[发明专利]一种基于神经网络层的数据处理方法、装置及设备

说明书

本发明实施例提供了一种基于神经网络层的数据处理方法、装置及设备，本方案中，第一方面，将神经网络目标层的输入数据由预设第一线性格式转换为预设对数格式，利用该目标层中的对数域运算器，对预设对数格式的输入数据进行运算，得到第一运算后数据；可见，本方案中，将线性域数据的运算转换为对数域数据的运算，也就是将使用乘法器的运算转换为使用加法器的运算，降低了神经网络运算量；第二方面，将第一运算后数据由预设对数格式转换为预设第二线性格式；利用目标层中的线性域运算器，对预设第二线性格式的第一运算后数据进行运算，得到第二运算后数据；可见，本方案中，又将对数域数据转换为线性域数据，满足了对线性域数据进行运算的需求。

技术领域

本发明涉及机器学习技术领域，特别是涉及一种基于神经网络层的数据处理方法、装置及设备。

背景技术

机器学习已被广泛应用于各种领域，例如，图像分类、目标检测、自然语言处理等等。机器学习可以理解为，利用样本数据对神经网络进行训练，训练过程也就是对神经网络中的网络参数进行迭代调整的过程，训练完成的神经网络可以用于图像分类、目标检测、自然语言处理等等。

随着数据量越来越大，算法越来越复杂，神经网络的运算量也越来越大，这就对部署神经网络的硬件设备的性能需求越来越高，提高了硬件成本。因此，亟需一种降低神经网络运算量的方案。

发明内容

本发明实施例的目的在于提供一种基于神经网络层的数据处理方法、装置及设备，以降低神经网络运算量。

为达到上述目的，本发明实施例提供了一种基于神经网络层的数据处理方法，包括：

获取神经网络目标层的输入数据；其中，若所述神经网络目标层为神经网络的输入层，则所述输入数据为以下任意一种：图像、音频、文本；若所述神经网络目标层不为神经网络的输入层，则所述输入数据为以下任意一种：图像特征、音频特征、文本特征；

将所述输入数据由预设第一线性格式转换为预设对数格式；

利用所述目标层中的对数域运算器，对所述预设对数格式的输入数据进行运算，得到第一运算后数据；

将所述第一运算后数据由所述预设对数格式转换为预设第二线性格式；

利用所述目标层中的线性域运算器，对所述预设第二线性格式的第一运算后数据进行运算，得到第二运算后数据。

可选的，所述预设对数格式中包括：指数部分和小数部分；所述将所述输入数据由预设第一线性格式转换为预设对数格式，包括：

统计所述输入数据的前导0的位数；

基于所述前导0的位数，确定所述输入数据在所述预设对数格式下的指数部分；

基于所述前导0的位数，确定所述输入数据在所述预设第一线性格式下的小数部分；

基于预设第一映射关系，将所述预设第一线性格式下的小数部分映射为所述预设对数格式下的小数部分；

将所述预设对数格式下的指数部分与所述预设对数格式下的小数部分进行拼接，得到所述预设对数格式的输入数据。

可选的，所述将所述第一运算后数据由所述预设对数格式转换为预设第二线性格式，包括：

将所述预设对数格式的第一运算后数据拆分为指数部分和小数部分；

基于预设第二映射关系，将拆分得到的所述预设对数格式的第一运算后数据的小数部分映射为预设第二线性格式下的小数部分；

通过将所述预设第二线性格式下的小数部分向左移位，得到预设第二线性格式的第一运算后数据；其中，所述向左移位的位数与所述预设对数格式的第一运算后数据的指数部分的数值相同。