【技术实现步骤摘要】
本专利技术涉及神经网络，尤其涉及一种向量处理器、神经网络加速器、芯片及电子设备。
技术介绍
1、深度神经网络（deep neural network，dnn）是一种基于人工神经网络架构的机器学习方法，人工神经网络（artificial neural networks，ann）使用相互连接的节点（称为神经元）的层来处理和学习输入数据。深度神经网络是具有多个层的人工神经网络，这些层位于输入层和输出层之间。神经网络总是由相同的组件组成：神经元、突触、权重、偏差和函数，在实际应用中，这些组件通常被称作算子。常见的算子有：卷积、池化、上/下采样、激活函数、元素操作（元素加、元素减、元素乘、元素除）等。深度学习使用多个层来表示数据的不同层次的抽象，从而提高模型的准确性和泛化能力，已经广泛应用于运算机视觉、语音识别、自然语言处理、机器翻译、生物信息学、药物设计、医学图像分析等领域，产生了与人类专家水平相当甚至超越的结果。随着数据量不断地累积，以神经网络为主题的人工智能技术得到越来越广泛的应用。尽管神经网络已经被证明能够成功解决自动驾驶、人脸识别等实际...
【技术保护点】
1.一种向量处理器，其特征在于，包括：顶层控制器及与其连接的至少一个元素处理单元，所述元素处理单元用于进行向量运算中的元素操作；所述元素处理单元包括向量元素数据交换器、向量计算模块、量化模块、及反量化模块；所述向量计算模块用于进行至少两种类型的向量计算；所述反量化模块用于将低比特位的输入数据转换为高比特位的输入数据，并输入至所述向量元素数据交换器；所述向量元素数据交换器使高比特位的输入数据从所述向量计算模块中选择至少一种类型进行计算，并将高比特位的计算结果输出至所述量化模块；所述量化模块用于将高比特位的计算结果转换为低比特位的输出数据；所述顶层控制器用于控制所述向量元...
【技术特征摘要】
1.一种向量处理器，其特征在于，包括：顶层控制器及与其连接的至少一个元素处理单元，所述元素处理单元用于进行向量运算中的元素操作；所述元素处理单元包括向量元素数据交换器、向量计算模块、量化模块、及反量化模块；所述向量计算模块用于进行至少两种类型的向量计算；所述反量化模块用于将低比特位的输入数据转换为高比特位的输入数据，并输入至所述向量元素数据交换器；所述向量元素数据交换器使高比特位的输入数据从所述向量计算模块中选择至少一种类型进行计算，并将高比特位的计算结果输出至所述量化模块；所述量化模块用于将高比特位的计算结果转换为低比特位的输出数据；所述顶层控制器用于控制所述向量元素数据交换器，使高比特位的输入数据对计算类型进行选择。
2.根据权利要求1所述的一种向量处理器，其特征在于，所述向量元素数据交换器包括第一输入选择器、第二输入选择器，所述第一输入选择器、第二输入选择器均与所述顶层控制器、向量计算模块连接；所述顶层控制器控制所述第一输入选择器，使输入数据进入所述向量计算模块中进行不同类型的计算；所述顶层控制器控制所述第二输入选择器，使所述向量计算模块的中间计算结果返回或输入数据进入所述向量计算模块中，进行不同类型的计算。
3.根据权利要求2所述的一种向量处理器，其特征在于，所述向量元素数据交换器还包括输出选择器，所述输出选择器与所述顶层控制器、向量计算模块连接；所述顶层控制器控制所述输出选择器，使所述输出选择器选择量化模块进行计算结果输出或直接进行计算结果输出。
4.根据权利要求2所述的一种向量处理器，其特征在于，所述第一输入选择器、第二输入选择器与所述向量计算模块之间至少连接有两个输入开关；不同的所述输入开关与所述向量计算模块中不同类型的计算模块一对一连接，并均与所述顶层控制器连接；所述顶层控制器通过所述输入开关控制不同类型的所述向量计算模块的启用或关闭，并控制输入数据进入所述向量计算模块。
5.根据权利要求4所述的一种向量处理器，其特征在于，所述向量元素数据交换器还包括输出缓冲器及至少两个输入缓冲器；所述输入缓冲器与所述输入开关一对一连接，且每个所述输入缓冲器均与所述第一输入选择器、第二输入选择器连接；所述输出缓冲器与所述输出选择器、向量计算模块连接；所述输入缓冲器、输出缓冲器分别用于对所述向量计算模块的输入数据、输出数据进行数据缓冲。
6.根据权利要求5所述的一种向量处理器，...
【专利技术属性】
技术研发人员：李兆钫，刘洪杰，
申请(专利权)人：深圳市九天睿芯科技有限公司，
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。