[发明专利]运算方法及相关产品

说明书

本申请提供的运算方法及相关产品，包括：处理器和存储器；其中，所述存储器，用于存储程序代码；所述处理器，用于调用所述存储器中所存储的程度代码，执行运算方法。本申请提供的运算方法及相关产品能够提高神经网络训练的运算效率，降低训练过程所占用的运算资源。

技术领域

本申请涉及深度学习技术领域，尤其涉及一种基于神经网络的运算方法及相关产品。

背景技术

近年来，深度学习技术得到了飞速发展，特别是在图像识别、语音识别、自然语 言分析、智能机器人、大数据分析等领域得到了广泛引用，成为了研究重点。

神经网络模型是深度学习技术中的运算模型，通过利用多层架构以对输入的数据进行处理，并输出相应的运算结果。在现有技术中，对于神经网络模型进行训练是使 用神经网络模型进行运算的必要步骤，在训练过程中，待训练的神经网络需要对海量 训练数据重复进行迭代运算以得到训练完毕的神经网络模型。

但是，传统的对海量训练数据进行重复迭代运算的方式将占用大量的运算资源，且由于对数据进行运算的效率较低，其使得训练所需时间较长，运算功耗较大。

发明内容

基于此，有必要针对上述技术问题，提供一种能够用于提高神经网络模型训练效率，降低训练运算损耗资源的运算方法及相关产品。

第一方面，本申请提供了一种运算方法，包括：

获取上层卷积网络输出的特征数据以及用于对该特征数据进行正变换的特征变换 矩阵；

根据所述特征变换矩阵对所述特征数据进行变换得到特征变换结果；其中，将所述 特征数据的变换运算拆解为求和运算，并根据所述求和运算确定所述特征变换结果；

获取本层卷积网络经过正变换的权值变换结果，对所述特征变换结果和所述权值变 换结果进行对位乘法运算，得到乘法运算结果；

获取用于对所述乘法运算结果进行逆变换的逆变换矩阵，根据所述逆变换矩阵对所述乘法运算结果进行变换得到运算结果；其中，将所述乘法运算结果的变换运算拆 解为求和运算，并根据所述求和运算确定所述运算结果；

将所述运算结果输出至下层卷积网络。

第二方面，本申请提供了一种运算装置，包括：

获取模块，用于获取上层卷积网络输出的特征数据以及用于对该特征数据进行正变 换的特征变换矩阵；

特征变换模块，用于根据所述特征变换矩阵对所述特征数据进行变换得到特征变换结果；其中，将所述特征数据的变换运算拆解为求和运算，并根据所述求和运算确 定所述特征变换结果；

对位乘模块，用于获取本层卷积网络经过正变换的权值变换结果，对所述特征变换结果和所述权值变换结果进行对位乘法运算，得到乘法运算结果；

逆变换模块，用于获取用于对所述乘法运算结果进行逆变换的逆变换矩阵，根据所述逆变换矩阵对所述乘法运算结果进行变换得到运算结果；其中，将所述乘法运算 结果的变换运算拆解为求和运算，并根据所述求和运算确定所述运算结果；

传输模块，用于将所述运算结果输出至下层卷积网络。

第三方面，本申请提供了一种人工智能芯片，所述芯片包括如前任意一项所述的运算装置。

第四方面，本申请提供了一种电子设备，所述电子设备包括如前所述的人工智能芯片。

第五方面，本申请提供了一种板卡，所述板卡包括：存储器件、接口装置和控制 器件以及如前所述的人工智能芯片；

其中，所述人工智能芯片与所述存储器件、所述控制器件以及所述接口装置分别连接；

所述存储器件，用于存储数据；