图像处理模型的梯度更新方法、装置及系统制造方法及图纸

本申请适用于人工智能技术领域，提供了一种图像处理模型的梯度更新方法及相关设备，其中该方法包括：调用DMA控制模块，根据图像处理模型中各个卷积层的卷积参数确定与各个卷积层对应的卷积核和被卷积数据，并将各个卷积层对应的卷积核和被卷积数据分别存储至第一缓存空间和第二缓存空间，卷积核包括针对原始图像特征值梯度的卷积核和针对原始权重梯度的卷积核；基于第一缓存空间中的卷积核和第二缓存空间中的被卷积数据进行反向卷积计算，以更新各个卷积层的原始图像特征值梯度和原始权重梯度。由此，大幅提升梯度更新效率，节约图像处理模型的训练成本，使得图像处理模型及相应的业务产品能快速上线。

【技术实现步骤摘要】
图像处理模型的梯度更新方法、装置及系统
本申请属于人工智能
，尤其涉及一种图像处理模型的梯度更新方法、装置及系统。
技术介绍
人工智能两个基本要素分别为训练和推理。针对已经设计好的图像处理模型结构，必须经过大量数据进行训练，在达到一定的精度、准确度之后才能用于推理。训练的数据集越多，图像处理模型的性能越好，也就越智能。当前，主流的图像处理模型训练方法为梯度下降法，然而，该梯度下降法的梯度更新效率较低，训练时间较长且能耗较高。
技术实现思路
有鉴于此，本申请实施例提供了一种图像处理模型的梯度更新方法、装置及系统，以至少解决现有技术中图像处理模型的梯度更新效率较低，训练时间较长且能耗较高的问题。本申请实施例的第一方面提供了一种图像处理模型的梯度更新方法，包括：调用DMA控制模块，根据图像处理模型中各个卷积层的卷积参数确定与各个卷积层对应的卷积核和被卷积数据，并将所述各个卷积层对应的所述卷积核和所述被卷积数据分别存储至第一缓存空间和第二缓存空间，其中所述卷积参数包括图像特征值、权重、原始图像特征值梯度和原始权重梯度，本文档来自技高网...

【技术保护点】
1.一种图像处理模型的梯度更新方法，其特征在于，包括：/n调用DMA控制模块，根据图像处理模型中各个卷积层的卷积参数确定与各个卷积层对应的卷积核和被卷积数据，并将所述各个卷积层对应的所述卷积核和所述被卷积数据分别存储至第一缓存空间和第二缓存空间，其中所述卷积参数包括图像特征值、权重、原始图像特征值梯度和原始权重梯度，以及所述卷积核包括针对所述原始图像特征值梯度的卷积核和针对所述原始权重梯度的卷积核；/n基于所述第一缓存空间中的卷积核和所述第二缓存空间中的被卷积数据进行反向卷积计算，以更新所述各个卷积层的所述原始图像特征值梯度和所述原始权重梯度。/n

【技术特征摘要】
1.一种图像处理模型的梯度更新方法，其特征在于，包括：
调用DMA控制模块，根据图像处理模型中各个卷积层的卷积参数确定与各个卷积层对应的卷积核和被卷积数据，并将所述各个卷积层对应的所述卷积核和所述被卷积数据分别存储至第一缓存空间和第二缓存空间，其中所述卷积参数包括图像特征值、权重、原始图像特征值梯度和原始权重梯度，以及所述卷积核包括针对所述原始图像特征值梯度的卷积核和针对所述原始权重梯度的卷积核；
基于所述第一缓存空间中的卷积核和所述第二缓存空间中的被卷积数据进行反向卷积计算，以更新所述各个卷积层的所述原始图像特征值梯度和所述原始权重梯度。


2.如权利要求1所述的图像处理模型的梯度更新方法，其特征在于，所述根据图像处理模型中各个卷积层的卷积参数确定与各个卷积层对应的卷积核和被卷积数据，包括：
将第一卷积层的原始图像特征值梯度，确定为针对所述第一卷积层的原始权重梯度的卷积核；以及
将与所述第一卷积层的输入端连接的第二卷积层的图像特征值，确定为针对所述第一卷积层的原始权重梯度的被卷积数据。


3.如权利要求1所述图像处理模型的梯度更新方法，其特征在于，所述根据图像处理模型中各个卷积层的卷积参数确定与各个卷积层对应的卷积核和被卷积数据，包括：
基于所述DMA控制模块，对第三卷积层的权重进行反转处理；
将经反转处理的第三卷积层的权重，确定为针对与所述第三卷积层的输入端连接的第四卷积层的原始图像特征值梯度的卷积核；以及
将所述第三卷积层的原始图像特征值梯度，确定为针对所述第四卷积层的原始图像特征值梯度的被卷积数据。


4.如权利要求1所述的图像处理模型的梯度更新方法，其特征在于，所述基于所述第一缓存空间中的卷积核和所述第二缓存空间中的被卷积数据进行反向卷积计算，包括：
基于预设的针对卷积核的第一数据结构单元，从所述第一缓存空间中依次读取相应的卷积核单元；以及
基于预设的针对被卷积数据的第二数据结构单元，从所述第二缓存空间依次读取被卷积数据单元；
根据所依次读取的所述卷积核单元和所述被卷积数据单元，相应地依次进行乘法运算。


5.如权利要求4所述的图像处理模型的梯度更新方法，其特征在于，所述第一缓存空间中的存储数据是基于所述第一数据结构单元从所述各个卷积层对应的所述卷积核中读取而得到的，以及所述第二缓存空间中的存储数据是基于所述第二数据结构单元从所述各个卷积层对应的所述被卷积数据中读取而得到的。


6.如权利要求1所述的图像处理模型的梯度更新方法，其特征在于，所述被卷积数据包括多个被卷积数据单元，其中所述将所述卷积核和所述被卷积数据分别存储至第一缓存空间和第二缓存空间，包括：
对所述被卷积数据中的多个被卷积数据单元分别进行读取；
针对各个所述被卷积数据单元，当所述被卷积数据单元大于针对所述第二缓存空间的数据读写单元时，将所述被卷积数据单元转换为相应的多个被卷积数据单元分段，并通过移位信息来连续存储所述多个被卷积数据单元分段，其中所述被卷积信息分段的数据大小与所述数据读写单元相匹配。


7.如权利要求1所述的图像处理模型的梯度更新方法，其特征在于，所述将所述卷积核和所述被卷积数据分别存储至第一缓存空间和第二缓存空间，包括：
当所述卷积核超过所述第一缓存空间的大小时，按照所述第一缓存空间的大小将所述卷积核分割成多个卷积核子数据；以及
当所述被卷积数据超过所述第二缓存空间的大小时，按照所述第二缓存空间的大小将所述被卷积数据进行分割成多个被卷积子数...

【专利技术属性】
技术研发人员：王和国，蒋文，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：广东;44