基于数据流的计算单元、方法及人工智能芯片技术

本公开提供了一种基于数据流的计算单元、方法及人工智能芯片，涉及人工智能技术领域，所述计算单元包括N个寄存器，被配置为对N个卷积窗口和对应卷积核执行N次卷积计算，第j次卷积计算包括对第j个卷积窗口的M个特征图数据和卷积核的M个卷积核数据执行M次乘法计算以得到M个第一计算结果，N次卷积计算包括对至少一组特征图数据和至少一个卷积核数据依次连续执行的N次乘法计算，每组特征图数据包括N个卷积窗口对应的同一位置的N个特征图数据；第j个寄存器被配置为存储第j个卷积窗口的第二计算结果，在第j次卷积计算的第i次乘法计算后，第二计算结果更新为第j次卷积计算中的前i次乘法计算的i个第一计算结果之和。

【技术实现步骤摘要】

本公开涉及人工智能，尤其是一种基于数据流的计算单元、方法及人工智能芯片。

技术介绍

1、随着深度学习的快速发展，神经网络算法已经大量应用于各类机器视觉项目中。然而，在神经网络算法的实际应用过程中，通常涉及大量的卷积计算(convolution)，往往需要采用人工智能芯片来完成这些计算以提高计算效率。

2、相关技术中，人工智能芯片包括用于缓存数据的数据缓存器(data buffer)和用于执行计算的计算单元。在执行卷积计算的过程中，计算单元分别从两个数据缓存器中获取执行卷积计算需要的特征图数据和卷积核数据，以进行卷积计算。

技术实现思路

1、根据本公开实施例的一方面，提供一种基于数据流的计算单元，包括n个寄存器，n≥2，其中：所述计算单元被配置为对n个卷积窗口和对应的卷积核执行n次卷积计算，其中，第j次卷积计算包括对第j个卷积窗口中的m个特征图数据和所述卷积核中的m个卷积核数据执行m次乘法计算以得到m个第一计算结果，所述n次卷积计算包括对至少一组特征图数据和所述m个卷积核数据中对应的至少一个卷积核数本文档来自技高网...

【技术保护点】

1.一种基于数据流的计算单元，包括N个寄存器，N≥2，其中：

2.根据权利要求1所述的计算单元，其中：

3.根据权利要求2所述的计算单元，其中，所述多组特征图数据包括M组特征图数据，所述多个卷积核数据包括所述M个卷积核数据。

4.根据权利要求1所述的计算单元，还包括：

5.根据权利要求4所述的计算单元，还包括：

6.根据权利要求5所述的计算单元，其中，每个特征图数据包括C个通道的特征图子数据，每个卷积核数据包括C个通道的权重数据，C≥1，所述计算单元还包括：

7.根据权利要求6所述的计算单元，其中，C≥2，所述累加器...

【技术特征摘要】

1.一种基于数据流的计算单元，包括n个寄存器，n≥2，其中：

2.根据权利要求1所述的计算单元，其中：

3.根据权利要求2所述的计算单元，其中，所述多组特征图数据包括m组特征图数据，所述多个卷积核数据包括所述m个卷积核数据。

4.根据权利要求1所述的计算单元，还包括：

5.根据权利要求4所述的计算单元，还包括：

6.根据权利要求5所述的计算单元，其中，每个特征图数据包括c个通道的特征图子数据，每个卷积核数据包括c个通道的权重数据，c≥1，所述计算单元还包括：

7.根据权利要求6所述的计算单元，其中，c≥2，所述累加器包括：

8.根据权利要求7所述的计算单元，其中，p＞2，所述第一累加器包括：

9.根据权利要求1所述的计算单元，其中：

10.根据权利要求9所述的计算单元，其中，d≥2，所述d次卷积计算包括对至少一组特征图数据和所...

【专利技术属性】
技术研发人员：焦黎，蔡权雄，牛昕宇，
申请(专利权)人：深圳鲲云信息科技有限公司，
类型：发明
国别省市：