【技术实现步骤摘要】
本专利技术涉及计算机学习领域，特别涉及一种基于卷积神经网络的数据处理方法、装置、设备及介质。
技术介绍
1、目前cnn（convolutional neural networks，卷积神经网络）由于具有良好的容错能力、并行处理能力和自学习能力，可处理一些复杂环境下的问题，运行速度快，适应性能好，具有较高的分辨率，广泛用于图像识别、智能驾驶、图像分割等领域。但是在深度学习的训练阶段由于使用了大量的数据集，增加了参数、实现的复杂度，以及对于人员和设备也提出了一部分要求，因此需要使用一些高性能的平台，其中fpga（field programmable gatearray，现场可编程门阵列）由于作为加速平台具有能耗小、通用性强、并行的计算方式能极大的提升其加速性能得到广泛采用。
2、尽管当前对于fpga平台的加速器设计众多，相关科研人员也投入了相当多的精力去研究此类加速器，并取得了一定的成效，但加速器的研究有待深入，此外，快速发展的cnn已经使加速器的更新变得尤为重要。但是，由于一般的加速器采用的为流式结构，为目标模型的计算流程中的...
【技术保护点】
1.一种基于卷积神经网络的数据处理方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络的数据处理方法，其特征在于，所述根据预设数据缓存规则将所述待处理数据交替缓存至预设缓存块中，包括：
3.根据权利要求1所述的基于卷积神经网络的数据处理方法，其特征在于，所述根据所述处理任务为所述待处理数据分配相应的处理单元，包括：
4.根据权利要求3所述的基于卷积神经网络的数据处理方法，其特征在于，所述根据所述处理任务确定所述待处理数据对应的计算类型，包括：
5.根据权利要求3所述的基于卷积神经网络的数据处理方法，其特征在...
【技术特征摘要】
1.一种基于卷积神经网络的数据处理方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络的数据处理方法，其特征在于，所述根据预设数据缓存规则将所述待处理数据交替缓存至预设缓存块中，包括：
3.根据权利要求1所述的基于卷积神经网络的数据处理方法，其特征在于，所述根据所述处理任务为所述待处理数据分配相应的处理单元，包括：
4.根据权利要求3所述的基于卷积神经网络的数据处理方法，其特征在于，所述根据所述处理任务确定所述待处理数据对应的计算类型，包括：
5.根据权利要求3所述的基于卷积神经网络的数据处理方法，其特征在于，所述根据所述计算类型为所述待处理数据分配相应的所述处理单元，包括：
6.根据权利要求1所述的基于卷积神经网络的数据处理方法，其特征在于，所...
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。