[发明专利]一种卷积神经网络的数据调度方法、系统及计算机设备

说明书

本发明实施例公开了一种卷积神经网络的数据调度方法、系统及计算机设备，该方法包括：将图像数据分成N个目标图像数据，所述N为大于1的整数，所述N个目标图像数据中包含第一目标图像数据和第二目标图像数据；将所述第一目标图像数据载入第一数据缓冲模块，计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算；在所述计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算的过程中，将所述第二目标图像数据载入第二数据缓冲模块；所述计算单元得到计算结果后将所述计算结果上传到外部存储。本发明实施例可以减少处理图像数据时所需的存储空间以及图像数据的载入和上传时间。

技术领域

本发明涉及卷积神经网络技术领域，尤其涉及一种卷积神经网络的数据调度方法、系统及计算机设备。

背景技术

卷积神经网络(Convolutional Neural Network,CNN)是一种常见的深度学习架构，受生物自然视觉认知机制启发而来。20世纪90年代，LeCun et al等人发表论文，确立了CNN的现代架构。CNN能够得出原始图像的有效表征，这使得CNN能够直接从原始像素中，经过极少的预处理，识别视觉上面的规律。然而，由于当时缺乏大规模训练数据，计算机的计算能力也跟不上，CNN对于复杂问题的处理结果并不理想。

进入二十一世纪，随着计算机能力的大幅度提升，以及大数据的广泛应用，CNN的应用能力取得了重大突破，同时，CNN的平台也从中央处理器(Central Processing Unit,CPU)扩展到了图形处理器(Graphic Processing Unit,GPU)、现场可编程门级阵列(Field-Programmable Gate Array,FPGA)以及专用集成电路(Application Specific IntegratedCircuit，ASIC)。常见的CNN的组成部分有：卷积层、池化层、全连接层。

卷积神经网络的硬件实现设计中，常见的是采用通用的计算单元来计算卷积，需要针对每个计算单元设计一块存储空间，用来存储数据和权重参数。存储空间大小由数据大小来决定。随着CNN模型复杂程度的提高，存储空间的限制问题越来越突出，限制了计算单元的增加，从而限制了计算能力的提高。另外，这种设计对数据的带宽要求也比较高，每次都必须把数据全部载入才能开始计算，而且还需要保存中间数据。

发明内容

本发明实施例提供了一种卷积神经网络的数据调度方法、系统及计算机设备，用于减少处理图像数据时所需的存储空间以及图像数据的载入和上传时间。

一方面本发明实施例还提供了一种卷积神经网络的数据调度方法，包括：

将图像数据分成N个目标图像数据，所述N为大于1的整数，所述N个目标图像数据中包含第一目标图像数据和第二目标图像数据，所述第一目标图像数据和所述第二目标图像数据为相邻的所述目标图像数据；

将所述第一目标图像数据载入第一数据缓冲模块，计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算；在所述计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算的过程中，将所述第二目标图像数据载入第二数据缓冲模块；

所述计算单元得到计算结果后将所述计算结果上传到外部存储。

在一个可选的实现方式中，所述将图像数据分成N个目标图像数据包括：

将所述图像数据分成所述N个所需存储空间相等的所述目标图像数据；

所述将所述第一目标图像数据载入第一数据缓冲模块包括：

为所述第一数据缓冲模块和第二数据缓冲模块分配与所述目标图像数据所需存储空间相等的存储空间，将所述第一目标图像数据载入所述第一数据缓冲模块。

在一个可选的实现方式中，所述计算单元得到计算结果后将所述计算结果上传到外部存储包括：