[實(shí)用新型]串流開關(guān)

有效

• 申請(qǐng)?zhí)枺?/td>: 201721271198.2
• 申請(qǐng)日: 2017-09-29
• 公開（公告）號(hào): CN207517054U
• 公開（公告）日: 2018-06-19
• 發(fā)明（設(shè)計(jì)）人: T·勃伊施;G·德索利
• 申請(qǐng)（專利權(quán)）人: 意法半導(dǎo)體股份有限公司;意法半導(dǎo)體國(guó)際有限公司
• 主分類號(hào): G06N3/06
• 分類號(hào): G06N3/06;G06N3/04
• 代理公司: 北京市金杜律師事務(wù)所 11256
• 代理人: 王茂華

本公開涉及串流開關(guān)。實(shí)施例涉及形成在集成電路中的可重新配置的串流開關(guān)。串流開關(guān)包括多個(gè)輸出端口、多個(gè)輸入端口和多個(gè)選擇電路。輸出端口均具有輸出端口架構(gòu)組成，并且每個(gè)輸出端口被布置為單向傳遞輸出數(shù)據(jù)和輸出控制信息。輸入端口均具有輸入端口架構(gòu)組成，并且每個(gè)輸入端口被布置為單向接收第一輸入數(shù)據(jù)和第一輸入控制信息。選擇電路中的每一個(gè)被耦合到輸出端口的相關(guān)聯(lián)的一個(gè)。每個(gè)選擇電路還被耦合到所有輸入端口，使得每個(gè)選擇電路被布置為在任何給定時(shí)間將其相關(guān)聯(lián)的輸出端口可重新配置地耦合到不超過一個(gè)的輸入端口。

技術(shù)領(lǐng)域

本公開整體涉及深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)。更具體地但不排他地，本公開涉及被布置為實(shí)現(xiàn)DCNN的一部分的硬件加速器引擎。

背景技術(shù)

已知的計(jì)算機(jī)視覺、語音識(shí)別和信號(hào)處理應(yīng)用受益于使用深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)。DCNN技術(shù)中的一項(xiàng)重要工作是由Y.LeCun等人在1998年的IEEE會(huì)報(bào)第86期第11卷第2278-2324頁上發(fā)表的“Gradient-Based Learning Applied To DocumentRecognition”，該文章利用“AlexNet”贏得了2012年的ImageNet大型視覺識(shí)別挑戰(zhàn)賽。如由Krizhevsky,A.、Sutskever,I.和Hinton,G.于2012年在內(nèi)達(dá)華州太浩湖的NIPS第1-9頁發(fā)表的“ImageNet Classification With Deep Convolutional Neural Networks”中所描述的，AlexNet是第一次顯著優(yōu)于經(jīng)典方法的DCNN。

DCNN是處理大量數(shù)據(jù)并通過以下方式進(jìn)行自適應(yīng)地“學(xué)習(xí)”的基于計(jì)算機(jī)的工具：將數(shù)據(jù)內(nèi)的近端相關(guān)的特征融合、對(duì)數(shù)據(jù)進(jìn)行廣泛預(yù)測(cè)、并基于可靠的結(jié)論和新的融合來改進(jìn)預(yù)測(cè)。DCNN被布置在多個(gè)“層”中，并且在每一層處進(jìn)行不同類型的預(yù)測(cè)。

例如，如果面部的多個(gè)二維圖片被提供作為DCNN的輸入，則DCNN將學(xué)習(xí)諸如邊緣、曲線、角度、點(diǎn)、顏色對(duì)比度、亮點(diǎn)、暗點(diǎn)等的面部的各種特性。在DCNN的一個(gè)或多個(gè)第一層處學(xué)習(xí)這些一個(gè)或多個(gè)特征。然后，在一個(gè)或多個(gè)第二層中，DCNN將學(xué)習(xí)諸如眼睛、眉毛、前額、頭發(fā)、鼻子、嘴、臉頰等的面部的各種可識(shí)別的特征；其中的每一個(gè)都能與所有其他特征區(qū)分開。即，DCNN學(xué)習(xí)識(shí)別和區(qū)分眼睛與眉毛或任何其他面部特征。在一個(gè)或多個(gè)第三層及隨后的層中，DCNN學(xué)習(xí)諸如種族、性別、年齡、情緒狀態(tài)等的整個(gè)面部特性及更高階的特性。在某些情況下，DCNN甚至被訓(xùn)練來識(shí)別個(gè)人的特定身份。例如，隨機(jī)圖像可以被標(biāo)識(shí)為面部，并且面部可以被識(shí)別為奧蘭多·布魯姆、安德烈·波切利或其他一些身份。

在其他示例中，可以向DCNN提供多個(gè)動(dòng)物圖片，并且可以訓(xùn)練DCNN來標(biāo)識(shí)獅子、老虎和熊；可以向DCNN提供多個(gè)汽車圖片，并且可以訓(xùn)練DCNN來標(biāo)識(shí)和區(qū)分不同類型的車輛；并且還可以形成許多其他的DCNN。DCNN可以用于學(xué)習(xí)句子中的單詞模式、標(biāo)識(shí)音樂、分析個(gè)體購物模式、玩視頻游戲、創(chuàng)建交通路線，并且DCNN也可以用于許多其他基于學(xué)習(xí)的任務(wù)。

圖1包括圖1A-圖1J。

圖1A是卷積神經(jīng)網(wǎng)絡(luò)(CNN)系統(tǒng)10的一個(gè)簡(jiǎn)化圖示。在CNN系統(tǒng)中，由CNN處理像素的二維陣列。CNN分析10×10的輸入對(duì)象平面，以確定在平面中是否表示“1”、在平面中是否表示“0”、或者在平面中未表示“1”或“0”。

在10×10的輸入對(duì)象平面中，每個(gè)像素被點(diǎn)亮或不被點(diǎn)亮。為了圖示的簡(jiǎn)單起見，被點(diǎn)亮的像素被填充(例如，深色)，且未被點(diǎn)亮的像素未被填充(例如，淺色)。

圖1B圖示了圖1A的CNN系統(tǒng)10，該系統(tǒng)確定第一像素圖案圖示“1”，且第二像素圖案圖示“0”。然而，在現(xiàn)實(shí)世界中，圖像并不總是如圖1B所示的那樣清晰地排列整齊。