一种用于卷积神经网络计算的动态自适应数据截断方法技术

本发明专利技术提供一种用于卷积神经网络计算的动态自适应数据截断方法，包括：在t位图像数据后面扩充m位小数点位置数据，在t位权值数据后面扩充m位小数点位置数据；在乘法运算时，t位图像数据和t位权值数据进行乘法运算得到2*t位结果数据，两个m位小数点位置数据进行加法运算，得到2*t位结果数据的小数点位置，记为M；对2*t位结果数据中高位的0值进行压缩，压缩后的数据从高位进行截取得到t位结果数据，根据截掉的低位数据的位宽和M得到与截取出来的t位结果数据对应的小数点位置；将t位结果数据与其所对应的小数点位置数据拼接。在保证保留高位数据的同时，尽可能多的保留小数位，使得在给定硬件架构下，数据运算精度尽可能高。

A Dynamic Adaptive Data Truncation Method for Computing Convolutional Neural Networks

【技术实现步骤摘要】
一种用于卷积神经网络计算的动态自适应数据截断方法
本专利技术涉及卷积神经网络硬件加速过程中的数据截断机制，具体为一种用于卷积神经网络计算的动态自适应数据截断方法。
技术介绍
人工智能是目前热门的计算机科学之一，作为实现人工智能的主要方式，深度学习也得到了深远的发展。卷积神经网络(ConvolutionNeuralNetwork，CNN)是人工神经网络结构研究最多应用最广的网络结构之一，目前已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于CNN避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。近年来卷积神经网络在计算机视觉领域取得了很不错的成就，同时也让卷积神经网络得到了发展。通常，衡量一个CNN算法的性能指标主要取决于其用于图像分类和识别时的准确率。CNN识别的准确率与算法结构有关，一般来说越复杂的网络识别的准确率是越高的。例如AlexNet包含8层神经网络，识别的准确率为84％左右，而VGG包含有19层网络，识别的准确率为92％。然而，当算法在硬件平台上实现的时候，识别的准确率不仅仅取决于算法本身的结构，还跟硬件平台有关。目前通常有三类实现本文档来自技高网...

【技术保护点】
1.一种用于卷积神经网络计算的动态自适应数据截断方法，其特征在于，包括如下步骤：步骤1，在t位图像数据后面扩充m位小数点位置数据，该小数点位置数据用来记录图像数据中小数点位置；在t位权值数据后面扩充m位小数点位置数据，该小数点位置数据用来记录权值数据中小数点位置；步骤2，在乘法运算时，t位图像数据和t位权值数据进行乘法运算得到2*t位结果数据，两个m位小数点位置数据进行加法运算，得到2*t位结果数据的小数点位置，记为M；步骤3，对2*t位结果数据中高位的0值进行压缩，压缩后的数据从高位进行截取得到t位结果数据，根据截掉的低位数据的位宽和M得到与截取出来的t位结果数据对应的小数点位置；步骤4，将...

【技术特征摘要】
1.一种用于卷积神经网络计算的动态自适应数据截断方法，其特征在于，包括如下步骤：步骤1，在t位图像数据后面扩充m位小数点位置数据，该小数点位置数据用来记录图像数据中小数点位置；在t位权值数据后面扩充m位小数点位置数据，该小数点位置数据用来记录权值数据中小数点位置；步骤2，在乘法运算时，t位图像数据和t位权值数据进行乘法运算得到2*t位结果数据，两个m位小数点位置数据进行加法运算，得到2*t位结果数据的小数点位置，记为M；步骤3，对2*t位结果数据中高位的0值进行压缩，压缩后的数据从高位进行截取得到t位结果数据，根据截掉的低位数据的位宽和M得到与截取出来的t位结果数据对应的小数点位置；步骤4，将t位结果数据与其所对应的小数点位置数据拼接，然后输出。2.根据权利要求1所述的用于卷积神经网络计算的动态自适应数据截...

【专利技术属性】
技术研发人员：杨晨，张海波，王小力，耿莉，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61