[发明专利]三维卷积神经网络的握手系统、方法及相关设备

说明书

本发明公开了一种三维卷积神经网络的握手系统、方法、装置、计算机设备及介质，所述方法包括：获取待搬运数据，并将待搬运数据以预设大小的数据块写入缓存，作为缓存数据块；按照预设的存储方式，向寄存器组写入缓存数据块的大小，得到数据块记录信息；在接收到数据运算请求时，从数据运算请求中获取需求数据信息，需求数据信息包括三维坐标；基于三维坐标和数据块记录信息，确定缓存数据块中是否包含需求数据信息对应的数据；若缓存数据块中包含需求数据信息对应的数据，则生成述缓存数据块中存在有效数据的响应信号，采用本发明可提高了握手效率。

技术领域

本发明涉及数据处理领域，尤其涉及一种三维卷积神经网络的握手系统、方法及相关设备。

背景技术

卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法，对于大型图像处理有着非常出色的表现。由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到更加广泛的使用。

卷积神经网络一般来说分为卷积层(convolution layer)、池化层(poolinglayer)、全连接层(FC layer)。卷积神经网络可以很好的处理二维平面图象的问题。然而，对球面图像进行处理需求日益增加。例如，对无人机、机器人、自动驾驶汽车、分子回归问题、全球天气和气候模型的全方位视觉处理问题。三维卷积使用场景一般是多帧数据，输出也是多帧，依次对连续k帧的整个通道同时执行卷积操作。

近年来三维卷积深度神经网络得到了迅猛的发展，实验证明，三维卷积深度神经网络是一种能够同时模拟外观和运动的良好的特征学习器；

从上面的描述可以看出，三维卷积相比传统的二维卷积多了一个维度，传统的二维卷积输入图像一般是channel(通道)，height(高度)，width(宽度)；而三维卷积的输入图像是channel(通道)，dense(深度)，height(高度)，width(宽度)，比二维卷积多了一个dense维度。

对于硬件设计来说，一般来说，3维卷积的计算模块需要有DMA(Direct MemoryAccess,直接存储器访问)将数据从DDR或者片内存储单元搬运到计算的缓存buffer，从而可以保证计算的速度。而对于DMA来说，如果搬完一个维度再搬另一个维度，就会带来一个问题：三维卷积需要3个维度的数据，此时有可能一个维度的数据量过大，导致后续的计算模块迟迟无法进行计算，因为计算模块是需要3个维度的数据。这将导致巨大的latency，即计算延迟过大。

另外一种设计思路是搬完一部分width的数据再切换到height维度搬一部分数据，再切换到dense维度以及channel维度，再切换到width维度，以此类推，此种方法可以大大降低计算延迟，但是后续计算模块与前级DMA搬运模块之间如何实现快速握手成了一个亟待解决的难题。

发明内容

本发明实施例提供一种三维卷积神经网络的握手方法、装置、计算机设备和存储介质，以提高后续计算模块与前级DMA搬运模块之间握手成功的效率。

为了解决上述技术问题，本申请实施例提供一种三维卷积神经网络的握手系统，包括：包括DMA搬运部件和数据计算部件，DMA搬运部件和数据计算部件之间通过电连接，所述DMA搬运部件包括至少三个寄存器组，所述寄存器组之间，依次串行连接，每个所述寄存器组对接有至少三个比较器，其中，

所述寄存器组用于记录握手数据信息；

所述寄存器组对接的比较器分别用于对寄存器中的握手数据信息与三维卷积神经网络中一种维度的数据信息进行比较。

为了解决上述技术问题，本申请实施例提供一种三维卷积神经网络的握手方法，包括：

获取待搬运数据，并将所述待搬运数据以预设大小的数据块写入缓存，作为缓存数据块；

按照预设的存储方式，向寄存器组写入所述缓存数据块的大小，得到数据块记录信息；