【技术实现步骤摘要】
一种基于数据压缩的脉冲神经网络加速方法和装置
[0001]本专利技术涉及深度学习
，尤其涉及的是一种基于数据压缩的脉冲神经网络加速方法和装置。
技术介绍
[0002]在2006年以后，人工智能在第二代人工神经网络ANN的推动下得到快速的发展，但ANN存在计算功耗高、在生物性上不精确的问题。因此诞生了第三代神经网络SNN，SNN是基于模拟神经突触，以电脉冲传递信息的编码方式，每个神经元最多使用一个脉冲，而大多数神经元基本不放电，使能量消耗更小。但SNN也面临着庞大网络模型带来的巨大训练时间开销问题。
[0003]因此，现有技术还有待改进和发展。
技术实现思路
[0004]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于数据压缩的脉冲神经网络加速方法，旨在解决现有技术中Spiking
‑
Resnet训练过程中显存占用多、部分环节计算效率低的问题。
[0005]本专利技术解决问题所采用的技术方案如下：
[0006]第一方面，本专利技术实施例提供一种...
【技术保护点】
【技术特征摘要】
1.一种基于数据压缩的脉冲神经网络加速方法，其特征在于，所述方法包括：获取脉冲神经网络的神经元输出的第一数据，并将所述第一数据进行类型转换，得到第二数据；其中，所述第一数据由两个数字组成，分别为零和非零数字；将所述第二数据进行压缩处理，得到第三数据；基于量化和反量化的方式，将所述第三数据进行卷积运算，得到目标卷积结果。2.根据权利要求1所述的基于数据压缩的脉冲神经网络加速方法，其特征在于，所述将所述第一数据进行类型转换，得到第二数据包括：获取所述第一数据的类型，其中，所述第一数据的类型为浮点型；将所述浮点型的第一数据转换为定点型的数据，得到第二数据。3.根据权利要求2所述的基于数据压缩的脉冲神经网络加速方法，其特征在于，所述将所述浮点型的第一数据转换为定点型的数据，得到第二数据包括：将所述第一数据中的尾数定点取整，得到第二数据。4.根据权利要求1所述的基于数据压缩的脉冲神经网络加速方法，其特征在于，所述将所述第二数据进行压缩处理，得到第三数据包括：获取所述第一数据中的若干连续序列；其中，所述连续序列均由至少一个非零数字重复相连而成；基于若干所述连续序列，对所述第二数据进行压缩处理，得到第三数据。5.根据权利要求4所述的基于数据压缩的脉冲神经网络加速方法，其特征在于，所述基于若干所述连续序列，对所述第二数据进行压缩处理，得到第三数据包括：记录每个连续序列的起始位置和终点位置；将所述起始位置、所述终点位置和第二数据中一个非零数字存储，得到第三数据。6.根据权利要求1所述的基于数据压缩的脉冲神经网络加速方法，其特征在于，所述基于量化和反量化的方式，将所述第三数据进行卷积运算，得到目标卷积结果包括：获取所述脉冲神经网络的第一系数；其中，所述系数用于表征脉冲神经网络的权重；将所述第一系数进行量化，得到第二系数；将所述第三数据进行解压缩，得到第四数据；将所述第二系数和所述第四数据进行卷积运算，得到中间卷积结果；将所述中间卷积结...
【专利技术属性】
技术研发人员：程文翔，林彦宇，刘怡俊，高文，田永鸿，
申请(专利权)人：鹏城实验室，
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。