[发明专利]一种神经网络处理方法及处理系统

说明书

本发明提供一种神经网络处理方法和处理系统。该处理方法包括以下步骤：基于池化参数确定相对于原卷积域的增大卷积域；将所述增大卷积域划分为多个子卷积域，其中，每个子卷积域的尺寸与原卷积域的尺寸相等；执行所述多个子卷积域的神经元与相应卷积核权值的卷积运算，以获得多个子卷积结果；对所述多个子卷积结果执行池化处理。利用本发明的处理方法能够提高数据处理的效率和资源利用率。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种用于神经网络的处理方法及处理系统。

背景技术

近年来，深度学习技术得到了飞速的发展，在解决高级抽象认知问题，例如图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐和智能机器人等领域得到了广泛应用，成为学术界和工业界的研究热点。

深度神经网络是人工智能领域具有最高发展水平的感知模型之一，该类网络通过建立模型模拟人类大脑的神经连接结构，通过多个变换阶段分层对数据特征进行描述，为图像、视频和音频等大规模数据处理任务带来突破性进展。深度神经网络模型结构是一种运算模型，由大量节点通过网状互连结构构成，这些节点被称为神经元。每两个节点间连接强度都代表通过该连接信号在两个节点间的加权重，即权重，与人类神经网络中的记忆相对应。

然而，实现深度学习技术依赖于极大的计算量。在训练阶段，需要在海量数据中通过反复迭代计算得到神经网络中的权重数据；在推理阶段，同样需要神经网络在极短的响应时间(通常为毫秒级)内完成对输入数据的运算处理。神经网络中涉及的计算主要包括卷积操作、池化操作等，例如，卷积操作是将输入的神经元或称像素与相应卷积核的权值进行乘累加处理，卷积操作和池化操作占用了神经网络处理的大部分时间，因此，提高卷积操作和池化操作的计算效率，能够有效降低神经网络的处理时间。随着神经网络运算的规模越来越大、数据吞吐量越来越高，运行功耗成为一个严重问题。

因此，需要对现有技术进行改进，以提高神经网络的计算效率并降低运行能耗。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种神经网络的处理方法和处理系统，以提高数据处理的效率和缓存利用率。

根据本发明第一方面，提供了一种神经网络处理方法。该处理方法包括以下步骤：

步骤1：基于池化参数确定相对于原卷积域的增大卷积域；

步骤2：将所述增大卷积域划分为多个子卷积域，其中，每个子卷积域的尺寸与原卷积域的尺寸相等；

步骤3：执行所述多个子卷积域的神经元与相应卷积核权值的卷积运算，以获得多个子卷积结果；

步骤4：对所述多个子卷积结果执行池化处理。

在一个实施例中，所述增大卷积域的边长是L＝l+(q-1)*s，其中，L表示增大卷积域的边长，l表示原卷积域的边长，s表示原卷积步长，q表示池化参数中的池化域边长。

在一个实施例中，以相对于原卷积步长增大的卷积步长和所述增大卷积域对神经网络的输入特征图进行扫描，以获得卷积层的输出神经元，其中，所述增大的卷积步长为S＝s*q，S表示增大的卷积步长，s表示原卷积步长，q表示池化参数中的池化域边长。

根据本发明的第二方面，提供了一种神经网络处理系统。该处理系统包括：

控制单元：基于池化参数确定相对于原卷积域的增大卷积域以及将所述增大卷积域划分为多个子卷积域，其中，每个子卷积域的尺寸与原卷积核的尺寸相等；

卷积单元：用于执行所述多个子卷积域的神经元与相应卷积核权值的卷积运算，以获得多个子卷积结果；

池化单元：用于对所述多个子卷积结果执行池化处理。