[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的微處理器非均勻采樣熱分布重構(gòu)方法

有效

• 申請?zhí)枺?/td>: 201910358496.2
• 申請日: 2019-04-30
• 公開（公告）號: CN110134567B
• 公開（公告）日: 2023-03-14
• 發(fā)明（設(shè)計）人: 李鑫;歐興濤;李智;周巍;段哲民
• 申請（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06T7/00
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 劉新瓊

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的微處理器非均勻采樣熱分布重構(gòu)方法，其特征在于步驟如下：

步驟1：利用可透紅外光譜的油冷散熱系統(tǒng)完成樣本溫度數(shù)據(jù)集的采集，并選用SPECCPU2006標(biāo)準(zhǔn)性能評估基準(zhǔn)作為測試程序；

步驟2：采用Min-Max歸一化方法對芯片樣本溫度數(shù)據(jù)的特征范圍進(jìn)行縮放，將其統(tǒng)一映射到[0，1]之間：

其中，T＝(t_x,y)_H×W為處理器的離散化熱圖矩陣，H和W分別代表離散化熱圖的高度和寬度，t_x,y代表芯片上坐標(biāo)為(x,y)處的溫度，t′_x,y為歸一化后的溫度，max(T)和min(T)分別為熱圖矩陣T的最大值和最小值；

步驟3：設(shè)計工作負(fù)載分類網(wǎng)絡(luò)模型，包括一個輸入層、四個全連接層和一個輸出層；

輸入數(shù)據(jù)為芯片溫度數(shù)據(jù)歸一化后得到的一個N×1大小的一維向量，依次經(jīng)過四個全連接層的運算，并通過輸出層SoftMax分類器得到工作負(fù)載分類的結(jié)果，該結(jié)果與SPECCPU2006中29類基準(zhǔn)測試程序相對應(yīng)；

步驟4：分別設(shè)計29類基準(zhǔn)測試程序的熱分布重構(gòu)網(wǎng)絡(luò)模型，包括一個輸入層、兩個全連接層、一個重新維度調(diào)整層和三個卷積層；

利用步驟3的結(jié)果選擇重構(gòu)網(wǎng)絡(luò)，輸入數(shù)據(jù)在兩個全連接層運算后變?yōu)榫S度為3600的一維向量，加入維度調(diào)整操作，將數(shù)據(jù)變換為60×60大小，對60×60的數(shù)據(jù)進(jìn)行三層卷積運算得到最終芯片重構(gòu)溫度分布；所述的三個卷積層的濾波器filter個數(shù)分別為64、32和1，卷積核大小均為3×3，步長均為1；

步驟5：訓(xùn)練網(wǎng)絡(luò)；使用Caffe框架平臺作為訓(xùn)練和測試卷積神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)，利用反向傳播算法和隨機梯度下降算法實現(xiàn)網(wǎng)絡(luò)模型參數(shù)的更新和優(yōu)化。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的微處理器非均勻采樣熱分布重構(gòu)方法，其特征在于所述的可透紅外光譜的油冷散熱系統(tǒng)為兩個相隔1毫米空隙的藍(lán)寶石窗口放置在微處理器上，每個藍(lán)寶石窗口厚度為4毫米，在兩塊藍(lán)寶石之間以2.5加侖/分鐘的流量注入無機礦物質(zhì)油，采用中波制冷型紅外成像儀采集微處理器的溫度。

3.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的微處理器非均勻采樣熱分布重構(gòu)方法，其特征在于步驟3中的全連接層的激活函數(shù)使用的是ReLU函數(shù)。

4.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的微處理器非均勻采樣熱分布重構(gòu)方法，其特征在于步驟5中的卷積神經(jīng)網(wǎng)絡(luò)模型的初始學(xué)習(xí)率、權(quán)值衰減和SGD動量分別設(shè)定為0.0001、0.0005和0.9，網(wǎng)絡(luò)模型共訓(xùn)練500000次。