[发明专利]一种数据处理方法及装置

说明书

本发明实施例公开了一种数据处理方法及装置，可以应用于FPGA，获取待处理图像的多个特征数据，分别基于多个卷积核对每个特征数据进行卷积运算，得到特征数据对应的卷积结果，这里的卷积运算可以并行执行，这样不同的卷积运算可以同时执行，相比于顺序执行各个卷积运算而言，可以减少数据处理所消耗的时长，提高数据处理效率，提高数据处理的实时性。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种数据处理方法及装置。

背景技术

深度学习(Deep Learning，DL)是机器学习(Machine Learning，ML)领域的一个重要研究方向，其最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，使机器学习更接近人工智能。

进行深度学习的主流硬件主要基于中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和现场可编程门阵列(FieldProgrammable Gate Array，FPGA)，其中GPU的功耗较大，CPU和FPGA的功耗较小，但是目前的深度学习方法中，利用CPU和FPGA进行数据处理的实时性较差。

然而一些场景下对数据处理的实时性要求较高，例如其对于自动驾驶领域，需要对数据进行实时处理，才能快速得到车辆驾驶策略。如何提高数据处理的实时性，是目前数据处理领域的重大问题。

发明内容

为解决上述技术问题，本申请实施例提供一种数据处理方法和装置，通过多个计算单元并行进行数据处理，提高了数据处理的实时性。

本申请实施例提供一种数据处理方法，应用于现场可编程门阵列FPGA，所述方法包括：

获取待处理图像的多个特征数据；

分别对每个所述特征数据进行卷积运算，得到所述特征数据对应的卷积结果，至少两个所述卷积运算并行执行。

可选的，所述特征数据具有行属性，则对至少两个具有不同行属性的特征数据进行的卷积运算并行执行。

可选的，所述特征数据具有列属性，则对至少两个具有不同列属性的特征数据进行的卷积运算并行执行。

可选的，所述特征数据具有多个输出通道，则对所述特征数据的至少两个不同输出通道的卷积运算并行执行。

可选的，所述特征数据具有多个输入通道，则对所述特征数据的至少两个不同输入通道的卷积运算并行执行。

可选的，对不同卷积参数的至少两个行或列对应的卷积运算并行执行。

可选的，所述卷积运算包括基于不同尺寸的卷积核的多个卷积运算，则对所述至少两个尺寸的卷积核对应的卷积运算并行执行。

本申请实施例还提供了一种数据处理装置，应用于现场可编程门阵列FPGA，所述装置包括：

数据获取单元，用于获取待处理图像的多个特征数据；

运算单元，用于分别对每个所述特征数据进行卷积运算，得到所述特征数据对应的卷积结果，至少两个所述卷积运算并行执行。

可选的，所述特征数据具有行属性，则对至少两个具有不同行属性的特征数据进行的卷积运算并行执行。

可选的，所述特征数据具有列属性，则对至少两个具有不同列属性的特征数据进行的卷积运算并行执行。

可选的，所述特征数据具有多个输出通道，则对所述特征数据的至少两个不同输出通道的卷积运算并行执行。

可选的，所述特征数据具有多个输入通道，则对所述特征数据的至少两个不同输入通道的卷积运算并行执行。