卷积神经网络计算装置、数据计算方法制造方法及图纸

一种卷积神经网络计算装置，应用于计算机技术领域，包括：分布式局部存储模块，卷积计算模块，有效信号控制模块，地址管理模块以及缓冲输出模块，分布式局部存储模块，用于存储输入激活值和权重值，卷积计算模块，用于对输入激活值和权重值进行卷积运算，得到中间结果，有效信号控制模块，用于控制卷积计算模块进行卷积运算，地址管理模块，用于对分布式局部存储模块进行读写管理，缓冲输出模块，用于处理中间结果，得到最终结果，并输出最终结果。本发明专利技术还公开了一种数据计算方法，增强卷积网络的计算效率。

【技术实现步骤摘要】
卷积神经网络计算装置、数据计算方法
本专利技术涉及计算机
，尤其涉及一种卷积神经网络计算装置、数据计算方法。
技术介绍
在大数据时代，深度学习是从海量数据中获取信息的有效手段。作为深度学习的一种典型算法，卷积神经网络(ConvolutionalNeuralNetwork，CNN)可以在复杂环境下提取高维特征信息，利用这些高维特征实现图像分类、目标检测等任务。这一技术被广泛用于自动驾驶、安防系统、机器人等领域。随着任务准确度要求的不断提高，网络逐渐深化，算法面临计算密集和数据密集两大挑战。采用集成电路技术设计硬件加速器可以低功耗、高并行度实现这类复杂计算。然而，目前多数卷积神经网络加速器存在总线数据频繁访问的问题，一方面数据通信时间长严重影响了计算速度，另一方面全局缓存的频繁访问造成了功耗浪费。
技术实现思路
本专利技术的主要目的在于提供一种卷积神经网络计算装置和数据计算方法，增强卷积网络的计算效率。为实现上述目的，本专利技术实施例第一方面提供一种卷积神经网络计算装置，包括：分布式局部存储模块，卷本文档来自技高网...

【技术保护点】
1.一种卷积神经网络计算装置，其特征在于，包括：/n分布式局部存储模块，卷积计算模块，有效信号控制模块，地址管理模块以及缓冲输出模块；/n所述分布式局部存储模块，用于存储输入激活值和权重值；/n所述卷积计算模块，用于对所述输入激活值和权重值进行卷积运算，得到中间结果；/n所述有效信号控制模块，用于控制所述卷积计算模块进行卷积运算；/n所述地址管理模块，用于对所述分布式局部存储模块进行读写管理；/n所述缓冲输出模块，用于处理所述中间结果，得到最终结果，并输出所述最终结果。/n

【技术特征摘要】
1.一种卷积神经网络计算装置，其特征在于，包括：
分布式局部存储模块，卷积计算模块，有效信号控制模块，地址管理模块以及缓冲输出模块；
所述分布式局部存储模块，用于存储输入激活值和权重值；
所述卷积计算模块，用于对所述输入激活值和权重值进行卷积运算，得到中间结果；
所述有效信号控制模块，用于控制所述卷积计算模块进行卷积运算；
所述地址管理模块，用于对所述分布式局部存储模块进行读写管理；
所述缓冲输出模块，用于处理所述中间结果，得到最终结果，并输出所述最终结果。


2.根据权利要求1所述的卷积神经网络计算装置，其特征在于，所述卷积计算模块包括：多个乘累加器和可配置加法树，所述可配置加法树连接所述多个乘累加器；
所述可配置加法树内除叶子节点外的节点通过参数配置可进行拆分，当加法节点不拆分时，所述加法节点处加法的两个输入数据相加后输出到所述可配置加法树的下一级；当加法节点拆分时，拆分处的两个输入数据依次串行输出到所述可配置加法树的下一级。


3.根据权利要求2所述的卷积神经网络计算装置，其特征在于，所述有效信号控制模块具体根据所述地址管理模块产生的读数据使能信号生成所述乘累加器的使能信号和所述可配置加法树的使能信号，并根据预置的乘累加深度参数控制乘累加器的累加乘积个数。


4.根据权利要求1所述的卷积神经网络计算装置，其特征在于，所述分布式局部存储模块包括：
输入激活局部存储区和权重局部存储区；
所述输入激活局部存储区，用于存储所述输入激活值；
所述权重局部存储区，用于存储所述权重值。


5.根据权利要求4所述的卷积神经网络计算装置，其特征在于，所述输入激活局部存储区和权重局部存储区内的存储器采用分布式组织结构，所述存储器的读数据接口与所述卷积计算模块的输入数据接口并排一一对应直连。


6.根据权利要求1所述的卷积神经网络计算装置，其特征在于，所述缓冲输出模块包括：输出缓冲器和中间结果累加模块；
所述输出缓冲器，用于读取所述中间结果；
所述中间结果累加模块，用于累加中间结果，包括两个数据输入端和一个数据输出端，一所述数据输入端连接所述输出缓冲器，另一所述数据输入端连接上一卷积神经网络计算装置的结果输出端或中间结果存储器。

...

【专利技术属性】
技术研发人员：乔瑞秀，龚国良，邓琪，鲁华祥，边昳，
申请(专利权)人：中国科学院半导体研究所，中国科学院大学，
类型：发明
国别省市：北京;11