用于存储数据的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于存储数据的方法和装置。

背景技术：

卷积神经网络(convolutionalneuralnetwork,cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。cnn包括卷积层(convolutionallayer)、池化层(poolinglayer)等。在对这些层中的数据进行卷积运算时，通常需要将其中的特征矩阵(即矩阵形式的特征图(featuremap))包括的特征数据与权重矩阵(即矩阵形式的卷积核(又称为滤波器))包括的权重数据相乘。

技术实现要素：

本申请实施例提出了用于存储数据的方法和装置。

第一方面，本申请实施例提供了一种用于存储数据的方法，该方法包括：从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵；执行如下存储步骤：从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中；从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中；确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量是否均大于等于预设数量；响应于确定均大于等于预设数量，继续执行存储步骤。

在一些实施例中，存储步骤还包括：响应于确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量均大于零且小于预设数量，将权重矩阵中的、未提取过的权重数据存储到第一目标寄存器中，以及将子特征矩阵中的、未提取过的特征数据存储到第二目标寄存器中。

在一些实施例中，卷积神经网络中的特征矩阵包括的特征数据和权重矩阵包括的权重数据是预设位数的定点数。

在一些实施例中，存储步骤还包括：对于存储在第一目标寄存器中的各个权重数据中的权重数据，将该权重数据乘以对应的、存储在第二目标寄存器中的特征数据，得到乘积；将所得到的乘积存储到预设的存储区域中。

在一些实施例中，目标特征矩阵包括的特征数据和权重矩阵包括的权重数据预先存储在预设缓存中。

在一些实施例中，预设数量是预设的单指令多数据流simd指令单次提取的数据的位数与卷积神经网络中的特征矩阵包括的特征数据的位数的商。

在一些实施例中，从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中，包括：基于simd指令从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中。

在一些实施例中，从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中，包括：

基于simd指令从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中。

第二方面，本申请实施例提供了一种用于存储数据的装置，该装置包括：第一确定单元，被配置成从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵；存储单元，被配置成执行如下存储步骤：从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中；从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中；确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量是否均大于等于预设数量；第二确定单元，被配置成响应于确定均大于等于预设数量，继续执行存储步骤。

在一些实施例中，存储单元进一步被配置成：响应于确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量均大于零且小于预设数量，将权重矩阵中的、未提取过的权重数据存储到第一目标寄存器中，以及将子特征矩阵中的、未提取过的特征数据存储到第二目标寄存器中。

在一些实施例中，卷积神经网络中的特征矩阵包括的特征数据和权重矩阵包括的权重数据是预设位数的定点数。

在一些实施例中，存储单元包括：计算模块，被配置成对于存储在第一目标寄存器中的各个权重数据中的权重数据，将该权重数据乘以对应的、存储在第二目标寄存器中的特征数据，得到乘积；存储模块，被配置成将所得到的乘积存储到预设的存储区域中。

在一些实施例中，目标特征矩阵包括的特征数据和权重矩阵包括的权重数据预先存储在预设缓存中。

在一些实施例中，预设数量是预设的单指令多数据流simd指令单次提取的数据的位数与卷积神经网络中的特征矩阵包括的特征数据的位数的商。

在一些实施例中，存储单元进一步被配置成：基于simd指令从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中。

在一些实施例中，存储单元进一步被配置成：基于simd指令从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中。

第三方面，本申请实施例提供了一种电子设备，该服务器包括：一个或多个处理器，其中，处理器包括寄存器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于存储数据的方法和装置，通过从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵。反复地从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中，以及从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中。从而可以将权重矩阵包括的权重数据和子特征矩阵包括的特征数据存储到寄存器中，有助于利用寄存器的存取速度快的特点，提高卷积神经网络的运算效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请实施例的用于存储数据的方法的一个实施例的流程图；

图3是根据本申请实施例的用于存储数据的方法的一个应用场景的示意图；

图4是根据本申请实施例的用于存储数据的方法的又一个实施例的流程图；

图5是根据本申请实施例的用于存储数据的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于存储数据的方法或用于存储数据的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类应用、视频播放类应用、网页浏览器应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的图像等数据进行处理的后台数据处理服务器。后台数据处理服务器可以利用卷积神经网络对图像等数据进行处理，以及提取处理过程中所用到的权重数据及存储到第一目标寄存器中，提取处理过程中所用到的特征数据及存储到第二目标寄存器中。

需要说明的是，本申请实施例所提供的用于存储数据的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于存储数据的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在利用卷积神经网络进行处理的数据不需要从远程获取的情况下，上述系统架构可以不包括网络，而只需终端设备或服务器

继续参考图2，示出了根据本申请的用于存储数据的方法的一个实施例的流程200。该用于存储数据的方法，包括以下步骤：

步骤201，从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵。

在本实施例中，用于存储数据的方法的执行主体(例如图1所示的服务器或终端设备)可以从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵。其中，上述卷积神经网络可以预先设置在上述执行主体中，用于对原始数据(例如图片、词向量等)进行处理。通常，对原始数据进行处理的卷积神经网络可以包括卷积层，卷积层又包括特征矩阵(即矩阵形式的特征图(featuremap))和权重矩阵(即卷积核，又称滤波器)。特征矩阵包括特征数据，权重矩阵包括权重数据。特征矩阵包括的特征数据可以是从原始数据中提取的数据(例如像素的r(红，red)g(绿，green)b(蓝，blue)值)，也可以是处理上述原始数据的卷积神经网络中的某个层(例如卷积层、池化层等)输出的数据。权重矩阵包括权重数据是对卷积神经网络进行训练所确定的数据。通常，特征矩阵与权重矩阵经过卷积运算后，可以得到新的特征数据。

上述目标特征矩阵可以是技术人员预先从卷积神经网络包括的特征矩阵中选择的，或者是上述执行主体选择(例如按照特征矩阵对应的通道序号的大小顺序选择)的、待进行卷积运算的特征矩阵。

通常，在卷积神经网络进行卷积运算时，需要从特征矩阵中提取与对应的权重矩阵的行数和列数均相等的子特征矩阵，将在子特征矩阵和权重矩阵中处于相同位置的数据相乘。其中，特征矩阵和权重矩阵的对应关系是预先设置的。需要说明的是，由于卷积神经网络是目前广泛研究和应用的公知技术，关于确定与权重矩阵进行卷积运算的子特征矩阵的方法，这里不再赘述。

在本实施例的一些可选的实现方式中，卷积神经网络中的特征矩阵包括的特征数据和权重矩阵包括的权重数据是预设位数的定点数。由于电子设备对定点数的运算相比于对浮点数的运算效率更高，因此，在对卷积神经网络的处理结果的精度要求不高的场合下(例如在手机、平板电脑等终端设备运行卷积神经网络)，卷积神经网络中的特征数据和权重数据可以设置为定点数，从而提高运算效率。将特征数据和权重数据的位数设置为预设位数，可以有助于充分利用寄存器所能够存储的数据的位数，从而提高寄存器的存取效率。

在本实施例的一些可选的实现方式中，目标特征矩阵包括的特征数据和权重矩阵包括的权重数据可以预先存储在预设缓存中。其中，预设缓存可以是上述执行主体的cpu(centralprocessingunit，中央处理器)包括的缓存(例如一级(l1)缓存、二级(l2)缓存等)。由于电子设备在进行数据运算时，从缓存读取数据比从其他诸如内存、硬盘等存储设备中提取数据的效率更高，因此，上述执行主体可以预先将卷积神经网络中的特征矩阵加载到上述预设缓存中，从而可以提高数据存取的效率。

步骤202，执行如下存储步骤：从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中；从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中；确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量是否均大于等于预设数量。

在本实施例中，基于上述执行主体可以执行如下存储步骤：

步骤2021，从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中。

具体地，当上述执行主体第一次执行步骤2021时，权重矩阵中的、未提取过的权重数据即为权重矩阵中的全部权重数据。通常，上述执行主体可以按照权重数据在权重矩阵中的位置的排列顺序，提取权重数据。例如，权重数据可以具有对应的、表征在权重矩阵中的位置的行号和列号，上述执行主体可以从第一行开始，按照列号由小到大的顺序提取预设数量个权重数据。上述第一目标寄存器可以是预先设置的用于存储权重数据的寄存器。上述第一目标寄存器可以是上述执行主体预先分配的至少一个寄存器中的寄存器。上述至少一个寄存器可以是上述执行主体的cpu中包含的寄存器。上述执行主体可以从上述至少一个寄存器中，按照各种方式(例如按照寄存器的编号的顺序，或者按照预先配置的、提取的权重数据与寄存器的对应关系)选择寄存器作为第一目标寄存器。

在本实施例的一些可选的实现方式中，上述预设数量是预设的simd(singleinstructionmultipledata，单指令多数据流)指令单次提取的数据的位数与上述卷积神经网络中的特征矩阵包括的特征数据的位数的商。作为示例，假设simd指令为64位指令，即单次提取的数据的位数为64位，上述卷积神经网络中的特征矩阵包括的特征数据的位数为16位，则预设数量为64/16＝4。

可选的，上述simd指令可以为neon指令，其中，neon指令是适用于嵌入式微处理器的一种simd指令，它采用专门设计，简化了软件在不同平台之间的移植，能够提升数据处理的速度，降低硬件功耗。应当理解，除上述neon指令外，上述执行主体还可以采用其他simd指令，例如sse(streamingsimdextensions，单指令多数据流扩展)指令等。

在本实施例的一些可选的实现方式中，上述执行主体可以基于上述simd指令从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中。对于现有的sisd(singleinstructionsingledatastream，单指令流单数据流)，每个指令只能提取一个数据，而对于simd，一个指令可以提取多个数据。因为多个数据的处理是并行的，因此从时间来说，一个指令执行的时间，sisd和simd是差不多的。由于simd一次可以处理n(n为正整数)个数据，所以它的处理的时间也就缩短到sisd的处理的时间的1/n。上述执行主体使用simd指令，可以提高提取权重数据的效率。

步骤2022，从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中。

具体地，当上述执行主体第一次执行步骤2022时，子特征矩阵中的、未提取过的特征数据即为子特征矩阵中的全部特征数据。其中，上述第二目标寄存器可以是预先设置的用于存储特征数据的寄存器。上述第二目标寄存器可以是上述执行主体预先分配的至少一个寄存器中的寄存器。上述至少一个寄存器可以是上述执行主体的cpu中包含的寄存器。上述执行主体可以从上述至少一个寄存器中，按照各种方式(例如按照寄存器的编号的顺序，或者按照预先配置的、提取的特征数据与寄存器的对应关系)选择寄存器作为第二目标寄存器。需要说明的是，步骤2022中提取特征数据的方法与步骤2021中提取权重数据的方法基本一致，这里不再赘述。

在本实施例的一些可选的实现方式中，上述执行主体可以基于上述simd指令从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中。从而提高提取特征数据的效率。

由于对寄存器中存储的数据进行处理的速度要快于对其他存储设备(例如内存、硬盘等)中存储的数据进行处理的速度，因此，将权重数据和特征数据存储到寄存器中，可以提高利用卷积神经网络进行数据处理的效率。实践中，技术人员可以根据寄存器的个数和单个寄存器存储的数据的位数，预先对权重矩阵包括的权重数据和子特征矩阵包括的特征数据的数量进行调整，以使寄存器的使用率达到最大，从而最大限度地提高卷积神经网络的运算效率。

步骤2023，确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量是否均大于等于预设数量。

步骤203，响应于确定均大于等于预设数量，继续执行存储步骤。

在本实施例中，上述执行主体可以响应于确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量均大于等于预设数量，继续执行上述存储步骤。

继续参见图3，图3是根据本实施例的用于存储数据的方法的应用场景的一个示意图。在图3的应用场景中，终端设备301上设置有卷积神经网络302，终端设备301首先从卷积神经网络302中的目标特征矩阵303中，确定待与目标特征矩阵303对应的权重矩阵304进行卷积运算的子特征矩阵305。其中，子特征矩阵305和权重矩阵304均为4行4列的矩阵。然后，终端设备301执行如下存储步骤：从权重矩阵304中的、未提取过的权重数据中，提取预设数量个(例如四个)权重数据及存储到第一目标寄存器中；从子特征矩阵305中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中；确定权重矩阵304中的、未提取过的权重数据的数量和子特征矩阵305中的、未提取过的特征数据的数量是否均大于等于预设数量。如果均大于等于预设数量，继续执行存储步骤。通过反复执行上述存储步骤，最终终端设备301将权重矩阵304包括的四行权重数据(即图中的3041-3044)分别存储到对应的第一目标寄存器d1、d2、d3、d4，将子特征矩阵305包括的四行特征数据(即图中的3051-3054)分别存储到对应的第二目标寄存器d5、d6、d7、d8。

本申请的上述实施例提供的方法，通过将卷积神经网络中的权重矩阵包括的权重数据和子特征矩阵包括的特征数据存储到寄存器中，有助于利用寄存器的存取速度快的特点，提高卷积神经网络的运算效率。

进一步参考图4，其示出了用于存储数据的方法的又一个实施例的流程400。该用于存储数据的方法的流程400，包括以下步骤：

步骤401，从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵。

在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。

在本实施例中，上述执行主体在执行完步骤401后，可以继续执行如下存储步骤，即步骤402-步骤407：

步骤402，从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中。

在本实施例中，步骤402与图2对应实施例中的步骤2021基本一致，这里不再赘述。

步骤403，从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中。

在本实施例中，步骤403与图2对应实施例中的步骤2022基本一致，这里不再赘述。

步骤404，对于存储在第一目标寄存器中的各个权重数据中的权重数据，将该权重数据乘以对应的、存储在第二目标寄存器中的特征数据，得到乘积。

在本实施例中，对于存储在第一目标寄存器中的各个权重数据中的权重数据，用于存储数据的方法的执行主体(例如图1所示的服务器或终端设备)可以将该权重数据乘以对应的、存储在第二目标寄存器中的特征数据，得到乘积。

具体地，作为示例，假设第一目标寄存器中存储的数据包括：a、b、c、d，第二目标寄存器中存储的数据包括：e、f、g、h，其中，a、b、c、d在权重矩阵中的位置分别与e、f、g、h在子特征矩阵中的位置相同，即a、b、c、d分别对应于e、f、g、h，则得到的乘积包括：a×e、b×f、c×g、d×h。

步骤405，将所得到的乘积存储到预设的存储区域中。

在本实施例中，上述执行主体可以将所得到的乘积存储到预设的存储区域中。其中，预设的存储区域可以是存取数据的速度较快的存储区域，例如上述执行主体的cpu包括的缓存(例如一级缓存、二级缓存等)，或者上述执行主体的cpu包括的寄存器(与存储特征数据和权值数据的寄存器不同的寄存器)。由于上述预设的存储区域具有存取数据较快的特点，因此将所得到的乘积存储到预设的存储区域中，可以有助于在卷积神经网络进行后续的计算时，进一步提高运算效率。

步骤406，确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量是否均大于等于预设数量。

在本实施例中，步骤406与图2对应实施例中的步骤2023基本一致，这里不再赘述。

步骤407，响应于确定均大于零且小于预设数量，将权重矩阵中的、未提取过的权重数据存储到第一目标寄存器中，以及将子特征矩阵中的、未提取过的特征数据存储到第二目标寄存器中。

在本实施例中，上述执行主体可以响应于确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量均大于零且小于预设数量，将权重矩阵中的、未提取过的权重数据存储到第一目标寄存器中，以及将子特征矩阵中的、未提取过的特征数据存储到第二目标寄存器中。通过执行本实现方式，可以将权重矩阵中的权重数据和子特征矩阵中的特征数据全部存储到寄存器中，从而可以利用寄存器的存取数据较快的特点，提高卷积神经网络的运算效率。

步骤408，响应于确定均大于等于预设数量，继续执行上述存储步骤。

在本实施例中，步骤408与图2对应实施例中的步骤203基本一致，这里不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于存储数据的方法的流程400突出了对第一目标寄存器中的各个权重数据和第二目标寄存器中的特征数据相乘并存储的步骤，以及在权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量均大于零且小于预设数量时，提取权重数据和特征数据并存储的步骤。由此，本实施例描述的方案可以利用寄存器的存取数据较快的特点，进一步提高卷积神经网络的运算效率。并且，将所得到的乘积存储到预设的存储区域中，可以有助于在卷积神经网络进行后续的计算时，进一步提高运算效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于存储数据的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于存储数据的装置500包括：第一确定单元501，被配置成从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵；存储单元502，被配置成执行如下存储步骤：从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中；从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中；确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量是否均大于等于预设数量；第二确定单元503，被配置成响应于确定均大于等于预设数量，继续执行存储步骤。

在本实施例中，第一确定单元501可以从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵。其中，上述卷积神经网络可以预先设置在上述装置500中。通常，卷积神经网络可以包括卷积层，卷积层又包括特征矩阵(即矩阵形式的特征图(featuremap))和权重矩阵(即卷积核，又称滤波器)。特征矩阵包括特征数据，权重矩阵包括权重数据。特征矩阵包括的特征数据可以是从原始数据中提取的数据(例如像素的r(红，red)g(绿，green)b(蓝，blue)值)，也可以是卷积神经网络中的某个层(例如卷积层、池化层等)输出的数据。权重矩阵包括权重数据是对卷积神经网络进行训练所确定的数据。通常，特征矩阵与权重矩阵经过卷积运算后，可以得到新的特征数据。

上述目标特征矩阵可以是技术人员预先从卷积神经网络包括的特征矩阵中选择的，或者是上述第一确定单元501选择(例如按照特征矩阵对应的通道序号的大小顺序选择)的，待进行卷积运算的特征矩阵。

通常，在卷积神经网络进行卷积运算时，需要从特征矩阵中提取与对应的权重矩阵的行数和列数均相等的子特征矩阵，将在子特征矩阵和权重矩阵中处于相同位置的数据相乘。其中，特征矩阵和权重矩阵的对应关系是预先设置的。需要说明的是，由于卷积神经网络是目前广泛研究和应用的公知技术，关于确定与权重矩阵进行卷积运算的子特征矩阵的方法，这里不再赘述。

在本实施例中，存储单元502可以执行如下存储步骤：

步骤5021，从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中。

具体地，当第一次执行步骤5021时，权重矩阵中的、未提取过的权重数据即为权重矩阵中的全部权重数据。通常，上述存储单元502可以按照权重数据在权重矩阵中的位置的顺序，提取权重数据。例如，权重数据可以具有对应的、表征在权重矩阵中的位置的行号和列号，上述存储单元502可以从第一行开始，按照列号由小到大的顺序提取预设数量个权重数据。上述第一目标寄存器可以是上述装置500预先分配的至少一个寄存器中的寄存器。上述至少一个寄存器可以是上述装置500的cpu中包含的寄存器。上述执行主体可以从上述至少一个寄存器中，按照各种方式(例如按照寄存器的编号的顺序，或者按照预先配置的、提取的权重数据与寄存器的对应关系)选择寄存器作为第一目标寄存器。

步骤5022，从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中。

具体地，当第一次执行步骤5022时，子特征矩阵中的、未提取过的特征数据即为子特征矩阵中的全部特征数据。其中，上述第二目标寄存器可以是上述装置500预先分配的至少一个寄存器中的寄存器。上述至少一个寄存器可以是上述装置500的cpu中包含的寄存器。上述存储单元502可以从上述至少一个寄存器中，按照各种方式(例如按照寄存器的编号的顺序，或者按照预先配置的、提取的权重数据与寄存器的对应关系)选择寄存器作为第二目标寄存器。需要说明的是，步骤5022中提取特征数据的方法与步骤5021中提取权重数据的方法基本一致，这里不再赘述。

步骤5023，确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量是否均大于等于预设数量。

在本实施例中，第二确定单元503可以响应于确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量均大于等于预设数量，继续执行上述存储步骤。

在本实施例的一些可选的实现方式中，存储单元502可以进一步被配置成：响应于确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量均大于零且小于预设数量，将权重矩阵中的、未提取过的权重数据存储到第一目标寄存器中，以及将子特征矩阵中的、未提取过的特征数据存储到第二目标寄存器中。

在本实施例的一些可选的实现方式中，卷积神经网络中的特征矩阵包括的特征数据和权重矩阵包括的权重数据是预设位数的定点数。

在本实施例的一些可选的实现方式中，存储单元502可以包括：计算模块(图中未示出)，被配置成对于存储在第一目标寄存器中的各个权重数据中的权重数据，将该权重数据乘以对应的、存储在第二目标寄存器中的特征数据，得到乘积；存储模块(图中未示出)，被配置成将所得到的乘积存储到预设的存储区域中。

在本实施例的一些可选的实现方式中，目标特征矩阵包括的特征数据和权重矩阵包括的权重数据预先存储在预设缓存中。

在本实施例的一些可选的实现方式中，预设数量是预设的单指令多数据流simd指令单次提取的数据的位数与卷积神经网络中的特征矩阵包括的特征数据的位数的商。

在本实施例的一些可选的实现方式中，存储单元502可以进一步被配置成：基于simd指令从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中。

在本实施例的一些可选的实现方式中，存储单元502可以进一步被配置成：基于simd指令从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中。

本申请的上述实施例提供的装置，通过将卷积神经网络中的权重矩阵包括的权重数据和子特征矩阵包括的特征数据存储到寄存器中，有助于利用寄存器的存取速度快的特点，提高卷积神经网络的运算效率。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、存储单元、第二确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一确定单元还可以被描述为“从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：从预设的卷积神经网络中的目标特征矩阵中，确定待与目标特征矩阵对应的权重矩阵进行卷积运算的子特征矩阵；执行如下存储步骤：从权重矩阵中的、未提取过的权重数据中，提取预设数量个权重数据及存储到第一目标寄存器中；从子特征矩阵中的、未提取过的特征数据中，提取预设数量个特征数据及存储到第二目标寄存器中；确定权重矩阵中的、未提取过的权重数据的数量和子特征矩阵中的、未提取过的特征数据的数量是否均大于等于预设数量；响应于确定均大于等于预设数量，继续执行存储步骤。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。