一种卷积神经网络的数据处理方法、装置及介质制造方法及图纸

本发明专利技术公开了一种卷积神经网络的数据处理方法、装置及介质，该方法的步骤包括：获取预设的配置文件，并通过配置文件对Caffe框架进行初始化配置以建立卷积神经网络；通过FPGA获取原始数据，并依照卷积神经网络中各处理层级间的逻辑顺序处理各原始数据以得到最终结果数据；其中，各处理层级在结束对当前传入数据的处理操作后，将本层级的结果数据传输至下一处理层级并接收本层级新的传入数据以继续进行处理操作。本方法实现了并行且流水化的处理效果，提高了资源使用效率，在达到与现有技术相同运算性能的同时，相对降低了整体的功耗。此外，本发明专利技术还提供一种卷积神经网络的数据处理装置及介质，有益效果如上所述。

A data processing method, device and medium for a convolution neural network

The invention discloses a processing method, convolution neural network data device and medium, the method comprises the following steps: acquiring preset configuration file, and through the configuration file to initialize the Caffe framework to establish a convolutional neural network; obtaining the original data by FPGA, and in accordance with the original data processing logic sequence the convolutional neural in the network between the levels of the data to get the final result; among them, the level at the end of the incoming data processing operation, the level of the result data to the next level and receive the treatment level of the new incoming data to continue processing operation. This method achieves parallel and pipelining processing effect, improves the efficiency of resource utilization, and achieves the same operation performance as the existing technology while reducing the overall power consumption. In addition, the invention also provides a data processing device and a medium for the convolution neural network, which is beneficial effect as described above.

【技术实现步骤摘要】
一种卷积神经网络的数据处理方法、装置及介质
本专利技术涉及数据处理领域，特别是涉及一种卷积神经网络的数据处理方法、装置及介质。
技术介绍
卷积神经网络是近年来发展并引起广泛重视的一种高效识别方法，已经逐渐成为当前语音分析和图像识别领域的研究热点，其所具有的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。卷积神经网络的优点在图像处理时尤为明显，使图像可以直接作为输入数据，避免传统识别算法中复杂的特征提取和数据重建的过程。Caffe是处理卷积神经网络的高效框架之一，由于其速度快、通用性强等特点被广泛应用。当前的卷积神经网络普遍是通过GPU支持基于Caffe框架构建的卷积神经网络以进行数据的运算处理，进而实现卷积神经网络对语音或图像的识别分析，虽然GPU具有较为强大的运算性能，但是由强大的运算性能所带来的是相对较大的功耗，因此相对提高了使用卷积神经网络处理数据的整体成本。由此可见，提供一种卷积神经网络的数据处理方法，在保证具有强大运算性能的同时，降低整体的功耗，是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是提供一种卷积神经网络的数据处理方法、装置及介质，实现了并行且流水化的处理效果，能够保证FPGA中的可用资源无闲置，提高了资源使用效率，在达到与现有技术相同运算性能的同时，相对降低了整体的功耗。为解决上述技术问题，本专利技术提供一种卷积神经网络的数据处理方法，包括：获取预设的配置文件，并通过配置文件对Caffe框架进行初始化配置以建立卷积神经网络；通过FPGA获取原始数据，并依照卷积神经网络中各处理层级间的逻辑顺序处理各原始数据以得到最终结果数据；其中，各处理层级在结束对当前传入数据的处理操作后，将本层级的结果数据传输至下一处理层级并接收本层级新的传入数据以继续进行处理操作；处理操作中包括基于Winograd算法的卷积转化操作。优选的，该方法进一步包括：将结果数据作为分类结果进行展示。优选的，配置文件具体包括：读入网络配置文件以及权重文件。优选的，处理层级具体包括：convolution层级、ReLU层级、norm层级以及MaxPool层级。优选的，通过FPGA获取原始数据具体为：通过FPGA在DDR存储器中获取原始数据。优选的，原始数据具体为图像数据。此外，本专利技术还提供一种卷积神经网络的数据处理装置，包括：配置模块，用于获取预设的配置文件，并通过配置文件对Caffe框架进行初始化配置以建立卷积神经网络；处理模块，用于通过FPGA获取原始数据，并依照卷积神经网络中各处理层级间的逻辑顺序处理各原始数据以得到最终结果数据。优选的，该装置进一步包括：展示模块，用于将结果数据作为分类结果进行展示。此外，本专利技术还提供一种卷积神经网络的数据处理装置，包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序时实现如上述的卷积神经网络的数据处理方法的步骤。此外，本专利技术还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述的卷积神经网络的数据处理方法的步骤。本专利技术所提供的卷积神经网络的数据处理方法，通过FPGA获取原始数据，并且依照卷积神经网络中的处理层级的逻辑顺序对原始数据进行处理，由于FPGA的本质是一种可以定制的集成的电路，对于数据的不同处理逻辑体现在不同的电路功能上，因此在卷积神经网络下的每一个处理层级中均可以划分出多个具有相同数据处理逻辑的处理单元，即相同的功能电路，进而每一个处理层级可以在同一时刻并行处理多个数据，并且由于功能电路处理完表征当前数据的电信号后即可继续通电以处理新到来的数据。因此各处理层级可以同时进行数据处理，在数据处理过程中将结果数据传输至下一处理层级或接收上一处理层级传入的数据，进而实现多个处理层级对数据的流水化处理。此外，由于FPGA自身具有划分为多个处理单元的特性，因此在执行卷积神经网络的卷积转化操作时，应采用Winograd算法，将卷积转化为适应多处理单元的点阵乘，以保证整体处理效率。可见，采用FPGA对卷积神经网络环境下的数据进行处理，实现了并行且流水化的处理效果，本方法能够保证FPGA中的可用资源无闲置，提高了资源使用效率，因此在达到与现有技术相同运算性能的同时，相对降低了整体的功耗。此外，本专利技术还提供一种卷积神经网络的数据处理装置及介质，有益效果如上所述。附图说明为了更清楚地说明本专利技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种卷积神经网络的数据处理方法的流程图；图2为本专利技术实施例提供的一种卷积神经网络的数据处理装置结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本专利技术保护范围。本专利技术的核心是提供一种卷积神经网络的数据处理方法，实现了并行且流水化的处理效果，能够保证FPGA中的可用资源无闲置，提高了资源使用效率，在达到与现有技术相同运算性能的同时，相对降低了整体的功耗。本专利技术的另一核心是提供一种卷积神经网络的数据处理装置及介质。为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。实施例一图1为本专利技术实施例提供的一种卷积神经网络的数据处理方法的流程图。请参考图1，卷积神经网络的数据处理方法的具体步骤包括：步骤S10：获取预设的配置文件，并通过配置文件对Caffe框架进行初始化配置以建立卷积神经网络。需要说明的是，本步骤的目的是通过Caffe框架搭建卷积神经网络，以框架的形式实现卷积神经网络能够最大程度的节省开发时间。Caffe是处理卷积神经网络的高效框架之一，由于其具有速度快、通用性强等特点而更具实用性。需要说明的是，配置文件的种类与内容应根据实际的搭建需求而定，在此不做具体限定。步骤S11：通过FPGA获取原始数据，并依照卷积神经网络中各处理层级间的逻辑顺序处理各原始数据以得到最终结果数据。其中，各处理层级在结束对当前传入数据的处理操作后，将本层级的结果数据传输至下一处理层级并接收本层级新的传入数据以继续进行处理操作；处理操作中包括基于Winograd算法的卷积转化操作。需要说明的是，由于本方法通过FPGA对数据进行处理，因此需要先通过FPGA获取原始数据，获取的方式可以为用户实时传入的原始数据，也可以为预先存储在存储器中的原始数据，在此不做具体限定。由于基于Caffe框架搭建的卷积神经网路在处理原始数据时，需要依照处理层级的顺序逐级对数据进行处理，因此每一个处理层级都接收本层的传入数据以进行处理，并将处理完的数据传入下一层。由于FPGA具有可流水化计算的优势，因此当数据量较大时，每一个层级都能相互独立工作，即处理层级中的数据经处理被输出后，可以立即接受新到来的数据，与CPU或GPU开启单一进程逐层级处理数据相比，相对降低了整体的资源消耗。此外，本文档来自技高网...

【技术保护点】
一种卷积神经网络的数据处理方法，其特征在于，包括：获取预设的配置文件，并通过所述配置文件对Caffe框架进行初始化配置以建立卷积神经网络；通过FPGA获取原始数据，并依照所述卷积神经网络中各处理层级间的逻辑顺序处理各所述原始数据以得到最终结果数据；其中，各所述处理层级在结束对当前传入数据的处理操作后，将本层级的结果数据传输至下一处理层级并接收本层级新的传入数据以继续进行所述处理操作；所述处理操作中包括基于Winograd算法的卷积转化操作。

【技术特征摘要】
1.一种卷积神经网络的数据处理方法，其特征在于，包括：获取预设的配置文件，并通过所述配置文件对Caffe框架进行初始化配置以建立卷积神经网络；通过FPGA获取原始数据，并依照所述卷积神经网络中各处理层级间的逻辑顺序处理各所述原始数据以得到最终结果数据；其中，各所述处理层级在结束对当前传入数据的处理操作后，将本层级的结果数据传输至下一处理层级并接收本层级新的传入数据以继续进行所述处理操作；所述处理操作中包括基于Winograd算法的卷积转化操作。2.根据权利要求1所述的方法，其特征在于，该方法进一步包括：将所述结果数据作为分类结果进行展示。3.根据权利要求1所述的方法，其特征在于，所述配置文件具体包括：读入网络配置文件以及权重文件。4.根据权利要求1所述的方法，其特征在于，所述处理层级具体包括：convolution层级、ReLU层级、norm层级以及MaxPool层级。5.根据权利要求1所述的方法，其特征在于，所述通过FPGA获取原始数据具体为：通过所述F...

【专利技术属性】
技术研发人员：张新，郭跃超，陈继承，
申请(专利权)人：郑州云海信息技术有限公司，
类型：发明
国别省市：河南,41