一种基于硬件描述语言的图卷积神经网络加速方法技术

本发明专利技术涉及一种基于硬件描述语言的图卷积神经网络加速方法，属于深度学习硬件加速领域

【技术实现步骤摘要】
一种基于硬件描述语言的图卷积神经网络加速方法


[0001]本专利技术涉及图结构数据处理加速领域，尤其涉及一种基于硬件描述语言的图卷积神经网络加速方法
。

技术介绍

[0002]近年来，随着大数据和人工智能的快速发展，机器学习技术取得了革命性的进展
。
在计算机视觉
、
语音识别
、
自然语言处理等任务中，常用的机器学习算法适用于大小维度确定且排列有序的欧氏
(Euclidean)
数据
。
然而，实际场景中的数据越来越多地以图的形式呈现，这是一种复杂的非欧氏
(non
‑
Euclidean)
数据表示形式
。
这种复杂的非欧氏数据表达方式包含了数据本身以及数据之间的依赖关系
。
例如，社交网络
、
蛋白质分子结构
、
化学分子
、
电商平台客户数据等都可以用图的形式来表示
。
图数据的复杂性对传统机器学习算法的设计和实现提出了更高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于硬件描述语言的图卷积神经网络加速方法，其特征在于，包括如下步骤：
(1)
设计一个三层图卷积神经网络模型
GCN
，外接一个分类层，对输入的图数据进行节点分类，图卷积神经网络层的目标函数如下：其中，为添加自连接的无向图的邻接矩阵，
A
为不包含自连接的邻接矩阵，
I
N
是单位矩阵，为度矩阵，
W
(L)
是第
L
层图卷积神经网络的可训练权重参数矩阵，
L
＝0，1，2，
σ
(
·
)
代表激活函数，采用
ReLU(
·
)
，
H
(L)
是第
L
层中的特征矩阵，
H
(L+1)
为第
L
层输出的特征矩阵；
(2)
训练时通过反向传播算法更新每一层图卷积神经网络的参数，其中损失函数采用交叉熵损失函数，并建立优化器
Adam
，设置学习率数值，得到训练好的
GCN
模型；其中，表示样本
i
的标签，当类别取
c
时候为1，其他为0，表示样本
i
预测为
c
类别的概率，
N
表示样本总数，
Cross
为损失值，
C
是节点的类别集合，
c∈C
；
(3)
将训练好的
GCN
模型提取出来的可训练权重参数矩阵
、
归一化后的邻接矩阵以及特征矩阵进行量化与转化；
(4)
结合硬件描述语言设计存储模块，用于存储量化与转化后的参数以及缓存中间变量；
(5)
用硬件描述语言设计计算模块以及协调模块；
(6)
在
vivado
平台上建立工程，将步骤
(3)、
步骤
(4)、
步...

【专利技术属性】
技术研发人员：张云伟，沈宗凯，杨晓琳，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：