一种基于光电存算一体器件的多层感知机装置制造方法及图纸

本发明专利技术提供了一种基于光电存算一体器件的多层感知机装置。该装置包括：普通卷积层模块，用于对输入特征图进行卷积运算并生成输出特征图传输至混合层模块；混合层模块，包括级联的四个混合层模块，每个混合层模块分别包括依次相连的深度可分离卷积层子模块、两个全连接层子模块；平均池化及分类输出模块，包括平均池化子模块和分类器子模块，用于将四个混合层模块输出的特征图像按通道进行平均池化操作，然后将平均池化后得到的一维向量进行分类输出操作得到最终分类的预测结果。本发明专利技术所实现的神经网络加速器其中间缓存开销更小、与基于光电存算一体器件的计算阵列更适配，而且提升了神经网络中矩阵向量乘运算的效率。升了神经网络中矩阵向量乘运算的效率。升了神经网络中矩阵向量乘运算的效率。

【技术实现步骤摘要】
一种基于光电存算一体器件的多层感知机装置


[0001]本专利技术涉及一种基于光电存算一体器件的多层感知机装置，属于硬件加速神经网络的


技术介绍

[0002]在互联网行业飞速发展和硬件算力极大提升的协同作用下，以深度神经网络为代表的人工智能浪潮影响了人类生活的方方面面。图像识别、自动驾驶、自然语言处理等诸多领域已经被人工智能技术所深层次颠覆。然而随着摩尔定律正在逼近物理极限，而且传统冯诺依曼架构下的通用处理器在执行神经网络加速任务时受限于存储墙和功耗墙，如今的人工智能技术进入了困境。
[0003]为了解决这两个问题，科学家和研究员开始将目光转向为神经网络定制硬件加速平台。这些定制加速平台除了有基于传统冯诺依曼架构的改进，还有基于存算一体器件的新架构平台。典型的存算一体器件有忆阻器和光电存算一体器件(如CN110276440A)，它们能够融合计算和访存两种操作，将处理器和存储器合二为一，在性能上较传统平台更优异。
[0004]光电存算一体器件还具有非易失性、低功耗、支持大规模并行计算处理等优势。但是现今的深度神经网络算法层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光电存算一体器件的多层感知机装置，其特征在于，该多层感知机装置包括：普通卷积层模块，用于对输入特征图进行卷积运算并生成输出特征图传输至第一混合层模块；混合层模块，包括级联的第一混合层模块、第二混合层模块、第三混合层模块和第四混合层模块，这四个混合层模块分别包括依次相连的深度可分离卷积层子模块、第一全连接层子模块和第二全连接层子模块，用于接收上级模块的输出特征图并按照模块顺序对特征图进行一层深度可分离卷积操作和两层全连接操作，然后将深度可分离卷积操作输出的特征图和第二层全连接操作的输出特征图逐点相加后传入到下级模块；平均池化及分类输出模块，包括平均池化子模块和分类器子模块，用于将四个混合层模块输出的特征图像按通道进行平均池化操作，然后将平均池化后得到的一维向量进行分类输出操作得到最终分类的预测结果。2.根据权利要求1所述的一种基于光电存算一体器件的多层感知机装置，其特征在于，所述普通卷积层模块包括数据寄存单元、并串转换单元以及矩阵向量乘单元；所述数据寄存单元，用于缓存输入特征图数据和输出特征图数据；所述并串转换单元，用于将数据寄存单元中的输入特征图按照各通道展开为一维向量，并将一维向量首尾拼接得到输入激励向量；所述矩阵向量乘单元，用于执行卷积运算和全连接运算映射后的矩阵向量乘操作。3.根据权利要求1所述的一种基于光电存算一体器件的多层感知机装置，其特征在于，所述第一混合层模块的深度可分离卷积层子模块包括数据寄存单元、并串转换单元以及矩阵向量乘单元；所述第二混合层模块、第三混合层模块和第四混合层模块的深度可分离卷积层子模块包括残差相加和数据寄存单元、所述并串转换单元以及所述矩阵向量乘单元；所述残差相加和数据寄存单元，用于将前级混合层模块的深度可分离卷积层子模块输出的特征图和前级混合层模块的第二全连接层子模块输出的特征图逐点相加。4.根据权利要求1所述的一种基于光电存算一体器件的多层感知机装置，其特征在于，所述第一全连...

【专利技术属性】
技术研发人员：潘红兵，吴迪，梅正宇，郑沐晗，王宇宣，
申请(专利权)人：南京大学，
类型：发明
国别省市：