图像处理单元、图像处理方法及存储介质技术

本申请实施例提供了一种图像处理单元、图像处理方法及存储介质。该图像处理单元，包括：定点化电路和多个依次级联的神经网络块；定点化电路与各神经网络块均电连接，用于接收各神经网络块输出的输出特征图像对应的特征信号，对特征信号进行定点化处理得到符合设计精度范围的定点化数据，将定点化数据作为输入特征图像对应输入下一级神经网络块。本申请实施例能够避免定点化处理溢出，提高计算精度。提高计算精度。提高计算精度。

【技术实现步骤摘要】
图像处理单元、图像处理方法及存储介质


[0001]本申请涉及图像处理
，具体而言，本申请涉及一种图像处理单元、图像处理方法及存储介质。

技术介绍

[0002]目前，CNN算法(卷积神经网络算法)进行硬件部署，算法部署前需在服务器算进行算法的模型搭建、参数训练、参数优化等，服务器端CNN算法中计算的数据类型均为float型(浮点类型)，然后将训练完成的权重参数和输入特征图进行硬件化处理，硬件部署的芯片选用FPGA(Field Programmable Gate Array)，FPGA称为现场可编程逻辑阵列，适合处理大数据量的并行计算，硬件部署时需将浮点数据类型转换为定点数据类型，以便于满足硬件实时工作需求。
[0003]传统方法在做定点化处理时的步骤如下：计算卷积神经网络的所有层(主要包括多个卷积层Convolutional layer和池化层Pooling layer)的最大值和最小值，然后统一做定点化处理。这样的方法容易出现定点化处理的溢出问题，使得计算精度降低。

技术实现思路

[0004]本申请针对现有方式的缺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理单元，其特征在于，包括：定点化电路和多个依次级联的神经网络块；所述定点化电路与各所述神经网络块均电连接，用于接收各所述神经网络块输出的输出特征图像对应的特征信号，对所述特征信号进行定点化处理得到符合设计精度范围的定点化数据，将所述定点化数据作为输入特征图像对应输入下一级所述神经网络块。2.根据权利要求1所述的图像处理单元，其特征在于，所述定点化电路的第一输入端、第二输入端，分别用于接收卷积层指示信号、所述特征信号；所述定点化电路，用于根据所述卷积层指示信号确定对应的神经网络块，根据各神经网络块的设计定点化范围，确定所述对应的神经网络块的设计定点化范围，并根据所述对应的神经网络块的设计定点化范围，对所述特征信号进行定点化处理，得到符合设计精度范围的定点化数据。3.根据权利要求2所述的图像处理单元，其特征在于，所述定点化电路包括第一触发模块和第一选通模块；所述第一触发模块的第一输入端，作为所述定点化电路的第一输入端；所述第一触发模块的第二输入端，用于接收第一时钟信号；所述第一选通模块的第一输入端与所述第一触发模块的输出端电连接；所述第一选通模块的第二输入端，作为所述定点化电路的第二输入端；所述第一选通模块的第三输入端均接地；所述第一选通模块，用于根据接收的所述卷积层指示信号确定对应的神经网络块，根据预存的神经网络块的设计定点化范围，确定对应的神经网络块的设计定点化范围，并根据对应的神经网络块的设计定点化范围，对所述特征信号进行定点化处理，得到符合设计精度范围的定点化数据。4.根据权利要求3所述的图像处理单元，其特征在于，所述定点化电路还包括第二触发模块；所述第二触发模块的第一输入端与所述第一选通模块的输出端电连接；所述第二触发模块的第二输入端与所述第一触发模块的第二输入端端电连接；所述第二触发模块的输出端，用于输出所述定点化数据。5.根据权利要求1所述的图像处理单元，其特征在于，所述神经网络块包括：依次电连接的卷积运算模块、池化模块和激活模块；所述卷积运算模块与所述定点化电路电连接，用于接收所述定点化电路输出的与所述定点化数据对应的输入特征图像，并对所述输入特征图像进行卷积处理得到第一待处理图像；所述池化模块，用于对所述第一待处理图像进行池化处理，得到第二待处理图像；所述激活模块，用于对所述第二待处理图像进行激活处理，得到所述输出特征图像。6.根据权利要求5所述的图像处理单元，其特征在于，所述池化模块包括依...

【专利技术属性】
技术研发人员：唐大伟，黄继景，马小惠，杨志明，王志良，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：