[发明专利]一种卷积神经网络的加速方法、装置、设备及存储介质

权利要求书

1.一种卷积神经网络的加速方法，其特征在于，包括：

预先接收预设的卷积神经网络CNN中的多个预设类型的计算操作模型；

从多个所述计算操作模型中，获取能够实现待加速CNN的各个计算操作的所述计算操作模型，作为待用计算操作模型；

控制加速卡的现场可编程门阵列FPGA根据所述待用计算操作模型，编译出用于执行所述待加速CNN的内核程序；

获取包含所述待加速CNN的各个所述计算操作的动作时序的动作时序参数；

控制所述FPGA按照所述动作时序参数中的所述动作时序执行所述内核程序，并对预设数据进行运算，以便实现加速。

2.根据权利要求1所述的加速方法，其特征在于，所述获取包含所述待加速CNN的各个所述计算操作的动作时序的动作时序参数具体为：

将所述待加速CNN转换为预设深度学习框架的所述待加速CNN；

获取包含预设深度学习框架的所述待加速CNN的各个所述计算操作的动作时序的动作时序参数。

3.根据权利要求2所述的加速方法，其特征在于，所述预设深度学习框架为caffe或TensorFlow。

4.根据权利要求2所述的加速方法，其特征在于，所述控制加速卡的现场可编程门阵列FPGA根据所述待用计算操作模型，编译出用于执行所述待加速CNN的内核程序具体为：

控制加速卡的现场可编程门阵列FPGA根据所述待用计算操作模型，通过自身的硬件编译平台，编译出用于执行所述待加速CNN的内核程序。

5.根据权利要求4所述的加速方法，其特征在于，所述预先接收预设的卷积神经网络CNN中的多个预设类型的计算操作模型具体为：

预先接收利用开放运算语言OpenCL预设的卷积神经网络CNN中的多个预设类型的计算操作模型。

6.根据权利要求1至5任一项所述的加速方法，其特征在于，所述预设类型包括卷积操作、池化操作、线性整流函数Relu以及Norm函数。

7.一种卷积神经网络的加速装置，其特征在于，包括：

接收模块，用于预先接收预设的卷积神经网络CNN中的多个预设类型的计算操作模型；

第一获取模块，用于从多个所述计算操作模型中，获取能够实现待加速CNN的各个计算操作的所述计算操作模型，作为待用计算操作模型；

第一控制模块，用于控制加速卡的现场可编程门阵列FPGA根据所述待用计算操作模型，编译出用于执行所述待加速CNN的内核程序；

第二获取模块，用于获取包含所述待加速CNN的各个所述计算操作的动作时序的动作时序参数；

第二控制模块，用于控制所述FPGA按照所述动作时序参数中的所述动作时序执行所述内核程序，并对预设数据进行运算，以便实现加速。

8.根据权利要求7所述的加速装置，其特征在于，所述第二获取模块包括：

转换模块，用于将所述待加速CNN转换为预设深度学习框架的所述待加速CNN；

获取子模块，用于获取包含预设深度学习框架的所述待加速CNN的各个所述计算操作的动作时序的动作时序参数。

9.一种卷积神经网络的加速设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述卷积神经网络的加速方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述卷积神经网络的加速方法的步骤。