【技术实现步骤摘要】
本技术涉及神经网络硬件系统领域，尤其涉及适用小样本神经网络硬件加速系统的可重构特征度量电路。
技术介绍
1、近些年来，深度学习成为了人工智能的主要技术手段，在图像识别、语音识别等多个方向都有了重大突破，并且在日常生活中起到了重要的作用。目前深度学习的学习过程中往往需要至少数百甚至上千个样本才能完成学习。但在实际生活中，面对一个新任务时，可能不具备大量可用于学习的样本。小样本学习网络产生的初衷就是模仿人类，希望能够在很少的样本情况下也能学习到新概念。小样本学习不同于传统深度学习的地方在于，只需要少量样本就能对未知类别的分类。
2、边缘端和嵌入式设备对小样本神经网络硬件加速系统有很大潜在需求。通常，小样本神经网络需要使用卷积神经网络进行特征提取，使用度量模块进行分类。目前，对于进行特征提取的卷积神经网络的硬件加速研究较为广泛，通常使用计算资源复用、数据重用的技术，实现了输入特征图并行计算、卷积窗口内部并行计算、输出特征图并行计算、同一输入的卷积并行计算，加速器性能较好。
3、度量模块首先对查询图像特征向量和各支持集图...
【技术保护点】
1.一种适用小样本神经网络硬件加速系统的可重构特征度量电路，其特征在于，包括：
2.根据权利要求1所述的适用小样本神经网络硬件加速系统的可重构特征度量电路，其特征在于，控制信号包括片选信号、读写信号和地址信号。
3.根据权利要求1所述的适用小样本神经网络硬件加速系统的可重构特征度量电路，其特征在于，所述第一向量点乘累加模块和第二向量点乘累加模块的结构相同，均包括：
4.根据权利要求1所述的适用小样本神经网络硬件加速系统的可重构特征度量电路，其特征在于，还包括有效信号控制模块，所述有效信号控制模块具有两个控制端和一个输出端，其中一个控...
【技术特征摘要】
1.一种适用小样本神经网络硬件加速系统的可重构特征度量电路，其特征在于，包括：
2.根据权利要求1所述的适用小样本神经网络硬件加速系统的可重构特征度量电路，其特征在于，控制信号包括片选信号、读写信号和地址信号。
3.根据权利要求1所述的适用小样本神经网络硬件加速系统的可重构特征度量电路，其特征在于，所述第一向量点乘累加模块和第二向量点乘累加模块的结构相同，均包括：
4.根据权...
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。