[發明專利]一種基于深度學習的數據處理方法在審
| 申請號： | 201811318143.1 | 申請日： | 2018-11-07 |
| 公開（公告）號： | CN109670598A | 公開（公告）日： | 2019-04-23 |
| 發明（設計）人： | 林路路 | 申請（專利權）人： | 建湖云飛數據科技有限公司 |
| 主分類號： | G06N20/00 | 分類號： | G06N20/00 |
| 代理公司： | 南京常青藤知識產權代理有限公司 32286 | 代理人： | 金迪 |
| 地址： | 224000 江蘇省鹽城市建湖縣高新*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 數據處理 預處理 矩陣 計算復雜度 空間局域性 卷積運算 權重數據 數據格式 特征數據 位置重排 相鄰位置 硬件資源 積運算 排布 學習 | ||
1.一種基于深度學習的數據處理方法，其特征在于，所述方法包括：
獲取卷積預測模型；
在卷積預測模型的每一個卷積層中，獲取輸入所述卷積層的數據特征信息，所述卷積預測模型用于根據待處理數據的數據特征信息進行數據處理，所述數據特征信息包括所述待處理數據的特征信息；
所述卷積預測模型的每個卷積層對應channel_in個輸入通道，在每一個輸入通道對應的數據特征信息中順序選取M個特征塊，得到M*channel_in個特征塊；
按照i從1遍歷至M以及j從1遍歷至channel_in，對特征塊dij進行預處理，得到M*channel_in個矩陣；
將M*channel_in個矩陣中的元素重新進行位置排布，得到所述第一矩陣；
其中，i指代第i個輸出通道，j指代第j個輸入通道，所述預處理后的數據特征信息中連續使用的特征數據被排布于所述第一矩陣中的相鄰位置；
按照i從1遍歷至N以及j從1遍歷至channel_in，對每個卷積層的卷積核gij的權重進行處理，得到N*channel_in個矩陣；
將N*channel_in個矩陣中位于相同輸入通道且相同位置上的N個元素排布在相鄰位置，使得位于相同位置上的N*channel_in個元素排布在同一行，得到第二矩陣；
其中，i指代第i個輸出通道，j指代第j個輸入通道，N為選定的輸出通道數，N＜channel_out，channel_in和channel_out分別為所述卷積核gij對應的輸入通道總數和輸出通道總數；
對所述第一矩陣和所述第二矩陣中的每行元素執行外積運算，在對得到的外積運算結果進行處理后，得到所述待處理數據的卷積運算結果。
2.根據權利要求1所述的基于深度學習的數據處理方法，其特征在于，還包括：
將所述第一矩陣以及所述第二矩陣存儲至第一內存；
將所述卷積層輸出的卷積運算結果傳輸至第二內存；
其中，所述第一矩陣和所述第二矩陣的行數相同；
所述對所述第一矩陣和所述第二矩陣中的每行元素執行外積運算包括：
從所述第一內存讀取所述第一矩陣和所述第二矩陣；
對于所述第一矩陣和所述第二矩陣中行數相同的任意兩行元素，在所述第一矩陣的行中選取N個元素組成第一矢量，在所述第二矩陣的行中選取M個元素組成第二矢量，對所述第一矢量和所述第二矢量執行外積運算，并將當前得到的運算結果累加到累加器，重復執行上述外積以及累加操作直至行末，并寫回累加結果；
在對所述第一矩陣和所述第二矩陣的最后一行元素執行完畢外積及累加操作后，將之前寫回的累加結果作為所述外積運算結果。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于建湖云飛數據科技有限公司，未經建湖云飛數據科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811318143.1/1.html，轉載請聲明來源鉆瓜專利網。
