一种适用于大卷积核的三维Winograd嵌套方法技术

本发明专利技术公开了一种适用于大卷积核的三维Winograd嵌套方法，包括：将三维的原始数据进行有重叠的重新排列，进行三维Winograd转换，得到重排数据；对重排数据逐行抽取数据，进行有重叠的重新排列，进行三维Winograd转换，得到二维的激活转换矩阵；将三维的卷积核数据重新排列，进行三维Winograd转换，得到二维的卷积核转换矩阵；将激活转换矩阵与卷积核转换矩阵相乘，得到二维矩阵，作为输出转换矩阵；将输出转换矩阵进行重新排列并进行三维Winograd转换，得到三维的卷积输出结果。本发明专利技术降低了大尺寸三维卷积的计算复杂度，提高了Winograd算法的数值稳定性，可广泛应用于卷积神经网络算法领域。算法领域。算法领域。

【技术实现步骤摘要】
一种适用于大卷积核的三维Winograd嵌套方法


[0001]本专利技术涉及卷积神经网络算法
，尤其是一种适用于大卷积核的三维Winograd嵌套方法。

技术介绍

[0002]近年来，深度学习(Deep Neural Networks，DNN)已被证明在广泛的应用中取得了性能的突破，将人工智能带入了我们的日常生活。智能手机、自动驾驶汽车、网络级推荐系统等，让我们的生活变得更加轻松。与具有固定规则的传统算法不同，DNN具有自动适应特定任务的能力，其中最为突出的是卷积神经网络(Convolutional Neural Networks，CNN)，它已经在多个计算机视觉任务中展示出卓越的准确性，如人脸识别、自动驾驶语义分割和对象检测。但是，CNN的计算成本很高，通常具有巨大的参数量，还会生成大量的中间数据，对存储的需求也很高。
[0003]采用Winograd算法来加速卷积神经网络(CNN)的计算速度成为一个热门的研究方向。相比于其他快速卷积算法FFT和FFA，Winograd的转换方式更为简单，更适用在硬件平台(GPU、FPGA、AS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于大卷积核的三维Winograd嵌套方法，其特征在于，包括：将三维的原始数据每一面的数据进行有重叠的重新排列，并进行三维Winograd转换，得到重排数据；对所述重排数据逐行抽取数据，进行有重叠的重新排列，并进行三维Winograd转换，得到一个二维矩阵，作为激活转换矩阵；将三维的卷积核数据每一面的数据重新排列，并进行三维Winograd转换，得到一个二维矩阵，作为卷积核转换矩阵；将所述激活转换矩阵与所述卷积核转换矩阵相乘，得到一个二维矩阵，作为输出转换矩阵；将所述输出转换矩阵进行重新排列并进行三维Winograd转换，得到三维的卷积输出结果。2.根据权利要求1所述的一种适用于大卷积核的三维Winograd嵌套方法，其特征在于，所述将三维的原始数据每一面的数据进行有重叠的重新排列，并进行三维Winograd转换，得到重排数据，包括：将所述原始数据每一面的数据进行有重叠的重新排列，得到每一面的二维数据；将所述每一面的二维数据有重叠地重新组合成为多组三维数据；针对每一面的多组三维数据，对每组三维数据分别进行三维Winograd转换并展平，得到每组三维数据对应的一维数据，各面的一维数据组合为重排数据。3.根据权利要求2所述的一种适用于大卷积核的三维Winograd嵌套方法，其特征在于，所述对所述重排数据逐行抽取数据，进行有重叠的重新排列，并进行三维Winograd转换，得到一个二维矩阵，作为激活转换矩阵，包括：对重排数据重新组合后，逐行抽取数据，并进行有重叠的重新排列，得到多组重排后的三维数据；对多组重排后的三维数据进行三维Winograd转换并展平，得到一个二维矩阵，作为激活转换矩阵。4.根据权利要求1所述的一种适用于大卷积核的三维Winograd嵌套方法，其特征在于，所述将三维的卷积核数据每一面的数据重新排列，并进行三维Winograd转换，得到一个二维矩阵，作为卷积核转换矩阵，包括：对所述卷积核数据每一面的数据，将每一排的数据重新排列成为多个二维矩阵，并将每一面的二维矩阵组合为多个三维矩阵；对卷积核数据每个面的三维矩阵进行三维Winograd转换，并展平得到每个面对应的一维向量；将每个面对应的一维向量重新组合、重新排列并进行三维Winograd转换，展平后得到一个二维矩阵，作为卷积核转换矩阵。5.一种适用于大卷积核的三维Winograd嵌套装置，其特征在于，包括：原始数据重排单元，用于将三维的原始数据每一面的数据进行有重叠的重新排列，并进行三维Win...

【专利技术属性】
技术研发人员：叶华锋，王明羽，黄海秋，杨泽旗，虞志益，
申请(专利权)人：中山大学，
类型：发明
国别省市：