随着人工智能的飞速发展,卷积神经网络(Convolution Neural Network,简称CNN)被广泛应用于视觉分析领域,并在图像分类、人脸检测、对象识别、图像变色等方面取得了令人瞩目的效果。通过深度学习框架,如Torch和Tensorflow,CNN可以充分发挥GPU的性能并实现快速高效的计算。然而,现阶段GPU的存储空间有限,无法处理计算大型图片,例如在显存为12GB的Titan-XGPU上利用VGG网络处理一张4K分辨率的图像时会导致内存溢出。针对此问题,本文提出一种新的处理方法,该方法使用BSP(bulk synchronizationparallel,整体同步并行)模型实现对任意大小图片的处理。在将图片放入具体的CNN某一层进行计算前,先将其分割为多个较小的子图并让它们分别通过神经网络,之后利用特殊的补全和正则化技术将这些子图重新合并为一张完整的图片。并且,这一方法可以方便地扩展以支持多GPU分布式计算。本文以风格化神经网络为例,详细阐释了该方法的有效性及实用性,同时,本文所提方法适用于任何基于CNN的图片计算,而不仅限于风格化网络。根据实验结果可知,利用 12GBTitan-XGPU,该方法可以在一分钟内实现对10,000×10,000像素图像的风格转换。