[发明专利]一种自适应可重构的深度卷积神经网络计算方法和装置

权利要求书

1.一种自适应可重构的深度卷积神经网络计算方法，其特征在于，包括：

根据控制信号决定计算装置的程序执行流程，根据深度卷积神经网络规模参数对基本计算基元进行动态重构确定运算单元的组合级别和并行度；

根据不同的重构情况载入相对应的处理数据，对不同属性的卷积神经网络层进行相应计算；

进行对应数据的乘加操作、累加操作以及非线性激活函数映射，最终得到所述根据不同的重构情况载入相对应的处理数据的神经元的连接输出结果。

2.根据权利要求1所述的方法，其特征在于，所述根据深度卷积神经网络规模参数对基本计算基元进行动态重构包括：

神经元的卷积核宽度以及高度的规模小于等于基本计算基元的宽度和高度，则每个基本计算基元并行化处理，相互独立地执行运算。

3.根据权利要求1所述的方法，其特征在于，所述根据深度卷积神经网络规模参数对基本计算基元进行动态重构包括：

神经元的卷积核宽度和高度的规模大于一个基本计算基元相应的规模，但小于等于两个基本计算基元连接在一起的宽度以及高度的规模，则四个基本计算基元以方阵的形式组合在一起，形成一个二级计算单元；二级计算单元内各个基本计算基元组合在一起进行乘加运算，多个二级基本单元之间并行运行。

4.根据权利要求1所述的方法，其特征在于，所述根据深度卷积神经网络规模参数对基本计算基元进行动态重构包括：

神经元的卷积核宽度和高度的规模大于两个基本计算基元相应的规模，但小于等于三个基本计算基元连接在一起的宽度以及高度的规模，则九个基本计算基元以方阵的形式组合在一起，形成一个三级计算单元；三级计算单元内各个基本计算基元组合在一起进行乘加运算，多个三级基本计算单元之间并行运行。

5.根据权利要求1所述的方法，其特征在于，进行对应数据的乘加操作、累加操作以及非线性激活函数映射，最终得到所述根据不同的重构情况载入相对应的处理数据的神经元的连接输出结果包括：

运算单元完成相应的卷积和累加计算，如果网络模型在所述根据不同的重构情况载入相对应的处理数据，对不同属性的卷积神经网络层后衔接了池化层，完成所述根据不同的重构情况载入相对应的处理数据，对不同属性的卷积神经网络层的所有状态后也输出最终计算结果；如果没有则完成所述根据不同的重构情况载入相对应的处理数据，对不同属性的卷积神经网络层的计算操作，并输出最终计算结果。

6.一种自适应可重构的深度卷积神经网络计算装置，其特征在于，包括：

控制单元，用于决定计算装置的程序执行流程，采用有限状态机生成控制信号；

参数配置单元，用于根据控制信号对运算单元进行相应的参数配置，根据深度卷积神经网络规模参数对基本计算基元进行动态重构确定运算单元的组合级别和并行度；

计算单元，用于根据不同的重构情况载入相对应的处理数据，计算不同属性的卷积神经网络层；

存储单元，用于存储指令和运算所需的数据，通过冗余的存储单元完成片外数据的预取，覆盖片外传输所需时间；同时采用循环读取的方式，用改变读取地址索引的方式代替不同地址之间数据的搬移；

结果输出单元，用于进行对应数据的乘加操作、累加操作以及非线性激活函数映射，最终得到所述根据不同的重构情况载入相对应的处理数据的神经元的连接输出结果。

7.根据权利要求6所述的装置，其特征在于，所述根据深度卷积神经网络规模参数对计算单元进行动态重构包括：

神经元的卷积核宽度以及高度的规模小于等于基本计算基元的宽度和高度，则每个基本计算基元并行化处理，相互独立地执行运算。

8.根据权利要求6所述的装置，其特征在于，所述根据深度卷积神经网络规模参数对计算单元进行动态重构包括：

神经元的卷积核宽度和高度的规模大于一个基本计算基元相应的规模，但小于等于两个基本计算基元连接在一起的宽度以及高度的规模，则四个基本计算基元以方阵的形式组合在一起，形成一个二级计算单元；二级计算单元内各个基本计算单元组合在一起进行乘加运算，多个二级基本单元之间并行运行。