[发明专利]用于存储数据的方法和装置

说明书

本申请实施例公开了用于存储数据的方法和装置。该方法的一具体实施方式包括：从预设的卷积神经网络中，确定预设数量个目标特征矩阵和预设数量个目标权重矩阵；从目标特征矩阵中确定子特征矩阵；执行如下存储步骤：对于预设数量个目标权重矩阵中的目标权重矩阵，从该目标权重矩阵中提取未提取过的权重数据及存储到第一目标寄存器中；对于所确定的子特征矩阵中的子特征矩阵，从该子特征矩阵中提取未提取过的特征数据及存储到第二目标寄存器中；响应于确定预设数量个目标权重矩阵和所确定的子特征矩阵中存在未提取过的数据，继续执行存储步骤。该实施方式有助于提高卷积神经网络的运算效率。

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于存储数据的方法和装置。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。CNN包括卷积层(convolutional layer)、池化层(pooling layer)等。在对这些层中的数据进行卷积运算时，通常需要将其中的特征矩阵(即矩阵形式的特征图(feature map))包括的特征数据与权重矩阵(即矩阵形式的卷积核(又称为滤波器))包括的权重数据相乘。

发明内容

本申请实施例提出了用于存储数据的方法和装置。

第一方面，本申请实施例提供了一种用于存储数据的方法，该方法包括：从预设的卷积神经网络中，确定预设数量个目标特征矩阵和预设数量个目标权重矩阵；对于预设数量个目标特征矩阵中的目标特征矩阵，从该目标特征矩阵中，确定待与该目标特征矩阵对应的目标权重矩阵进行卷积运算的子特征矩阵；执行如下存储步骤：对于预设数量个目标权重矩阵中的目标权重矩阵，从该目标权重矩阵中提取未提取过的权重数据及存储到第一目标寄存器中；对于所确定的子特征矩阵中的子特征矩阵，从该子特征矩阵中提取未提取过的特征数据及存储到第二目标寄存器中；确定预设数量个目标权重矩阵和所确定的子特征矩阵中是否存在未提取过的数据；响应于确定存在，继续执行存储步骤。

在一些实施例中，存储步骤还包括：对于存储在第一目标寄存器中的各个权重数据中的权重数据，将该权重数据乘以对应的、存储在第二目标寄存器中的特征数据，得到乘积；存储所得到的乘积。

在一些实施例中，卷积神经网络中的特征矩阵包括的特征数据和权重矩阵包括的权重数据是预设位数的定点数。

在一些实施例中，预设数量个目标特征矩阵和预设数量个目标权重矩阵预先存储在预设缓存中。

在一些实施例中，预设数量个目标特征矩阵包含于卷积神经网络中的目标层包括的特征矩阵集合，特征矩阵集合预先被分割为至少一个子集合，其中，子集合包括预设数量个特征矩阵；以及从预设的卷积神经网络中，确定预设数量个目标特征矩阵和预设数量个目标权重矩阵，包括：从至少一个子集合中选择子集合，将所选择的子集合包括的特征矩阵确定为目标特征矩阵；对于所确定的预设数量个目标特征矩阵中的目标特征矩阵，确定与该目标特征矩阵对应的、用于进行卷积运算的权重矩阵作为目标权重矩阵。

在一些实施例中，预设数量是预设的单指令多数据流SIMD指令单次提取的数据的位数与卷积神经网络中的特征矩阵包括的特征数据的位数的商。

在一些实施例中，对于预设数量个目标权重矩阵中的目标权重矩阵，从该目标权重矩阵中提取未提取过的权重数据及存储到第一目标寄存器中，包括：基于SIMD指令从预设数量个目标权重矩阵中分别提取未提取过的权重数据及存储到第一目标寄存器中。

在一些实施例中，对于所确定的子特征矩阵中的子特征矩阵，从该子特征矩阵中提取未提取过的特征数据及存储到第二目标寄存器中，包括：基于SIMD指令从所确定的子特征矩阵中分别提取未提取过的特征数据及存储到第二目标寄存器中。