卷积电路制造技术

本实用新型专利技术提供了一种卷积电路包括移位卷积数据链，用于响应于输入的运算模式控制指令，向卷积运算器输入目标卷积数据，移位卷积数据链为第一FIFO队列，FIFO队列存储有目标卷积数据；卷积参数存储器，用于向卷积运算器输入卷积参数；卷积运算器，用于基于目标卷积数据和卷积参数数据，生成卷积结果数据；其中，卷积运算器包括池化运算器，用于对卷积结果数据进行池化运算，以得到目标卷积结果，池化运算器包括第二FIFO队列。本实用新型专利技术解决了现有技术中通过采用通用寄存器的移位寄存器链实现卷积运算而导致硬件资源开销较大的问题。

Convolutional circuit

【技术实现步骤摘要】
卷积电路
本技术涉及卷积运算领域，尤其涉及一种卷积电路。
技术介绍
近几年，卷积神经网络(ConvolutionalNeuralNetwork，CNN)在深度学习中取得了重大的进展。AlexKrizhevsky等人2012年提出了经典的CNN计算结构AlexNet，在图像分类和识别中获得了巨大成功。AlexNet的输入为一个3通道的227×227图片数据，如图1所示，其整个处理过程总共包括8层运算，前五层为卷积层，后三层为全连接层，其中第一层卷积采用3×11×11宽度的卷积核，卷积核个数为96，第二层卷积采用96×5×5宽度的卷积核，卷积核个数为256，余下三层卷积都采用不同通道数的3×3宽度卷积核。AlexNet的总参数量超过了8MB，并且单通道卷积核大小不一致，运算复杂。之后，研究人员又提出了其他的更为完善和优化的方法，其中最著名结构有ZFNet[2013年]，VGGNet[2014年]，ResNet[2015]，GoogleNet[2015年]和SqueezeNet(压缩卷积神经网络)[2016年]等，它们从性能和资源使用率等不同的方面进本文档来自技高网...

【技术保护点】
1.一种卷积电路，其特征在于，包括：/n移位卷积数据链，用于响应于输入的运算模式控制指令，向卷积运算器输入目标卷积数据，所述移位卷积数据链为第一FIFO队列，所述FIFO队列存储有所述目标卷积数据；/n卷积参数存储器，用于向所述卷积运算器输入卷积参数；/n卷积运算器，用于基于所述目标卷积数据和所述卷积参数数据，生成卷积结果数据；/n其中，所述卷积运算器包括池化运算器，用于对所述卷积结果数据进行池化运算，以得到目标卷积结果，所述池化运算器包括第二FIFO队列。/n

【技术特征摘要】
1.一种卷积电路，其特征在于，包括：
移位卷积数据链，用于响应于输入的运算模式控制指令，向卷积运算器输入目标卷积数据，所述移位卷积数据链为第一FIFO队列，所述FIFO队列存储有所述目标卷积数据；
卷积参数存储器，用于向所述卷积运算器输入卷积参数；
卷积运算器，用于基于所述目标卷积数据和所述卷积参数数据，生成卷积结果数据；
其中，所述卷积运算器包括池化运算器，用于对所述卷积结果数据进行池化运算，以得到目标卷积结果，所述池化运算器包括第二FIFO队列。


2.如权利要求1所述的卷积电路，其特征在于：
所述第一FIFO队列的数量为J-1，其中，目标卷积运算模式对应的卷积运算的最大卷积尺寸为J×J，所述目标卷积运算模式基于输入的运算模式控制指令进行确定。


3.如权利要求1所述的卷积电路，其特征在于：
所述卷积运算器为多个，多个所述卷积运算器之间首尾相连，且所述移位卷积数据链与位于首端的卷积运算器通信连接；或
多个所述卷积运算器之间相互并联，且所述移位卷积数据链与多个所述卷积运算器相并连接的一端相连。


4.如权利要求1所述的卷积电路，其特征在于：所述卷积运算器包括具有M个卷积尺寸为i×i卷积核的卷积运算单元、卷积数据寄存器和参数移位寄存器；其中，
所述参数移位寄存器响应于输入的运算模式控制指令，确定目标卷积运算模式，并基于目标卷积运算模式获取卷积参数，以基于所述卷积参数形成N组尺寸为j×j的卷积参数方阵，所述目标卷积运算模...

【专利技术属性】
技术研发人员：臧春峰，王斌，严大卫，黄丽民，陈芬，
申请(专利权)人：江苏鼎速网络科技有限公司，
类型：新型
国别省市：江苏;32