[发明专利]一种软硬件协同加速方法、系统及计算机可读存储介质

权利要求书

1.一种软硬件协同加速方法，其特征在于，所述软硬件协同加速方法基于卷积神经网络，包括如下步骤：

上位机进行网络解析：对于不同网络类型的模型解析成统一按层划分的数据结构，在结构头中加入网络平台，每层数据结构加入层序号并建立层关联，根据层序号与层名，关联当前层的输入层与输出层；

量化：按照层序号逐层进行权重与数据的量化；

硬件参数计算：计算特征数据按照内部存储N*N划分后的切块个数；

数据库固件生成：将各层数据结构合并，根据硬件支持特性，将卷积层与激活层Relu合并成一个卷积层，根据软件优化加速特性，将全连接层与激活层Relu、激活层Prelu合并，形成新的层序号；统计网络在嵌入式平台消耗的最小DDR内存，将各层数据结构、切块个数、最小消耗内存与权重生成数据库固件，各层数据结构包括层关联与量化后的每层的参数；

下位机获取并解析数据库固件，根据解析结果逐层启动硬件加速模块和/或软件加速模块进行加速。

2.根据权利要求1所述的软硬件协同加速方法，其特征在于，生成数据库固件具体包括：

层关联：将不同网络平台训练出来的网络模型逐层进行解析，当前层加入层序号、上一层的层名与层序号、下一层的层名与层序号，作为层关联的上下关系，当前层如果存在权重，将当前层的权重提取解析成浮点格式数据，当前层的参数解析成所述数据结构，加入数据结构的结构头；

选取不同场景的量化图片，按照解析出来的数据结构，根据层序号逐层进行量化，将权重、输入数据、输出数据由浮点数据转为定点数据，并获取每层的数据与权重的量化参数；

硬件参数计算：计算特征数据按照内部存储N*N划分后的切块个数；

将转换后的定点数据存储成二进制文件格式，将硬件参数、网络模型上下层关联、网络模型所占存储空间大小以及量化后的网络模型的参数存储成json格式，与切块处理信息进行打包，生成数据库固件。

3.根据权利要求2所述的软硬件协同加速方法，其特征在于，不同网络平台的网络模型及其参数分别包括：

通过caffe架构训练出来的caffe网络模型及其参数；

通过tensorflow架构训练出来的tensoflow网络模型及其参数；

通过pytorch架构训练出来的pytorch网络模型及其参数。

4.根据权利要求2所述的软硬件协同加速方法，其特征在于，所述数据结构包括卷积核特性，支持硬件加速的卷积核特性为：

卷积核窗口大小为11*11，卷积核步长为4；

卷积核窗口大小为7*7，卷积核步长为2；

卷积核窗口大小为5*5，卷积核步长为1或者2；

卷积核窗口大小为4*4，卷积核步长为1或者2；

卷积核窗口大小为3*3, 卷积核步长为1或者2；

卷积核窗口大小为2*2、1*1、7*1、5*1、3*1、1*7、1*5、1*3，卷积核步长为1。