一种面向向量处理器的池化向量化实现方法技术

本发明专利技术公开了一种面向向量处理器的池化向量化实现方法，包括如下步骤：根据AM空间参数、池化窗口预设参数，获取输入分块特征图每次传入AM空间的传输分块参数；基于DMA操作将分块特征图子块加载至所述AM空间；根据预设规则将单个所述分块特征图子块进行分区；根据预设顺序依次对分块特征图子块的每个区域进行池化处理；基于DMA操作将处理后获得的输出特征图子块从所述AM空间中导出至存储器中；重复上述步骤直至获取所有分块特征图子块的池化结果。该方法逻辑清晰，安全、有效、可靠且操作简便，既能支持非方形特征图、非方形移动步长、非方形池化窗口，又能支持特征图填充，无需对特征图重排，提高池化处理效率。提高池化处理效率。提高池化处理效率。

【技术实现步骤摘要】
一种面向向量处理器的池化向量化实现方法


[0001]本专利技术涉及到深度学习、卷积神经网络领域
，特别是涉及一种面向向量处理器的池化向量化实现方法。

技术介绍

[0002]卷积神经网络是当前深度学习模型中应用最广泛的一种神经网络模型，其在如图像分类等领域中特定任务上的性能已经超越了人类。卷积神经网络模型一般由卷积层、激活层、池化层以及全连接层等构成。
[0003]池化层位于卷积层之后，用于对卷积层提取到的特征进行聚合统计。卷积神经网络中，利用卷积操作对输入图像进行特征提取之后，将会产生多个特征图，利用所有的特征则计算量将会过于巨大，并且还可能会产生过拟合的问题，对不同位置的局部特征进行聚合统计可以有效解决这个问题。通常有两种方法进行聚合，分别是对特征图上不同位置的局部特征取最大值或平均值，即最大池化(Max
‑
pooling)或平均值池化(Average
‑
pooling)。相比之前提取到的特征图，通过池化之后的数据不仅具有更低维度，而且计算量显著减少，同时还避免了一定程度的过拟合改善了分类效果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向向量处理器的池化向量化实现方法，其特征在于，包括如下步骤：S1.根据AM空间参数、池化窗口预设参数，获取输入分块特征图每次传入AM空间的传输分块参数；S2.基于DMA操作将分块特征图子块加载至所述AM空间；S3.根据预设规则将单个所述分块特征图子块进行分区；S4.根据预设顺序依次对分块特征图子块的每个区域进行池化处理；S5.基于DMA操作将处理后获得的输出分块特征图子块从所述AM空间中导出至存储器中；S6.重复步骤S1
‑
S5直至获取所有分块特征图子块的池化结果。2.如权利要求1所述的面向向量处理器的池化向量化实现方法，其特征在于，所述AM空间参数具体为AM空间大小；所述池化窗口预设参数具体为池化窗口高度、宽度、水平移动步长和垂直移动步长；所述输入分块特征图每次传入AM空间的传输分块参数具体为所述输入分块特征图传输子块的高度和宽度。3.如权利要求2所述的面向向量处理器的池化向量化实现方法，其特征在于，单个所述分块特征图子块具体为所述输入分块特征图传输子块的高度、所述输入分块特征图传输子块的宽度与向量处理器向量单元并行处理的数据宽度的乘积大小的输入特征图元素。4.如权利要求3所述的面向向量处理器的池化向量化实现方法，其特征在于，所述步骤S3具体为：对单张所述分块特征图按照填充情况分为上、中、下、左、右共五个区；步骤S4中预设顺序为上、下、左、右、中。5.如权利要求4所述的面向向量处理器的池化向量化实现方法，其特征在于，所述步骤S4具体包括：A1.获取当前所在区的...

【专利技术属性】
技术研发人员：王庆林，梅松竹，苏华友，李东升，姜晶菲，许金伟，李荣春，乔鹏，刘杰，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：