[發明專利]一種實現卷積神經網絡處理的系統及方法

在審

• 申請號: 202110571569.3
• 申請日: 2021-05-25
• 公開（公告）號: CN113379047A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 蔡群林;門愛東;蘭軍;彭杰;周君臨;展曉宇;黃笑天
• 申請（專利權）人: 北京微芯智通科技合伙企業（有限合伙）
• 主分類號: G06N3/063
• 分類號: G06N3/063;G06T1/20;G06T1/60
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 李小朋

本發明公開了一種實現卷積神經網絡處理的系統及方法，方法包括：通過輸入緩存模塊緩存輸入的圖像數據；通過人工智能引擎模塊從所述輸入緩存模塊讀取所述圖像數據，并進行預定的卷積神經網絡處理得到特征值，并將特征值發送給輸出緩存模塊緩存；通過輸出控制模塊從所述輸出緩存模塊讀取所述特征值并輸出。本發明易于擴展，通過增加人工智能引擎模塊中的引擎處理核數量，提高計算力；具有高能效比，可提供高密度計算性能。

技術領域

本發明涉及人工智能技術領域，具體涉及一種實現卷積神經網絡處理的系統及方法。

背景技術

卷積神經網絡是一種前饋神經網絡，常應用于圖像識別、語音識別等，其之所以被廣泛應用，在于其海量數據、強大的算力和各種實現技術。

目前實現卷積神經網絡的硬件平臺包括有圖像處理器(Graphic ProcessingUnit，GPU)、FPGA(Field Programmable Gate Array，現場可編程門陣列)和專用集成電路(ASIC，Application-Specific Integrated Circuit)，但無論采用哪種硬件平臺實現卷積神經網絡，都面臨著巨大的算力和復雜度等挑戰。

發明內容

本發明的目的是針對上述現有技術的不足提出的一種實現卷積神經網絡處理的系統及方法。

本發明的第一方面提出了一種實現卷積神經網絡處理的系統，包括：

輸入緩存模塊，用于緩存輸入的圖像數據；

人工智能引擎模塊，用于向所述輸入緩存模塊發送輸入控制信號，以從所述輸入緩存模塊中讀取所述圖像數據；以及對讀取的圖像數據進行預定的卷積神經網絡處理得到特征值，并向輸出緩存模塊發送輸出緩存控制信號，以將特征值緩存至所述輸出緩存模塊；

所述輸出緩存模塊，用于緩存所述特征值，并在預定的輸出控制下，輸出緩存特征值；

寄存器模塊，用于在所述卷積神經網絡處理過程中，根據所述人工智能引擎模塊發送的引擎狀態信號和指令緩存模塊發送的指令控制信號進行引擎核狀態判定，并將狀態判定結果發送給所述人工智能引擎模塊；

指令緩存模塊，用于根據輸入數據生成所述指令控制信號。

本發明的第二方面提出了一種實現卷積神經網絡處理的方法，所述方法包括：

通過輸入緩存模塊緩存輸入的圖像數據；

通過人工智能引擎模塊從所述輸入緩存模塊讀取所述圖像數據，并進行預定的卷積神經網絡處理得到特征值，并將特征值發送給輸出緩存模塊緩存；

通過輸出控制模塊從所述輸出緩存模塊讀取所述特征值并輸出。

基于上述第一方面和第二方面所述的實現卷積神經網絡處理的系統及方法，本發明具有如下有益效果：

考慮到易擴展性和高能效比，本發明通過設計專用集成電路，其包括輸入緩存模塊、人工智能引擎模塊、輸出緩存模塊、寄存器模塊、以及指令緩存模塊這五個大電路模塊來實現卷積神經網絡的處理，并且通過增加人工智能引擎模塊中的引擎處理核數量，可以提高計算力，并提供高密度計算性能。

本技術方案支持目前常見網絡模型的處理，比如AlexNet、VGG和ResNet等，可以適用于深度學習的訓練、推理環節，可以應用于云端和終端。

附圖說明

此處所說明的附圖用來提供對本發明的進一步理解，構成本發明的一部分，本發明的示意性實施例及其說明用于解釋本發明，并不構成對本發明的不當限定。在附圖中：

圖1為本發明根據一示例性實施例示出的一種實現卷積神經網絡處理的系統結構示意圖；

圖2為本發明根據一示例性實施例示出的一種輸入緩存模塊結構示意圖；