The invention provides a model based on frequency statistics encoding neural network processor and method of design, involving the calculation of neural network model of hardware acceleration technology, the processor includes at least one storage unit for storing instructions and data; at least one calculation unit for the implementation of neural network computing; and a control unit, and at least one a storage unit, wherein at least one calculation unit is used for at least a storage unit for the at least one memory via the operating instructions, and the instructions to control the at least one calculation unit; at least one data compression unit, wherein each of the data compression unit and the at least one calculation unit is used for compression according to the calculation results of the operational data acquisition, and mode frequency statistics based on re encoding At least one data decompression unit, wherein each data decompression unit is connected with the at least one computing unit for decompressing the compressed operation data.
【技术实现步骤摘要】
本专利技术涉及神经网络模型计算的硬件加速
,特别涉及一种基于模式频率统计编码的神经网络处理器及设计方法。
技术介绍
深度学习技术在近几年得到了飞速的发展,深度神经网络,尤其是卷积神经网络,在图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐和智能机器人等领域取得了广泛的应用。深度学习所得的深度网络结构是一种运算模型,其中包含大量数据节点,每个数据节点与其他数据节点相连,各个节点间的连接关系用权重表示。伴随神经网络复杂度不断提高,神经网络技术在实际应用过程中存在占用资源多、运算速度慢、能量消耗大等问题,因此该技术在嵌入式设备或低开销数据中心等领域应用时存在严重能效问题和运算速度瓶颈。采用硬件加速替代传统软件计算的方法成为提高神经网络计算效率的一种行之有效方式。主流的硬件加速方式包括通用图形处理器、专用处理器芯片和现场可编程逻辑阵列(FPGA)等。当前的深度神经网络在实际应用中网络规模越来越大、数据吞吐量越来越高、任务类型越来越复杂,这会导致神经网络处理器电路规模变大、数据传输效率降低、计算速度变差。现有技术实际应用时,在神经网络计算过程中存在大量数值为0的数据元素,这类元素经过乘法和加法等数据运算后对运算结果不产生数值上的影响,但是神经网络处理器在处理这部分数据元素时会占用大量片上存储空间、消耗多余传输资源并增加运行时间,因此难以满足神经网络处理器的性能要求。
技术实现思路
针对现有技术的不足,本专利技术提出一种基于模式频率统计编码的神经网络处理器及设计方法。本专利技术提出一种基于模式频率统计编码的神经网络处理器,包括:至少一存储单元,用于存 ...
【技术保护点】
一种基于模式频率统计编码的神经网络处理器,其特征在于,包括:至少一存储单元,用于存储操作指令与运算数据;至少一计算单元,用于执行神经网络计算;以及控制单元,与所述至少一存储单元、所述至少一计算单元相连,用于经由所述至少一存储单元获得所述至少一存储单元存储的操作指令,并且解析所述操作指令以控制所述至少一计算单元;至少一个数据压缩单元,其中每个所述数据压缩单元与所述至少一计算单元相连,用于压缩根据所述运算数据获取的计算结果,并重新编码;至少一数据解压单元,其中每个所述数据解压单元与所述至少一个计算单元相连,用于解压被压缩的运算数据。
【技术特征摘要】
1.一种基于模式频率统计编码的神经网络处理器,其特征在于,包括:至少一存储单元,用于存储操作指令与运算数据;至少一计算单元,用于执行神经网络计算;以及控制单元,与所述至少一存储单元、所述至少一计算单元相连,用于经由所述至少一存储单元获得所述至少一存储单元存储的操作指令,并且解析所述操作指令以控制所述至少一计算单元;至少一个数据压缩单元,其中每个所述数据压缩单元与所述至少一计算单元相连,用于压缩根据所述运算数据获取的计算结果,并重新编码;至少一数据解压单元,其中每个所述数据解压单元与所述至少一个计算单元相连,用于解压被压缩的运算数据。2.如权利要求1所述的基于模式频率统计编码的神经网络处理器,其特征在于,所述运算数据包括原始特征图数据或中间层数据计算结果。3.如权利要求1所述的基于模式频率统计编码的神经网络处理器,其特征在于,所述数据压缩单元,采用模式频率统计压缩编码的方式对压缩并编码后的所述计算结果进行存储。4.如权利要求3所述的基于模式频率统计编码的神经网络处理器,其特征在于,所述编码的编码模式为根据神经网络计算过程中数据模式的出现频率,依据数据的稀疏性,将二进制数据中各位全部为零或者多位连续为零的数据采用短位数二进制数表示。5.如权利要求1所述的基于模式频率统计编码的神经网络处理器,其特征在于,所述数据解压单元将采用模式频率统计压缩编码的数据解压并送至所述计算单元中。6.一种基于模式频率统计编...
【专利技术属性】
技术研发人员:韩银和,许浩博,王颖,
申请(专利权)人:中国科学院计算技术研究所,
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。