【技术实现步骤摘要】
本申请涉及类脑计算机操作系统，特别是涉及脉冲神经网络模型资源映射方法、装置和存储介质。
技术介绍
1、近年来，人工智能领域快速发展，应用于人工智能的专用硬件逐步出现，其中类脑计算机是人工智能领域的一个重要研究方向。类脑计算机是类脑计算硬件芯片、类脑计算软件、神经网络算法模型融合的新型计算机模型，能够适配并高效模拟大脑神经网络运行。神经网络模型是模仿生物大脑运行机理，以大量神经元，以及连接神经元的轴突、树突构建而成。神经网络模型分为人工神经网络和脉冲神经网络，人工神经网络中神经元之间传递数值，脉冲神经网络中神经元之间传递脉冲。
2、类脑芯片由大量神经拟态核（以下简称核心）组成，在一个芯片上，大量核心以二维矩阵的形态排布，多个类脑芯片可以通过互连线接连，构成了一个更大的二维核心矩阵。每个核心可以模拟大量神经元和突触的行为，但每个核心的信息承载量是有限的，对于大规模的脉冲神经网络模型，需要由多个核心，甚至多个类脑芯片来承载，不同核心上承载的神经元之间的通信，通过核心之间的通信实现，但是受硬件约束，核心与核心之间的通信存在距离限制，需要通过配置中继核心，由中继核心进行信息传递，越靠近内部的核心与外界通信需要越多的中继核心，需要跟外界通信的只有输入层和输出层的神经元，中间层神经元只需要相互之间通信而不需要跟外界通信，若一个核心配置为中继核心，则将无法再参与脉冲神经网络中的计算，设置过多的中继核心会导致脉冲神经网络的计算速度下降。目前，往往是通过最小化通信代价来提高类脑模型的运算速度，并不能对核心的使用率进行优化。
技术实现思路
1、在本实施例中提供了一种脉冲神经网络模型资源映射方法、装置和存储介质，以解决相关技术中全局神经拟态核使用率较低，且类脑模型的运算速度较低的问题。
2、第一个方面，在本实施例中提供了一种脉冲神经网络模型资源映射方法，包括：
3、根据脉冲神经网络模型中各神经元簇的步长，对脉冲神经网络模型中各神经元簇进行分层，得到各层神经元簇集合；
4、将各层神经元簇集合部署至类脑芯片的神经拟态核矩阵的各空闲神经拟态核列中；其中，层数越大的神经元簇集合，部署于列序号越大的空闲神经拟态核列中；
5、根据各空闲神经拟态核列中分配资源的初始位置，以及各空闲神经拟态核列中其他位置与初始位置的距离，为各空闲神经拟态核列中部署的神经元簇集合分配类脑芯片的空闲神经拟态核。
6、在其中的一些实施例中，在根据脉冲神经网络模型中各神经元簇的步长，对脉冲神经网络模型中各神经元簇进行分层，得到各层神经元簇集合之前，还包括：
7、对脉冲神经网络模型中的各神经元簇进行遍历得到各神经元簇的步长。
8、在其中的一些实施例中，对脉冲神经网络模型中的各神经元簇进行遍历得到各神经元簇的步长，包括：
9、根据各神经元簇之间的连接关系，先正向向后遍历每一条连接关系，依次记录每一个神经元簇的正向步长，取每一个神经元簇中最小正向步长作为每一个神经元簇的目标正向步长；反向向前遍历每一条连接关系，依次记录每一个神经元簇的反向步长，取每一个神经元簇中最小反向步长作为每一个神经元簇的目标反向步长；根据每一个神经元簇的目标正向步长和目标反向步长，得到每一个神经元簇的最小值步长；根据每一个神经元簇的最小值步长对神经元簇进行分层。
10、在其中的一些实施例中，初始位置由多项式曲线拟合空闲神经拟态核的分布情况得到，其中，多项式曲线由各空闲神经拟态核列中每一行最远离通信边缘的空闲神经拟态核的坐标信息构成。
11、在其中的一些实施例中，在初始位置由多项式曲线拟合空闲神经拟态核的分布情况得到之前，还包括：
12、对各空闲神经拟态核列中的多项式曲线加权叠加后拟合得到叠加拟合曲线，根据叠加拟合曲线确定初始位置。
13、在其中的一些实施例中，根据各空闲神经拟态核列中分配资源的初始位置，以及各空闲神经拟态核列中其他位置与初始位置的距离，为各空闲神经拟态核列中部署的神经元簇集合分配类脑芯片的空闲神经拟态核，包括：
14、根据初始位置，计算空闲神经拟态核列中其他位置与初始位置的曼哈顿距离；按照曼哈顿距离从小到大的顺序，将配置在空闲神经拟态核列中的各神经元簇与各空闲神经元拟态核建立映射关系，完成类脑芯片的空闲神经拟态核的分配。
15、在其中的一些实施例中，基于类脑芯片的空闲神经拟态核的分配，对输入神经元和输出神经元所在的神经元簇分配所需的脉冲中继神经拟态核。
16、第二个方面，在本实施例中提供了一种脉冲神经网络模型资源映射装置，包括：分层模块，部署模块以及分配模块，其中：
17、分层模块，用于根据脉冲神经网络模型中各神经元簇的步长，对脉冲神经网络模型中各神经元簇进行分层，得到各层神经元簇集合；
18、部署模块，用于将各层神经元簇集合部署至类脑芯片的神经拟态核矩阵的各空闲神经拟态核列中；其中，层数越大的神经元簇集合，部署于列序号越大的空闲神经拟态核列中；
19、分配模块，用于根据各空闲神经拟态核列中分配资源的初始位置，以及各空闲神经拟态核列中其他位置与初始位置的距离，为各空闲神经拟态核列中部署的神经元簇集合分配类脑芯片的空闲神经拟态核。
20、第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一个方面的脉冲神经网络模型资源映射方法。
21、第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面的脉冲神经网络模型资源映射方法。
22、与相关技术相比，在本实施例中提供的脉冲神经网络模型资源映射方法，通过根据脉冲神经网络模型中各神经元簇的步长，对脉冲神经网络模型中各神经元簇进行分层，得到各层神经元簇集合；将各层神经元簇集合部署至类脑芯片的神经拟态核矩阵的各空闲神经拟态核列中；其中，层数越大的神经元簇集合，部署于列序号越大的空闲神经拟态核列中；根据各空闲神经拟态核列中分配资源的初始位置，以及各空闲神经拟态核列中其他位置与初始位置的距离，为各空闲神经拟态核列中部署的神经元簇集合分配类脑芯片的空闲神经拟态核，解决了全局神经拟态核使用率较低，且类脑模型的运算速度较低的问题，提高了神经拟态核利用率和类脑模型的运算速度。
23、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
本文档来自技高网...【技术保护点】
1.一种脉冲神经网络模型资源映射方法，其特征在于，包括：
2.根据权利要求1所述的脉冲神经网络模型资源映射方法，其特征在于，在根据脉冲神经网络模型中各神经元簇的步长，对所述脉冲神经网络模型中各所述神经元簇进行分层，得到各层神经元簇集合之前，所述方法还包括：
3.根据权利要求2所述的脉冲神经网络模型资源映射方法，其特征在于，所述对所述脉冲神经网络模型中的各神经元簇进行遍历得到所述各神经元簇的步长，包括：
4.根据权利要求1所述的脉冲神经网络模型资源映射方法，其特征在于：
5.根据权利要求4所述的脉冲神经网络模型资源映射方法，其特征在于，在所述初始位置由多项式曲线拟合所述空闲神经拟态核的分布情况得到之前，所述方法还包括：
6.根据权利要求1至权利要求5中的任一项所述的脉冲神经网络模型资源映射方法，其特征在于，所述根据各所述空闲神经拟态核列中分配资源的初始位置，以及各所述空闲神经拟态核列中其他位置与所述初始位置的距离，为各所述空闲神经拟态核列中部署的神经元簇集合分配所述类脑芯片的空闲神经拟态核，包括：
7.根据权利
8.一种脉冲神经网络模型资源映射装置，其特征在于，包括：分层模块，部署模块以及分配模块，其中：
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至权利要求7中任一项所述的脉冲神经网络模型资源映射方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至权利要求7中任一项所述的脉冲神经网络模型资源映射方法的步骤。
...【技术特征摘要】
1.一种脉冲神经网络模型资源映射方法，其特征在于，包括：
2.根据权利要求1所述的脉冲神经网络模型资源映射方法，其特征在于，在根据脉冲神经网络模型中各神经元簇的步长，对所述脉冲神经网络模型中各所述神经元簇进行分层，得到各层神经元簇集合之前，所述方法还包括：
3.根据权利要求2所述的脉冲神经网络模型资源映射方法，其特征在于，所述对所述脉冲神经网络模型中的各神经元簇进行遍历得到所述各神经元簇的步长，包括：
4.根据权利要求1所述的脉冲神经网络模型资源映射方法，其特征在于：
5.根据权利要求4所述的脉冲神经网络模型资源映射方法，其特征在于，在所述初始位置由多项式曲线拟合所述空闲神经拟态核的分布情况得到之前，所述方法还包括：
6.根据权利要求1至权利要求5中的任一项所述的脉冲神经网络模型资源映射方法，其特征在于，所述...
【专利技术属性】
技术研发人员：吴佩欣，王凤娟，孙世春，吕攀，邓水光，潘纲，
申请(专利权)人：之江实验室，
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。