[发明专利]卷积神经网络运算电路

说明书

技术领域

本发明涉及图像处理领域，具体而言，涉及一种卷积神经网络运算电路。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)作为人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。卷积神经网络是一个多层的神经网络，每层由多个二维平面构成，而每个平面都是由不同的卷积核卷积而成，卷积之后的图层通过池化(Pooling)处理后生成特征图谱(feature map)，传输给下层网络。

卷积神经网络的卷积运算量很大,而且每层网络都需要卷积运算，做一次识别需要多层卷积核及多平面卷积，普通的CPU和GPU做如此类的卷积运算会耗费相当长的时间。而且不同层、不同平面的卷积会占用巨大的系统带宽，对系统的效能要求非常高。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种卷积神经网络运算电路，以至少解决由于卷积神经网络的卷积运算量很大造成的占用系统带宽较大的技术问题。

根据本发明实施例的一个方面，提供了一种卷积神经网络运算电路，包括：外部存储器，用于存储待处理图像；直接存取单元，与外部存储器连接，用于读取待处理图像，并将读取到的数据传输至控制单元；控制单元，与直接存取单元连接，用于将数据存储至内部存储器；内部存储器，与控制单元连接，用于缓存数据；运算单元，与内部存储器连接，用于从内部存储器读取数据并进行卷积池化运算。

可选地，运算单元的数量至少为两个。

可选地，在各个运算单元之间采用级联结构连接的情况下，第n层的数据经过第n个运算单元的卷积池化运算后缓存到内部存储器中，由第n+1个运算单元将运算后的数据取出并进行第n+1层的卷积池化运算，其中，n为正整数。

可选地，在各个运算单元之间采用并联结构连接的情况下，各个运算单元分别处理待处理图像的部分图像，各个运算单元采用相同的卷积核进行并行卷积池化运算。

可选地，在各个运算单元之间采用并联结构连接的情况下，各个运算单元分别对待处理图像进行不同的特征提取，各个运算单元采用不同的卷积核进行并行卷积池化运算。

可选地，在运算单元的数量为两个的情况下，两个运算单元分别提取待处理图像的轮廓信息和细节信息。

可选地，运算单元包括卷积运算单元、池化运算单元、缓冲单元及缓冲控制单元。

可选地，卷积运算单元，用于对数据进行卷积运算，并将得到的卷积结果传输至池化运算单元；池化运算单元，与卷积运算单元连接，用于对卷积结果进行池化运算，并将得到的池化结果存储至缓冲单元；缓冲控制单元，用于将池化结果通过缓冲单元存储至内部存储器或通过直接存取单元存储至外部存储器。

可选地，外部存储器包括以下至少之一：双倍速率同步动态随机存储器、同步动态随机存储器。

可选地，内部存储器包括静态存储器阵列，静态存储器阵列包括多个静态存储器，每个静态存储器用于存储不同的数据。

在本发明实施例中，采用外部存储器存储待处理图像；直接存取单元按行顺序读取待处理图像，将读取到的数据传输至控制单元；控制单元将数据存储至内部存储器；内部存储器缓存数据；运算单元从内部存储器读取数据并进行卷积池化运算的方式，通过内部存储器缓存数据，达到了卷积运算只需到外部存储器中读取一帧图像即可，而不需反复读取一帧图像的数据的目的，从而实现了有效节省了系统带宽的技术效果，进而解决了由于卷积神经网络的卷积运算量很大造成的占用系统带宽较大的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的卷积神经网络运算电路的结构示意图；

图2是根据本发明实施例的另一种可选的卷积神经网络运算电路的结构示意图；

图3是根据本发明实施例的又一种可选的卷积神经网络运算电路的结构示意图；

图4是根据本发明实施例的又一种可选的卷积神经网络运算电路的结构示意图。

具体实施方式