1.一种卷积神经网络的数据调度方法,其特征在于,包括:
将图像数据分成N个目标图像数据,所述N为大于1的整数,所述N个目标图像数据中包含第一目标图像数据和第二目标图像数据,所述第一目标图像数据和所述第二目标图像数据为相邻的所述目标图像数据;
将所述第一目标图像数据载入第一数据缓冲模块,计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算;在所述计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算的过程中,将所述第二目标图像数据载入第二数据缓冲模块;
所述计算单元得到计算结果后将所述计算结果上传到外部存储。
2.根据权利要求1所述方法,所述将图像数据分成N个目标图像数据包括:
将所述图像数据分成所述N个所需存储空间相等的所述目标图像数据;
所述将所述第一目标图像数据载入第一数据缓冲模块包括:
为所述第一数据缓冲模块和第二数据缓冲模块分配与所述目标图像数据所需存储空间相等的存储空间,将所述第一目标图像数据载入所述第一数据缓冲模块。
3.根据权利要求1或2所述方法,所述计算单元得到计算结果后将所述计算结果上传到外部存储包括:
所述计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算,得到所述计算结果后将所述计算结果上传到所述外部存储;
或者,所述计算单元将计算出的计算结果存储到缓存中,若所述缓存中存储的所述计算结果的数据量达到预设条件,则上传到所述外部存储。
4.根据权利要求1所述方法,所述计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数后进行卷积计算包括:
所述计算单元从缓存中读取所述图像数据的权重参数以及读取所述第一数据缓冲模块存储的所述第一目标图像数据后,进行卷积计算,得到计算结果,将所述计算结果存储到所述缓存。
5.根据权利要求1所述方法,在所述将所述图像数据分成N个所述目标图像数据之前,所述方法还包括:
根据缓存当前可用的存储空间以及计算单元的数量,确定第一数据缓冲模块和第二数据缓冲模块可分配的最大存储空间,所述第一数据缓冲模块和所述第二数据缓冲模块可分配的最大存储空间相同;
所述将图像数据分成N个目标图像数据包括:
确定若将所述图像数据分成所述N个数据量相等的所述目标图像数据后,所述第一目标图像数据所需的存储空间是否小于或等于所述第一数据缓冲模块可分配的最大存储空间;
若是,将所述图像数据分成所述N个所述目标图像数据。
6.一种卷积神经网络的数据调度系统,其特征在于,包括:
划分模块,用于将图像数据分成N个目标图像数据,所述N为大于1的整数,所述N个目标图像数据中包含第一目标图像和第二目标图像,所述第一目标图像数据和所述第二目标图像数据为相邻的所述目标图像数据;
载入模块,用于将所述第一目标图像数据载入第一数据缓冲模块;在所述计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算的过程中,将所述第二目标图像数据载入第二数据缓冲模块;
计算单元,用于读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算;
第一数据缓冲模块,用于存储所述第一目标图像数据;
第二数据缓冲模块,用于存储所述第二目标图像数据;
上传模块,用于将所述计算单元得到的计算结果上传到外部存储。
7.根据权利要求6所述系统,其特征在于,
所述划分模块,具体用于将所述图像数据分成所述N个数据量相等的所述目标图像数据;
所述载入模块,具体用于为所述第一数据缓冲模块和第二数据缓冲模块分配与所述目标图像数据所需存储空间相等的存储空间,将所述第一目标图像数据载入所述第一数据缓冲模块。
8.根据权利要求6或7所述系统,其特征在于,
所述上传模块,具体用于在所述计算单元读取所述第一数据缓冲模块存储的所述第一目标图像数据后进行卷积计算,得到所述计算结果后,将所述计算结果上传到所述外部存储;
或者,具体用于在所述计算单元存储到缓存中的计算结果的数据量达到预设条件后,将所述计算结果上传到所述外部存储。
9.根据权利要求6所述系统,其特征在于,
所述计算单元,具体用于从缓存中读取所述图像数据的权重参数以及读取所述第一数据缓冲模块存储的所述第一目标图像数据后,进行卷积计算,得到计算结果,将所述计算结果存储到所述缓存。
10.根据权利要求6所述系统,其特征在于,所述系统还包括:
确定模块,用于根据当前可用的存储空间以及计算单元的数量,确定第一数据缓冲模块和第二数据缓冲模块可分配的最大存储空间,所述第一数据缓冲模块和所述第二数据缓冲模块可分配的最大存储空间相同;确定若将所述图像数据分成所述N个数据量相等的所述目标图像数据后,所述第一目标图像数据所需的存储空间是否小于或等于所述第一数据缓冲模块可分配的最大存储空间;
所述划分模块,还用于在所述确定模块确定所述第一目标图像数据所需的存储空间小于或等于所述第一数据缓冲模块可分配的最大存储空间后,将所述图像数据分成所述N个所述目标图像数据。