[發明專利]一種基于FPGA的數據處理方法、設備以及存儲介質

在審

• 申請號: 201811539831.0
• 申請日: 2018-12-17
• 公開（公告）號: CN109615065A
• 公開（公告）日: 2019-04-12
• 發明（設計）人: 徐天賜;景璐
• 申請（專利權）人: 鄭州云海信息技術有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/063
• 代理公司: 北京連和連知識產權代理有限公司 11278
• 代理人: 劉小峰

本發明公開了一種基于FPGA的數據處理方法，用于實現具有多層隱含層的神經網絡對數據的處理，方法包括步驟：S1、利用第一層隱含層對數據進行處理，并將處理后的數據存儲在存儲器中；S2、將存儲器中的經過上一層隱含層處理的數據分為若干部分順序輸入到下一層隱含層中；S3、下一層隱含層對輸入的若干部分中的一部分數據進行處理并同時將經處理的該部分數據輸出到存儲器中，重復直到完成若干部分的處理，以得到存儲在存儲器中的經過下一層隱含層處理的數據；S4、重復步驟S2?S3，直到得到存儲在存儲器中的經過最后一層隱含層處理的數據。本發明提供的基于FPGA的數據處理方法，可以將需要處理的數據分多次輸入到相應的隱含層，提高了計算效率。

技術領域

本發明涉及數據領域，更具體地，特別是指一種基于FPGA的數據處理方法、設備以及可讀存儲介質。

背景技術

CNN(卷積神經網絡)是人工神經網絡的一種，廣泛應用于圖像分類、目標識別、行為識別、語音識別、自然語言處理與文檔分類等領域。

CNN的結構一般由輸入層、若干隱含層與輸出層組成。輸入層用于多維輸入數據(如彩色圖片)，輸出層用于輸出識別結果，隱含層用于神經網絡計算。神經網絡計算步驟包括卷積、池化、Batch Norm、全連接計算與激勵函數等。其中第一層隱含層的輸入為通過輸入層輸入的多維輸入數據，輸出為特征圖，其他隱含層的輸入都為上一層的輸出特征圖。

近幾年，隨著計算機計算能力的增長與CNN結構的發展，CNN網絡的識別準確度有了很大提高，但與此同時，CNN的深度也不斷加深，計算量也越來越大，因此需要GPU、FPGA等異構計算設備來加速計算。

傳統的基于FPGA的實現CNN數據處理的方法是將卷積核與隱含層特征圖數據存儲于片上存儲器，這種存儲方式最大限度地利用的片上存儲器的讀寫訪問速率，但受限于片上器有限的存儲空間，一旦某個CNN結構的某個中間層特征圖數據量超過片上FPGA存儲空間限制，該CNN結構將無法在此FPGA上實現。

發明內容

有鑒于此，為了克服上述問題的至少一個方面，本發明實施例的提出一種基于FPGA的數據處理方法，用于實現具有多層隱含層的神經網絡對數據的處理，所述方法包括步驟：

S1、利用第一層隱含層對所述數據進行處理，并將處理后的數據存儲在存儲器中；

S2、將所述存儲器中的經過上一層隱含層處理的數據分為若干部分順序輸入到下一層隱含層中；

S3、所述下一層隱含層對輸入的若干部分中的一部分數據進行處理并同時將經處理的所述部分數據輸出到所述存儲器中，重復直到完成所述若干部分的處理，以得到存儲在所述存儲器中的經過所述下一層隱含層處理的數據；

S4、重復步驟S2-S3，直到得到存儲在所述存儲器中的經過最后一層隱含層處理的數據。

在一些實施例中，步驟S3還包括：所述下一層隱含層對經過上一層隱含層處理的若干部分數據中的一部分數據進行處理的同時，接收所述若干部分數據中的下一部分數據。

在一些實施例中，所述步驟S1進一步包括：

S11、將所述數據分為若干部分順序輸入到所述第一層隱含層中；

S12、所述第一層隱含層對輸入的若干部分中的一部分數據進行處理并同時將經處理的所述部分數據輸出到存儲器中，重復直到完成所述若干部分的處理，以得到存儲在所述存儲器中的經過所述第一層隱含層處理的數據。

在一些實施例中，步驟S12包括：所述第一層隱含層對所述若干部分數據中的一部分數據進行處理的同時，接收所述若干部分數據中的下一部分數據。

在一些實施例中，所述步驟S12進一步包括：