[发明专利]数据解压缩方法、数据压缩方法及卷积运算装置

说明书

本发明提供一种数据解压缩方法、数据压缩方法及卷积运算装置。本发明的一实施例提出一种数据解压缩方法，用于卷积运算装置中，对输入数据块进行解压缩，所述数据解压缩方法包含：读取所述输入数据块；及对所述输入数据块进行一级解压；其中，所述一级解压用于解压数据格式为一级压缩算法格式的所述输入数据块；其中，所述一级压缩算法格式包含：掩码字段，用于标识所述输入数据块中非0元素的位置和所述输入数据块中元素的个数。

技术领域

本发明涉及一种数据解压缩方法、数据压缩方法及卷积运算装置，特别涉及一种将输入数据块进行解压缩/压缩处理的数据解压缩方法、数据压缩方法及卷积运算装置。

背景技术

卷积神经网络(Convolutional Neural Networks，CNN)是目前深度神经网络领域发展的主力，在图像辨识方面十分精准。典型的卷积神经网络包括许多层(layer)的运算，例如卷积层(convolution layer)、激活层(Activating layer)、池化层(pooling layer)以及全连接层(fully connected layer)。

使用独立于CPU(Central Processing Unit，中央处理器)的卷积运算模块(硬件模块，比如CNN加速器等)可以有效地提高卷积运算的速度。然而卷积运算模块中用于缓存运算数据(包括输入数据和卷积核等)的缓存空间是有限的，在进行卷积运算时，无法将当前卷积层用到的运算数据全部缓存到卷积运算模块中。因此，如果进行卷积运算用到的运算数据还没有缓存到卷积运算模块中，卷积运算模块将暂停卷积运算并将需要用到的运算数据从卷积运算模块外部的存储器中载入进来，等载入完需要用到的运算数据后才能继续进行卷积运算，从而影响了卷积运算模块的运算速度。

因此，如何在卷积运算模块的缓存空间有限的情况下缓存更多的运算数据，以及如何使每次载入的运算数据更多，以减少卷积运算模块暂停的次数，从而提高卷积运算模块的运算效率，已成为本领域需要解决的问题之一。

发明内容

有鉴于此，本发明提出一种数据解压缩方法、数据压缩方法及卷积运算装置，通过在卷积运算模块中缓存更多的运算数据，以减少卷积运算模块的暂停次数，从而提高了卷积运算模块的运算效率。

本发明的实施例提出一种数据解压缩方法，用于卷积运算装置中，对输入数据块进行解压缩，所述数据解压缩方法包含：读取所述输入数据块；及对所述输入数据块进行一级解压；其中，所述一级解压用于解压数据格式为一级压缩算法格式的所述输入数据块；其中，所述一级压缩算法格式包含：掩码字段，用于标识所述输入数据块中非0元素的位置和所述输入数据块中元素的个数。

本发明的实施例提出一种数据压缩方法，用于卷积运算装置中，对输入数据块进行压缩，所述数据压缩方法包含：生成所述输入数据块；及对所述输入数据块进行一级压缩，其中，所述一级压缩将所述输入数据块压缩为数据格式为一级压缩算法格式的数据；其中，所述一级压缩算法格式包含：掩码字段，用于标识所述输入数据块中非0元素的位置和所述输入数据块中元素的个数。

本发明的实施例提出一种卷积运算装置，用于对输入数据块进行解压缩，所述卷积运算装置包含：缓存，用于存储所述输入数据块；及一级处理模块，从所述缓存读取所述输入数据块，并对所述输入数据块进行一级解压；其中，所述一级解压用于解压数据格式为一级压缩算法格式的所述输入数据块；其中，所述一级压缩算法格式包含：掩码字段，用于标识所述输入数据块中非0元素的位置和所述输入数据块中元素的个数。

本发明的实施例提出一种卷积运算装置，用于对输入数据块进行压缩，所述卷积运算装置包含：缓存，用于存储所述输入数据块；及数据处理模块，对所述输入数据块进行一级压缩，并将经过一级压缩的所述输入数据块存入所述缓存；其中，所述一级压缩将所述输入数据块压缩为数据格式为一级压缩算法格式的数据；其中，所述一级压缩算法格式包含：掩码字段，标识所述输入数据块中非0元素的位置和所述输入数据块中元素的个数。