[发明专利]基于卷积神经网络的数据处理方法、装置及设备

说明书

本申请涉及一种基于卷积神经网络的数据处理方法、装置及设备。该方法包括：将至少两个输入数据分别通过预处理，得到与至少两个输入数据各自对应的预处理数据，至少两个输入数据中的至少一个数据的长度为M；在卷积神经网络中将至少两个预处理数据通过至少M个全加器运算单元的卷积计算层和激活函数层进行处理，得到M个全加器运算单元的运算数据；将运算数据经过后处理得到输出数据。本申请提供的方案，能够实现在神经网络专用芯片上执行全加器的处理逻辑，可以提升硬件资源利用率和丰富芯片功能，降低成本。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于卷积神经网络的数据处理方法、装置及设备。

背景技术

逻辑门又称“数字逻辑电路基本单元”，其是在集成电路上执行“或”、“与”、“非”、“或非”、“与非”等逻辑运算的基本组件。任何复杂的逻辑电路都可由这些逻辑门组成，逻辑门已广泛应用于计算机、通信、控制和数字化仪表等领域。目前，可以利用数字逻辑专用芯片或通用处理器执行各种不同类型的逻辑运算处理，从而能够满足HASH(哈希)算法、加密算法等计算机程序算法的实现需求。

随着基于卷积神经网络的深度学习算法的快速发展，卷积神经网络已在不同的技术领域得到了广泛的应用，而执行处理卷积神经网络任务的神经网络专用芯片(例如卷积神经网络推理芯片、ASIC(Application Specific Integrated Circuit，专用集成电路)芯片等)也在市场上有着广泛的运用。

然而，卷积神经网络主要以卷积操作为主，卷积运算是计算两个变量对应相乘求和的结果。除卷积以外，在神经网络中其他的计算算子都是以对一个变量进行非线性变化的操作。因此卷积神经网络对于两个变量的操作只有“点积”这一种计算方式，无法直接处理逻辑运算，导致功能受限，硬件资源利用率低，进而增加了开发成本和使用成本。

发明内容

为解决或部分解决相关技术中存在的问题，本申请提供一种基于卷积神经网络的数据处理方法、装置及设备，能够实现在神经网络专用芯片上基于逻辑运算进行加法处理，可以提升硬件资源利用率和丰富芯片功能，降低成本。

本申请第一方面提供一种基于卷积神经网络的数据处理方法，应用于处理器，上述方法包括：将至少两个输入数据分别通过预处理，得到与至少两个输入数据各自对应的预处理数据，至少两个输入数据中的至少一个数据的长度为M；在卷积神经网络中将至少两个预处理数据通过至少M个全加器运算单元的卷积计算层和激活函数层进行处理，得到M个全加器运算单元的运算数据；将运算数据经过后处理得到输出数据。

在一种实施方式中，将至少两个输入数据分别通过预处理，得到与至少两个输入数据各自对应的预处理数据，包括：将至少两个串行数据流各自通过拼接操作转换为至少两个矩阵数据块；所述将运算数据经过后处理得到输出数据，包括：将矩阵数据块格式的运算数据转换为串行数据流。

在一种实施方式中，M个全加器运算单元串联，每个全加器运算单元包括加法支路和进位支路；在卷积神经网络中将至少两个预处理数据通过至少M个全加器运算单元的卷积计算层和激活函数层进行处理，得到M个全加器运算单元的运算数据，包括：对于每个全加器运算单元，在第一卷积计算层将至少两通道预处理数据进行第一卷积处理输出双倍通道卷积数据；将双倍通道卷积数据中第一单倍通道卷积数据通过加法支路执行逻辑运算，得到第一单倍通道的第一运算子结果，以及将双倍通道卷积数据中第二单倍通道卷积数据通过进位支路执行逻辑运算后通过激活函数层的激活函数进行处理，得到第二单倍通道的第二运算子结果；将第一运算子结果和第二运算子结果作为当前全加器运算单元的下一级全加器运算单元的输入数据。

在一种实施方式中，加法支路执行的逻辑运算包括由异或运算单元执行的逻辑运算，异或运算单元用于在第一卷积计算层将至少两通道预处理数据进行第一卷积处理输出双倍通道卷积数据；将双倍通道卷积数据分别通过或运算单元执行或运算和通过与非运算单元执行与非运算；将分别执行或运算和与非运算的结果通过与运算单元执行与运算，以得到异或运算单元的运算数据。