[发明专利]一种基于脉动阵列的神经网络加速器特征图分割方法

权利要求书

1.一种基于脉动阵列的神经网络加速器特征图分割方法，其特征在于包括如下步骤：

S1，获取特征图；

S2，根据滤波器维度和卷积步长，计算特征图拆分子图像维度和拆分步长，所述拆分步长包括拆分子图像在特征图长、宽方向上的拆分步长；根据如下公式计算特征图拆分子图像维度：

Image_Width = (S_W+1)×F_W-S_W

Image_Height = (S_H+1)×F_H-S_H

其中Image_Width和Image_Height分别表示拆分子图像的宽度和长度，S_W和S_H分别表示滤波器在拆分子图像宽和长方向上的步长，F_W和F_H分别表示滤波器的宽度和长度；

根据如下公式计算特征图的拆分步长：

ImageStep_Width = S_W×F_W

ImageStep_Height = S_H×F_H

其中ImageStep_Width和ImageStep_Height分别表示在特征图宽和长方向上的拆分步长；

S3，通过依次累加拆分子图像在特征图宽方向上的拆分步长，获取当前拆分子图像及其下一个拆分子图像的列起始位置；通过依次累加拆分子图像在特征图长方向上的拆分步长，获取当前拆分子图像及其下一个拆分子图像的行起始位置；

S4，计算特征图的宽度与下一个拆分子图像的列起始位置之差，当差值小于滤波器的宽度时，将当前拆分子图像所在行方向上剩余的拆分子图像舍弃；计算特征图的长度与下一个拆分子图像的行起始位置之差，当差值小于滤波器长度时，将剩余的拆分子图像舍弃；包括如下步骤：

S41，计算特征图的宽度与下一个拆分子图像的列起始位置之差ΔL，若ΔL大于等于所述拆分子图像的宽度，则下一个拆分子图像的宽度为所述拆分子图像的宽度；若ΔL小于所述拆分子图像的宽度，同时又大于等于滤波器的宽度，则下一个拆分子图像的宽度为ΔL；若ΔL小于滤波器的宽度，则将此时拆分子图像所在行方向上剩余的拆分子图像舍弃；

S42，计算特征图的高度与下一个拆分子图像的行起始位置之差ΔH，若ΔH大于等于所述拆分子图像的高度，则下一个拆分子图像的高度为所述拆分子图像的高度；若ΔL小于所述拆分子图像的高度，同时又大于卷积滤波器的高度，则下一个拆分子图像的宽度为ΔH；若ΔH小于滤波器的高度，则将剩余的拆分子图像舍弃；

S5，将拆分子图像依次输入到脉动阵列中，与权重进行卷积运算。

2.根据权利要求1所述的一种基于脉动阵列的神经网络加速器特征图分割方法，其特征在于所述S3包括如下步骤：

S31，当拆分开始时，根据当前拆分子图像的列起始位置和特征图宽度方向上的拆分步长，得到下一个拆分子图像的列起始位置；

S32，通过最后一列标志信号，判断特征图本行子图像拆分是否完毕，拆分完毕后进行下一行子图像的拆分；

S33，进行行切换时，根据当前拆分子图像的行起始位置和特征图长度方向上的拆分步长，得到下一个拆分子图像的行起始位置。

3.根据权利要求1所述的一种基于脉动阵列的神经网络加速器特征图分割方法，其特征在于所述S1中，对获取的特征图进行边缘填充。

4.根据权利要求3所述的一种基于脉动阵列的神经网络加速器特征图分割方法，其特征在于所述边缘填充1至N-1个像素，所述N表示滤波器的宽度和/或长度对应的像素个数。

5.根据权利要求1所述的一种基于脉动阵列的神经网络加速器特征图分割方法，其特征在于所述滤波器为卷积核矩阵，滤波器的步长为卷积步长，滤波器的宽度和长度分别表示卷积核的宽度和长度。