[发明专利]一种数据处理方法和装置

说明书

本申请提供一种处理数据的方法和数据处理装置，该数据处理装置包括数据处理模块，该数据处理模块用于:获取第一权值数据集合中的第一权值矩阵，其中，该第一权值矩阵被表示为n行m列个权值数据，该第一权值数据集合中的数据来自相同的输入通道；获取第二权值矩阵，其中，该第二权值矩阵是对该第一权值矩阵进行按行重排后的矩阵；使用第一权值矩阵与第一特征数据集合进行乘法运算，其中，该第一特征数据集合中的数据来自相同的输入通道；使用该第二权值矩阵与该第一特征数据集合进行乘法运算；根据该乘法运算的运算结果，确定目标数据集合。上述技术方案能够减少访问存储设备的次数。

技术领域

本申请涉及信息技术领域，更具体地，涉及处理数据的方法和数据处理装置。

背景技术

卷积神经网络(convolutional neural networks，CNN)是深度学习中使用最广泛的算法，它广泛应用于图像分类、语音识别、视频理解、人脸检测等多种应用中。

卷积神经网络运算的核心是卷积运算。卷积运算需要处理的数据量通常很大。因此卷积运算所需的存储和运算资源占用较大。目前的处理器越来越满足难以满足卷积运算的需求。另外，随着移动智能设备的发展，移动智能设备也有卷积运算的需求。但是移动设备所能提供的运算能力和存储能力都有限。因此，如何提高卷积运算的效率是一个亟待解决的问题。

发明内容

本申请提供一种处理数据的方法和数据处理装置，能够减少访问存储设备的次数。

第一方面，本申请实施例提供一种数据处理装置，该数据处理装置包括：数据处理模块，该数据处理模块用于获取第一权值数据集合中的第一权值矩阵，其中，该第一权值矩阵被表示为n行m列个权值数据，该第一权值数据集合中的数据来自相同的输入通道，其中，n为大于或等于2的整数，m为大于或等于2的整数；根据第一权值矩阵获取第二权值矩阵，其中，该第二权值矩阵是对该第一权值矩阵进行按行重排后的矩阵；使用第一权值矩阵与第一特征数据集合进行第一乘法运算；使用该第二权值矩阵与该第一特征数据集合进行第二乘法运算；数据处理模块还包括控制模块，用于根据该第一乘法运算和第二乘法运算的运算结果，确定目标数据集合。

其中，目标数据集合包括了第一特征数据集合中的元素和第一权值矩阵中的元素之间的乘积结果，根据该乘积结果可以进一步得到第一特征数据集合与第一权值矩阵的部分笛卡尔积和部分卷积结果，该部分笛卡尔积和部分卷积结果可以从数据处理装置里输出，从而可以通过较小的计算量和较快的计算速率实现对卷积结果的预测。例如，假设第一权值矩阵是3行3列的矩阵，第二权值矩阵是按行重排后的第一权值矩阵，当将第一特征数据集合中的某3行3列的数据输入数据处理模块分别与第一权值矩阵和第二权值矩阵进行乘法运算后，根据目标数据集合可以得到该特征数据与第一权值矩阵的卷积结果以及相邻位置的3行3列的特征数据与第一权值矩阵的卷积部分和，由于相邻位置的特征数据往往具有连续性，因此数据处理装置可以利用上述目标数据集合中的卷积结果和卷积部分和对卷积结果进行预测，比如数据处理装置利用特征数据并根据本申请所提供的方案进行物体识别时，当得到的目标数据集合中的卷积结果和卷积部分和预期的值域范围不符时，可以直接进行排除，而不用进行后续的计算，从而节省了计算量。而数据处理装置根据本申请所提供的技术方案实现了物体识别后，还可以进一步利用该物体识别结果实现其他功能，例如，可以利用物体识别结果分拣商品、监控目标等。

在上述方案中，数据处理装置根据第一权值矩阵得到第二权值矩阵，其中，第二权值矩阵是第一权值矩阵按行重排后的矩阵，并使用第一权值矩阵和第二权值矩阵与第一特征数据集合进行乘法运算，可以在得到第一特征数据集合与第一权值矩阵的部分笛卡尔积和部分卷积结果时复用特征数据，从而提高运算的效率。