【技术实现步骤摘要】
本专利技术涉及一种基于光电存算一体器件的u-net深度学习网络加速装置及方法，属于硬件加速神经网络领域。
技术介绍
1、随着人工智能技术的进步，神经网络被广泛应用于计算机视觉处理和自然语言处理等领域，影响着日常生活的方方面面。随着神经网络规模的不断扩展，对计算资源和算力的需求不断增大。由于传统处理器的冯诺依曼架构逐渐不再能满足大规模计算的需要，深度学习网络的发展受到了制约。
2、为神经网络定制专用的硬件加速器是解决该困境的有效方法。存算一体作为一种突破冯诺依曼瓶颈的体系结构，能够减少计算单元在访问存储产生的功耗，提高计算效率，满足神经网络对计算性能的需求。光电存算一体器件(cn110276440a)是存算一体器件的典型代表，能够实现高效率的卷积运算，提高运算的吞吐率。
3、u-net神经网络模型是语义分割领域的经典模型，由编码器和解码器组成，在计算过程中能够保留层间信息，实现对输入图像的逐像素预测，因此在医疗影像、自动抠图和目标检测等图像处理领域应用广泛。基于光电存算一体器件的u-net深度学习网络加速装置，能够...
【技术保护点】
1.一种基于光电存算一体器件的U-Net深度学习网络加速装置，其特征在于，该加速装置包括：编码混合层模块、双卷积层模块、解码混合层模块和分类输出模块；
2.根据权利要求1所述的一种基于光电存算一体器件的U-Net深度学习网络加速装置，其特征在于，所述编码混合层模块包括四个，呈四级递进的级联关系；每个编码混合层模块包括第一卷积层子模块、第一归一化子模块、第二卷积层子模块、第二归一化子模块和下采样模块；所述第一卷积层子模块，用于对输入的特征图像执行卷积运算操作，并将输出的特征图传入到第一归一化子模块；所述第一归一化子模块，用于对输入特征图执行归一化操作，并将输...
【技术特征摘要】
1.一种基于光电存算一体器件的u-net深度学习网络加速装置，其特征在于，该加速装置包括：编码混合层模块、双卷积层模块、解码混合层模块和分类输出模块；
2.根据权利要求1所述的一种基于光电存算一体器件的u-net深度学习网络加速装置，其特征在于，所述编码混合层模块包括四个，呈四级递进的级联关系；每个编码混合层模块包括第一卷积层子模块、第一归一化子模块、第二卷积层子模块、第二归一化子模块和下采样模块；所述第一卷积层子模块，用于对输入的特征图像执行卷积运算操作，并将输出的特征图传入到第一归一化子模块；所述第一归一化子模块，用于对输入特征图执行归一化操作，并将输出特征图传输到第二卷积层子模块；所述第二卷积层子模块，用于对输入特征图执行卷积运算操作，并将输出特征图传输到第二归一化子模块；所述第二归一化子模块，用于对输入特征图执行归一化操作，将生成的特征图像传输到下采样子模块；所述下采样子模块，用于对输入的特征图执行基于最大池化的下采样操作。
3.根据权利要求1所述的一种基于光电存算一体器件的u-net深度学习网络加速装置，其特征在于，所述双卷积层模块包括级联的第一卷积层子模块、第一归一化子模块、第二卷积层子模块和第二归一化子模块。
4.根据权利要求2所述的一种基于光电存算一体器件的u-net深度学习网络加速装置，其特征在于，所述解码混合层模块包括四个，呈四级递进的级联关系；每个解码混合层模块包括上采样模块、第一卷积层子模块、第一归一化子模块、第二卷积层子模块和第二归一化子模块；所述上采样模块，用于对输入的特征图执行基于双线性插值的上采样操作，将得到的结果与相应编码混合层模块的输出结果进行拼接，将输出的特征图传入到第一卷积层子模块。
5.根据权利要求1至4之一所述的一种基于光电存算一体器件的u-net深度学习网络加速装置，其特征在于，所述第一卷积层子模块和第二卷积层子模块均包括数据寄存单元、填充单元、串并转换...
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。