[发明专利]用于计算的方法、计算设备和计算机可读存储介质

说明书

本公开涉及一种用于计算的方法、计算设备和计算机可读存储介质。该方法包括在高速缓存中确定像素块集合，像素块集合中的第一像素块包括与原始像素数据有关的第一填充设置的m*n的像素矩阵，m和n为正整数。然后，将确定的像素块集合存储到缓冲区中，以便基于第一像素块的缓冲区起始地址和与第二像素块相关联的地址偏移而从缓冲区读取第二像素块。第二像素块具有与原始像素数据有关第二填充设置，第一填充设置与第二填充设置在第一方向上相对于原始像素数据的偏移量相同。由此，避免了从高速缓存中对重复的像素数据的读取，降低了读取高速缓存的次数，降低了系统功耗，提高了系统性能。

技术领域

本公开的实施例总体上涉及人工智能领域，更具体地涉及一种用于计算的方法、计算设备和计算机可读存储介质。

背景技术

填充像素数据经常出现在基于人工智能的图像处理或卷积神经网络中。例如，在卷积神经网络中，一种卷积计算是将卷积核中的权重和对应的输入像素块相乘再相加进而生成对应输出特征的值。然而，在进行卷积计算时，由于往往会丢失图像周边的像素，因此会造成像素损失。特别是当应用许多连续的卷积层时，如果每层都存在因丢失图像周边的像素而造成的像素损失，最后累积的图像像素损失可能会很严重。

因此，在进行卷积前，通常会通过在输入的原始图像的边界周围添加额外的像素，即对原始图像进行填充(Paddings)。然后，再对经填充的填充像素数据进行卷积，从而通过增加图像的有效尺寸，以避免像素信息丢失。反向传播中的权重梯度计算通常也需要使用例如水平填充和垂直填充的各种组合来获得经填充后的像素数据。

发明内容

本公开提供了一种用于计算的方法、计算设备和计算机可读存储介质，能够提供一种用于卷积计算的高速缓存实现。

根据本公开的第一方面，提供了一种用于计算的方法。该方法包括：在高速缓存中确定像素块集合，像素块集合中的第一像素块包括与原始像素数据有关的第一填充设置的m*n的像素矩阵，m和n为正整数。然后，将像素块集合存储到缓冲区中，以便基于第一像素块的缓冲区起始地址和与第二像素块相关联的地址偏移而从缓冲区读取第二像素块。第二像素块具有与原始像素数据有关的第二填充设置，第一填充设置与第二填充设置在第一方向上相对于原始像素数据的偏移量相同。

根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；以及至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得设备执行根据第一方面的方法的步骤。

根据本公开的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序被机器执行时执行本公开的第一方面的方法。

在一些实施例中，m行中的一行像素数据或n列中的一列像素数据占缓冲区的一个条目，条目具有对应的缓冲区地址。

在一些实施例中，像素块集合包括2个像素块，其中每个像素块包括8*8的像素矩阵。

在一些实施例中，第一方向为水平方向或垂直方向。

在一些实施例中，第一填充设置与第二填充设置不同。

在一些实施例中，当过滤器大小为3*3时，原始像素数据具有9种不同的填充设置，9种不同的填充设置包括第一填充设置和第二填充设置。

在一些实施例中，原始像素数据具有多种不同的填充设置，并且从缓冲区读取第二像素块包括：从缓冲区读取多个第二像素块，多个第二像素块分别具有相应的填充设置，相应的填充设置在第一方向上相对于原始像素数据的偏移量相同。

在一些实施例中，该方法还包括：基于与原始像素数据有关的过滤器大小，确定第一填充设置。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。