基于可重构计算的卷积神经网络池化层、硬件实现方法及系统技术方案

本发明专利技术涉及基于一种可重构计算的卷积神经网络池化层、硬件实现方法及系统，该系统包括：控制单元、数据暂存单元、最大池化/平均池化计算单元。控制单元用于读取配置信息，通过有限状态机控制卷积神经网络池化层的运算流程，通过调用最大池化/平均池化计算单元以实现最大池化和平均池化算法；数据暂存单元用于存储计算所需的输入层信息及输出层结果；最大池化/平均池化计算单元用于计算输出层中各个通道的信息。本发明专利技术提出了一种可重构的卷积神经网络池化层硬件架构，计算资源和存储资源都可以进行裁剪拆分，在保证算法精度的情况下，高并行度的最大池化/平均池化计算单元大大提高了算法的硬件实现速度，该架构可适用于各种人工智能场景。

Convolutional neural network pooling layer based on reconfigurable computing, hardware implementation method and system

【技术实现步骤摘要】
基于可重构计算的卷积神经网络池化层、硬件实现方法及系统
本专利技术涉及人工智能算法领域，尤其涉及基于可重构计算的卷积神经网络池化层的硬件实现。
技术介绍
卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（FeedforwardNeuralNetworks），是深度学习（deeplearning）的代表算法之一。对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被大量应用于计算机视觉、自然语言处理等领域。卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑，在一些更为现代的算法中可能有Inception模块、残差块（residualblock）等复杂构筑。在常见构筑中，卷积层和池化层为卷积神经网络特有。以LeNet-5为例，3类常见构筑在隐含层中的顺序通常为：输入-卷积层-池化层-卷积层-池化层-全连接层-输本文档来自技高网...

【技术保护点】
1.基于可重构计算的卷积神经网络池化层，其特征在于，包括：/n控制单元，用于读取配置信息，通过有限状态机控制卷积神经网络池化层的运算流程，通过调用最大池化/平均池化计算单元以实现最大池化和平均池化算法；/n数据暂存单元，用于存储计算所需的输入层信息及输出层结果；/n最大池化/平均池化计算单元，用于计算输出层中各个通道的信息。/n

【技术特征摘要】
1.基于可重构计算的卷积神经网络池化层，其特征在于，包括：
控制单元，用于读取配置信息，通过有限状态机控制卷积神经网络池化层的运算流程，通过调用最大池化/平均池化计算单元以实现最大池化和平均池化算法；
数据暂存单元，用于存储计算所需的输入层信息及输出层结果；
最大池化/平均池化计算单元，用于计算输出层中各个通道的信息。


2.根据权利要求1所述的基于可重构计算的卷积神经网络池化层，其特征在于，所述配置信息包括通道数、每层的大小、池化核的大小、步长以及池化实现方式。


3.根据权利要求1所述的基于可重构计算的卷积神经网络池化层，其特征在于，所述最大池化/平均池化计算单元由最大池化计算单元和平均池化计算单元组成，最大池化计算单元由N路比较器组成，平均池化计算单元由N路累加器，以及四输入加法树组成，N代表并行路数，其取值取决于运算资源。


4.根据权利要求3所述的基于可重构计算的卷积神经网络池化层，其特征在于，N路并行对于最大池化需要N个比较器，对于平均池化需要N个累加器，和N个四输入加法树，其中四输入加法树由3个加法器构成。


5.根据权利要求3所述的基于可重构计算的卷积神经网络池化层，其...

【专利技术属性】
技术研发人员：李丽，郑茜，傅玉祥，李伟，何国强，陈铠，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32