一种并行计算方法及装置制造方法及图纸

本申请示出一种并行计算方法及装置，用于稀疏神经网络处理器，所述一种并行计算方法包括以下步骤：卷积计算单元获取待处理图像数据，所述待处理图像数据包括：图像通道和图像尺寸；根据所述图像通道和图像尺寸生成并行度；根据所述并行度对所述待处理图像数据进行卷积计算，得到单元计算结果；处理单元处理所述单元计算结果，得到卷积计算结果；累加器将所述卷积计算结果进行累加。本申请实施例示出的一种并行计算方法及装置，能够通过并行计算同时处理一个或多个图像通道，提高稀疏神经网络处理器中卷积计算单元的利用率。

【技术实现步骤摘要】
一种并行计算方法及装置
本专利技术涉及卷积神经网络加速
，具体涉及一种并行计算方法及装置，用于稀疏神经网络。
技术介绍
卷积神经网络(Convolutionalneuralnetworks，CNNorDeepconvolutionalneuralnetworks，DCNN)主要用于图像处理，也可用于其他类型的输入，如音频等。稀疏神经网络是一种稀疏性的卷积神经网络，稀疏神经网络能够将样本转化为合适的稀疏表达形式，从而使学习任务得以简化，模型复杂度得以降低。传统的稀疏神经网络处理器网络模型较大，需要海量的计算来完成任务，稀疏神经网络处理器的实质是卷积计算方法，传统的稀疏神经处理器的卷积计算方法在计算单个图像的过程中，需在线存储卷积计算所需的权重数据，运算效率低下，且对于通道数较多的卷积层，需要消耗较多稀疏神经网络处理器的存储资源。现有的稀疏神经网络处理器的卷积计算方法存在运算效率低下，浪费存储资源的问题，造成稀疏神经网络处理器极大的算力浪费。基于此应用场景，提出了本申请。
技术实现思路
基于上述问题，本申请本文档来自技高网...

【技术保护点】
1.一种并行计算方法，其特征在于，适用于稀疏神经网络处理器，包括以下步骤：/n卷积计算单元获取待处理图像数据，所述待处理图像数据包括：图像通道和图像尺寸；根据所述图像通道和图像尺寸生成并行度；根据所述并行度对所述图像数据进行卷积计算，得到单元计算结果；/n处理单元处理所述单元计算结果，得到卷积计算结果；/n累加器将所述卷积计算结果进行累加。/n

【技术特征摘要】
1.一种并行计算方法，其特征在于，适用于稀疏神经网络处理器，包括以下步骤：
卷积计算单元获取待处理图像数据，所述待处理图像数据包括：图像通道和图像尺寸；根据所述图像通道和图像尺寸生成并行度；根据所述并行度对所述图像数据进行卷积计算，得到单元计算结果；
处理单元处理所述单元计算结果，得到卷积计算结果；
累加器将所述卷积计算结果进行累加。


2.根据权利要求1所述的一种并行计算方法，其特征在于：
当生成并行度的值为N时，M个卷积计算单元被平均配置为N个计算组对N个图像通道进行卷积运算，得到N个单元计算结果。


3.根据权利要求2所述的一种并行计算方法，其特征在于，所述处理单元，包括：连接器和加法器；
所述连接器组合单元计算结果得到通道计算结果；
所述加法器将所述通道计算结果相加得到卷积计算结果。


4.根据权利要求3所述的一种并行计算方法，其特征在于：
如果N小于M，所述连接器组合单元计算结果得到通道计算结果；
如果N等于M，所述单元计算结果等于通道计算结果；
如果N大于1，所述加法器将通道计算结果相加得到卷积计算结果。


5.一种并行计算装置，其特征在于，用于稀疏神经网络处理器，包括：
卷积计算单元(1)，用于获取待处理图像数据，所述待处理图像数据包括：图像通道和图像尺寸；根据所述图像通道和图像尺寸生成并行度；根据所述并行度对所述待处理图像数据进行卷积计算，得到单元...

【专利技术属性】
技术研发人员：王丹阳，林军，谢逍茹，陶为，
申请(专利权)人：南京风兴科技有限公司，
类型：发明
国别省市：江苏;32