本發明公開了一種卷積運算方法及裝置，所述方法包括：根據輸入的待卷積特征圖，及卷積核中每個目標權重系數在卷積核中的位置，生成目標權重系數同步數據，及與目標權重系數同步數據對應的目標特征同步數據，其中目標權重系數為該卷積核中的非零權重系數；根據卷積核中目標權重系數，及卷積核對應的目標權重系數同步數據和目標特征同步數據，確定卷積核的卷積結果；根據每個卷積核的卷積結果，確定目標卷積結果。由于在本發明實施例中，生成的目標權重系數同步數據中不包含為零的權重系數，生成的目標特征同步數據中也不包含與零權重系數對應的特征數據，因此無需對為零的權重系數及其對應的特征數據進行運算，提高了卷積運算的效率。

技術領域

本發明涉及數據處理技術領域，尤其涉及一種卷積運算方法及裝置。

背景技術

卷積神經網絡(Convolutional Neural Networks，CNN)是深度學習算法在圖像處理領域的一個重要應用。卷積神經網絡是將圖像處理中的二維離散卷積運算和人工神經網絡相結合，可以自動提取特征，主要應用于二維圖像的識別和檢測。卷積層是卷積神經網絡最重要的層，卷積神經網絡就是由該層冠名。卷積層主要用于提取圖像淺層特征，如：邊緣、梯度信息。卷積層的卷積運算占據了整個卷積神經網絡95％的運算量，是卷積神經網絡實用化的關鍵。

如圖1所示，假設輸入特征圖(T_in)個數為N，輸出特征圖(T_out)個數為M，特征圖寬度為P_W，特征圖高度為P_H，卷積核寬為K_W，卷積核高為K_H，卷積核的數量為N*M；則進行卷積運算時需要進行的乘法運算次數為P_W*P_H*K_W*K_H*N*M，而在進行卷積運算時存在大量的乘法運算，硬件實現中并行乘法器個數直接決定著卷積運算的實現性能。但目前乘法器硬件面積較大，基于芯片成本考慮，乘法器個數往往受限，因此如何在不增加乘法器個數的基礎上，提升卷積運算的效率，成為了一個亟待解決的問題。

發明內容

本發明提供一種卷積運算方法及裝置，用以提升卷積運算的效率。

本發明實施例公開了一種卷積運算方法，所述方法包括：

針對每個卷積核，根據輸入的待卷積特征圖，及該卷積核中每個目標權重系數在卷積核中的位置，生成目標權重系數同步數據，及與所述目標權重系數同步數據對應的目標特征同步數據，其中所述目標權重系數為該卷積核中的非零權重系數；

針對每個卷積核，根據該卷積核中目標權重系數，及該卷積核對應的目標權重系數同步數據和目標特征同步數據，確定該卷積核的卷積結果；

根據每個卷積核的卷積結果，確定目標卷積結果。

進一步地，所述針對每個卷積核，根據輸入的待卷積特征圖，及該卷積核中每個目標權重系數在卷積核中的位置，生成目標權重系數同步數據，及與所述目標權重系數同步數據對應的目標特征同步數據包括：

針對每個卷積核，根據輸入的待卷積特征圖，生成該卷積核對應的權重系數同步數據和特征同步數據；

針對每個卷積核，根據該卷積核中每個目標權重系數在卷積核中的位置，去除該卷積核對應的權重系數同步數據中的非目標權重系數，確定目標權重系數同步數據，并去除該卷積核對應的特征同步數據中與非目標權重系數對應的特征數據，確定目標特征同步數據，其中非目標權重系數為零權重系數。

進一步地，所述針對每個卷積核，根據輸入的待卷積特征圖，及該卷積核中每個目標權重系數在卷積核中的位置，生成目標權重系數同步數據，及與所述目標權重系數同步數據對應的目標特征同步數據之前，所述方法還包括：

A、將卷積核的權重系數按照光柵順序串聯排序，確定排序后的權重系數序列，并將所述權重系數序列的起始位對應的權重系數作為第一權重系數；

B、識別所述第一權重系數是否為目標權重系數，如果是，進行C，如果否，進行D；