基于事件的最大池化方法、芯片及电子产品技术

本发明专利技术设计一种基于事件的最大池化方法，芯片及电子产品。方法包括如下步骤：根据输入事件，决定池化目标，所述池化目标是事件集合；加载该池化目标对应的多个计数值；增加所述输入事件对应的计数值，获得更新后的输入事件对应的计数值；判断所述更新后的输入事件对应的计数值是否是所述池化目标对应的多个计数值中的最大值，若是则发送该输入事件，若否则丢弃该输入事件。针对目前还未有针对事件驱动系统的最大池化方案的技术问题，本发明专利技术首次提出的基于事件的最大池化方案，且还具有精度灵活可调、防止溢出、方便重置等技术效果。方便重置等技术效果。方便重置等技术效果。

【技术实现步骤摘要】
基于事件的最大池化方法、芯片及电子产品


[0001]本专利技术涉及一种基于事件的最大池化方法、芯片及电子产品，具体涉及一种在类脑芯片的脉冲神经网络中实现最大池化的方法、芯片及电子产品。

技术介绍

[0002]卷积神经网络中经常出现卷积、池化(pooling)等操作，而最大池化是最为常见的池化形式。在传统的冯诺依曼计算机架构中比较一组数值大小并筛选出最大值，是极其容易实现的，然而这在基于事件驱动的系统中，却要困难的多。
[0003]参考图1，其是现有技术中人工神经网络(Artificial Neural Network，ANN)最大池化过程的示意图。对于一个4
×
4的特征图矩阵，通过2
×
2的过滤器(也称池化核)以步长为2对其进行扫描，最终获得的输出结果为一个2
×
2的特征图。比如参考图1中特征图矩阵的第一区域101，其中的最大值是9，第二区域102的最大值是2，第三区域103的最大值是6，第四区域104的最大值是3，因此获得输出结果是按照各个区域的相对位置关系而组建的新的特征图矩阵(图1中心的矩阵)。
[0004]然而事件驱动(event
‑
driven)的脉冲神经网络(Spiking Neural Network，SNN)系统中，由于不再是冯诺依曼架构，在这种全新的计算架构中，最大池化操作的实现方式需要被重新考虑和设计。然而目前专利技术人未发现有基于事件的最大池化方案公开。

技术实现思路

[0005]本专利技术的目的在于针对基于事件驱动的系统首次提出一种最大池化方法、芯片及电子产品，某些实施例还具有高效、精度灵活可调、防止溢出、方便重置等技术效果，其是通过如下方案来实现的：
[0006]一种基于事件的最大池化方法，该方法包括如下步骤：
[0007]根据输入事件，决定池化目标，所述池化目标是事件集合；
[0008]加载该池化目标对应的多个计数值；
[0009]对所述输入事件对应的计数值进行一次累加计数，获得更新后的输入事件对应的计数值；
[0010]判断所述更新后的输入事件对应的计数值是否是所述池化目标对应的多个计数值中的最大值，若是则发送该输入事件，若否则丢弃该输入事件。
[0011]在某类实施例中，在所述对所述输入事件对应的计数值进行一次累加计数之前，判断所述输入事件对应的计数值是否达到阈值，若所述输入事件对应的计数值未达到阈值则执行所述的对所述输入事件对应的计数值进行一次累加计数。
[0012]在某类实施例中，若所述输入事件对应的计数值已达到阈值则执行：除所述输入事件对应的计数值外，将所述池化目标对应的多个计数值中的其它计数值均设置为零。
[0013]在某类实施例中，判断所述输入事件对应的计数值是否是所述池化目标对应的多个计数值中的最大值，若是则发送该输入事件，若否则丢弃该输入事件；或，
[0014]直接发送该输入事件。
[0015]在某类实施例中，将所述输入事件对应的计数值设置为零；或，
[0016]发送一个与所述输入事件具有相同事件坐标的新的输入事件，且该输入事件是偏置事件，该偏置事件将所述输入事件对应的计数值设置为零。
[0017]在某类实施例中，若所述输入事件对应的计数值已达到阈值则执行：将所述池化目标对应的多个计数值中的所有计数值均设置为零。
[0018]在某类实施例中，执行将所述池化目标对应的多个计数值中的所有计数值均设置为零之后，发送该输入事件。
[0019]在某类实施例中，在判断所述输入事件对应的计数值是否达到阈值之前，判断所述输入事件的事件类型是否为偏置事件，若否则执行所述的判断所述输入事件对应的计数值是否达到阈值。
[0020]在某类实施例中，根据所述输入事件的偏置标记判断该输入事件的类型。
[0021]在某类实施例中，若所述输入事件的事件类型是偏置事件，则执行：将所述池化目标对应的多个计数值均设置为零。
[0022]在某类实施例中，所述设置为零的操作以及所述对所述输入事件对应的计数值进行一次累加计数，均向存储器中存储更新后的计数值。
[0023]在某类实施例中，所述的输入事件包括事件坐标和偏置标记。
[0024]在某类实施例中，在以下情况之一发生时，所述输入事件的偏置标记为真：
[0025]当计数器达到预定值时，所述计数器被配置为对输入到所述输入事件所在的池化核感受野或卷积核感受野的脉冲计数；
[0026]当计数器达到预定值时，所述计数器被配置为对输入到脉冲神经网络的脉冲计数；
[0027]当达到时间基准时。
[0028]在某类实施例中，设置一个乘法器，根据该乘法器，所述偏置事件可以多次减去一个固定值。
[0029]一种芯片，该芯片是事件驱动类型芯片，其特征在于：该芯片使用如上所述的任意一种基于事件的最大池化方法。
[0030]一种电子产品，其特征在于：该电子产品使用所述的芯片来处理信号。
[0031]有益的技术效果：
[0032]本专利技术是首次针对事件驱动系统提出的最大池化方案，具有高效、精度灵活可调、防止溢出、方便重置等技术效果。
[0033]以上披露的技术方案、技术特征、技术手段，与后续的具体实施方式部分中所描述的技术方案、技术特征、技术手段之间可能不完全相同、一致，或是其细化。但是该部分披露的这些新的技术方案同样属于本专利技术文件所公开的众多技术方案的一部分，该部分披露的这些新的技术特征、技术手段与后续具体实施方式部分公开的技术特征、技术手段是以相互合理组合的方式，披露更多的技术方案，是具体实施方式部分的有益补充。与此相同，说明书附图中的部分细节内容可能在说明书中未被明确描述，但是如果本领域技术人员基于本专利技术其它相关文字或附图的描述、本领域的普通技术知识、其它现有技术(如会议、期刊论文等)，可以推知其技术含义，那么该部分未明确被文字记载的技术方案、技术特征、技术
手段，同样属于本专利技术所披露的
技术实现思路
，且如上描述的一样可以被用于组合，以获得相应的新的技术方案。本专利技术任意位置所披露的所有技术特征所组合出的技术方案，用于支撑对技术方案的概括、专利文件的修改、技术方案的披露。
附图说明
[0034]图1是现有技术中人工神经网络最大池化过程的示意图；
[0035]图2是事件与计数的映射关系；
[0036]图3是基于事件的最大池化方法；
[0037]图4是第一情形下最大池化过程中计数值更新示意图；
[0038]图5是第二情形下最大池化过程中计数值更新示意图；
[0039]图6是事件驱动系统中最大池化系统框图。
具体实施方式
[0040]虽然实施例中给出了一些步骤的编号，且该些编号具有数值上的大小顺序，然而这并不必然意味着步骤执行的绝对先后顺序。本专利技术的上述编号并不构成执行顺序的暗示。基于本专利技术构思，后文将以某些具体的某些实施方式来详细描述本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于事件的最大池化方法，其特征在于，该方法包括如下步骤：根据输入事件，决定池化目标，所述池化目标是事件集合；加载该池化目标对应的多个计数值；对所述输入事件对应的计数值进行一次累加计数，获得更新后的输入事件对应的计数值；判断所述更新后的输入事件对应的计数值是否是所述池化目标对应的多个计数值中的最大值，若是则发送该输入事件，若否则丢弃该输入事件。2.根据权利要求1所述的基于事件的最大池化方法，其特征在于：在所述对所述输入事件对应的计数值进行一次累加计数之前，判断所述输入事件对应的计数值是否达到阈值，若所述输入事件对应的计数值未达到阈值则执行所述的对所述输入事件对应的计数值进行一次累加计数。3.根据权利要求2所述的基于事件的最大池化方法，其特征在于：若所述输入事件对应的计数值已达到阈值则执行：除所述输入事件对应的计数值外，将所述池化目标对应的多个计数值中的其它计数值均设置为零。4.根据权利要求3所述的基于事件的最大池化方法，其特征在于：判断所述输入事件对应的计数值是否是所述池化目标对应的多个计数值中的最大值，若是则发送该输入事件，若否则丢弃该输入事件；或，直接发送该输入事件。5.根据权利要求4所述的基于事件的最大池化方法，其特征在于：将所述输入事件对应的计数值设置为零；或，发送一个与所述输入事件具有相同事件坐标的新的输入事件，且该输入事件是偏置事件，该偏置事件将所述输入事件对应的计数值设置为零。6.根据权利要求2所述的基于事件的最大池化方法，其特征在于：若所述输入事件对应的计数值已达到阈值则执行：将所述池化目标对应的多个计数值中的所有计数值均设置为零。7.根据权利要求6所述的基于事件的最大池化方法，其特征在于：执行将所述池化目标对应的多个计数值中...

【专利技术属性】
技术研发人员：乔宁，邢雁南，柯政，西克，
申请(专利权)人：上海时识科技有限公司，
类型：发明
国别省市：