[发明专利]卷积神经网络的池化运算方法及装置

说明书

技术领域

本发明涉及图像处理领域，具体而言，涉及一种卷积神经网络的池化运算方法及装置。

背景技术

目前随着人工智能的火热发展，对于图像的处理需求正在逐步的增大。以平均池化运算而言，目前的处理方式是先进行求和，再对求和结果进行除法运算。然而，除法运算需耗费较多的处理器效能，容易造成硬件资源的负担过重。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种卷积神经网络的池化运算方法及装置，以至少解决由于现有技术的池化运算需进行除法运算造成的耗能较高的技术问题。

根据本发明实施例的一个方面，提供了一种卷积神经网络的池化运算方法，包括：对多个图像数据进行求和运算，得到求和结果；对上述求和结果进行移位运算，得到移位结果；根据上述图像数据的数量以及上述移位运算中移位的位数，确定加权因子；根据上述加权因子，对上述移位结果进行加权运算，得到池化结果。

可选地，上述根据上述加权因子，对上述移位结果进行加权运算包括：计算加权因子与上述移位结果的乘积；将上述乘积作为上述池化结果。

可选地，上述加权因子与上述移位运算中移位的位数呈正比，上述加权因子与上述图像数据的数量呈反比。

可选地，上述根据上述图像数据的数量以及上述移位运算中移位的位数，确定加权因子包括:根据上述图像数据的数量、上述移位运算中移位的位数以及滤波器系数，确定上述加权因子；其中，上述滤波器系数为下一层卷积层的滤波器的系数。

可选地，上述加权因子与上述滤波器系数呈正比。

可选地，对多个图像数据进行求和运算，得到求和结果之前，上述方法还包括：获取待处理图像；将上述待处理图像转化为尺寸不同的至少一个子图像；从至少一个子图像中读取的上述图像数据。

根据本发明实施例的另一方面，还提供了一种卷积神经网络的池化运算装置，包括：第一运算单元，用于对多个图像数据进行求和运算，得到求和结果；第二运算单元，用于对上述求和结果进行移位运算，得到移位结果；处理单元，用于根据上述图像数据的数量以及上述移位运算中移位的位数，确定加权因子；第三运算单元，用于根据上述加权因子，对上述移位结果进行加权运算，得到池化结果。

可选地，上述处理单元，用于根据上述图像数据的数量、上述移位运算中移位的位数以及滤波器系数，确定上述加权因子；其中，上述滤波器系数为下一层卷积层的滤波器的系数。

可选地，第三运算单元，用于执行以下步骤根据上述加权因子，对上述移位结果进行加权运算：计算加权因子与上述移位结果的乘积；将上述乘积作为上述池化结果。

根据本发明实施例的另一方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，上述程序执行上述卷积神经网络的池化运算方法。

在本发明实施例中，采用对多个图像数据进行求和运算，得到求和结果；对求和结果进行移位运算，得到移位结果；根据图像数据的数量以及移位运算中移位的位数，确定加权因子；根据加权因子，对移位结果进行加权运算，得到池化结果的方式，通过仅进行求和运算，以及移位运算和加权运算，而得到最终的池化结果，达到了无需做除法运算也可得到池化结果的目的，从而实现了降低处理器能耗的技术效果，进而解决了由于现有技术的池化运算需进行除法运算造成的耗能较高的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的卷积神经网络的池化运算方法的流程示意图；

图2是根据本发明实施例的一种可选的卷积神经网络的池化运算装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。