神经网络的数据处理方法、装置、芯片、设备和存储介质制造方法及图纸

本发明专利技术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。该方法包括：控制树突模块依次对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，并将模电位集合存储至缓冲区；控制胞体模块在树突模块对第N个神经元组执行模电位积分运算时，读取缓冲区内存储的第N‑1个神经元组的模电位集合，并对第N‑1个神经元组的模电位集合执行发放运算处理；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。本发明专利技术的方法使得树突模块的运算操作和胞体模块的运算操作可以并行执行，其提高了神经网络中神经元的模电位的数据处理效率，降低了树突模块和胞体模块的功耗。 1

Data processing method, device, chip, device and storage medium of neural network

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。在其中一个实施例中，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。在其中一个实施例中，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。在其中一个实施例中，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。在其中一个实施例中，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。在其中一个实施例中，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。在其中一个实施例中，所述神经网络为人工神经网络；所述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，包括：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与发放值查找表，确定第N-1个神经元组中每个神经元的发放模电位。在其中一个实施例中，所述神经网络为脉冲神经网络；所述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，包括：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以及预设阈值，确定第N-1个神经元组中每个神经元的发放模电位。上述神经网络的数据处理方法，芯片通过控制树突模块依次对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，并将模电位集合存储至缓冲区，然后在树突模块对第N个神经元组执行模电位积分运算时，控制胞体模块读取缓冲区内存储的第N-1个神经元组的模电位集合，并对第N-1个神经元组的模电位集合执行发放运算处理，从而使得树突模块的运算操作和胞体模块的运算操作可以并行执行，其大大提高了神经网络中神经元的模电位的数据处理效率，从而降低了树突模块和胞体模块的整体功耗。一种神经网络的数据处理装置，其包括：第一控制模块，用于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；第二控制模块，用于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。一种芯片，包括：树突模块、胞体模块、缓冲区和处理器；所述树突模块与所述胞体模块电连接，所述树突模块和所述胞体模块均与所述处理器和所述缓冲区电连接；其中，所述处理器用于控制所述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；以及，控制所述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，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，所述N为大于1的整数。一种计算机存储介质，所述计算机存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行上述任一实施例所述的方法。一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现上述任一实施例所述的方法。上述神经网络的数据处理装置、芯片、设备和存储介质，能够用于控制树突模块依次对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，并将模电位集合存储至缓冲区，然后在树突模块对第N个神经元组执行模电位积分运算时，控制胞体模块读取缓冲区内存储的第N-1个神经元组的模电位集合，并对第N-1个神经元组的模电位集合执行发放运算处理，从而使得树突模块的运算操作和胞体模块的运算操作可以并行执行，其大大提高了神经网络中神经元的模电位的数据处理效率，从而降低了树突模块和胞体模块的整体功耗。附图说明图1为本专利技术一个实施例提供的芯片的结构示意图；图2为本专利技术一个实施例提供的神经网络的数据处理方法的流程示意图；本文档来自技高网...

【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