阵每一个，提取包括自己的所有元素且作为上述第一向量的一部分的部分向量的步骤；以及/n对于上述部分矩阵每一个，执行对应的部分向量的各元素与在上述第二向量内位于对应位置的元素之间的相乘，并且将上述相乘的执行结...

【技术特征摘要】
【国外来华专利技术】20180327 KR 10-2018-00351041.一种卷积运算方法，包括：
相互不同地提取多个部分矩阵的步骤，上述部分矩阵相应于M×N矩阵的特征数据的局部区域，并且具有与K×L矩阵的卷积核相同的维数，其中，M和N是自然数，K是小于等于M的自然数，L是小于等于N的自然数；
生成第一向量和第二向量的步骤，上述第一向量包括上述特征数据的元素中属于至少一个上述部分矩阵的元素作为元素，上述第二向量包括上述卷积核的元素作为元素；
对于上述部分矩阵每一个，提取包括自己的所有元素且作为上述第一向量的一部分的部分向量的步骤；以及
对于上述部分矩阵每一个，执行对应的部分向量的各元素与在上述第二向量内位于对应位置的元素之间的相乘，并且将上述相乘的执行结果全部相加，从而算出与上述卷积核的卷积运算结果的步骤。


2.根据权利要求1所述的卷积运算方法，其中，
上述算出的步骤包括：作为上述相乘的对象的两个元素都不是0时执行上述相乘的步骤。


3.根据权利要求1所述的卷积运算方法，其中，
针对上述部分矩阵中不同的部分矩阵的与上述卷积核的卷积运算是利用不同的乘法单元(multiplier)并行地执行的。


4.根据权利要求1所述的卷积运算方法，其中，还包括：
生成第一标志向量和第二标志向量的步骤，上述第一标志向量用于辨别上述第一向量的各元素是否为0，上述第二标志向量用于辨别上述第二向量的各元素是否为0，
上述算出的步骤包括：对于上述部分向量的各元素，在上述第一标志向量内位于对应位置的元素是0时，判断为0，对于上述第二向量的各元素，在上述第二标志向量内位于对应位置的元素是0时，判断为0的步骤。


5.根据权利要求1所述的卷积运算方法，其中，
在用于上述卷积运算的扫描方向是行方向，扫描间隔(stride)是v时，以使上述多个部分矩阵每一个与在上述特征数据中相邻的部分矩阵具有v的间隔且沿行方向排序的方式提取上述多个部分矩阵，其中，v是自然数，上述扫描间隔表示矩阵的元素的数量。


6.根据权利要求5所述的卷积运算方法，其中，
上述第一向量的各元素和上述第二向量的各元素在上述第一向量和上述第二向量内分别根据在上述特征数据或上述卷积核内所具有过的行号和列号的大小进行排序，并且上述列号越小，在上述第一向量或上述第二向量内越是位于前面，当上述列号相同时，上述行号越小，在上述第一向量或上述第二向量内越是位于前面，其中，上述行号和上述列号是自然数。


7.根据权利要求5所述的卷积运算方法，其中，
在上述K的值小于根据用于存储上述第一向量或上述第二向量的存储装置的结构确定的预定的自然数P时，只有在有效位置填入上述部分矩阵或上述卷积核的元素，在除了上述有效位置之外的其它位置填入任意的虚设(dummy)值，其中，上述有效位置是上述第一向量以及上述第二向量的第i个位置中ImodP值成为小于等于K的自然数的位置，i是自然数，
上述算出的步骤包括：将上述第一向量以及上述第二向量的上述虚设值视为0的步骤。


8.根据权利要求1所述的卷积运算方法，其中，
在用于上述卷积运算的扫描方向是行方向，上述K的值超过预定值时，将上述部分矩阵和上述卷积核分别拆分为R个第一拆分矩阵和R个第二拆分矩阵，结合对所有的i执行上述第一拆分矩阵中第i个矩阵与上述第二拆分矩阵中第i个矩阵之间的卷积运算的结果，算出上述部分矩阵与上述卷积核之间的卷积运算结果，其中，R是大于等于2的自然数，i是大于等于1且小于等于R的自然数，
上述第一拆分矩阵每一个和上述第二拆分矩阵每一个的行数不超过上述预定值，列数与上述L相同。


9.一种卷积运算装置，其包括：
第一缓冲部，相互不同地提取多个部分矩阵，并且生成第一向量，上述部分矩阵相应于M×N矩阵的特征数据的局部区域，并且具有与K×L矩阵的卷积核相同的维数，其中，M和N是自然数，K是小于等于M的自然数，L是小于等于N的自然数，上述第一向量包括上述特征数据的元素中属于至少一个上述部分矩阵的元素作为元素；
第二缓冲部，生成第二向量，上述第二向量包括上述卷积核的元素作为元素；以及
运算部，对于上述部分矩阵每一个，提取包括自己的所有元素且作为上述第一向量的一部分的部分向量，对于上述部分矩阵每一个，执行对应的部分向量的各元素与在上述第二向量内位于对应位置的元素之间的相乘，并且将上述相乘的执行结果全部相加，从而算出与上述卷积核的卷积运算结果。

【专利技术属性】
技术研发人员：韩珽镐，
申请(专利权)人：SK电信有限公司，
类型：发明
国别省市：韩国;KR