1.一种卷积神经网络的并行优化方法，其特征在于，用winograd算法f(2x2,3x3)进行卷积神经网络的卷积核运算，以降低时间复杂度并减少乘法运算次数；对不存在循环数据依赖的for循环结构部分，使用OpenMP开辟多个线程进行运算；对模式相同的数据运算部分进行向量化处理，使其能够实现一次指令多次运算。

2.如权利要求1所述的卷积神经网络的并行优化方法，其特征在于，用winograd算法f(2x2,3x3)进行卷积神经网络的卷积核运算的公式为：Y＝AT[(GgGT)⊙(BTdB)]A

由winogard算法的原理推出其矩阵数据：g＝[g0 g1 g2]T

T

d＝[d0 d1 d2 d3]。

3.如权利要求2所述的卷积神经网络的并行优化方法，其特征在于，将数据顺序装入向量寄存器中，使数据连续，以便后续的向量化计算。

4.如权利要求1所述的卷积神经网络的并行优化方法，其特征在于，向量化处理还包括：对于F(MxM,RxR)框架代码中SIMD部分，将相邻计算矩阵中同样位置的数据进行组合成一个向量，向量大小和组合个数根据向量寄存器和基本数据单位决定，其计算方法为：N＝E/g，其中N为向量中包含数据个数，E为向量寄存器大小，g为单个数据大小。

5.如权利要求1至4之一所述的卷积神经网络的并行优化方法，其特征在于，包括以下步骤：对输入的数据进行数据预处理；

判断滤波器的大小，将大于(3x3)的滤波器转化为小型滤波器；

将每个卷积核的数据进行分块；

逐层进行卷积运算，其中，分块进行并行化卷积运算，然后处理重复部分，进行分块整合；

反馈更改滤波器；

映射到下一层，直至多层卷积计算完成。