【技术实现步骤摘要】
本申请涉及人工智能领域的数据处理技术，尤其涉及一种卷积运算加速器及相关方法。
技术介绍
1、近年来，随着深度神经网络、异构计算、高带宽高存储密度、大数据、云计算等技术的突破，人工智能的应用迅猛发展，走进大众生活的方方面面。当前的人工智能很大一部分的计算就是各种神经网络的运算，而卷积计算占据了整个神经网络的大部分计算量和数据吞吐量。由于各种人工智能(artificial intelligence，ai)设备的遍及，云端大数据分析计算对ai加速的饥渴需求，神经网络的计算，特别是对卷积的计算能力、计算效率的提升问题日显突出。卷积神经网络的主要组成部分为卷积计算，占据整个卷积神经网络95％以上计算量。
2、因此，如何提高卷积计算的效率，达到显著的提高神经网络算法的应用效果成为亟待解决的问题。
技术实现思路
1、本申请实施例所要解决的技术问题在于，提供一种卷积运算加速器及相关方法，以提高卷积计算的效率，达到显著的提高神经网络算法的应用效果。
2、第一方面，本申请实施案例提供一...
【技术保护点】
1.一种卷积运算加速器，其特征在于，所述卷积运算加速器包括处理单元、第一数据加载器和第二数据加载器，其中，所述处理单元，用于：
2.如权利要求1所述的加速器，其特征在于，所述目标算子集合包括K*L个目标算子，且所述K*L个目标算子呈K行，L列分布，其中，K行中的每行目标算子中相邻的目标算子相连接，且第L列目标算子中相邻的目标算子相连接；所述第一数据加载器，具体用于：
3.如权利要求2所述的加速器，其特征在于，在M＝K时，所述AK*L和输入矩阵BM*N的卷积关系为第i个第一行向量与第i个第二行向量对应；所述第二数据加载器，具体用于：
...
【技术特征摘要】
1.一种卷积运算加速器，其特征在于，所述卷积运算加速器包括处理单元、第一数据加载器和第二数据加载器，其中，所述处理单元，用于：
2.如权利要求1所述的加速器，其特征在于，所述目标算子集合包括k*l个目标算子，且所述k*l个目标算子呈k行，l列分布，其中，k行中的每行目标算子中相邻的目标算子相连接，且第l列目标算子中相邻的目标算子相连接；所述第一数据加载器，具体用于：
3.如权利要求2所述的加速器，其特征在于，在m＝k时，所述ak*l和输入矩阵bm*n的卷积关系为第i个第一行向量与第i个第二行向量对应；所述第二数据加载器，具体用于：
4.如权利要求3所述的加速器，其特征在于，所述处理单元，具体用于：
5.如权利要求1所述的加速器，其特征在于，所述目标算子集合包括s*q个目标算子，且所述s*q个目标算子呈s行，q列，s＝k*l，q为大于1的整数，其中，q列目标算子中的每列目标算子中的相邻目标算子相连接；所述第一数据加载器，具体用于：
6.如权利要求5所述的加速器，其特征在于，在m>k时，所述ak*l和所述bm*n的卷积关系包括m-k+1个卷积子关系，每个所述卷积子关系为对应输入子矩阵中的k个第二行向量与一列目标算子中加载的k个第一行向量的对应关系，其中，所述输入子矩阵为所述bm*n中m-k+1个输入子矩阵中的任意一个，每个所述输入子矩阵中包括所述m个第二行向量中相邻的k个第二行向量，且相邻输入子矩阵中包括k-1个相同的第二行向量；所述第二数据加载器，具体用于：
7.如权利要求6所述的加速器，其特征在于，所述处理单元，具体用于：
8.一种卷积运算方法，其特征在于，应用于卷积运算加速器，所述卷积运算加速器包括处理单元、第一数据加载器和第二数据加载器，所述方法包括：
9.如权利要求8所述的方法，其特征在于，所述目标算子集合包括k*l个目标算子，且所述k*l个目标算子呈k行，l列分布，其中，k行中的每行目标算子中相...
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。