【技术实现步骤摘要】
卷积处理方法、电路、电子设备及计算机可读存储介质
[0001]本申请涉及神经网络
,特别是涉及一种卷积处理方法、电路、电子设备及计算机可读存储介质。
技术介绍
[0002]随着人工智能技术的发展,出现了卷积神经网络。卷积神经网络在目标识别方面具有巨大的优势和潜力,因而广泛应用于目标检测、差错检验和自动驾驶等领域。使用卷积神经网络进行目标识别时,会进行卷积运算,卷积运算的过程中涉及到大量的乘法运算,因而卷积运算的速率较慢。为提高卷积运算速率,采用卷积加速算法,比如采用Winograd算法(一种基于多项式插值算法的卷积加速实现方法)进行卷积处理。
[0003]卷积加速算法通过对卷积操作的两个输入:神经元及权值进行一定规模切分后,分别做线性变换,也就是前变换,再将变换后的神经元和权值进行点乘,把点乘结果再次进行线性变换,即后变换,最后得到与原卷积操作等价的卷积结果。
[0004]然而,传统的卷积加速算法在进行卷积处理中的后变换时,直接输入整个点乘结果与后变换参数矩阵相乘,导致计算后变换时需要消耗大量乘法资源。
技术实现思路
[0005]基于此,有必要针对上述技术问题,提供一种卷积处理方法、电路、电子设备及计算机可读存储介质,能够实现节省乘法资源的效果。
[0006]第一方面,本申请提供了一种卷积处理方法,包括:对卷积处理过程中得到的点乘特征矩阵进行分块,得到多个子特征矩阵;点乘特征矩阵是使用卷积加速算法对前变换特征矩阵进行点乘得到的;针对每个子特征矩阵进行后变换处理时,按照子特 ...
【技术保护点】
【技术特征摘要】
1.一种卷积处理方法,其特征在于,包括:对卷积处理过程中得到的点乘特征矩阵进行分块,得到多个子特征矩阵;所述点乘特征矩阵是使用卷积加速算法对前变换特征矩阵进行点乘得到的;针对每个子特征矩阵进行后变换处理时,按照所述子特征矩阵对应的加减变换规则,控制加减法单元对所述子特征矩阵进行变换,得到第一变换矩阵;确定所述子特征矩阵对应的位移量,依据所述位移量控制移位器组中的移位器对所述第一变换矩阵进行移位变换,得到第二变换矩阵;其中,各所述移位器与待生成的后变换特征矩阵的元素位置相对应;所述位移量是根据后变换参数矩阵中后变换参数的排列位置特征确定的;控制累加器将各所述子特征矩阵对应的第二变换矩阵进行累加,得到卷积处理生成的所述后变换特征矩阵;其中,所述累加器与所述后变换特征矩阵的元素位置相对应。2.根据权利要求1所述的方法,其特征在于,所述对卷积处理过程中得到的点乘特征矩阵进行分块,得到多个子特征矩阵,包括:按照预设子矩阵大小,将卷积处理过程中得到的点乘特征矩阵中的边缘位置数据分块;所述边缘位置数据是在所述点乘特征矩阵中位于边缘位置的特征数据;按照所述预设子矩阵大小,将所述点乘特征矩阵中除所述边缘位置数据之外的特征数据依次分块,得到多个子特征矩阵。3.根据权利要求2所述的方法,其特征在于,所述按照预设子矩阵大小,将卷积处理过程中得到的点乘特征矩阵中的边缘位置数据分块,包括:将卷积处理过程中得到的点乘特征矩阵中位于角点位置的角点数据划分至同一子特征矩阵;所述角点数据构成的子特征矩阵的大小符合预设子矩阵大小;对所述点乘特征矩阵中的首尾剩余行数据、以及首尾剩余列数据进行合并,分别对合并后的首尾剩余行数据和合并后的首尾剩余列数据进行分块,得到符合所述预设子矩阵大小的子特征矩阵;其中,所述首尾剩余行数据是首尾行数据中,除处于首尾行的角点数据之外的特征数据;所述首尾剩余列数据是首尾列数据中,除处于首尾列的角点数据之外的特征数据。4.根据权利要求1所述的方法,其特征在于,所述按照所述子特征矩阵对应的加减变换规则,控制加减法单元对所述子特征矩阵进行变换,得到第一变换矩阵,包括:在所述子特征矩阵对应的加减变换规则表征不做变换的情况下,通过控制左变换使能信号和右变换使能信号均无效,以控制加减法单元不对所述子特征矩阵进行变换,并控制数据选择器不调整所述子特征矩阵的数据顺序,得到第一变换矩阵。5.根据权利要求1所述的方法,其特征在于,所述按照所述子特征矩阵对应的加减变换规则,控制加减法单元对所述子特征矩阵进行变换,得到第一变换矩阵,包括:在所述子特征矩阵对应的加减变换规则表征需要进行目标变换处理的情况下,控制与所述目标变换处理对应的使能信号有效,以控制加减法单元对所述子特征矩阵进行所述目标变换处理得到加减法变换结果;其中,所述目标变换处理包括左变换处理和右变换处理中的至少一种;控制数据选择器调整所述加减法变换结果中的数据顺序,得到第一变换矩阵。6.根据权利...
【专利技术属性】
技术研发人员:钱祎剑,刘虹铎,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。