【技术实现步骤摘要】
数据处理方法、装置、计算机设备及计算机可读存储介质
[0001]本申请涉及数据处理
，特别是涉及一种数据处理方法、装置、计算机设备及计算机可读存储介质。
技术介绍
[0002]卷积神经网络应用在各种各样的场景中，卷积神经网络涉及大量的乘法运算，其中，Winograd的卷积算法通过对特征图和权重进行特定的数据域转换，完成等效的卷积运算任务并减少卷积运算过程的乘法次数。
[0003]现有技术中，卷积神经网络加速电路中乘法单元的内部结构如图1所示，通过并联的权重输入和数据选择器实现乘法器的权重数据加载，增加了逻辑资源消耗，增加了信号线数量；由于卷积神经网络加速电路包括的乘法单元与卷积神经网络的输入输出通道数量相关，单个乘法单元增加的逻辑资源和信号线，使得卷积神经网络加速电路的布线难度增大，不利于在小型可编程逻辑阵列和专用集成电路中使用。
技术实现思路
[0004]本申请提供一种数据处理方法、装置、计算机设备及计算机可读存储介质，能够实现减少逻辑资源的消耗，以及减少信号线的数量，进而简化卷积神经网络加速
【技术保护点】
【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：响应于当前运算周期内的脉动信号，对于每个运算单元中的每个乘法单元，将特征图矩阵中的目标特征图数据组输入至所述乘法单元的乘法器，将所述乘法单元的尾部寄存器中的目标权重数据组输入至所述乘法单元的乘法器，得到所述运算单元在所述脉动信号下的点积数据组；其中，所述脉动信号是按照预设脉动周期发送的；所述尾部寄存器中的目标权重数据组，是与所述尾部寄存器串联的上一寄存器，响应于上一脉动信号传输至所述尾部寄存器的；基于所述运算单元在所述当前运算周期包括的多个脉动信号下的所有点积数据组，确定所述运算单元的点积矩阵；对于每个运算单元列，基于与所述运算单元列中的多个运算单元一一对应的多个点积矩阵，确定所述运算单元列对应的输出结果；其中，所述运算单元列包括分布为一列的若干个运算单元；基于所述当前运算周期确定重排信号，基于所述重排信号对所述每个运算单元列对应的输出结果进行重排，得到目标结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：响应于所述当前运算周期内的脉动信号，对于每个寄存器，将所述寄存器中的权重数据组传输至与所述寄存器串联的下一寄存器。3.根据权利要求2所述的方法，其特征在于，所述将所述寄存器中的权重数据组传输至与所述寄存器串联的下一寄存器，包括：当所述寄存器为所述乘法单元中的尾部寄存器时，将所述寄存器中的权重数据组，传输至下一乘法单元中的首部寄存器；其中，所述乘法单元中的尾部寄存器，与所述下一乘法单元中的首部寄存器串联；或者，当所述寄存器为尾部运算单元列中的尾部寄存器时，将所述寄存器中的权重数据组，传输至首部运算单元列中的首部寄存器；其中，所述尾部运算单元列中的尾部寄存器与所述首部运算单元列中的首部寄存器串联。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：对于每个运算单元行，将所述运算单元行中的多个运算单元的尾部运算单元输出的权重矩阵，输入至所述运算单元行对应的权重数据选择单元的第一输入端；其中，所述运算单元行包括分布为一行的若干个运算单元；在预存的多个权重矩阵集中，确定所述运算单元行对应的权重矩阵集；将所述权重矩阵集中的多个权重矩阵输入至所述权重数据选择单元的第二输入端；在所述权重数据选择单元的信号输入端为第一权重加载信号的情况下，通过所述权重数据选择单元输出所述权重矩阵集；基于多个脉动信号，将所述权重矩阵集包括的多个权重矩阵依次输入至所述运算单元行，以使得所述运算单元行中的每个运算单元包括对应的权重矩阵。5.根据权利要求4所述的方法，其特征在于，所述基于多个脉动信号，将所述权重矩阵集包括多个权重矩阵依次输入至所述运算单元行，以使得所述运算单元行中的每个运算单元包括对应的权重矩阵之后，所述方法还包括：将获取的第二权重加载信号输入至所述权重数据选择单元的信号输入端，以使所述权
重数据选择单元输出所述尾部运算单元输出的权重矩阵。6.一种数据处理装置，其特征在于，包括处理单元和乘法器阵列；所述乘法器阵列包括：重排数据选择器、多个输出运算器和呈阵列分布的多个运算单元；其中，所述重排数据选择器与所述多个输出运算器连接；所述多个输出运算器与多个运算单元列一一对应，每个运算单元列中的多个运算单元均与对应的输出运算器连接；每个运算单元行中的多个运算单元首尾串联，每个运算单元包括并联的多个乘法单元；对于所述每个运算单元中的...
【专利技术属性】
技术研发人员：钱祎剑，张斌，沈小勇，吕江波，
申请(专利权)人：深圳思谋信息科技有限公司，
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。