The invention provides a data processing method, device, chip, device and storage medium of neural network. The method includes: the modulo potential integral operation of each neuron in the neural network is executed in turn by the control dendrite module, and the model potential set corresponding to each neuron group is obtained, and the module potential set is stored in the buffer zone. The control cell module reads the modular potential integration operation of the N neuron in the dendrite module. The model potential set of the 1 neuron groups stored in the buffer zone and the mode potential set of the 1 neuron groups are carried out operation processing; each neuron group includes at least one neuron, and the model potential set includes the mode potential of each neuron in the group of neurons. The method of this invention makes the operation of the dendrite module and the operation of the cell module can be executed in parallel. It improves the data processing efficiency of the neuron model potential in the neural network, and reduces the power consumption of the dendrite module and the cell body module. One
【技术实现步骤摘要】
神经网络的数据处理方法、装置、芯片、设备和存储介质
本专利技术涉及神经网络,特别是涉及神经网络的数据处理方法、装置、芯片、设备和存储介质。
技术介绍
人工神经网络是一种通过模仿生物大脑的突触-神经元结构进行数据处理的计算模型,其主要由多层的计算节点和层间的连接组成,每个节点模拟一个神经元,节点之间的连接模拟神经突触。在传统人工神经网络中,神经元将来自连接的累加值用激活函数处理后作为自身的输出,同时通过调整网络结构、激活函数等参数,使得传统人工神经网络可以实现多种多样的功能。上述人工神经网络的数据处理过程中,经常会涉及到神经形态电路,该神经形态电路主要完成神经网络中的积分运算和发放运算,其中,发放运算的结果依赖于积分运算的结果。也就是说,传统的神经形态电路中,负责积分运算的树突模块会将神经网络中的所有神经元进行积分运算后,将结果输出给负责发放运算的胞体模块,由胞体模块进行后续的发放处理。但是,上述方案对数据的处理效率低下,且功耗较高。
技术实现思路
基于此,有必要针对传统技术中神经网络的数据处理效率低且功耗较高的技术问题,提供一种神经网络的数据处理方法、装置、芯片、设备和存储介质。一种神经网络的数据处理方法,包括:控制树突模块依次对所述神经网络中的每个神经元组执行模电位积分运算,得到每个神经元组对应的模电位集合,并将所述模电位集合存储至缓冲区;其中,每个神经元组中包括至少一个神经元,所述模电位集合包括所述神经元组中的每个神经元的模电位;控制胞体模块在所述树突模块对第N个神经元组执行模电位积分运算时,读取所述缓冲区内存储的第N-1个神经元组的模电位集合,并对所述第 ...
【技术保护点】
1.一种神经网络的数据处理方法,其特征在于,包括:
【技术特征摘要】
1.一种神经网络的数据处理方法,其特征在于,包括:控制树突模块依次对所述神经网络中的每个神经元组执行模电位积分运算,得到每个神经元组对应的模电位集合,并将所述模电位集合存储至缓冲区;其中,每个神经元组中包括至少一个神经元,所述模电位集合包括所述神经元组中的每个神经元的模电位;控制胞体模块在所述树突模块对第N个神经元组执行模电位积分运算时,读取所述缓冲区内存储的第N-1个神经元组的模电位集合,并对所述第N-1个神经元组的模电位集合执行发放运算处理;其中,所述N为大于1的整数。2.根据权利要求1所述的方法,其特征在于,所述控制胞体模块在所述树突模块对第N个神经元组执行模电位积分运算时,读取所述缓冲区内存储的第N-1个神经元组的模电位集合之前,所述方法还包括:在监测到所述树突模块对所述第N-1个神经元组的模电位积分运算结束后,启动所述胞体模块;控制所述缓冲区面向所述胞体模块为可读写状态以及面向所述树突模块为禁止读写状态。3.根据权利要求1所述的方法,其特征在于,所述对所述第N-1个神经元组的模电位集合执行发放运算处理之后,所述方法还包括:在监测到所述胞体模块对所述第N-1个神经元组的模电位集合的发放运算处理结束后,控制所述缓冲区面向所述胞体模块为禁止读写状态以及面向所述树突模块为可读写状态。4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:若所述第N个神经元组为所述神经网络中的最后一个神经元组,则在监测到所述树突模块对所述第N个神经元组的模电位积分运算结束后,控制所述树突模块停止运算。5.根据权利要求1所述的方法,其特征在于,所述控制树突模块依次对所述神经网络中的每个神经元组执行模电位积分运算,包括:控制所述树突模块在对当前神经元组执行模电位积分运算时,对所述当前神经元组中位于同一层的神经元并行执行模电位积分运算;其中,不同的神经元组中位于同一层的神经元的输入相同。6.根据权利要求1所述的方法,其特征在于,所述对所述第N-1个神经元组的模电位集合执行发放运算处理,包括:控制所述胞体模块根据所述第N-1个神经元组的模电位集合中每个神经元的模电位,确定所述第N-1个神经元组中每个神经元的偏置模电位;控制所述胞体模块根据所述第N-1个神经元组中每个神经元的偏置模电位,确定所述第N-1个神经元组中每个神经元待发送至路由上的发放模电位;控制所述胞体模块将所述第N-1个神经元组中每个神经元的偏置模电位存储至缓冲区。7.根据权利要求6所述的方法,其特征在于...
【专利技术属性】
技术研发人员:裴京,吴臻志,施路平,邓磊,李国齐,
申请(专利权)人:清华大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。