[发明专利]一种应用于卷积神经网络的池化处理的方法及系统

权利要求书

1.一种应用于卷积神经网络的池化处理的方法，其特征在于，所述方法应用于所述卷积神经网络的池化处理系统，所述池化处理系统包括第一存储设备、数据区域、池化核和池化控制器，所述方法包括：

所述池化控制器每个读取周期从所述第一存储设备中读取k个特征数据，所述k个特征数据包含于卷积运算所产生的特征图中，所述k为大于1的整数；

所述池化控制器向所述数据区域写入所读取的k个特征数据，所述k个特征数据按照第一方向排布，在一个更新周期中，所述数据区域被写入n队按照所述第一方向排布的nk个数据，所述更新周期的时长为所述读取周期的时长的n倍，所述n为大于1的整数；

在所述更新周期结束后，所述数据区域中的数据被传递到池化核做池化运算，所述数据区域中的数据包括所述nk个数据和排布在所述nk个数据之前的上一个更新周期中在第二方向上排布的最后m队数据，并且所述数据区域缓存所述更新周期中在所述第二方向上排布的最后m队数据用于下一个更新周期使用，所述m为正整数。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

所述池化核确定每个算子的第一级池化值，所述算子为所述第二方向上的每队数据，所述第一级池化值为所述每个算子中所包含数据的最大值或者所述每个算子中所包含数据的求和值；

所述池化核根据所述每个算子，按照核尺寸确定所述数据区域中的数据的第二级池化结果，所述核尺寸为所述池化核池化数据的行列数。

3.根据权利要求2所述的方法，其特征在于，所述池化核根据所述每个算子，按照核尺寸确定所述数据区域中的数据的第二级池化结果，包括：

所述池化核选取每相邻的p个算子的第一级池化值，确定p×p区域上的第二级池化值，所述p×p为所述核尺寸，所述第二级池化值为所述p个算子中最大的第一级池化值或者所述p个算子的第一级池化值的求和值与p×p的平均值，所述第二级池化结果包括所述每相邻的p个算子的所述第二级池化值。

4.根据权利要求2或3所述的方法，其特征在于，所述池化处理系统还包括第二存储设备，所述方法还包括：

所述池化控制器确定所述数据区域中的数据是否包含所述特征图的边界上的数据；

若所述数据区域中的数据包含所述特征图的边界上的数据，则所述池化控制器根据所述边界上的数据在所述数据区域中的位置，从所述第二级池化结果中确定对应的第二级池化值写入到所述第二存储设备中；

若所述数据区域中的数据不包含所述特征图的边界上的数据，则所述池化控制器从所述第二级池化结果中确定对应的第二级池化值写入到所述第二存储设备中。

5.根据权利要求4所述的方法，其特征在于，所述池化控制器根据所述边界上的数据在所述数据区域中的位置，从所述第二级池化结果中确定对应的第二级池化值写入到所述第二存储设备中，包括：

所述池化控制器根据所述边界上的数据在所述数据区域中的位置，确定类型索引，所述类型索引用于关联所述边界上的数据的分布与所述第二级池化结果中第二级池化值的对应关系；

所述池化控制器根据所述类型索引，从所述第二级池化结果中确定对应的第二级池化值写入到所述第二存储设备中。

6.一种卷积神经网络的池化处理系统，其特征在于，所述池化处理系统包括第一存储设备、数据区域、池化核和池化控制器；

所述池化控制器，用于每个读取周期从所述第一存储设备中读取k个特征数据，所述k个特征数据包含于卷积运算所产生的特征图中，所述k为大于1的整数；

所述池化控制器，用于向所述数据区域写入所读取的k个特征数据，所述k个特征数据按照第一方向排布，在一个更新周期中，所述数据区域被写入n队按照所述第一方向排布的nk个数据，所述更新周期的时长为所述读取周期的时长的n倍，所述n为大于1的整数；

在所述更新周期结束后，所述数据区域中的数据被传递到池化核做池化运算，所述数据区域中的数据包括所述nk个数据和排布在所述nk个数据之前的上一个更新周期中在第二方向上排布的最后m队数据，并且所述数据区域缓存所述更新周期中在所述第二方向上排布的最后m队数据用于下一个更新周期使用，所述m为正整数。