基于RISC-V的多模式卷积神经网络加速器及加速方法技术

本发明专利技术公开了基于RISC‑V的多模式卷积神经网络加速器及加速方法，属于处理器技术领域，本发明专利技术要解决的技术问题为如何兼容优化标准和深度可分离卷积的卷积神经网络加速器的加速效率及功耗，采用的技术方案为：该加速器包括指令接口、数据接口、解码模块、数据分发模块、模式控制模块、地址生成模块、特征加载模块、后处理模块以及卷积单元，卷积单元包括若干PE；指令接口用于接收主处理器中执行单元发送的自定义的RISC‑V指令，并发送反馈到主处理器中的寄存单元；数据接口用于与主处理器中的数据加载存储单元进行数据交互；解码模块用于解码来自主处理器中执行单元发送的自定义的RISC‑V指令。

【技术实现步骤摘要】

本专利技术涉及处理器，具体地说是一种基于risc-v的多模式卷积神经网络加速器及加速方法。

技术介绍

1、卷积神经网络加速器（cnn加速器）是一种专门设计用于加速卷积神经网络（convolutional neural networks，cnn）计算的硬件设备或系统。由于cnn在深度学习中的广泛应用，特别是在图像识别、自然语言处理等领域，其计算量庞大，对硬件性能提出了很高的要求。

2、卷积神经网络在图像识别等众多领域有着广泛应用。对于资源有限的嵌入式平台，除标准卷积外，深度可分离卷积因为其灵活及体量小等特点也有着广泛应用。对于现有卷积神经网络加速器，通常难以很好地兼容两种卷积策略：标准卷积加速器由于其确定的数据流模式无法支持深度可分离卷积，而支持深度可分离卷积的加速器在支持标准卷积时会造成很多资源浪费。

3、故如何兼容优化标准和深度可分离卷积的卷积神经网络加速器的加速效率及功耗是目前亟待解决的技术问题。

技术实现思路

1、本专利技术的技术任务是提供一种基于risc-v的多模式卷积神经网络本文档来自技高网...

【技术保护点】

1.一种基于RISC-V的多模式卷积神经网络加速器，其特征在于，该加速器包括指令接口、数据接口、解码模块、数据分发模块、模式控制模块、地址生成模块、特征加载模块、后处理模块以及卷积单元，卷积单元包括若干PE；

2.根据权利要求1所述的基于RISC-V的多模式卷积神经网络加速器，其特征在于，所述卷积单元基于运算周期，具体为：每一层的特征图基于卷积核大小，特征图大小及步长被等分为×个a×a个部分，即i×a=；个时钟周期被视作一个运算周期；卷积单元中的PE在一个运算周期内同步完成各个部分的运算，需要持续加载数据，而卷积核中的权重数据则在每个运算周期中不变，只需每个运算周期更新一次，...

【技术特征摘要】

1.一种基于risc-v的多模式卷积神经网络加速器，其特征在于，该加速器包括指令接口、数据接口、解码模块、数据分发模块、模式控制模块、地址生成模块、特征加载模块、后处理模块以及卷积单元，卷积单元包括若干pe；

2.根据权利要求1所述的基于risc-v的多模式卷积神经网络加速器，其特征在于，所述卷积单元基于运算周期，具体为：每一层的特征图基于卷积核大小，特征图大小及步长被等分为×个a×a个部分，即i×a=；个时钟周期被视作一个运算周期；卷积单元中的pe在一个运算周期内同步完成各个部分的运算，需要持续加载数据，而卷积核中的权重数据则在每个运算周期中不变，只需每个运算周期更新一次，无需多次加载不参与运算的额外数据，即卷积单元中的数据加载和权重加载策略在一次卷积需要被加载的数据总量为。

3.根据权利要求1所述的基于risc-v的多模式卷积神经网络加速器，其特征在于，卷积单元中的数据加载和权重加载策略情况如下：

4.根据权利要求3所述的基于risc-v的多模式卷积神经网络加速器，其特征在于，行优先的数据加载策略具体为：

5.根据权利要求3所述的基于risc-v的多模式卷积神经网络加速器，其特征在于，通道优先...

【专利技术属性】
技术研发人员：董俊逸，姜凯，赵鑫鑫，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：