神经网络分类器制造技术

本发明专利技术涉及神经网络技术领域，尤其涉及一种神经网络分类器，该神经网络分类器包括：交叉阵列和二值化激活电路；交叉阵列，用于根据神经网络权重对输入的输入电压信号进行点积求和，并将获得的输出电流信号传输至二值化激活电路，神经网络权重以电导的方式存储在交叉阵列中；二值化激活电路，用于将输出电流信号与基准信号进行比较，获得数字信号，并根据数字信号获得分类结果。由于本发明专利技术可通过二值化激活电路对输出电流信号与基准信号进行比较，获得数字信号，相比于现有的需通过ADC对模拟电流信号进行模数转换获得数字信号，本发明专利技术可通过将输出电流信号与基准信号进行比较的方式获得数字信号，无需使用ADC，进而可降低系统功耗。

【技术实现步骤摘要】

本专利技术涉及神经网络，尤其涉及一种神经网络分类器。

技术介绍

1、目前，随着人工智能和物联网时代的来临，数据密集型计算任务，如神经网络，对硬件芯片系统的能效、性能、尺寸和成本提出了更为严格的要求。然而，传统的冯诺依曼架构计算芯片由于其存储和计算分离的特点，在处理数据密集型模型算法时会存在“存储墙”的问题。

2、为了解决“存储墙”的问题，可通过存内计算(computing-in-memory，cim)或存内处理(process-in-memory，pim)等存算一体的方式解决。与传统的中央处理器(centralprocessing unit，cpu)/图形处理器(graphics processing unit，gpu)运算不同，神经网络模型中涉及大量乘累加运算的权重是固定的，只有输入是实时生成的。因此，存内计算不仅可以利用其并行性来加速计算，还能将权重存储在内存中，减少数据传输，从而显著提高整个硬件系统的能效。

3、现有技术中，在通过存算电路实现神经网络分类的存内计算时，一般是通过交叉阵列对隐藏层输出的电压进行点积运算后，将获得的本文档来自技高网...

【技术保护点】

1.一种神经网络分类器，其特征在于，所述神经网络分类器包括：交叉阵列和二值化激活电路；

2.如权利要求1所述的神经网络分类器，其特征在于，所述二值化激活电路包括：转换模块以及比较模块；

3.如权利要求2所述的神经网络分类器，其特征在于，所述转换模块还与所述交叉阵列的参考端连接；

4.如权利要求3所述的神经网络分类器，其特征在于，所述交叉阵列，还用于基于噪声电流并根据所述神经网络权重平均值对输入的所述输入电压信号进行点积求和，获得参考电流信号；

5.如权利要求4所述的神经网络分类器，其特征在于，所述转换模块包括：电压转换单元以及若干减法转换单...

【技术特征摘要】

1.一种神经网络分类器，其特征在于，所述神经网络分类器包括：交叉阵列和二值化激活电路；

2.如权利要求1所述的神经网络分类器，其特征在于，所述二值化激活电路包括：转换模块以及比较模块；

3.如权利要求2所述的神经网络分类器，其特征在于，所述转换模块还与所述交叉阵列的参考端连接；

4.如权利要求3所述的神经网络分类器，其特征在于，所述交叉阵列，还用于基于噪声电流并根据所述神经网络权重平均值对输入的所述输入电压信号进行点积求和，获得参考电流信号；

5.如权利要求4所述的神经网络分类器，其特征在于，所述转换模块包括：电压转换单元以及若干减法转换单元；

【专利技术属性】
技术研发人员：党鹏，王伟，李阳，姜文峰，张鹏，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：