一种CNN加速方法及加速器技术

本发明专利技术提供了一种CNN加速方法及加速器，涉及卷积神经网络技术领域，主要解决了现有CNN中控制复杂、重复读写、扩展性差的技术问题。本发明专利技术CNN加速方法，其包括：输入初始数据，将初始数据按顺序读取，得到第一特征向量组；将卷积核与第一特征向量组进行相乘累加计算，得到第二特征向量组；将第二特征向量组进行部分和累加，得到第三特征向量组；将第三特征向量组进行分类，得到分类结果。本发明专利技术不存在任何多余的读写操作，数据读写对片外DDR非常友好，不存在读写效率问题；本发明专利技术很容易扩展，对于高算力需求，可以提高接口侧读写数据时钟频率，或者采用多bank的方式；每个端口相互完全独立，没有任何依赖。

【技术实现步骤摘要】
一种CNN加速方法及加速器
本专利技术涉及卷积神经网络
，尤其涉及一种CNN加速方法及加速器。
技术介绍
卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deeplearning)的代表算法之一。它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。关于现有的CNN加速器或者算法中，出现了控制复杂、重复读写的操作，还存在一定限制，扩展性不好等问题。因此，本专利技术优化了现有的技术方案。
技术实现思路
本专利技术其中一个目的是为了提出一种CNN加速方法及加速器，解决了现有技术中CNN的控制复杂、重复读写、扩展性差的技术问题。本专利技术优选实施方案中能够达到诸多有益效果，具体见下文阐述。为实现上述目的，本专利技术提供了以下技术方案：本专利技术的一种CNN加速方法，其包括：输入初始数据，将初始数据按顺序读取，得到第一特征向量组；其中，将初始数据按照从通道方向、水平方向和垂直方向上依次本文档来自技高网...

【技术保护点】
1.一种CNN加速方法，其特征在于，包括：/n输入初始数据，将初始数据按顺序读取，得到第一特征向量组；其中，将初始数据按照从通道方向、水平方向和垂直方向上依次扫描，获取第一特征向量组；/n将卷积核与第一特征向量组进行相乘累加计算，得到第二特征向量组；具体包括：/n

【技术特征摘要】
20200602 CN 20201048758981.一种CNN加速方法，其特征在于，包括：
输入初始数据，将初始数据按顺序读取，得到第一特征向量组；其中，将初始数据按照从通道方向、水平方向和垂直方向上依次扫描，获取第一特征向量组；
将卷积核与第一特征向量组进行相乘累加计算，得到第二特征向量组；具体包括：



其中，ofm_t表示第二特征向量组；ifm表示第一特征向量组；kernel表示卷积核；
h1表示第二特征向量组的垂直方向索引，h表示第一特征向量组的垂直方向索引，H表示第一特征向量组的垂直方向索引最大值；
w1表示第二特征向量组的水平方向索引，w表示第一特征向量组的水平方向索引，W表示第一特征向量组的水平方向索引最大值；
m1表示第二特征向量组的通道方向索引，m表示kernel卷积核的组数索引，M表示第一特征向量组的通道方向索引最大值；
i表示卷积核的垂直方向索引，HK表示卷积核的垂直方向索引最大值；
j表示卷积核的水平方向索引，WK表示卷积核的水平方向索引最大值；
k表示卷积核的通道方向索引，CK表示卷积核的通道方向索引最大值；
i1表示第二特征向量组的行索引，j1表示第二特征向量组的列索引；
将第二特征向量组进行部分和的累加，得到第三特征向量组；具体包括：
将第二特征向量组的移位累加，得到第三特征向量组；则表达公式如下：



其中，ofm_F表示第三特征向量组，ofm_t表示第二特征向量组；
h2表示第三特征向量组的垂直方向索引，h1表示第二特征向量组的垂直方向索引，H1表...

【专利技术属性】
技术研发人员：陈乔乔，刘洪杰，
申请(专利权)人：深圳市九天睿芯科技有限公司，
类型：发明
国别省市：广东;44