[发明专利]一种反卷积神经网络的硬件加速方法、装置和电子设备

说明书

一种反卷积神经网络的硬件加速方法、装置、电子设备和存储介质，该方法包括：获取当前网络层的输入数据(S1)，所述输入数据为存储在第一存储器中的上一网络层的计算结果；将所述输入数据在当前网络层中进行反卷积计算，得到当前计算结果，将所述当前计算结果输入第二存储器(S2)，所述当前网络层包括该层的权重；基于所述第二存储器中的当前计算结果，获取下一网络层的输入数据(S3)；将所述下一网络层的输入数据在所述下一网络层中进行反卷积计算，得到当前计算结果，将所述当前计算结果输入第一存储器(S4)，所述下一网络层包括所述该层的权重；重复执行上述各步骤，直到所述反卷积神经网络的最后一层并输出结果(S5)。上述方法提高了数据传输和利用的效率。

技术领域

本发明涉及人工智能领域，尤其涉及一种反卷积神经网络的硬件加速方法、装置、电子设备和存储介质。

背景技术

近几年，在人工智能领域，随着计算机算力和数据的剧增，基于神经网络的各种深度学习模型不断出现，引起了人们的广泛关注和研究，生成式对抗网络便是其中之一(GAN，Generative Adversarial Networks)。GAN网络主要由两个模块组成：生成模型(Generative Model)和判别模型(Discriminative Model)，两个模块互相博弈进行无监督式或者半监督式学习。

其中，生成模型在GAN网络中用于生成数据。在已有大量训练数据的场景下，例如图像、语音、文本数据等，生成模型可以进行无监督式学习，模拟这些高维数据的分布；针对数据量缺乏的场景，生成模型则可以帮助生成数据，提高数据数量，从而利用半监督学习提升学习效率。因此GAN网络在很多应用场景例如机器翻译，图像去模糊，图像修复，文字到图像的转换等研究领域有着广泛的辅助应用。

但是，不同于判别模型通常由卷积神经网络构成，生成模型一般是反卷积神经网络，即由一系列的反卷积层组成。而现有的生成模型也就是反卷积神经网络在CPU或者GPU主要通过卷积操作实现，计算效率极低，数据利用率也很低；而已有的GAN网络生成模型在现场可编程门阵列(FPGA)上的加速器并没有考虑到反卷积网络与卷积网络的不同之处，效率提升有限。

发明内容

本发明实施例提供一种反卷积神经网络的硬件加速方法、装置、电子设备和存储介质，能够提高数据传输和利用的效率。

第一方面，本发明实施例提供一种反卷积神经网络的硬件加速方法，包括：

S1、获取当前网络层的输入数据，所述输入数据为存储在第一存储器中的上一网络层的计算结果；

S2、将所述输入数据在当前网络层中进行反卷积计算，得到当前计算结果，将所述当前计算结果输入第二存储器，所述当前网络层包括该层的权重；

S3、基于所述第二存储器中的当前计算结果，获取下一网络层的输入数据；

S4、将所述下一网络层的输入数据在所述下一网络层中进行反卷积计算，得到当前计算结果，将所述当前计算结果输入第一存储器，所述下一网络层包括所述该层的权重；

S5、重复执行步骤S1、S2、S3、S4，直到所述反卷积神经网络的最后一层并输出结果。

可选的，所述输入数据包括存储于片外存储器上的初始数据，所述获取当前网络层的输入数据，包括：

将所述存储于片外存储器上的初始数据读取到所述第一存储器中。

可选的，所述将所述输入数据在当前网络层中进行反卷积计算，得到当前计算结果，将所述当前计算结果输入第二存储器，所述当前网络层包括该层的权重，包括：

获取当前网络层的权重，并输入当前网络层；

将所述输入数据与所述当前网络层的权重进行矩阵运算，得到运算结果；

将所述运算结果输入所述第二存储器。