[发明专利]一种数据处理方法、系统及计算机可读存储介质

说明书

本发明实施例公开了一种数据处理方法、系统及计算机可读存储介质。其中，方法包括根据数据处理模式，利用预先构建的、相应数据处理模式下的多路CNN网络结构对待分析数据进行处理；根据数据处理模式和各路CNN网络结构的运行计算结果，得到待分析数据的处理结果，数据处理模式与多路网络结构一一对应，且各路CNN网络结构在计算过程中没有数据交互。本申请通过在一个FPGA上设置多路并行的CNN网络结构，不同的数据处理模式对应不同的网络结构，既可以对大量的数据同时并行处理，节省数据处理时间，从而提高CNN算法的工作效率；又可以利用多路CNN网络结构同时对同一目标数据进行目标识别，有利于提升CNN算法的目标识别的准确率，从而整体提升CNN算法性能。

技术领域

本发明实施例涉及深度学习技术领域，特别是涉及一种数据处理方法、系统及计算机可读存储介质。

背景技术

随着机器学习技术的快速发展，深度学习作为机器学习中一种基于对数据进行表征学习的方法，被广泛应用。

目前，深度学习技术主要以DNN(Deep Neural Networks，深度神经网络)为研究对象。DNN用于模式识别的主流是有指导学习网络，无指导学习网络更多的是用于聚类分析。对于有指导的模式识别，由于任意一种样本的类别是已知的，样本在空间的分布不再是依据其自然分布倾向来划分，而是要根据同类样本在空间的分布及不同类样本之间的分离程度确定一种适当的空间划分方法，或者找到一个分类边界，使得不同类样本分别位于不同的区域内。这就需要一个长时间且复杂的学习过程，不断调整用以划分样本空间的分类边界的位置，使尽可能少的样本被划分到非同类区域中。对于同一个网络结构，其训练样本的不同(不同包括内容、顺序)最后训练的结果也不完全相同。

由于处理场景的不同，对DNN的性能要求也不相同，从而发展出多种网络结构，例如卷积神经网络(Convolutional Neural Networks，CNN)为一种典型的深度学习算法。

CNN结构较为复杂，为了提高CNN数据处理速度，现有技术多采用CPU(CentralProcessing Unit，中央处理器)和FPGA(Field-Programmable Gate Array，现场可编程门阵列)构成异构加速平台加以实现，一般在一块加速板卡上实现一种CNN网络结构，但是当数据较多时，或者是目标识别准确率需求较高时，或者数据处理效率要求较高时，现有技术往往无法满足现实要求。

发明内容

本发明实施例的目的是提供一种数据处理方法、系统及计算机可读存储介质，降低CNN网络结构的数据处理所需时间，有利于提升CNN网络目标识别的准确率，提高了CNN算法的性能。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种数据处理方法，基于FPGA板卡和CPU构成的异构计算平台，包括：

根据所述CPU发送数据处理模式指令，利用预先构建的、相应数据处理模式下的多路CNN网络结构对所述待分析数据进行处理；

根据所述数据处理模式和各路CNN网络结构的运行计算结果，得到所述待分析数据的处理结果；

其中，多路CNN网络结构并行运行在所述FPGA板卡上，多路CNN网络结构为预先根据用户输入的配置参数进行构建，并与所述数据处理模式一一对应；各路CNN网络结构在计算过程中没有数据交互；

所述数据处理模式包括多路CNN网络结构对同一待分析数据进行目标识别的目标识别模式，和同时对所述待分析数据的各个彼此不同子段数据进行处理的数据并行处理模式，子段数据的个数和CNN网络结构的路数相同，且各子段数据拼接为完整的所述待分析数据。

可选的，所述数据处理模式为目标识别模式，所述根据所述数据处理模式和各路CNN网络结构的运行计算结果，得到所述待分析数据的处理结果包括：