[发明专利]卷积结果获取方法、装置、计算机设备及存储介质

说明书

本申请提供一种卷积结果获取方法、装置、计算机设备及存储介质，涉及人工智能技术领域。方法包括：获取待处理图像在各个通道下的特征图；针对每个通道下的特征图，在特征图上以预设步长滑动预设大小的滑窗，对于滑窗内的当前特征矩阵，按照第一预设规则，每次从当前特征矩阵中提取第一预设数量的数据；基于卷积核和卷积核变换矩阵确定权重矩阵，并按照第二预设规则，对权重矩阵中各个数据的位置进行调整，得到调整后的权重矩阵；基于在各个通道下每次提取到的第一预设数量的数据，以及调整后的权重矩阵，确定待处理图像对应的卷积结果。采用本申请能够提高计算单元的利用率，进而减少逻辑资源的消耗。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种卷积结果获取方法、装置、计算机设备及存储介质。

背景技术

在人工智能时代，卷积神经网络(Convolutional Neural Networks，CNN)应用在各种各样的场景中会涉及到大量的乘法运算。Winograd算法作为一种快速卷积算法，对CNN卷积计算的乘法器资源优化效果十分明显，Winograd优化3×3卷积的计算过程为：S=A^T[(GgG^T)·(B^TdB)]A，其中输入为在特征图d上大小4×4、步进2的滑窗，对滑窗内的数据，Winograd运算过程包括B计算、B^T计算、矩阵点乘、A^T计算和A计算。由于B和A矩阵只包含1、0和-1，因此可以用加法器替代乘法器完成卷积运算。但Winograd其计算过程需要经过4次矩阵变换（B^Td、B^TdB、A^T和A），使得Winograd对乘法器资源的优化变相成为对其他逻辑资源的消耗，难以应用在低成本的FPGA（Field Programmable Gate Array，现场可编程逻辑门阵列）或小型ASIC（Application Specific Integrated Circuit，专用集成电路）上的CNN部署。

目前常见的卷积结果获取方法中，由于在矩阵变换后总数据位宽增大，导致流水线中使用了大量的寄存器用于数据缓存；同时为了并行处理增加的数据，加法器也对应的增加，在数据缓存未填满时这些加法器处于空闲状态，消耗逻辑资源的同时也没有达到高的利用率。因此，现有的卷积结果获取方法存在逻辑资源消耗量大的问题。

发明内容

本申请提供一种卷积结果获取方法、装置、计算机设备及存储介质，能够提高计算单元的利用率，进而减少逻辑资源的消耗。

第一方面，本申请提供了一种卷积结果获取方法，包括：

获取待处理图像在各个通道下的特征图；

针对每个通道下的特征图，在特征图上以预设步长滑动预设大小的滑窗，对于滑窗内的当前特征矩阵，按照第一预设规则，每次从当前特征矩阵中提取第一预设数量的数据；

基于卷积核和卷积核变换矩阵确定权重矩阵，并按照第二预设规则，对权重矩阵中各个数据的位置进行调整，得到调整后的权重矩阵；

基于在各个通道下每次提取到的第一预设数量的数据，以及调整后的权重矩阵，确定待处理图像对应的卷积结果。

第二方面，本申请还提供了一种卷积结果获取装置，包括：

第一获取模块，用于获取待处理图像在各个通道下的特征图；

提取模块，用于针对每个通道下的特征图，在特征图上以预设步长滑动预设大小的滑窗，对于滑窗内的当前特征矩阵，按照第一预设规则，每次从当前特征矩阵中提取第一预设数量的数据；

调整模块，用于基于卷积核和卷积核变换矩阵确定权重矩阵，并按照第二预设规则，对权重矩阵中各个数据的位置进行调整，得到调整后的权重矩阵；

第二获取模块，用于基于在各个通道下每次提取到的第一预设数量的数据，以及调整后的权重矩阵，确定待处理图像对应的卷积结果。