芯片在环代理训练方法及设备、芯片及电子设备技术

本发明专利技术公开了一种芯片在环代理训练方法及设备、芯片及电子设备。为解决部署SNN网络至芯片时存在的各种误差问题，本发明专利技术将芯片纳入SNN网络训练过程，消除了量化误差。本发明专利技术以芯片在环训练、训练设备中的ANN网络和芯片中的SNN网络共享网络配置数据为技术手段，解决了将SNN网络部署至芯片时存在的转换误差、量化误差等技术问题，获得了部署至芯片中的SNN网络也能获得高推理精度的技术效果。本发明专利技术适于类脑芯片、AIoT、脉冲神经网络训练领域。脉冲神经网络训练领域。脉冲神经网络训练领域。

【技术实现步骤摘要】
芯片在环代理训练方法及设备、芯片及电子设备


[0001]本专利技术涉及一种芯片在环代理训练方法及设备、芯片及电子设备，具体涉及一种将人工神经网络（ANN）作为代理（proxy）且芯片在环（chip in loop）的脉冲神经网络（SNN）训练方法及设备、芯片及电子设备。

技术介绍

[0002]在后人工智能时代，如何低功耗地实现边缘智能是学术届、商业届普遍关注的重要课题，而仿生的脉冲神经网络（Spiking Neural Networks,SNN）则是最有希望的研究方向之一。如何高效地训练（也称学习）出高精度脉冲神经网络则又是该领域极其重要的研究内容。
[0003]目前现有技术中训练SNN的方法，主要包括以下几类：1）ANN转SNN：即训练一个ANN（Artificial Neural Networks），然后将其转换为SNN。该训练过程忽视了SNN自身所有的时域特性。参考图1，但是该过程存在ANN转SNN的转换误差，以及部署SNN至芯片（神经形态芯片、类脑芯片）后，还存在量化误差。参考图2，ANN转SNN的基本理念是在使用ReLU函数的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种芯片在环代理训练方法，其特征在于，该芯片在环代理训练方法包括如下步骤：在训练设备中部署ANN网络；在包含SNN处理器的芯片中部署SNN网络，所述ANN网络和所述SNN网络结构相同；基于输入的训练数据，所述SNN网络执行推理操作，获得SNN网络的输出脉冲序列；基于SNN网络的输出脉冲序列，获得当前网络损失；基于当前网络损失，更新ANN网络和SNN网络共享的网络配置参数。2.根据权利要求1所述的芯片在环代理训练方法，其特征在于：所述ANN网络中的至少部分神经元为ReLU神经元；所述SNN网络中对应的至少部分神经元为IAF神经元。3.根据权利要求1所述的芯片在环代理训练方法，其特征在于：所述基于当前网络损失，更新ANN网络和SNN网络共享的网络配置参数，包括：根据当前网络损失，通过反向传播方法更新所述ANN网络的网络配置参数。4.根据权利要求3所述的芯片在环代理训练方法，其特征在于：将更新后的所述ANN网络的网络配置参数，部署至所述芯片中。5.根据权利要求1所述的芯...

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