【技术实现步骤摘要】
脉冲神经网络层内数据处理方法及设备、处理芯片
[0001]本专利技术涉及数据处理
，具体涉及一种脉冲神经网络层内数据处理方法及设备、处理芯片。
技术介绍
[0002]深度神经网络(Deep Neural Networks，简称DNN)的研究近年来取得了飞速发展并得到初步应用。然而深度神经网络算法通常需要消耗大量的算力，大量的算力消耗也会带来更大的功耗，例如经典的深度卷积网络(CNN)模型AlexNet，需要进行至少7.2亿次的乘法运算，一般功耗在10瓦到100瓦左右。
[0003]为了提升分类精度，深度神经网络的结构也越来越复杂，目前已经出现超过了1000层的深度神经网络，即使在边缘端，深度神经网络一般都需要50层左右。由于芯片算力资源和存储资源的限制，在对复杂的深度神经网络进行硬件加速时，由于芯片计算资源、存储资源的限制，很少能够将整个深度神经网络一次性映射到芯片上。目前一般会采用流线化运算方式，例如将第一层映射到芯片上，芯片进行运算，同时将第二层的权重准备好，芯片将第一层算完后，进行第二层运算。以此类推，直...
【技术保护点】
【技术特征摘要】
1.一种脉冲神经网络层内数据处理方法，其特征在于，包括：将待处理的音视频信号编码为持续多个脉冲周期的输入脉冲信号；将脉冲神经网络的每一层分为多个网络部分，每个网络部分可映射在处理芯片中；对于脉冲神经网络的每一层，将所述层所包括的各网络部分依次映射到处理芯片，所述处理芯片基于多个脉冲周期的所述输入脉冲信号，得到在各所述脉冲周期内所述脉冲神经网络的所述层的各所述网络部分的输出脉冲信号。2.根据权利要求1所述的脉冲神经网络层内数据处理方法，其特征在于，对于脉冲神经网络的每一层，将所述层所包括的各网络部分依次映射到处理芯片，所述处理芯片基于多个脉冲周期的所述输入脉冲信号，得到在各所述脉冲周期内所述脉冲神经网络在所述层的各所述网络部分的输出脉冲信号，包括：在脉冲神经网络的第一层的各所述网络部分被映射到处理芯片时，所述处理芯片根据多个所述脉冲周期的所述输入脉冲信号，得到在各所述脉冲周期内所述脉冲神经网络的第一层的各所述网络部分的膜电压与输出脉冲信号；在脉冲神经网络的第M层的各所述网络部分被映射到处理芯片时，所述处理芯片根据各所述脉冲周期内所述脉冲神经网络的第M
‑
1层输出脉冲信号，得到在各所述脉冲周期内所述脉冲神经网络的第M层的各所述网络部分的膜电压与输出脉冲信号，M为大于1的整数。3.根据权利要求2所述的脉冲神经网络层内数据处理方法，其特征在于，在脉冲神经网络的第一层的各所述网络部分被映射到处理芯片时，所述处理芯片根据多个所述脉冲周期的所述输入脉冲信号，得到在各所述脉冲周期内所述脉冲神经网络的第一层的各所述网络部分的膜电压与输出脉冲信号，包括：在脉冲神经网络的第一层的各所述网络部分被映射到处理芯片时，在所述输入脉冲信号的第一个脉冲周期，所述处理芯片将与目标网络部分对应的第一个脉冲周期的所述输入脉冲信号与所述脉冲神经网络的第一层的权重的相乘，得到所述第一个脉冲周期内所述脉冲神经网络的第一层的所述目标网络部分的膜电压，所述目标网络部分为当前被映射到所述处理芯片的所述网络部分；基于所述第一个脉冲周期内所述脉冲神经网络的第一层的所述目标网络部分的膜电压与预设的膜电压阈值，得到在所述第一个脉冲周期内所述脉冲神经网络的第一层的所述目标网络部分的输出脉冲信号；在所述输入脉冲信号的第N个脉冲周期，所述处理芯片计算与所述目标网络部分对应的第N个脉冲周期的所述输入脉冲信号与所述脉冲神经网络的第一层的权重的乘积，N为大于1的整数；计算所述乘积与第N
‑
1个脉冲周期内所述脉冲神经网络的第一层的所述目标网络部分的膜电压的和，作为所述第N个脉冲周期内所述脉冲神经网络的第一层的所述目标网络部分的膜电压；并基于第N个脉冲周期内所述脉冲神经网络的第一层的所述目标网络部分的膜电压与预设的膜电压阈值，得到在第N个脉冲周期内所述脉冲神经网络的第一层的所述目标网络部分的输出脉冲信号。4.根据权利要求2所述的脉冲神经网络层内数据处理方法，其特征在于，在脉冲神经网络的第M层的各所述网络部分被映射到处理芯片时，所述处理芯片根据各所述脉冲周期内所述脉冲神经网络的第M
‑
1层的输出脉冲信号，得到在各所述脉冲周期内所述脉冲神经网
络...
【专利技术属性】
技术研发人员：陈克林，吕正祥，袁抗，陈旭，朱文俊，杨力邝，梁龙飞，
申请(专利权)人：上海新氦类脑智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。