本發(fā)明涉及機(jī)器學(xué)習(xí)(MachineLearning，ML)和人工智能(ArtificialIntelligence，AI)
技術(shù)領(lǐng)域：
，尤其涉及一種卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork，CNN)的計(jì)算資源優(yōu)化方法及系統(tǒng)。
背景技術(shù)：
：深度學(xué)習(xí)(DeepLearning，DL)是模擬人腦的思維方式和處理問(wèn)題的方法。人腦的計(jì)算神經(jīng)元數(shù)量是百億量級(jí)，即使是一個(gè)“小型”的CNN所需要的計(jì)算也非常龐大，而且?guī)缀跛械纳疃葘W(xué)習(xí)網(wǎng)絡(luò)均運(yùn)行在CPU(或CPU集群)，或GPU(或GPU集群)硬件平臺(tái)之上，所需要的硬件資源非常巨大，導(dǎo)致成本和功耗都非常大，運(yùn)行速度緩慢，很多CNN在高性能的芯片平臺(tái)上運(yùn)行時(shí)也只能達(dá)到幾幀/每秒的速度，無(wú)法進(jìn)行實(shí)時(shí)處理。卷積神經(jīng)網(wǎng)絡(luò)包括卷基層和全連接層，其計(jì)算過(guò)程是逐層計(jì)算，在卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算過(guò)程可以采用層間復(fù)用從而降低對(duì)處理器硬件資源的需求，即所有的卷積層依次運(yùn)行在相同的模塊(例如，卷積計(jì)算模塊)中，所有的全連接層依次運(yùn)行在相同的模塊(全連接層模塊)中，在設(shè)計(jì)卷積層模塊和全連接層模塊的時(shí)候，需要按照所有層的最大資源占用情況來(lái)設(shè)計(jì)相關(guān)參數(shù)，例如卷積核的尺寸、輸入/輸入Map的尺寸和數(shù)量等，卷積神經(jīng)網(wǎng)絡(luò)有一個(gè)特點(diǎn)：底層的Map尺寸大，但是數(shù)量少，高層的Map尺寸小，但是數(shù)量多。在層間復(fù)用方案中，需要以最大計(jì)算量的Map來(lái)設(shè)計(jì)計(jì)算模塊。上述技術(shù)方案的弊端是，浪費(fèi)計(jì)算資源且計(jì)算實(shí)時(shí)性差。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的主要目的在于提供一種卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化方法，旨在避免浪費(fèi)計(jì)算資源且計(jì)算實(shí)時(shí)性差的弊端。為實(shí)現(xiàn)上述目的，本發(fā)明提供的卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化方法包括以下步驟：將卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為包括若干個(gè)子Map的子Map矩陣，其中，所述輸入Map的尺寸為H×W，H＞0，W＞0；對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作以得到每個(gè)所述子Map的卷積操作的計(jì)算結(jié)果；根據(jù)全部所述子Map的卷積操作的計(jì)算結(jié)果原位拼接成所述輸入Map的卷積操作的計(jì)算結(jié)果，其中，原位拼接指將所述子Map的卷積操作的結(jié)果放在所述子Map在所述輸入Map中對(duì)應(yīng)的位置。優(yōu)選地，所述對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作以得到每個(gè)所述子Map的卷積操作的計(jì)算結(jié)果包括：對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作的卷積核的尺寸為HC×HC，HC＞1。優(yōu)選地，所述將卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為包括若干個(gè)子Map的子Map矩陣包括：根據(jù)所述輸入Map的尺寸判斷是否能將所述輸入Map拆分為僅包含第一子Map的子Map矩陣，其中，所述第一子Map的尺寸為預(yù)設(shè)尺寸h×w，H>h＞0，W>w＞0，所述第一子Map在所述子Map矩陣中呈m行×n列分布，m＝ceil(H/h)＝floor(H/h)，n＝ceil(W/w)＝floor(W/w)；若是，則將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣。優(yōu)選地，所述根據(jù)所述輸入Map的尺寸判斷是否能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣還包括：若否，則將所述輸入Map拆分為包括所述第一子Map、第二子Map、第三子Map及第四子Map的子Map矩陣；其中，所述第一子Map、所述第二子Map、所述第三子Map及所述第四子Map呈m’行×n’列排布；所述第二子Map、所述第三子Map及所述第四子Map的尺寸均小于所述預(yù)設(shè)尺寸；所述子Map矩陣中，第1行至第m’-1行以及第1列至第n’-1列均分布所述第一子Map，第m’行的第1列至第n’-1列均分布所述第二子Map，第n’列的第1至第m’-1行均分布所述第三子Map；第m’行的第n’列分布第四子Map；若m’＝ceil(H/h)>floor(H/h)且n’＝ceil(W/w)>floor(W/w)，所述第二子Map的尺寸為[H-h×floor(H/h)]×w，所述第三子Map的尺寸為h×[W-w×floor(W/w)]，所述第四子Map的尺寸為[H-h×floor(H/h)]×[W-w×floor(W/w)]，若m’＝ceil(H/h)>floor(H/h)且n’＝ceil(W/w)＝floor(W/w)，則只存在所述第一子Map和所述第二子Map，若m’＝ceil(H/h)＝floor(H/h)且n’＝ceil(W/w)>floor(W/w)，則只存在所述第一子Map和所述第三子Map。優(yōu)選地，所述將卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為包括若干個(gè)子Map的子Map矩陣之后，還包括：在所述卷積操作需要保持卷積操作前后的所述子Map尺寸不變時(shí)，對(duì)位于所述子Map矩陣中第一行、最后一行、第一列和最后一列的所述子Map進(jìn)行補(bǔ)零操作。優(yōu)選地，所述在所述卷積操作需要保持卷積操作前后的所述子Map尺寸不變時(shí)，對(duì)位于所述子Map矩陣中第一行、最后一行、第一列和最后一列的所述子Map進(jìn)行補(bǔ)零操作之后，還包括：對(duì)每個(gè)所述子Map進(jìn)行補(bǔ)充相鄰元素操作，以使對(duì)每個(gè)所述子Map的卷積操作能覆蓋所述子Map當(dāng)中的每一個(gè)元素，其中，所述補(bǔ)充相鄰元素操作指將每個(gè)所述子Map的未補(bǔ)零的邊緣補(bǔ)充相鄰的子Map元素。此外，請(qǐng)參照?qǐng)D4，為實(shí)現(xiàn)上述目的，本發(fā)明還提供一種卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化系統(tǒng)，所述卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化系統(tǒng)包括：拆分模塊10，用于將卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為包括若干個(gè)子Map的子Map矩陣，其中，所述輸入Map的尺寸為H×W，H＞0，W＞0；子Map計(jì)算模塊30，用于對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作以得到每個(gè)所述子Map的卷積操作的計(jì)算結(jié)果；計(jì)算結(jié)果合成模塊50，用于根據(jù)全部所述子Map的卷積操作的計(jì)算結(jié)果原位拼接成所述輸入Map的卷積操作的計(jì)算結(jié)果，其中，原位拼接指將所述子Map的卷積操作的結(jié)果放在所述子Map在所述輸入Map中對(duì)應(yīng)的位置。優(yōu)選地，所述子Map計(jì)算模塊包括；卷積核，用于對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作，所述卷積核的尺寸為HC×HC，HC＞1。優(yōu)選地，所述拆分模塊10還包括：判斷單元，用于根據(jù)所述輸入Map的尺寸判斷是否能將所述輸入Map拆分為僅包含第一子Map的子Map矩陣，其中，所述第一子Map的尺寸為預(yù)設(shè)尺寸h×w，H>h＞0，W>w＞0，所述第一子Map在所述子Map矩陣中呈m行×n列分布，m＝ceil(H/h)＝floor(H/h)，n＝ceil(W/w)＝floor(W/w)；均勻拆分單元，用于在能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣時(shí)，將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣。優(yōu)選地，所述拆分模塊10還包括：非均勻拆分單元，用于在不能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣時(shí)，將所述輸入Map拆分為包括所述第一子Map、第二子Map、第三子Map及第四子Map的子Map矩陣；其中，所述第一子Map、第二子Map、第三子Map及第四子Map呈m’行×n’列排布；所述第二子Map、所述第三子Map及所述第四子Map的尺寸均小于所述預(yù)設(shè)尺寸；所述子Map矩陣中，第1行至第m’-1行以及第1列至第n’-1列均分布所述第一子Map，第m’行的第1列至第n’-1列均分布所述第二子Map，第n’列的第1至第m’-1行均分布所述第三子Map；第m’行的第n’列分布第四子Map；若m’＝ceil(H/h)>floor(H/h)且n’＝ceil(W/w)>floor(W/w)，所述第二子Map的尺寸為[H-h×floor(H/h)]×w，所述第三子Map的尺寸為h×[W-w×floor(W/w)]，所述第四子Map的尺寸為[H-h×floor(H/h)]×[W-w×floor(W/w)]，若m’＝ceil(H/h)>floor(H/h)且n’＝ceil(W/w)＝floor(W/w)，則只存在所述第一子Map和所述第二子Map，若m’＝ceil(H/h)＝floor(H/h)且n’＝ceil(W/w)>floor(W/w)，則只存在所述第一子Map和所述第三子Map。優(yōu)選地，所述卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化系統(tǒng)還包括：補(bǔ)零操作模塊，用于在所述卷積操作需要保持卷積操作前后的所述子Map尺寸不變時(shí)，對(duì)位于所述子Map矩陣中第一行、最后一行、第一列和最后一列的所述子Map進(jìn)行補(bǔ)零操作。優(yōu)選地，所述卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化系統(tǒng)還包括：補(bǔ)充相鄰元素模塊，用于對(duì)每個(gè)所述子Map進(jìn)行補(bǔ)充相鄰元素操作，以使對(duì)每個(gè)所述子Map的卷積操作能覆蓋所述子Map當(dāng)中的每一個(gè)元素，其中，所述補(bǔ)充相鄰元素操作指將每個(gè)所述子Map的未補(bǔ)零的邊緣補(bǔ)充相鄰的子Map元素。在本發(fā)明的技術(shù)方案中，先將所述卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為由若干個(gè)子Map構(gòu)成的子Map矩陣，再對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)處理，得到每個(gè)所述子Map的計(jì)算結(jié)果，拆分后的每個(gè)所述子Map的計(jì)算量小，因此可以根據(jù)計(jì)算量最大的所述子Map來(lái)設(shè)計(jì)系統(tǒng)的計(jì)算模塊，同時(shí)，由于每個(gè)所述子Map的計(jì)算量小，可以設(shè)計(jì)并行計(jì)算，提升計(jì)算效率，因此計(jì)算實(shí)時(shí)性好，最后將每個(gè)所述子Map的計(jì)算結(jié)果原位拼接即可合成所述輸入Map的計(jì)算結(jié)果，以實(shí)現(xiàn)節(jié)約計(jì)算資源和提高計(jì)算實(shí)時(shí)性的目的。附圖說(shuō)明圖1為本發(fā)明卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化方法第一實(shí)施例的流程示意圖；圖2為本發(fā)明卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化方法一實(shí)施例的將輸入Map拆分為僅包含所述第一子Map的子Map矩陣的示意圖；圖3為本發(fā)明卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化方法另一實(shí)施例的流程示意圖；圖4為本發(fā)明卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化系統(tǒng)第一實(shí)施例的功能模塊示意圖。本發(fā)明目的的實(shí)現(xiàn)、功能特點(diǎn)及優(yōu)點(diǎn)將結(jié)合實(shí)施例，參照附圖做進(jìn)一步說(shuō)明。具體實(shí)施方式應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。本發(fā)明提供一種卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化方法，所述卷積神經(jīng)網(wǎng)絡(luò)包括圖像輸入層、多個(gè)卷積層、至少一個(gè)全連接層，并且，每?jī)蓚€(gè)所述卷積層中設(shè)置一激活層，或每?jī)蓚€(gè)所述卷積層中設(shè)置一所述激活層和一池化層。一般圖像處理的流程是先對(duì)每個(gè)所述子Map進(jìn)行卷積操作，再將卷積操作后的輸出結(jié)果輸入至激活層進(jìn)行激活操作。在存在所述池化層時(shí)，激活操作的結(jié)果作為池化層的輸入。所述池化層可以有效節(jié)約處理器的計(jì)算資源和使得卷積神經(jīng)網(wǎng)絡(luò)保持平移不變性。參照?qǐng)D1，在一實(shí)施例中，該卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化方法包括以下步驟：步驟S10，將卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為包括若干個(gè)子Map的子Map矩陣，其中，所述輸入Map的尺寸為H×W，H＞0，W＞0；所述輸入Map的尺寸H×W是根據(jù)圖像分辨率、圖像需要反映的物理區(qū)域大小及計(jì)算資源的大小等因素預(yù)先確定的，因此，所述輸入Map的尺寸H×W是一個(gè)已知尺寸。通過(guò)卷積核對(duì)每個(gè)所述子Map進(jìn)行卷積操作，直至完成所述子Map矩陣的卷積操作，卷積操作時(shí)，所述卷積核經(jīng)過(guò)所述子Map矩陣的邊緣，分為兩種情況：所述卷積核不超出所述子Map矩陣的邊緣或所述卷積核超出所述子Map矩陣的邊緣。步驟S30，對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作以得到每個(gè)所述子Map的卷積操作的計(jì)算結(jié)果；步驟S50，根據(jù)全部所述子Map的卷積操作的計(jì)算結(jié)果原位拼接成所述輸入Map的卷積操作的計(jì)算結(jié)果，其中，原位拼接指將所述子Map的卷積操作的結(jié)果放在所述子Map在所述輸入Map中對(duì)應(yīng)的位置。例如，將所述輸入Map拆分成5×5矩陣，得到25個(gè)子Map，對(duì)25個(gè)子Map進(jìn)行單獨(dú)的卷積操作以得到25個(gè)所述子Map的卷積操作的計(jì)算結(jié)果，因此，將25個(gè)所述子Map的卷積操作的結(jié)果進(jìn)行原位拼接即可得到H×W的所述輸入Map的計(jì)算結(jié)果。需要說(shuō)明：原位拼接是指，將子Map的卷積操作的結(jié)果放在子Map在輸入Map中對(duì)應(yīng)的位置。在本發(fā)明的技術(shù)方案中，先將所述卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為由若干個(gè)子Map構(gòu)成的子Map矩陣，再對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)處理，得到每個(gè)所述子Map的計(jì)算結(jié)果，拆分后的每個(gè)所述子Map的計(jì)算量小，因此可以根據(jù)計(jì)算量最大的所述子Map來(lái)設(shè)計(jì)系統(tǒng)的計(jì)算模塊，同時(shí)，由于每個(gè)所述子Map的計(jì)算量小，可以設(shè)計(jì)并行計(jì)算，提升計(jì)算效率，因此計(jì)算實(shí)時(shí)性好，最后將每個(gè)所述子Map的計(jì)算結(jié)果原位拼接即可合成所述輸入Map的計(jì)算結(jié)果，以實(shí)現(xiàn)節(jié)約計(jì)算資源和提高計(jì)算實(shí)時(shí)性的目的。優(yōu)選地，所述對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作以得到每個(gè)所述子Map的卷積操作的計(jì)算結(jié)果包括：步驟S31(圖未示)，對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作的卷積核的尺寸為HC×HC，HC＞1。請(qǐng)參閱圖2，優(yōu)選地，所述將卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為包括若干個(gè)子Map的子Map矩陣包括：步驟S11(圖未示)，根據(jù)所述輸入Map的尺寸判斷是否能將所述輸入Map拆分為僅包含第一子Map的子Map矩陣，其中，所述第一子Map的尺寸為預(yù)設(shè)尺寸h×w，H>h＞0，W>w＞0，所述第一子Map在所述子Map矩陣中呈m行×n列分布，m＝ceil(H/h)＝floor(H/h)，n＝ceil(W/w)＝floor(W/w)；m’＝ceil(H/h)為對(duì)實(shí)數(shù)H/h做向上取整操作，n’＝ceil(W/w)為對(duì)實(shí)數(shù)W/w做向上取整操作，floor(H/h)為對(duì)實(shí)數(shù)H/h做向下取整操作，floor(W/w)為對(duì)實(shí)數(shù)W/w做向下取整操作。具體的，所述第一子Map的尺寸為預(yù)設(shè)尺寸h×w，所述預(yù)設(shè)尺寸是根據(jù)硬件資源情況和整個(gè)所述卷積神經(jīng)網(wǎng)絡(luò)的最小Map的情況設(shè)計(jì)得到，在對(duì)所述子Map矩陣進(jìn)行拆分時(shí)，希望每個(gè)所述子Map都能被拆分為預(yù)設(shè)尺寸，以得到降低硬件資源的效果。在本實(shí)施例中，預(yù)設(shè)尺寸h×w為64×48，當(dāng)然，所述預(yù)設(shè)尺寸不限于此。根據(jù)所述輸入Map的尺寸判斷是否能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣，是指判斷所述輸入Map的尺寸是否能均勻拆分為行數(shù)為m，列數(shù)為n的第一子Map的矩陣，即判斷H是否能被h整除，W是否能被w整除。步驟S13(圖未示)，若是，則將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣。此時(shí)，視為對(duì)所述輸入Map進(jìn)行均勻拆分。例如，當(dāng)所述輸入Map的尺寸為320×240時(shí)，由于320能被64整除，240能被48整除，因此，所述輸入Map能被均勻拆分為僅包含尺寸為64×48像素的所述第一子Map的所述子Map矩陣，且所述子Map矩陣的行數(shù)m＝320/64＝5，所述子Map矩陣的列數(shù)n＝240/48＝5，此時(shí)判斷能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣。在本實(shí)施例中，所述卷積核的尺寸HC×HC為3×3，將320×240的所述輸入Map均勻拆分為5×5的所述子Map矩陣后，每個(gè)所述第一子Map的尺寸為64×48。對(duì)每個(gè)所述第一子Map進(jìn)行卷積操作，得到每個(gè)所述第一子Map的計(jì)算結(jié)果，得到每一個(gè)64×48的所述第一子Map的卷積操作的計(jì)算結(jié)果，然后將25個(gè)所述第一子Map的卷積操作的計(jì)算結(jié)果原位拼接起來(lái)得到320×240的所述輸入Map的卷積結(jié)果。將所述輸入Map均勻拆分時(shí)，由于每個(gè)所述子Map的尺寸相等，因此，系統(tǒng)只需要一套計(jì)算模塊即可完成所述輸入Map的計(jì)算過(guò)程，節(jié)約計(jì)算資源的效果顯著。優(yōu)選地，所述根據(jù)所述輸入Map的尺寸判斷是否能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣還包括：步驟S15(圖未示)，若否，則將所述輸入Map拆分為包括所述第一子Map、第二子Map、第三子Map及第四子Map的子Map矩陣；其中，所述第一子Map、所述第二子Map、所述第三子Map及所述第四子Map呈m’行×n’列排布形成；所述第二子Map、所述第三子Map及所述第四子Map的尺寸均小于所述預(yù)設(shè)尺寸；所述子Map矩陣中，第1行至第m’-1行以及第1列至第n’-1列均分布所述第一子Map，第m’行的第1列至第n’-1列均分布所述第二子Map，第n’列的第1至第m’-1行均分布所述第三子Map；第m’行的第n’列分布第四子Map；若m’＝ceil(H/h)>floor(H/h)且n’＝ceil(W/w)>floor(W/w)，所述第二子Map的尺寸為[H-h×floor(H/h)]×w，所述第三子Map的尺寸為h×[W-w×floor(W/w)]，所述第四子Map的尺寸為[H-h×floor(H/h)]×[W-w×floor(W/w)]，若m’＝ceil(H/h)>floor(H/h)且n’＝ceil(W/w)＝floor(W/w)，則只存在所述第一子Map和所述第二子Map，若m’＝ceil(H/h)＝floor(H/h)且n’＝ceil(W/w)>floor(W/w)，則只存在所述第一子Map和所述第三子Map。非均勻拆分的情況下，按照行元素是否可以均勻拆分以及列元素是否可以均勻拆分，可以分為三種情況：分別為：1、行元素和列元素都非均勻拆分；2、行元素非均勻拆分，列元素可均勻拆分；3、行元素均勻拆分，列元素非均勻拆分。此時(shí)，視為對(duì)所述輸入Map進(jìn)行非均勻拆分。具體的，當(dāng)所述輸入Map的尺寸為330×250時(shí)，由于330不能被64整除，250不能被48整除，判斷不能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣，由于判斷結(jié)果是否，因此，將所述輸入Map進(jìn)行非均勻拆分。m’＝ceil(H/h)為對(duì)實(shí)數(shù)H/h做向上取整操作，n’＝ceil(W/w)為對(duì)實(shí)數(shù)W/w做向上取整操作，floor(H/h)為對(duì)實(shí)數(shù)H/h做向下取整操作，floor(W/w)為對(duì)實(shí)數(shù)W/w做向下取整操作。在本實(shí)施例中，m’＝ceil(H/h)＝ceil(330/64)＝6，n’＝ceil(W/w)＝ceil(250/48)＝6，因此，所述子Map矩陣為6×6矩陣。所述第一子Map的尺寸同上，為64×48；所述第二子Map的尺寸為[H-h×floor(H/h)]×w＝10×48；所述第三子Map的尺寸為h×[W-w×floor(W/w)]＝64×10；所述第四子Map的尺寸為[H-h×floor(H/h)]×[W-w×floor(W/w)]＝10×10。此時(shí)，所述子Map矩陣的第1行至第5行以及第1列至第5列均分布25個(gè)64×48的所述第一子Map，所述子Map矩陣的第6行中的第1列至第5列均分布5個(gè)64×10的所述第三子Map，所述子Map矩陣的第6列中的第1行至第5行均分布5個(gè)10×48的所述第二子Map，所述子Map矩陣的第6行中的第6列分布1個(gè)10×10的所述第四子Map。由于本實(shí)施例中，所述輸入Map拆分成了尺寸不同的四種子Map，因此，完成全部的子Map運(yùn)算需要四種計(jì)算模塊。當(dāng)只有H能被h整除，或者只有W能被w整除時(shí)，此時(shí)存在三種類型的子Map，但拆分原理相同，仍屬于非均勻拆分，不再贅述。請(qǐng)參閱圖3，優(yōu)選地，所述將卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為包括若干個(gè)子Map的子Map矩陣之后，還包括：步驟S09，在所述卷積操作需要保持卷積操作前后的所述子Map尺寸不變時(shí)，對(duì)位于所述子Map矩陣中第一行、最后一行、第一列和最后一列的所述子Map進(jìn)行補(bǔ)零操作。其中，補(bǔ)零的行數(shù)為(Hc-1)/2，補(bǔ)零的列數(shù)為(Hc-1)/2。補(bǔ)零操作可以為行元素補(bǔ)零或列元素補(bǔ)零，補(bǔ)零的行數(shù)為(Hc-1)/2，補(bǔ)零的列數(shù)為(Hc-1)/2，在本實(shí)施例中Hc＝3，因此補(bǔ)零的行數(shù)和列數(shù)分別為1。為了便于介紹，此處以包含3行×3列個(gè)子Map的子Map矩陣為例進(jìn)行補(bǔ)零操作的詳細(xì)介紹，Ai,j表示第i行，第j列個(gè)子Map，其中，3≥i≥1，3≥j≥1。A1,1A1,2A1,3A2,1A2,2A2,3A3,1A3,2A3,3對(duì)輸入Map進(jìn)行補(bǔ)零操作，當(dāng)所述卷積核移動(dòng)到所述子Map矩陣的邊緣時(shí)會(huì)超出所述子Map矩陣的邊緣，此時(shí)卷積核的中心可以掃描到所述子Map矩陣的邊界像素點(diǎn)，此時(shí)，對(duì)所述輸入Map的邊緣位置進(jìn)行補(bǔ)零操作，以使所述卷積核能得到完整的所述子Map矩陣的掃描結(jié)果。在此子Map矩陣中，位于子Map矩陣邊緣的子Map為A1,1，A1,2，A1,3，A2,1，A3,1，A3,2，A2,3，A1,3，因此，需要進(jìn)行補(bǔ)零操作的為第一行、最后一行、第一列和最后一列的子Map，即A1,1，A1,2，A1,3，A2,1，A3,1，A3,2，A2,3，A1,3。對(duì)于A2,2，由于卷積核計(jì)算時(shí)，卷積核的中心和邊緣能始終位于子Map矩陣，因此，不需要對(duì)A2,2進(jìn)行補(bǔ)零操作。同時(shí)，補(bǔ)零操作具體為：對(duì)A1,1的第一行以上補(bǔ)充1行零，以及第一列左側(cè)補(bǔ)充1列零；對(duì)A1,2的第一行以上補(bǔ)充1列零；對(duì)A1,3的第一行以上補(bǔ)充1行零，以及最后一列右側(cè)補(bǔ)充1列零；對(duì)A2,1的第一列左側(cè)補(bǔ)充1列零；對(duì)A2,3的最后一列右側(cè)補(bǔ)充1列零；對(duì)A3,1的最后一列以下補(bǔ)充1列零，以及第一列左側(cè)補(bǔ)充1列零；對(duì)A3,2的最后一列以下補(bǔ)充1列零；對(duì)A3,3的最后一列以下補(bǔ)充1列零，以及最后一列右側(cè)補(bǔ)充1列零。優(yōu)選的，所述在所述卷積操作需要保持卷積操作前后的所述子Map尺寸不變時(shí)，對(duì)位于所述子Map矩陣中第一行、最后一行、第一列和最后一列的所述子Map進(jìn)行補(bǔ)零操作之后，還包括：對(duì)每個(gè)所述子Map進(jìn)行補(bǔ)充相鄰元素操作，以使對(duì)每個(gè)所述子Map的卷積操作能覆蓋所述子Map當(dāng)中的每一個(gè)元素，其中，所述補(bǔ)充相鄰元素操作指將每個(gè)所述子Map的未補(bǔ)零的邊緣補(bǔ)充相鄰的子Map元素。以上述子Map矩陣Ai,j為例，若要使卷積操作前后的子Map矩陣尺寸不變，對(duì)每個(gè)子Map進(jìn)行單獨(dú)的卷積操作時(shí)，需要能對(duì)子Map當(dāng)中的每一個(gè)元素進(jìn)行卷積計(jì)算，當(dāng)卷積核的中心位于子Map矩陣的邊緣時(shí)，由于卷積核的邊緣超出了子Map的元素范圍，因此得到的卷積計(jì)算結(jié)果是不完整的，此時(shí)，子Map的已經(jīng)進(jìn)行補(bǔ)零操作的邊緣可以克服卷積核的邊緣超出子Map邊緣的情況，只需要對(duì)子Map的未補(bǔ)零的邊緣進(jìn)行補(bǔ)充相鄰元素操作即可。補(bǔ)充相鄰元素中，補(bǔ)充的相鄰行元素為HC-1，補(bǔ)充的相鄰列元素為HC-1。補(bǔ)充相鄰元素的操作是為了保證相鄰子Map之間的卷積操作的結(jié)果是正確的，最終才能將每個(gè)所述子Map原位拼接成所述輸入Map。對(duì)位于子Map矩陣邊緣位置的子Map進(jìn)行補(bǔ)零操作和補(bǔ)充相鄰元素操作，以及對(duì)位于子Map矩陣非邊緣位置的子Map僅進(jìn)行補(bǔ)充相鄰元素操作后，得到的每個(gè)子Map矩陣的尺寸為(h+HC-1)×(w+HC-1)。在對(duì)每個(gè)子Map進(jìn)行卷積操作時(shí)，卷積核只需掃描屬于每個(gè)子Map的元素，并不需要掃描其補(bǔ)零元素、補(bǔ)充的相鄰行元素和補(bǔ)充的相鄰列元素，補(bǔ)零元素、補(bǔ)充的相鄰行元素和補(bǔ)充的相鄰列元素只是為了保證對(duì)子Map的邊緣元素做卷積操作時(shí)能夠得到正確的計(jì)算結(jié)果，因?yàn)檫吘壴氐木矸e操作需要利用補(bǔ)零元素、補(bǔ)充的相鄰行元素或補(bǔ)充的相鄰列元素。應(yīng)當(dāng)注意，對(duì)所述輸入Map進(jìn)行均勻拆分或非均勻拆分兩種情況下，均需要借用相鄰子Map的行元素或列元素。此外，為實(shí)現(xiàn)上述目的，本發(fā)明還提供一種卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化系統(tǒng)，所述卷積神經(jīng)網(wǎng)絡(luò)包括圖像輸入層、多個(gè)卷積層、至少一個(gè)全連接層，并且，每?jī)蓚€(gè)所述卷積層中設(shè)置一激活層，或每?jī)蓚€(gè)所述卷積層中設(shè)置一所述激活層和一池化層。一般圖像處理的流程是先對(duì)每個(gè)所述子Map進(jìn)行卷積操作，再將卷積操作后的輸出結(jié)果輸入至激活層進(jìn)行激活操作。在存在所述池化層時(shí)，激活操作的結(jié)果作為池化層的輸入。所述池化層可以有效節(jié)約處理器的計(jì)算資源和使得卷積神經(jīng)網(wǎng)絡(luò)保持平移不變性。參照?qǐng)D4，在一實(shí)施例中，本發(fā)明提供的卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化系統(tǒng)包括：拆分模塊10，用于將卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為包括若干個(gè)子Map的子Map矩陣，其中，所述輸入Map的尺寸為H×W，H＞0，W＞0；所述輸入Map的尺寸H×W是根據(jù)圖像分辨率、圖像需要反映的物理區(qū)域大小及計(jì)算資源的大小等因素預(yù)先確定的，因此，所述輸入Map的尺寸H×W是一個(gè)已知尺寸。通過(guò)卷積核對(duì)每個(gè)所述子Map進(jìn)行卷積操作，直至完成所述子Map矩陣的卷積操作，卷積操作時(shí)，所述卷積核經(jīng)過(guò)所述子Map矩陣的邊緣，分為兩種情況：所述卷積核不超出所述子Map矩陣的邊緣或所述卷積核超出所述子Map矩陣的邊緣。子Map計(jì)算模塊30，用于對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作以得到每個(gè)所述子Map的卷積操作的計(jì)算結(jié)果；計(jì)算結(jié)果合成模塊50，用于根據(jù)全部所述子Map的卷積操作的計(jì)算結(jié)果原位拼接成所述輸入Map的卷積操作的計(jì)算結(jié)果，其中，原位拼接指將所述子Map的卷積操作的結(jié)果放在所述子Map在所述輸入Map中對(duì)應(yīng)的位置。例如，將所述輸入Map拆分成5×5矩陣，得到25個(gè)子Map，對(duì)25個(gè)子Map進(jìn)行單獨(dú)的卷積操作以得到25個(gè)所述子Map的卷積操作的計(jì)算結(jié)果，因此，將25個(gè)所述子Map的卷積操作的結(jié)果進(jìn)行原位拼接即可得到H×W的所述輸入Map的計(jì)算結(jié)果。需要說(shuō)明：原位拼接是指，將子Map的卷積操作的結(jié)果放在子Map在輸入Map中對(duì)應(yīng)的位置。在本發(fā)明的技術(shù)方案中，先將所述卷積神經(jīng)網(wǎng)絡(luò)的輸入Map拆分為由若干個(gè)子Map構(gòu)成的子Map矩陣，再對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)處理，得到每個(gè)所述子Map的計(jì)算結(jié)果，拆分后的每個(gè)所述子Map的計(jì)算量小，因此可以根據(jù)計(jì)算量最大的所述子Map來(lái)設(shè)計(jì)系統(tǒng)的計(jì)算模塊，同時(shí)，由于每個(gè)所述子Map的計(jì)算量小，可以設(shè)計(jì)并行計(jì)算，提升計(jì)算效率，因此計(jì)算實(shí)時(shí)性好，最后將每個(gè)所述子Map的計(jì)算結(jié)果原位拼接即可合成所述輸入Map的計(jì)算結(jié)果，以實(shí)現(xiàn)節(jié)約計(jì)算資源和提高計(jì)算實(shí)時(shí)性的目的。優(yōu)選地，所述子Map計(jì)算模塊包括；卷積核，用于對(duì)每個(gè)所述子Map進(jìn)行單獨(dú)的卷積操作，所述卷積核的尺寸為HC×HC，HC＞1。優(yōu)選地，所述拆分模塊還包括：判斷單元(圖未示)，用于根據(jù)所述輸入Map的尺寸判斷是否能將所述輸入Map拆分為僅包含第一子Map的子Map矩陣，其中，所述第一子Map的尺寸為預(yù)設(shè)尺寸h×w，H>h＞0，W>w＞0，所述第一子Map在所述子Map矩陣中呈m行×n列分布，m＝ceil(H/h)＝floor(H/h)，n＝ceil(W/w)＝floor(W/w)；具體的，所述第一子Map的尺寸為預(yù)設(shè)尺寸h×w，所述預(yù)設(shè)尺寸是根據(jù)硬件資源情況和整個(gè)所述卷積神經(jīng)網(wǎng)絡(luò)的最小Map的情況設(shè)計(jì)得到，在對(duì)所述子Map矩陣進(jìn)行拆分時(shí)，希望每個(gè)所述子Map都能被拆分為預(yù)設(shè)尺寸，以得到降低硬件資源的效果。在本實(shí)施例中，預(yù)設(shè)尺寸h×w為64×48，當(dāng)然，所述預(yù)設(shè)尺寸不限于此。根據(jù)所述輸入Map的尺寸判斷是否能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣，是指判斷所述輸入Map的尺寸是否能均勻拆分為行數(shù)為m，列數(shù)為n的第一子Map的矩陣，即判斷H是否能被h整除，W是否能被w整除。均勻拆分單元(圖未示)，用于在能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣時(shí)，將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣。此時(shí)，視為對(duì)所述輸入Map進(jìn)行均勻拆分。例如，當(dāng)所述輸入Map的尺寸為320×240時(shí)，由于320能被64整除，240能被48整除，因此，所述輸入Map能被均勻拆分為僅包含尺寸為64×48像素的所述第一子Map的所述子Map矩陣，且所述子Map矩陣的行數(shù)m＝320/64＝5，所述子Map矩陣的列數(shù)n＝240/48＝5，此時(shí)判斷能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣。在本實(shí)施例中，所述卷積核的尺寸HC×HC為3×3，將320×240的所述輸入Map均勻拆分為5×5的所述子Map矩陣后，每個(gè)所述第一子Map的尺寸為64×48。對(duì)每個(gè)所述第一子Map進(jìn)行卷積操作，得到每個(gè)所述第一子Map的計(jì)算結(jié)果，得到每一個(gè)64×48的所述第一子Map的卷積操作的計(jì)算結(jié)果，然后將25個(gè)所述第一子Map的卷積操作的計(jì)算結(jié)果原位拼接起來(lái)得到320×240的所述輸入Map的卷積結(jié)果。將所述輸入Map均勻拆分時(shí)，由于每個(gè)所述子Map的尺寸相等，因此，系統(tǒng)只需要一套計(jì)算模塊即可完成所述輸入Map的計(jì)算過(guò)程，節(jié)約計(jì)算資源的效果顯著。優(yōu)選地，所述拆分模塊還包括：非均勻拆分單元(圖未示)，用于在不能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣時(shí)，將所述輸入Map拆分為包括所述第一子Map、第二子Map、第三子Map及第四子Map的子Map矩陣；其中，所述第一子Map、所述第二子Map、所述第三子Map及所述第四子Map呈m’行×n’列排布形成；所述第二子Map、所述第三子Map及所述第四子Map的尺寸均小于所述預(yù)設(shè)尺寸；所述子Map矩陣中，第1行至第m’-1行以及第1列至第n’-1列均分布所述第一子Map，第m’行的第1列至第n’-1列均分布所述第二子Map，第n’列的第1至第m’-1行均分布所述第三子Map；第m’行的第n’列分布第四子Map；若m’＝ceil(H/h)>floor(H/h)且n’＝ceil(W/w)>floor(W/w)，所述第二子Map的尺寸為[H-h×floor(H/h)]×w，所述第三子Map的尺寸為h×[W-w×floor(W/w)]，所述第四子Map的尺寸為[H-h×floor(H/h)]×[W-w×floor(W/w)]，若m’＝ceil(H/h)>floor(H/h)且n’＝ceil(W/w)＝floor(W/w)，則只存在所述第一子Map和所述第二子Map，若m’＝ceil(H/h)＝floor(H/h)且n’＝ceil(W/w)>floor(W/w)，則只存在所述第一子Map和所述第三子Map。非均勻拆分的情況下，按照行元素是否可以均勻拆分以及列元素是否可以均勻拆分，可以分為三種情況：分別為：1、行元素和列元素都非均勻拆分；2、行元素非均勻拆分，列元素可均勻拆分；3、行元素均勻拆分，列元素非均勻拆分。此時(shí)，視為對(duì)所述輸入Map進(jìn)行非均勻拆分。具體的，當(dāng)所述輸入Map的尺寸為330×250時(shí)，由于330不能被64整除，250不能被48整除，判斷不能將所述輸入Map拆分為僅包含所述第一子Map的子Map矩陣，由于判斷結(jié)果是否，因此，將所述輸入Map進(jìn)行非均勻拆分。m’＝ceil(H/h)為對(duì)實(shí)數(shù)H/h做向上取整操作，n’＝ceil(W/w)為對(duì)實(shí)數(shù)W/w做向上取整操作，floor(H/h)為對(duì)實(shí)數(shù)H/h做向下取整操作，floor(W/w)為對(duì)實(shí)數(shù)W/w做向下取整操作。在本實(shí)施例中，m’＝ceil(H/h)＝ceil(330/64)＝6，n’＝ceil(W/w)＝ceil(250/48)＝6，因此，所述子Map矩陣為6×6矩陣。所述第一子Map的尺寸同上，為64×48；所述第二子Map的尺寸為[H-h×floor(H/h)]×w＝10×48；所述第三子Map的尺寸為h×[W-w×floor(W/w)]＝64×10；所述第四子Map的尺寸為[H-h×floor(H/h)]×[W-w×floor(W/w)]＝10×10。此時(shí)，所述子Map矩陣的第1行至第5行以及第1列至第5列均分布25個(gè)64×48的所述第一子Map，所述子Map矩陣的第6行中的第1列至第5列均分布5個(gè)64×10的所述第三子Map，所述子Map矩陣的第6列中的第1行至第5行均分布5個(gè)10×48的所述第二子Map，所述子Map矩陣的第6行中的第6列分布1個(gè)10×10的所述第四子Map。由于本實(shí)施例中，所述輸入Map拆分成了尺寸不同的四種子Map，因此，完成全部的子Map運(yùn)算需要四種計(jì)算模塊。當(dāng)只有H能被h整除，或者只有W能被w整除時(shí)，此時(shí)存在三種類型的子Map，但拆分原理相同，仍屬于非均勻拆分，不再贅述。優(yōu)選地，所述卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化系統(tǒng)還包括：補(bǔ)零操作模塊(圖未示)，用于在所述卷積操作需要保持卷積操作前后的所述子Map尺寸不變時(shí)，對(duì)位于所述子Map矩陣中第一行、最后一行、第一列和最后一列的所述子Map進(jìn)行補(bǔ)零操作。其中，補(bǔ)零的行數(shù)為(Hc-1)/2，補(bǔ)零的列數(shù)為(Hc-1)/2。補(bǔ)零操作可以為行元素補(bǔ)零或列元素補(bǔ)零，補(bǔ)零的行數(shù)為(Hc-1)/2，補(bǔ)零的列數(shù)為(Hc-1)/2，在本實(shí)施例中Hc＝3，因此補(bǔ)零的行數(shù)和列數(shù)分別為1。為了便于介紹，此處以包含3行×3列個(gè)子Map的子Map矩陣為例進(jìn)行補(bǔ)零操作的詳細(xì)介紹，Ai,j表示第i行，第j列個(gè)子Map，其中，3≥i≥1，3≥j≥1。A1,1A1,2A1,3A2,1A2,2A2,3A3,1A3,2A3,3對(duì)輸入Map進(jìn)行補(bǔ)零操作，當(dāng)所述所述卷積核移動(dòng)到所述子Map矩陣的邊緣時(shí)會(huì)超出所述子Map矩陣的邊緣，此時(shí)卷積核的中心可以掃描到所述子Map矩陣的邊界像素點(diǎn)，此時(shí)，對(duì)所述輸入Map的邊緣位置進(jìn)行補(bǔ)零操作，以使所述卷積核能得到完整的所述子Map矩陣的掃描結(jié)果。在此子Map矩陣中，位于子Map矩陣邊緣的子Map為A1,1，A1,2，A1,3，A2,1，A3,1，A3,2，A2,3，A1,3，因此，需要進(jìn)行補(bǔ)零操作的為第一行、最后一行、第一列和最后一列的子Map，即A1,1，A1,2，A1,3，A2,1，A3,1，A3,2，A2,3，A1,3。對(duì)于A2,2，由于卷積核計(jì)算時(shí)，卷積核的中心和邊緣始終能位于子Map矩陣，因此，不需要對(duì)A2,2進(jìn)行補(bǔ)零操作。同時(shí)，補(bǔ)零操作具體為：對(duì)A1,1的第一行以上補(bǔ)充1行零，以及第一列左側(cè)補(bǔ)充1列零；對(duì)A1,2的第一行以上補(bǔ)充1列零；對(duì)A1,3的第一行以上補(bǔ)充1行零，以及最后一列右側(cè)補(bǔ)充1列零；對(duì)A2,1的第一列左側(cè)補(bǔ)充1列零；對(duì)A2,3的最后一列右側(cè)補(bǔ)充1列零；對(duì)A3,1的最后一列以下補(bǔ)充1列零，以及第一列左側(cè)補(bǔ)充1列零；對(duì)A3,2的最后一列以下補(bǔ)充1列零；對(duì)A3,3的最后一列以下補(bǔ)充1列零，以及最后一列右側(cè)補(bǔ)充1列零。優(yōu)選地，所述卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算資源優(yōu)化系統(tǒng)還包括：補(bǔ)充相鄰元素模塊，用于對(duì)每個(gè)所述子Map進(jìn)行補(bǔ)充相鄰元素操作，以使對(duì)每個(gè)所述子Map的卷積操作能覆蓋所述子Map當(dāng)中的每一個(gè)元素，其中，所述補(bǔ)充相鄰元素操作指將每個(gè)所述子Map的未補(bǔ)零的邊緣補(bǔ)充相鄰的子Map元素。以上述子Map矩陣Ai,j為例，若要使卷積操作前后的子Map矩陣尺寸不變，對(duì)每個(gè)子Map進(jìn)行單獨(dú)的卷積操作時(shí)，需要能對(duì)子Map當(dāng)中的每一個(gè)元素進(jìn)行卷積計(jì)算，當(dāng)卷積核的中心位于子Map矩陣的邊緣時(shí)，由于卷積核的邊緣超出了子Map的元素范圍，因此得到的卷積計(jì)算結(jié)果是不完整的，此時(shí)，子Map的已經(jīng)進(jìn)行補(bǔ)零操作的邊緣可以克服卷積核的邊緣超出子Map邊緣的情況，只需要對(duì)子Map的未補(bǔ)零的邊緣進(jìn)行補(bǔ)充相鄰元素操作即可。每個(gè)子Map補(bǔ)充的相鄰行元素為HC-1，補(bǔ)充的相鄰列元素為HC-1。補(bǔ)充相鄰元素的操作是為了保證相鄰子Map之間的卷積操作的結(jié)果是正確的，最終才能將每個(gè)所述子Map原位拼接成所述輸入Map。對(duì)位于子Map矩陣邊緣位置的子Map進(jìn)行補(bǔ)零操作和補(bǔ)充相鄰元素操作，以及對(duì)位于子Map矩陣非邊緣位置的子Map進(jìn)行補(bǔ)充相鄰元素操作，得到的每個(gè)子Map矩陣的尺寸為(h+HC-1)×(w+HC-1)。在對(duì)每個(gè)子Map進(jìn)行卷積操作時(shí)，重疊元素共同組成第一'子Map卷積核只需掃描屬于每個(gè)子Map的元素，并不需要掃描其補(bǔ)零元素、補(bǔ)充的相鄰行元素和補(bǔ)充的相鄰列元素，補(bǔ)零元素、補(bǔ)充的相鄰行元素和補(bǔ)充的相鄰列元素只是為了保證對(duì)子Map的邊緣元素做卷積操作時(shí)能夠得到正確的計(jì)算結(jié)果，因?yàn)檫吘壴氐木矸e操作需要利用補(bǔ)零元素、補(bǔ)充的相鄰行元素或補(bǔ)充的相鄰列元素。應(yīng)當(dāng)注意，對(duì)所述輸入Map進(jìn)行均勻拆分或非均勻拆分兩種情況下，均需要借用相鄰子Map的行元素或列元素。對(duì)于如何根據(jù)子Map的卷積計(jì)算結(jié)果合成輸入Map的卷積計(jì)算結(jié)果,請(qǐng)參考如下實(shí)施例:原始彩色圖像12×12(H×W)的RGB三通道圖像:R通道圖像為：117193172501861268696169122482082061151318116764720025218616963195272387737131041310111520213424149569116441148971221281972237165866415624925116122787115283824425208242282081251221293451352492091521564125319356218110792081425918359692211281882361951015011916040213474154132602062615211419135107173692546216247135118913723217323423924616019881105185103561952711317132215173041G通道圖像為：1791932311177822418273150174109185371841251124223045138196225911618922623275216244100156192152184578910448195113226128156775796820414937217191157661761071021279214217922216718879141477114722775216653924410313610921814119291361738250185103204471162204022822014840103207168521723423212142130183170116241402149383212631171283240170262101121212321691291039622713617519624110515622918329122B通道圖像為：對(duì)應(yīng)的灰度圖像為:1531851461431071731418516212014417388621621231333617386180179194971578620715973131191651371591511631107298601868519712513110211213741157125571921891709118611311988811681172091171891361336597113162932101148419897160134153154165839967682071391021899312622384175145130888813221921912033219193128151113124731351591476621311278321121971888719314216821216112599138182991671301851321062061195087卷積核3×3，Hc＝3：-0.141381900.093055700.02294120-0.148683300.14467020-0.010203100.01026590-0.12336460-0.16269930直接對(duì)輸入Map(灰度圖像)進(jìn)行卷積過(guò)程如下：1、進(jìn)行補(bǔ)零：000000000000000153185146143107173141851621201441730088621621231333617386180179194970015786207159731311916513715915116300110729860186851971251311021121370041157125571921891709118611311988008116811720911718913613365971131620093210114841989716013415315416583009967682071391021899312622384175001451308888132219219120332191930012815111312473135159147662131127800321121971888719314216821216112599001381829916713018513210620611950870000000000000002、進(jìn)行卷積操作：例如：卷積操作中左上角第一個(gè)“像素”為-1，其計(jì)算過(guò)程為：0×(-0.1413819)+0×0.0930557+0×0.0229412×0×(-0.1486833)+153×0.1446702+185×(-0.0102031)+0×0.0102659+88×(-0.1233646)+62×(-0.1626993)＝-0.6964734,取整后為-1，可以不取整。其他“像素”值類似，即卷積核在補(bǔ)零后的輸入Map上以步長(zhǎng)為1進(jìn)行滑動(dòng)，并做卷積計(jì)算。補(bǔ)零操作的主要目的是保持卷積操作后的結(jié)果與輸入Map尺寸相同，便于處理，卷積層的卷積操作也可以不補(bǔ)零，但卷積操作的輸出結(jié)果的尺寸會(huì)變小。直接對(duì)輸入Map進(jìn)行卷積操作，需要較多的硬件資源才能實(shí)現(xiàn)，為了在只用較少，或只有較少資源時(shí)實(shí)現(xiàn)大的Map的卷積操作，可以對(duì)輸入Map進(jìn)行拆分，對(duì)拆分后的子Map做卷積操作，然后合成輸入Map的卷積操作的結(jié)果。將輸入Map拆分成多個(gè)子Map，子Map大小為6×6(即h×w)，則m＝H/h＝2，n＝W/w＝2，即均勻拆分為4個(gè)子Map；第1個(gè)子Map：153185146143107173886216212313336157862071597313111072986018685411571255719218981168117209117189第2個(gè)子Map：第3個(gè)子Map：93210114841989799676820713910214513088881322112815111312473135321121971888719313818299167130185第4個(gè)子Map：1601341531541658318993126223841759219120332191931591476621311278142168212161125991321062061195087對(duì)每個(gè)子Map進(jìn)行補(bǔ)零和補(bǔ)充相鄰元素后，進(jìn)行卷積操作，補(bǔ)零是為了保持卷積操作的計(jì)算結(jié)果與子Map的尺寸相同，此外，補(bǔ)充相鄰元素則是為了保證子Map邊緣元素的卷積操作的計(jì)算結(jié)果正確，從而能夠合成輸入Map的計(jì)算結(jié)果。相鄰數(shù)據(jù)的列數(shù)和行數(shù)等于Hc-1＝2；第1個(gè)子Map補(bǔ)零和補(bǔ)充相鄰元素后：000000000153185146143107173141088621621231333617301578620715973131191011072986018685197041157125571921891700811681172091171891360932101148419897160第2個(gè)子Map補(bǔ)零和補(bǔ)充相鄰元素后：第3個(gè)子Map補(bǔ)零和補(bǔ)充相鄰元素后：081168117209117189136093210114841989716009967682071391021890145130888813221920128151113124731351590321121971888719314201381829916713018513200000000第4個(gè)子Map補(bǔ)零和補(bǔ)充相鄰元素后：189136133659711316209716013415315416583010218993126223841750219219120332191930135159147662131127801931421682121611259901851321062061195087000000000第1個(gè)子Map與第2個(gè)子Map之間的列相鄰元素＝2，相鄰數(shù)據(jù)為：00173141361731311918519718917018913697160第1個(gè)子Map與第3個(gè)子Map之間的行相鄰元素＝2，相鄰數(shù)據(jù)為：0811681172091171891360932101148419897160對(duì)第1個(gè)子Map運(yùn)用同一個(gè)卷積核做卷積操作，計(jì)算結(jié)果為：-1-31-47-37-29-24-3-50-47-42-34-596-404-54-55-461-56-9-45-29-60-21-30-52-37-15-61-28-21-45-38-41-33可見(jiàn)，這與直接在輸入Map上做卷積運(yùn)算的結(jié)果是一致的，將4個(gè)子Map的卷積操作的結(jié)果按照子Map在輸入Map上的位置合并，即可得到輸入Map的卷積操作的計(jì)算結(jié)果。非均勻拆分與均勻拆分的原理相同，只是子Map的尺寸不完全一致。以上僅為本發(fā)明的優(yōu)選實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說(shuō)明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的
技術(shù)領(lǐng)域：
，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。當(dāng)前第1頁(yè)1 2 3