【技术实现步骤摘要】
本专利技术涉及信息处理，尤其涉及一种基于空间光调制的深度学习并行计算识别装置及方法。
技术介绍
1、深度学习(dl，deep learning)是机器学习(ml，machine learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。随着深度学习技术的不断发展，深度学习在图像识别、搜索技术、数据挖掘、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。
2、深度学习算法基于人工神经网络来实现，而人工神经网络的强大功能来自大量神经元之间的大规模互连。当以电子方式实现深度学习时，需要进行大规模的电子计算，且电子计算复杂度较高，导致对电子器件的算力需求较大，并需要耗费大量的计算资源。
技术实现思路
1、为解决上述现有技术中存在的部分或全部技术问题，本专利技术提供一种基于空间光调制的深度学习并行计算识别装置及方法。
2、本专利技术的技术方案如下：
3、第一方面，提供了一种基于空间光调制的深度学习并行计算识别装置，所述装置包括：
4、平行光源，与纯幅度空间光调制器、幅度相位复用空间光调制器和单光子探测器依次并排布置，所述平行光源、所述纯幅度空间光调制器、所述幅度相位复用空间光调制器和所述单光子探测器相互平行且同轴心，所述平行光源用于向所述纯幅度空间光调制器发出平行光；
5、所述纯幅度空间光调制器，与处理单元连接，用于加载神经网络权重系数矩阵的一行矩阵元素
6、所述幅度相位复用空间光调制器，与所述处理单元连接，且与所述单光子探测器之间的距离为预设焦距值，用于加载透镜调制系数向量和待处理目标向量，根据待处理目标向量对接收的平行光进行幅度调制，根据透镜调制系数向量对幅度调制后的平行光进行相位调制，并将调制后的平行光输出至所述单光子探测器；
7、所述单光子探测器，与所述处理单元连接，用于对接收的平行光进行叠加处理，并将叠加结果发送至所述处理单元；
8、所述处理单元，能够预先加载神经网络模型、透镜调制系数向量和待处理目标向量，用于依次将神经网络模型对应的各层神经网络权重系数矩阵的各行元素发送至所述纯幅度空间光调制器，将透镜调制系数向量和待处理目标向量发送至所述幅度相位复用空间光调制器，对每次接收的叠加结果进行非线性运算，并基于非线性运算结果更新待处理目标向量和获取深度学习并行计算识别结果。
9、在一些可能的实现方式中，所述平行光源为非相干光源。
10、在一些可能的实现方式中，还包括输出单元，与所述处理单元连接，用于接收并输出所述处理单元发送的深度学习并行计算识别结果。
11、在一些可能的实现方式中，所述处理单元为微控制单元。
12、第二方面，还提供了一种基于空间光调制的深度学习并行计算识别方法，所述方法利用上述的基于空间光调制的深度学习并行计算识别装置实现，包括以下步骤：
13、步骤s1，获取神经网络模型和待处理目标向量，将神经网络模型和待处理目标向量加载到处理单元；
14、步骤s2，获取透镜调制系数向量，利用处理单元将透镜调制系数向量加载到幅度相位复用空间光调制器的相位调制上；
15、步骤s3，设置层数变量k和输出向量y，并使k＝1；
16、步骤s4，判断k≤k是否成立，若是，则使并进行步骤s5，否则，则进行步骤s13，k表示神经网络模型的层数，表示空集；
17、步骤s5，确定神经网络模型第k层的神经网络权重系数矩阵及其行数和列数，将待处理目标向量转化为元素数量和神经网络权重系数矩阵的行数相同的列向量，将转换后的列向量加载到幅度相位复用空间光调制器的幅度调制上，设置行数变量n，并使n＝1；
18、步骤s6，判断n≤n是否成立，若是，则进行步骤s7，否则，则进行步骤s12，n表示当前第k层的神经网络权重系数矩阵的行数；
19、步骤s7，将第k层的神经网络权重系数矩阵的第n行矩阵元素加载到纯幅度空间光调制器的幅度调制上；
20、步骤s8，利用平行光源向纯幅度空间光调制器发出平行光，以使平行光分别经过纯幅度空间光调制器的幅度调制、幅度相位复用空间光调制器的幅度调制及相位调制后，汇聚到单光子探测器上；
21、步骤s9，利用单光子探测器对接收平行光进行单像素光电探测，获取平行光的叠加结果并输出至处理单元；
22、步骤s10，利用处理单元对叠加结果进行非线性运算，获取一个运算结果；
23、步骤s11，以获取的运算结果作为输出向量y的一个新元素更新输出向量，使n＝n+1，并返回步骤s6；
24、步骤s12，将输出向量y赋值给待处理目标向量x，使k＝k+1，并返回步骤s4；
25、步骤s13，输出输出向量y。
26、在一些可能的实现方式中，纯幅度空间光调制器输出的第m个平行光表示为：
27、
28、其中，wnm表示神经网络权重系数矩阵的第n行第m列的元素，e表示自然常数，i为虚数单位，w表示平行光的角频率，t表示时间变量。
29、在一些可能的实现方式中，幅度相位复用空间光调制器输出的第m个平行光表示为：
30、
31、其中，wnm表示神经网络权重系数矩阵的第n行第m列的元素，xm表示待处理目标向量的第m个元素，e表示自然常数，i为虚数单位，w表示平行光的角频率，t表示时间变量，表示透镜调制系数向量的第m个元素。
32、在一些可能的实现方式中，单光子探测器输出的平行光的叠加结果表示为：
33、
34、其中，sn表示平行光的叠加结果，m表示神经网络权重系数矩阵的列数，wnm表示神经网络权重系数矩阵的第n行第m列的元素，xm表示待处理目标向量的第m个元素。
35、在一些可能的实现方式中，对叠加结果进行非线性运算表示为：
36、yn＝activation(sn+bn)
37、其中，yn表示叠加结果sn对应的运算结果，bn表示对应叠加结果sn的偏置系数，activation(·)表示激活函数。
38、在一些可能的实现方式中，激活函数为sigmoid、tanh、relu、lrelu、prelu和swish激活函数中的一种。
39、本专利技术技术方案的主要优点如下：
40、本专利技术的基于空间光调制的深度学习并行计算识别方法通过纯振幅空间光调制器和幅度相位复用空间光调制器的联合使用将大规模矩阵向量乘法运算映射到空间域和时间域来实现大规模矩阵向量乘法并行运算，能够显著提高深度学习并行计算速度，并且通过空间光调制器的快速切换可实现多输出和多层神经网络的运算；通过单光子探测器能够对矩阵向量乘法运算后的结果逐点进行非线性运算操作，能够极大降本文档来自技高网...
【技术保护点】
1.一种基于空间光调制的深度学习并行计算识别装置，其特征在于，包括：
2.根据权利要求1所述的基于空间光调制的深度学习并行计算识别装置，其特征在于，所述平行光源为非相干光源。
3.根据权利要求1所述的基于空间光调制的深度学习并行计算识别装置，其特征在于，还包括输出单元，与所述处理单元连接，用于接收并输出所述处理单元发送的深度学习并行计算识别结果。
4.根据权利要求1所述的基于空间光调制的深度学习并行计算识别装置，其特征在于，所述处理单元为微控制单元。
5.一种基于空间光调制的深度学习并行计算识别方法，其特征在于，所述方法利用如权利要求1-4中任一项所述的深度学习并行计算识别装置实现，包括以下步骤：
6.根据权利要求5所述的基于空间光调制的深度学习并行计算识别方法，其特征在于，纯幅度空间光调制器输出的第m个平行光表示为：
7.根据权利要求5所述的基于空间光调制的深度学习并行计算识别方法，其特征在于，幅度相位复用空间光调制器输出的第m个平行光表示为：
8.根据权利要求5所述的基于空间光调制的深度学习并
9.根据权利要求8所述的基于空间光调制的深度学习并行计算识别方法，其特征在于，对叠加结果进行非线性运算表示为：
10.根据权利要求9所述的基于空间光调制的深度学习并行计算识别方法，其特征在于，激活函数为Sigmoid、Tanh、ReLU、LReLU、PReLU和Swish激活函数中的一种。
...【技术特征摘要】
1.一种基于空间光调制的深度学习并行计算识别装置，其特征在于，包括：
2.根据权利要求1所述的基于空间光调制的深度学习并行计算识别装置，其特征在于，所述平行光源为非相干光源。
3.根据权利要求1所述的基于空间光调制的深度学习并行计算识别装置，其特征在于，还包括输出单元，与所述处理单元连接，用于接收并输出所述处理单元发送的深度学习并行计算识别结果。
4.根据权利要求1所述的基于空间光调制的深度学习并行计算识别装置，其特征在于，所述处理单元为微控制单元。
5.一种基于空间光调制的深度学习并行计算识别方法，其特征在于，所述方法利用如权利要求1-4中任一项所述的深度学习并行计算识别装置实现，包括以下步骤：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：翟小玉，范波，何焱，徐丽霞，钟季龙，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
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。