一种基于Winograd算法的神经网络加速器系统技术方案

本发明专利技术涉及卷积神经网络技术领域，公开了一种基于Winograd算法的神经网络加速器系统，包括：数据通路，用于根据控制通路传输的卷积神经网络的控制信息，在可配置算子模块采用Winograd算法对输入特征图与输入卷积核数据进行卷积加速计算，得到输入特征图与输入卷积核数据的卷积结果，并将卷积结果传输给缓存模块作为卷积神经网络中后续网络层的输入，实现对卷积神经网络的调度与运行；本发明专利技术采用Winograd算法将空间域的卷积转换到数据通路做逐元素矩阵乘法运算，节省了大量乘法器资源；利用Winograd模块与乘法器单元实现卷积加速，结合设计并行数据通路，有效提升神经网络加速器的计算能力；采用三级缓存结构，有效存储和传输数据，提高了数据访问效率，优化了系统性能。

【技术实现步骤摘要】

本专利技术涉及卷积神经网络，具体涉及一种基于winograd算法的神经网络加速器系统。

技术介绍

1、随着人工智能技术的不断发展，卷积神经网络已成为处理图像识别、语音处理和其他复杂数据分析任务的关键技术。卷积神经网络的核心优势在于其能够有效地提取和学习数据中的深层次特征。然而，这种能力伴随着显著的计算复杂度和存储需求。随着模型结构的日益深化和复杂化，如何在有限的硬件资源下有效地运行卷积神经网络模型成为了一个重要的研究领域。

2、卷积操作是计算密集型、存储密集型运算的典型代表，在整个卷积神经网络模型中卷积层的计算量占了85％以上，是提升整个系统性能的“瓶颈”所在。winograd算法作为一种高效的卷积计算优化方法受到了广泛关注。该算法通过将卷积运算转换为一系列较小的矩阵运算，显著减少了乘法操作的数量，从而提高了计算效率。这种优化特别适用于那些具有有限计算资源但需要高效处理卷积运算的设备，如智能手机、嵌入式系统和边缘计算节点。然而，要实现winograd算法在硬件上的高效运行，需要对数据流的管理和缓存结构进行精心设计，以确保数据在处理过程中的高速访本文档来自技高网...

【技术保护点】

1.一种基于Winograd算法的神经网络加速器系统，其特征在于，包括：

2.根据权利要求1所述的基于Winograd算法的神经网络加速器系统，其特征在于，数据通路还包括静态随机存取存储器模块以及直接内存访问模块；

3.根据权利要求1所述的基于Winograd算法的神经网络加速器系统，其特征在于，缓存模块包括输入缓存、权重缓存以及输出缓存；

4.根据权利要求1所述的基于Winograd算法的神经网络加速器系统，其特征在于，可配置算子模块包括行缓冲器、Winograd卷积模块、乘法器单元、累加模块、激活模块以及池化模块；

5.根据权利要求1或...

【技术特征摘要】

1.一种基于winograd算法的神经网络加速器系统，其特征在于，包括：

2.根据权利要求1所述的基于winograd算法的神经网络加速器系统，其特征在于，数据通路还包括静态随机存取存储器模块以及直接内存访问模块；

3.根据权利要求1所述的基于winograd算法的神经网络加速器系统，其特征在于，缓存模块包括输入缓存、权重缓存以及输出缓存；

4.根据权利要求1所述的基于winograd算法的神经网络加速器系统，其特征在于，可配置算子模块包括行缓冲器、winograd卷积模块、乘法器单元、累加模块、激活模块以及池化模块；

5.根据权利要求1或2所述的基于winograd算法的神经网络加速器系统，其特征在于，神经网络加速器系统采用三级缓存结构，第一级缓存结构为可配置算子模块，第二级缓存结构为缓存模块与直接内存访问模块，第三级缓存结构为静态随机存取存储器模块。

6...

【专利技术属性】
技术研发人员：肖卓凌，唐亮，雷治宇，陈柏宇，郭志勇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：