数据处理方法、装置、电子设备及存储介质制造方法及图纸

本申请适用于深度学习技术领域，提供了数据处理方法、装置、电子设备及存储介质，包括：获取待处理数据在各个像素位置上的各个通道的数据，得到各个像素位置所对应的各个通道数据，根据待处理数据的通道数和处理器能够并行运算的通道数确定宽度并行计算量，若宽度并行计算量大于或等于2，则根据待处理数据确定多个第一目标数据，每个第一目标数据通过将待处理数据中的N个像素位置上的通道数据按照该N个像素位置的顺序进行重排得到，对每一个第一目标数据进行并行运算，得到第一目标数据对应的卷积结果，根据各个第一目标数据对应的卷积结果确定待处理数据的卷积结果。本申请可以提高存储利用率和卷积运算效率。

【技术实现步骤摘要】

本申请属于深度学习，尤其涉及数据处理设备、数据处理方法、装置、电子设备及计算机可读存储介质。

技术介绍

1、卷积神经网络是今年发展起来的引起广泛重视的一种高效识别方法，对于大型图像处理有着非常出色的表现。由于卷积神经网络避免了对图像的复杂前期预处理，可直接输入原始图像，因而在图像分类等领域得到了更为广泛的应用。卷积神经网络的核心是卷积运算操作，卷积运算是指利用卷积核按特定步长在原始图像或输入特征图上滑动，和对应区域中的每个像素进行乘加运算的操作。

2、目前通常采用并行运算的方法来提高卷积神经网络的计算速度，但在采用输入通道并行运算时，由于计算单元并行运算固定数量的输入通道的数据，在输入图像通道数较少时，存储和参与运算的输入通道数据较少，使得计算单元的计算效率较低。

技术实现思路

1、本申请实施例提供了数据处理方法、装置、电子设备及存储介质，可以提高处理器基于输入通道进行并行运算时的存储利用率和卷积运算效率。

2、第一方面，本申请实施例提供了一种数据处理方法，包括：</p>

3、获取本文档来自技高网...

【技术保护点】

1.一种数据处理方法，应用于处理器，其特征在于，包括：

2.如权利要求1所述的数据处理方法，其特征在于，还包括：

3.如权利要求2所述的数据处理方法，其特征在于，若所述待处理数据所对应的卷积核的宽度为W，高度为H，且所述卷积核的尺寸W*H大于2，所述若所述宽度并行计算量大于或等于2，则根据所述待处理数据确定多个第一目标数据，包括：

4.如权利要求3所述的数据处理方法，其特征在于，若所述宽度并行计算量大于或等于2，且所述宽度并行计算量小于所述卷积核的尺寸W*H，所述根据所述待处理数据确定多个第一目标数据，包括：

5.一种数据处理装置，应用于处...

【技术特征摘要】

1.一种数据处理方法，应用于处理器，其特征在于，包括：

2.如权利要求1所述的数据处理方法，其特征在于，还包括：

3.如权利要求2所述的数据处理方法，其特征在于，若所述待处理数据所对应的卷积核的宽度为w，高度为h，且所述卷积核的尺寸w*h大于2，所述若所述宽度并行计算量大于或等于2，则根据所述待处理数据确定多个第一目标数据，包括：

4.如权利要求3所述的数据处理方法，其特征在于，若所述宽度并行计算量大于或等于2，且所述宽度并行计算量小于所述卷积核的尺寸w*h，所述根据所述待处理数据确定多个第一目标数据，包括：

5.一种数据处理装置，应用于处理器，其特征在于，包括：

6.如权利要求5所述的数据处理装置，其特征在于，还包括：

【专利技术属性】
技术研发人员：蒋文，王和国，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：