【技术实现步骤摘要】
基于G2D实现卷积计算的方法及系统
[0001]本专利技术涉及图像智能识别的
,特别涉及一种基于G2D实现卷积计算的方法及系统。
技术介绍
[0002]卷积是CNN中的基本运算。对CNN进行训练或推理的过程需要进行大量的卷积运算。对图像求卷积的过程是卷积核在图像上滑动,重合部分的数据进行卷积运算,其本质是两个二维数组数据相乘和相加的运算集合。卷积核滑动过程中每次进行的卷积运算相互独立,理论上可以进行并行计算。
[0003]如果通过CPU进行计算,最多只能以CPU的核数个数来创建对应个线程计算,每个线程中仍然是串行计算,效率非常低下,导致使用CNN训练和应用时的效率非常低,同时设备功耗非常高。随着样本图片的分辨率增加,这种问题会被进一步放大。
技术实现思路
[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此,本专利技术提出一种基于G2D实现卷积计算的方法,能够有效提高卷积计算效率。
[0005]本专利技术还提出一种具有上述基于G2D实现卷积计算的方法的基于G2D实现卷积计算的系统。
[0006]本专利技术还提出一种具有上述基于G2D实现卷积计算的方法的计算机可读存储介质。
[0007]根据本专利技术的第一方面实施例的基于G2D实现卷积计算的方法,包括以下步骤:根据G2D能处理的数据阈值及卷积核,获取量化参数,并根据所述量化参数将卷积核和图像的数据转换至G2D能处理的数据范围内;根据卷积运算的矩阵乘法实现方法,将卷积核转换成对应的矩阵,基于G2D的b ...
【技术保护点】
【技术特征摘要】
1.一种基于G2D实现卷积计算的方法,其特征在于,包括以下步骤:根据G2D能处理的数据阈值及卷积核,获取量化参数,并根据所述量化参数将卷积核和图像的数据转换至G2D能处理的数据范围内;根据卷积运算的矩阵乘法实现方法,将卷积核转换成对应的矩阵,基于G2D的bitblt功能,分别将图像和卷积核矩阵填充构造成满足卷积矩阵元素与图像元素相乘的二维数组,得到第一卷积二维数组和第一图像二维数组;基于G2D的blend功能,将所述第一卷积二维数组和所述第一图像二维数组进行相乘操作,得到相乘结果;基于G2D的blend功能,根据所述相乘结果得出卷积输出结果。2.根据权利要求1所述的基于G2D实现卷积计算的方法,其特征在于,根据G2D能处理的数据阈值及卷积核,获取量化参数的方法包括:数据阈值及卷积核,获取量化参数的方法包括:其中,S和Z为量化参数,R
max
和R
min
为卷积核的最大值与最小值,Q
max
和Q
min
为G2D模块可处理的整数范围的上限与下限。3.根据权利要求2所述的基于G2D实现卷积计算的方法,其特征在于,根据所述量化参数将卷积核和图像的数据转换至G2D能处理的数据范围内包括:其中,R为量化前的数据,Q为量化后的数据。4.根据权利要求1所述的基于G2D实现卷积计算的方法,其特征在于,所述第一卷积二维数组和所述第一图像二维数组的获取方法包括:将每张图像作为1维行向量I,将(n
‑
2)*(m
‑
2)个I拼成所述第一图像二维数组,其中n*m为每张图像的大小;将所述卷积核扩展为n*m的矩阵,并展开为1*(n*m)的第一行向量,基于所述第一行向量拓展为[(n
‑
2)*(m
‑
2)]*(n*m)的所述第一卷积二维数组,所述第一卷积二维数组中,第i行等于第i
‑
1行右移1个元素并于左侧补0。5.根据权利要求1所述的基于G2D实现卷积计算的方法,其特征在于,基于G2D的blend功能,将所述第一卷积二维数组和所述第一图像二维数组进行相乘操作,得到相乘结果包括:基于所述第一卷积二维数组,拆分构造为两个卷积二维数组C0、C1;基于所述第一图像二维数组,拆分构造为两个卷积二维数组C
s
、C
d
;基于blend结果的计算方法:C
r
=C0*C
s
+C1*C
d
,得到所述相乘结果。6.根据权利要求1所述的基于G2D实现卷积计算的方法,其特征在于,基于G2D的blend功能,将所述第一卷积二维数组和所述第一图像二维数组进行相乘操作,得到相乘结果包括:根据C
r...
【专利技术属性】
技术研发人员:ꢀ七四专利代理机构,
申请(专利权)人:珠海亿智电子科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。