[发明专利]一种神经网络的指令序列生成方法及装置

权利要求书

1.一种神经网络的指令序列生成方法，所述方法包括：

根据神经网络中的全局平均池化层的特征图维度，确定所述神经网络中的深度可分离卷积的特征图维度；

根据所述全局平均池化层的输入特征图维度，确定用于深度可分离卷积的卷积核的维度；

根据所述深度可分离卷积的特征图维度和所述卷积核的维度，生成用于执行所述神经网络对应的指令序列，所述指令序列中包含所述神经网络的全局平均池化层的操作指令。

2.如权利要求1所述的方法，其中，所述特征图维度包括：特征图高度、特征图宽度和特征图通道数；

所述根据神经网络中的池化层的特征图维度，确定所述神经网络中的深度可分离卷积的特征图维度，包括：

将全局平均池化层的输入特征图维度确定为所述深度可分离卷积的输入特征图维度；

将全局平均池化层的输出特征图维度确定为所述深度可分离卷积的输出特征图维度。

3.如权利要求2所述的方法，所述卷积核的维度包括：卷积核的高度、卷积核的宽度、卷积核的通道数、卷积核的数值和卷积核的个数；

所述根据所述全局平均池化层的输入特征图维度，确定用于深度可分离卷积的卷积核的维度，包括：

基于所述全局平均池化层的输入特征图高度、输入特征图宽度分别确定所述卷积核的高度、宽度；

根据所述全局平均池化层的输入特征图通道数确定所述卷积核的个数，以使所述卷积核的个数和所述输入特征图通道数相同；

根据所述全局平均池化层的输入特征图高度、输入特征图宽度确定所述卷积核的数值。

4.如权利要求3所述的方法，所述根据所述全局平均池化层的输入特征图高度、输入特征图宽度确定所述卷积核的数值，具体包括：

确定所述全局平均池化层的输入特征图高度和输入特征图宽度之间的乘积；

基于所述乘积的倒数确定所述卷积核的数值。

5.如权利要求3或4所述的方法，所述方法还包括：

确定目标硬件支持的精度；

根据所述目标硬件支持的精度调整所述卷积核的数值。

6.一种神经网络运行的方法，所述神经网络中包括根据权利要求1-5任一权项生成的指令序列；所述方法包括：

获得经过所述神经网络中卷积层处理后的输入特征图；其中，所述输入特征图至少包括通道数；

根据所述输入特征图的通道数确定卷积核的个数；其中，一个通道对应一个卷积核；

在所述输入特征图的每个通道中，根据所述每个通道各自的卷积核对所述每个通道进行卷积，获得所述每个通道的输出值；其中，所述每个通道的输出值和该通道经过全局平均池化操作得到的输出值相同。

7.如权利要求6所述的方法，其中，所述根据所述每个通道各自的卷积核对所述每个通道进行迭代，获得所述每个通道的输出值，包括：

针对所述每个通道，在高度方向上，根据该通道中的每一行和对应的卷积核移动时高度方向的步长确定每一行在高度方向的乘积；将每一行在高度方向的乘积和每一行在当前高度方向的坐标值合并，得到每一行在高度方向上的第一输入参数；

在宽度方向上，根据该通道中的每一列和对应的卷积核移动时宽度方向的步长确定每一列在宽度方向的乘积；将每一列在宽度方向的乘积和每一行在当前宽度方向的坐标值合并，得到每一行在宽度方向上的第二输入参数；

根据所述第一输入参数、所述第二输入参数和对应的卷积核加权求和，得到所述该通道的输出值。

8.一种神经网络的指令序列生成装置，包括：

第一确定模块，用于根据神经网络中的全局平均池化层的特征图维度，确定所述神经网络中的深度可分离卷积的特征图维度；

第二确定模块，用于根据所述全局平均池化层的输入特征图维度，确定用于深度可分离卷积的卷积核的维度；

生成模块，用于根据所述深度可分离卷积的特征图维度和所述卷积核的维度，生成用于执行所述神经网络对应的指令序列，所述指令序列中包含所述神经网络的全局平均池化层的操作指令。