卷积算子计算装置及方法与流程

本申请属于神经网络，尤其涉及卷积算子计算装置及方法。

背景技术：

1、卷积神经网络是近年在人工智能领域发展起来并引起广泛重视的一种高效识别方法，对于图像处理等领域有着非常出色的表现。由于卷积神经网络不需要在前期对图像执行复杂的预处理，可以直接输入原始图像，因而得到了非常广泛的使用。

2、卷积神经网络一般来说可以包括卷积层(convolution layer)、池化层(poolinglayer)以及全连接层(fc layer)等。其中，卷积层中可以将输入的特征图与该卷积层对应的卷积核进行不同卷积算子的运算，从而从输入的特征图中提取特征，获得输出的特征图。

3、然而，当前用于计算卷积算子的电路设计比较复杂，成本比较高，且不够灵活。

技术实现思路

1、针对以上问题，本申请实施例提出一种卷积算子计算装置及方法，能够支持不同的卷积算子，有利于降低卷积算子计算装置的复杂度，提高计算的灵活性。

2、第一方面，本申请实施例提供了一种卷积算子计算装置，所述卷积算子计算装置包括运算模块、数据选择模块和存储模块；

3、所述运算模块，用于从所述存储模块获取第一数据以及从输入模块获取第二数据，其中，所述第一数据为卷积算子的计算参数，所述第二数据为所述存储模块预配置的初始值或者是从所述数据选择模块获取的所述卷积算子上一次的计算结果，所述初始值为0；基于所述卷积算子的类型对所述第一数据以及所述第二数据进行计算得到第三数据；

4、所述数据选择模块，用于基于所述卷积算子的类型确定算子计算结果，所述算子计算结果为所述第三数据，或是根据所述第一数据、所述第二数据以及所述第三数据确定的值；将所述算子计算结果发送给所述存储模块；

5、所述存储模块，用于从所述数据选择模块获取所述算子计算结果；存储所述算子计算结果。

6、通过上述方案，可以通过一套设备实现多种不同类型的卷积算子，从而可以降低设备的复杂度，加强系统的灵活性，提高工作效率。例如，在使用卷积神经网络进行图像识别时，往往涉及多种不同类型的卷积算子，如果每种类型的卷积算子均采用一种逻辑电路来实现的话，整个系统将会非常复杂，在执行不同类型的卷积算子的时候，也不够灵活，从而会影响整个系统的工作效率。而采用本申请实施例所提供的卷积算子计算装置，便可以通过一套设备来执行不同类型的卷积操作，从而提高工作效率。

7、结合第一方面，在第一方面的某些实现方式中，所述数据选择模块，还用于接收来自所述输入模块的所述第一数据，以及接收来自所述存储模块的所述第二数据。

8、结合第一方面，在第一方面的某些实现方式中，所述卷积算子计算装置还包括饱和模块，所述饱和模块的输入端与所述数据选择模块相连，数饱和模块的输出端与所述存储模块相连；所述饱和模块，用于判断所述算子计算结果的字节大小是否大于预设门限值；在所述算子计算结果的字节大小大于所述预设门限值的下，所述饱和模块拒绝向所述存储模块发送所述算计计算结果。

9、第二方面，本申请实施例提供了一种卷积算子计算方法，包括：

10、获取第一数据以及第二数据，所述第一数据为卷积算子的计算参数，所述第二数据为预配置的初始值或是在获取所述第一数据以及第二数据之前所获取的所述卷积算子上一次的计算结果，所述初始值为0；

11、基于所述卷积算子的类型对所述第一数据以及所述第二数据进行计算得到第三数据；

12、基于所述卷积算子的类型确定算子计算结果，所述算子计算结果为所述第三数据，或是根据所述第一数据、所述第二数据以及所述第三数据得到的值；

13、存储所述算子计算结果。

14、第三方面，本申请实施例提供了一种电子设备，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第二方面中任一项所述的卷积神经网络的实现方法中的步骤。

15、第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第二方面所述的卷积算子计算方法中的步骤。

16、可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

技术特征：

1.一种卷积算子计算装置，其特征在于，包括运算模块、数据选择模块和存储模块；

2.如权利要求1所述的卷积算子计算装置，其特征在于，所述运算模块包括符号设置模块和加法模块，其中：

3.如权利要求2所述的卷积算子计算装置，其特征在于，所述符号设置模块，具体用于：

4.如权利要求1至3中的任一项所述的卷积算子计算装置，其特征在于，所述卷积算子计算装置还包括比较模块，其中：

5.如权利要求4所述的卷积算子计算装置，其特征在于，所述数据选择模块，具体用于：

6.一种卷积算子计算方法，其特征在于，包括：

7.如权利要求6所述的卷积算子计算方法，其特征在于，所述基于所述卷积算子的类型对所述第一数据以及所述第二数据进行计算得到第三数据，包括：

8.如权利要求7所述的卷积算子计算方法，其特征在于，所述基于所述卷积算子的类型设置所述第二数据的符号，包括：

9.如权利要求6至8中的任一项所述的卷积算子计算方法，其特征在于，所述基于所述卷积算子的类型确定算子计算结果，包括：

10.如权利要求6至8中任一项所述的卷积算子计算方法，其特征在于，所述基于所述卷积算子的类型确定算子计算结果，包括：

11.一种电子设备，其特征在于，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求6至10中任一项所述的卷积算子计算方法中的步骤。

12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求6至10中任一项所述的卷积算子计算方法中的步骤。

技术总结
本申请适用于神经网络技术领域，提供了卷积算子计算装置及方法，其中该卷积算子计算装置包括运算模块、数据选择模块和存储模块，该运算模块，用于从存储模块获取第一数据以及从输入模块获取第二数据，然后基于卷积算子的类型对第一数据以及第二数据进行计算得到第三数据。该数据选择模块，用于基于卷积算子的类型确定算子计算结果，以及将算子计算结果发送给存储模块，该算子计算结果为第三数据，或是根据第一数据、第二数据以及第三数据确定的值；该存储模块，用于从数据选择模块获取算子计算结果，以及存储算子计算结果。本申请的方案通过一个装置可以实现不同类型的卷积算子的计算，有利于降低卷积算子计算装置的复杂度。

技术研发人员：蒋文,王和国,商海洋,陈宁
受保护的技术使用者：深圳云天励飞技术股份有限公司
技术研发日：
技术公布日：2024/1/15