卷积计算模块、神经网络处理器、芯片和电子设备制造技术

本申请实施例提供一种卷积计算模块、神经网络处理器、芯片和电子设备，卷积计算模块包括累加器和选择器，同一级累加器的两个累加器和下一级累加器的一个累加器连接到一个选择器的输入端，所述选择器的输出端用于输出一种或多种累加运算的结果，所述累加器包括至少5级，每一级累加器至少包括一个累加器，所述选择器包括至少一级，每一级选择器至少包括一个选择器。本申请实施例可以提高卷积计算模块计算数据的效率。

Convolution computing module, neural network processor, chip and electronic equipment

【技术实现步骤摘要】
卷积计算模块、神经网络处理器、芯片和电子设备
本申请涉及处理器
，特别涉及一种卷积计算模块、神经网络处理器、芯片和电子设备。
技术介绍
人工神经网络(artificialneuralnetworks，ANN)从信息处理角度对神经元网络进行抽象，建立某种简单模型，按照不同的连接方式组成不同的网络。这些研究通常被称为深度学习(deeplearning)、计算机学习(computerlearning)等类似术语。相关技术中，神经网络处理器根据指令进行计算，比如乘累加、池化等。
技术实现思路
本申请实施例提供一种卷积计算模块、神经网络处理器、芯片和电子设备，可以提高神经网络处理器中卷积计算模块计算输入数据的效率。本申请实施例公开一种卷积计算模块，包括：包括：N级累加器，N为大于1的整数，每一级累加器包括至少一个累加器；和M级选择器，M为大于或等于1的整数，每一级选择器包括至少一个选择器，每一选择器包括三个输入端，每一输入端连接一个累加器；其中一个输入端连接第N级累加器的一本文档来自技高网...

【技术保护点】
1.一种卷积计算模块，其特征在于，包括：/nN级累加器，N为大于1的整数，每一级累加器包括至少一个累加器；和/nM级选择器，M为大于或等于1的整数，每一级选择器包括至少一个选择器，每一选择器包括三个输入端，每一输入端连接一个累加器；/n其中一个输入端连接第N级累加器的一个累加器，其中两个输入端连接第N-1级累加器的两个累加器。/n

【技术特征摘要】
1.一种卷积计算模块，其特征在于，包括：
N级累加器，N为大于1的整数，每一级累加器包括至少一个累加器；和
M级选择器，M为大于或等于1的整数，每一级选择器包括至少一个选择器，每一选择器包括三个输入端，每一输入端连接一个累加器；
其中一个输入端连接第N级累加器的一个累加器，其中两个输入端连接第N-1级累加器的两个累加器。


2.根据权利要求1所述的卷积计算模块，其特征在于，所述N大于5，所述第N级累加器包括一个累加器，所述第二N-1级累加器包括两个累加器；
所述第M级选择器包括一个选择器；
所述第M级选择器的一个选择器包括一输出端，所述第M级选择器的一个选择器的输出端用于输出所述卷积计算模块的一种或多种累加运算的结果。


3.根据权利要求2所述的卷积计算模块，其特征在于，所述M大于1，所述第二M-1级选择器包括两个选择器，所述第二M-1级选择器的两个选择器均包括一输出端，所述第二M-1级选择器的两个选择器的输出端均连接第N级累加器的一个累加器和第M级选择器的一个选择器的一个输入端。


4.根据权利要求3所述的卷积计算模块，其特征在于，所述第N-2级累加器包括四个累加器；
所述M大于2，所述第M-2级选择器包括四个选择器；
所述第二M-2级选择器的四个选择器均包括一输出端，所述第二M-2级选择器的四个选择器的输出端均连接第N-1级累加器的一个累加器和第M-1级选择器的一个选择器的一个输入端。


5.根据权利要求4所述的卷积计算模块，其特征在于，所述第N-3级累加器包括八个累加器；
所述M大于3，所述第M-3级选择器包括八个选择器；
所述第二M-3级选择器的八个选择器均包括一输出端，所述第二M-3级选择器的八个选择器的输出...

【专利技术属性】
技术研发人员：何怀山，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44