【技术实现步骤摘要】
本专利技术涉及计算机科学人工智能领域，尤其涉及一种面向dnn模型的crossbar级异构reram加速器配置方法及系统。
技术介绍
1、人工智能技术已经在众多领域发挥作用，并受到了业界和学术界的极大关注。深度神经网络(dnn)作为人工智能神经网络的进化形式，其应用覆盖了各个领域，如图像处理、语音识别、自然语言处理、推荐系统等。然而，为了提高神经网络在训练和推理过程中的表现，网络的层数不断加深，参数量不断增大，这带来了对计算资源的巨大需求。传统的计算硬件，如中央处理器(cpu)和图形处理器(gpu)，在处理复杂的dnn模型时往往面临计算能力瓶颈，这限制了模型的规模和性能。其次，dnn的计算流程通常需要大量的数据传输和存储。传统的存储解决方案，如动态随机存储器(dram)，在处理海量数据时可能成为性能瓶颈。再者，高性能计算硬件通常需要大量的电能供应，这导致了高昂的能源成本，并对环境产生不利影响。此外，对于移动设备和嵌入式系统，高功耗也限制了电池寿命和设备的便携性。随着dnn模型的不断发展，它们的规模和复杂性也在迅速增加。这需要更多的存储和更...
【技术保护点】
1.一种面向DNN模型的Crossbar级异构ReRAM加速器配置方法，其特征在于，具体为：
2.根据权利要求1所述的方法，其特征在于，每一网络层的结构信息包括：网络层编号、网络层类型、输入通道数、输出通道数、网络层卷积核的大小、卷积步长、网络层权重参数量、输入特征图的大小中的一种或多种。
3.根据权利要求1所述的方法，其特征在于，在每次迭代中，还包括将状态、动作、奖励的组合记作一次经验样本并存储至经验池中。
4.根据权利要求3所述的方法，其特征在于，在每个批次迭代配置中，全部迭代完毕后，会从经验池中采样出一批样本数据，对现实表演者...
【技术特征摘要】
1.一种面向dnn模型的crossbar级异构reram加速器配置方法，其特征在于，具体为：
2.根据权利要求1所述的方法，其特征在于，每一网络层的结构信息包括：网络层编号、网络层类型、输入通道数、输出通道数、网络层卷积核的大小、卷积步长、网络层权重参数量、输入特征图的大小中的一种或多种。
3.根据权利要求1所述的方法，其特征在于，在每次迭代中，还包括将状态、动作、奖励的组合记作一次经验样本并存储至经验池中。
4.根据权利要求3所述的方法，其特征在于，在每个批次迭代配置中，全部迭代完毕后，会从经验池中采样出一批样本数据，对现实表演者和现实评论者进行训练优化。
5.根据权利要求3所述的方法，其特征在于，所述基于强化学习进行迭代配置过程中，前若干个批次为热身阶段，动作随机产生。
<...【专利技术属性】
技术研发人员：何水兵，朱建新，吴桐，杨斯凌，陈平，
申请(专利权)人：浙江大学，
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。