[发明专利]特征图全连接卷积方法、装置、可读存储介质及电子设备

说明书

本公开公开了一种特征图全连接卷积方法，包括：基于特征图和第一卷积核，确定第一卷积核中与特征图对应的多个权重值；基于第一卷积核中的多个权重值以及多个权重值与特征图的对应关系，确定第二卷积核；基于预定尺寸和第二卷积核的尺寸，确定第二卷积核的多个待补充权重值以及所待补充权重值与第二卷积核对应的位置；基于第二卷积核、待补充权重值以及待补充权重值的位置，确定预定尺寸的第三卷积核；采用第三卷积核对特征图进行全连接卷积计算。本公开的技术方案能够不对特征图进行调整和填充即可实现特征图的全连接卷积，能够节省对特征图进行调整和填充的计算资源，同时由于特征图不需要填充，能够保持较小的尺寸，节省特征图所占的内存空间。

技术领域

本公开涉及神经网络计算技术领域，尤其涉及一种特征图全连接卷积方法、装置、可读存储介质及电子设备。

背景技术

在神经网络模型结构例如CNN卷积神经网络模型结构的设计中，在网络结构的最后几层，通常会出现一些全连接卷积。对于上述的设计，在应用过程中，由于一专用的硬件平台的指令集架构不支持全连接，只能用普通卷积进行模拟全连接计算，而普通卷积只支持奇数大小的卷积核，比如3x3、5x5、7x7等。当网络结构需要对偶数大小的特征图做全连接时，需要采用比特征图尺寸大且大小尺寸为奇数的卷积核对特征图做卷积，此时，由于硬件平台的指令集架构对特征图填充的限制，需要对特征图进行特定行或列的填充，从而需要额外的指令对数据排列进行调整，同时也会增加特征图对内存的空间占用。

发明内容

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种特征图全连接卷积方法、装置、可读存储介质及电子设备，能够将第三卷积核中的有效权重值设置在与特征图对应的位置，从而采用第三卷积核直接对特征图进行全连接卷积，减少计算量和内存占用空间。

根据本公开的一个方面，提供了一种特征图全连接卷积方法，包括：

基于特征图和第一卷积核，确定所述第一卷积核中与所述特征图对应的多个权重值；

基于所述第一卷积核中的所述多个权重值以及所述多个权重值与所述特征图的对应关系，确定第二卷积核；

基于预定尺寸和所述第二卷积核的尺寸，确定所述第二卷积核的多个待补充权重值以及所述所待补充权重值与所述第二卷积核对应的位置；

基于所述第二卷积核、所述待补充权重值以及待补充权重值的位置，确定预定尺寸的第三卷积核；

采用所述第三卷积核对所述特征图进行全连接卷积计算。

根据本公开的第二方面，提供了一种特征图全连接卷积装置，包括：

权重值确定模块，用于基于特征图和第一卷积核，确定所述第一卷积核中与所述特征图对应的多个权重值；

第二卷积核确定模块，用于基于所述第一卷积核中的所述多个权重值以及所述多个权重值与所述特征图的对应关系，确定第二卷积核；

待补充权重值确定模块，用于基于预定尺寸和所述第二卷积核的尺寸，确定所述第二卷积核的多个待补充权重值以及所述所待补充权重值的对应位置；

第三卷积核确定模块，用于基于所述第二卷积核、所述待补充权重值以及待补充权重值的位置，形成预定尺寸的第三卷积核；

计算模块，用于采用所述第三卷积核对所述特征图进行全连接卷积计算。

根据本公开的第三方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的特征图全连接卷积方法。

根据本公开的第四方面，提供了一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；