[发明专利]人工智能卷积处理方法、装置、可读存储介质、及终端

说明书

本发明提供一种人工智能卷积处理方法，应用于处理模块，所述方法包括：将存储于第一缓存模块中的第一待处理数据矩阵的首端增设多列无效数据，以形成第二待处理数据矩阵；其中，所述第二待处理数据矩阵的列数为数据传输并行度的整数倍；令数据传输模块将所述第二待处理数据矩阵按照预设方式从所述第一缓存模块中取出至卷积模块，以待进行卷积运算。本发明为待处理数据矩阵增设多列无效数据，以使增设无效数据后的矩阵列数为数据传输并行度的倍数，从而使输出的卷积计算结果值的数量统一为pv个，故而能够实现人工智能卷积的流水处理，大大提升了人工智能卷积计算的运行效率并大幅改善了卷积计算性能。

技术领域

本发明涉及人工智能领域，特别是涉及人工智能卷积处理方法、装置、可读存储介质、及终端。

背景技术

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能算法是模拟人脑的神经网络模型算法，其运算量非常巨大，同样采用了人工智能算法的AlphaGo，需要用到上千块传统处理器(CPU)和上百块图形处理器(GPU)；很显然，在人工智能迎来新一波复兴的今天，传统处理器正成为阻碍人工智能普及的瓶颈。

但是，目前人工智能算法的流水线实现度不够，如何实现高度化的流水线成为人工智能技术领域的关键技术。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供人工智能卷积处理方法及人工智能处理装置，用于解决现有技术中人工智能算法的流水线程度不够等技术问题。

为实现上述目的及其他相关目的，本发明提供一种人工智能卷积处理方法，应用于处理模块，所述方法包括：将存储于第一缓存模块中的第一待处理数据矩阵的首端增设多列无效数据，以形成第二待处理数据矩阵；其中，所述第二待处理数据矩阵的列数为数据传输并行度的整数倍；令数据传输模块将所述第二待处理数据矩阵按照预设方式从所述第一缓存模块中取出至卷积模块，以待进行卷积运算。

于本发明的一实施例中，所述将存储于第一缓存模块中的第一待处理数据矩阵的首端增设多列无效数据，具体包括：令所述数据传输并行度的值为pv，则第一待处理数据矩阵的首端增设(pv-2)列无效数据，以与所述第一待处理数据矩阵的前2列有效数据组成pv列数据。

于本发明的一实施例中，所述令数据传输模块将所述第二待处理数据矩阵按照预设方式从所述第一缓存模块中取出至卷积模块，以待进行卷积运算，具体包括：令所述数据传输模块按照pv*1的数据尺寸，按行分批将所述第二待处理数据矩阵从所述第一缓存模块中取出并置入第二缓存模块中；令所述数据传输模块按照pv*k的数据尺寸，按行分批将所述第二待处理数据矩阵从所述第二缓存模块中取出并置入矩阵模块中以进行数据组合；其中，k为卷积核矩阵的尺寸。

于本发明的一实施例中，所述令所述数据传输模块按照pv*k的数据尺寸，按行分批将所述第二待处理数据矩阵从所述第二缓存模块中分批取出并置入矩阵模块中，具体包括：所述第二待处理数据矩阵每k行为一组数据；所述数据传输模块依次对每一组数据进行如下操作：在每个时钟周期内，从该组数据中依次取出数据尺寸为pv*k的第三待处理数据矩阵并置入矩阵模块中，直至该组数据全部被取出。

于本发明的一实施例中，在所述每一组数据中，所述数据传输模块取出的第一个第三待处理数据矩阵包括(pv-2)列无效数据和2列有效数据，以令所述第一个第三待处理数据矩阵的计算结果值为无效值。

于本发明的一实施例中，在所述每一组数据中，从所述数据传输模块取出的第二个第三待处理数据矩阵开始，每个第三待处理数据矩阵均与前一个第三待处理数据矩阵的最后2列组合形成k*(pv+2)阶第四待处理数据矩阵；其中，每个所述k*(pv+2)阶第四待处理数据矩阵均能够按照步长为1进行矩阵提取，得到pv个k*k阶第五待处理数据矩阵，用于传输至所述卷积模块以与所述卷积核矩阵进行卷积计算。