[发明专利]卷积计算方法及相关设备

权利要求书

1.一种卷积计算方法，其特征在于，应用于神经网络处理器，所述神经网络处理器包括P2个处理元件，所述P2个处理元件中的每个处理元件包括Q个乘法累加单元，所述Q为大于1的整数，包括：

获取卷积神经网络模型包括的N个网络层中的任意一个网络层A的输入数据，所述N为大于1的整数；

根据网络层与卷积核、卷积步长的映射关系确定所述网络层A对应的目标卷积核和目标卷积步长；

根据所述目标卷积核和所述目标卷积步长对所述网络层A的输入数据进行填充，得到所述网络层A的第一输入数据，所述网络层A的第一输入数据包括大小相同的R个第一子输入矩阵，所述R为大于等于1的整数；

根据所述R个第一子输入矩阵中的任意一个第一子输入矩阵B、所述P2和所述Q确定对所述网络层A的第一输入数据进行卷积计算所需的M个处理元件组，所述M个处理元件组中的每个处理元件组包括P1个处理元件，所述P1个处理元件中的每个处理元件包括至少一个乘法累加单元，所述P2大于等于所述M×所述P1，所述M和所述P1均为大于等于1的整数；

并行使用所述M个处理元件组对所述网络层A的输入数据进行卷积计算，得到所述网络层A的输出数据。

2.根据权利要求1所述的方法，其特征在于，所述网络层A的输入数据包括大小均为S1×S2的R个子输入矩阵，所述目标卷积核包括大小均为F×F的R个子卷积核矩阵，所述目标卷积步长为T1×T2，所述根据所述目标卷积核和所述目标卷积步长对所述网络层A的输入数据进行填充，得到所述网络层A的第一输入数据，包括：

计算（S1-F）/T2，得到第一余数，以及根据所述第一余数和所述T2确定子输入矩阵C对应的行填充数据，所述子输入矩阵C为所述R个子输入矩阵中的任意一个；

计算（S2-F）/T1，得到第二余数，以及根据所述第二余数和所述T1确定所述子输入矩阵C对应的列填充数据；

根据所述行填充数据和所述列填充数据对所述子输入矩阵C进行填充，得到所述子输入矩阵C对应的第一子输入矩阵；

对所述R个子输入矩阵中除所述子输入矩阵C之外的（R-1）个子输入矩阵执行相同操作，得到（R-1）个第一子输入矩阵，所述（R-1）个第一子输入矩阵与所述（R-1）个子输入矩阵一一对应；

将所述子输入矩阵C对应的第一子输入矩阵和所述（R-1）个第一子输入矩阵确定为所述网络层A的第一输入数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述R个第一子输入矩阵中的任意一个第一子输入矩阵B、所述P2和所述Q确定对所述网络层A的第一输入数据进行卷积计算所需的M个处理元件组，包括：

获取第一子输入矩阵B的大小S3×S4，所述第一子输入矩阵B为所述R个第一子输入矩阵中的任意一个；

计算S4/Q，得到商和第三余数；

若所述第三余数为0，则将所述网络层A的第一输入数据包括的第一子输入矩阵的数量确定为M和将所述商确定为P1，所述M是对所述网络层A的第一输入数据进行卷积计算所需的处理元件组的数量，以及确定所述P1个处理元件中的每个处理元件包括Q个乘法累加单元；

若所述第三余数不为0，则将所述网络层A的第一输入数据包括的第一子输入矩阵的数量确定为M和将所述商加1确定为P1，所述M是对所述网络层A的第一输入数据进行卷积计算所需的处理元件组的数量，以及确定所述P1个处理元件中的第1个处理元件至第（P1-1）个处理元件中的每个处理元件包括Q个乘法累加单元和第P1个处理元件包括的乘法累加单元的数量为所述第三余数。