[发明专利]人工神经网络运算电路

说明书

技术领域

本发明涉及图像处理领域，具体而言，涉及一种人工神经网络运算电路。

背景技术

人工神经网络(Artificial Neural Network),是20世纪80年代以来人工智能领域兴起的研究热点，它从生物信息处理角度对大脑神经元网络进行抽象，按不同的连接方式组成不同的网络。人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理等方面的缺陷，使之在模式识别、智能控制、优化组合、预测等领域得到成功应用。

然而，人工神经网络是并行分布式系统，传统的CPU和GPU对于人工神经网络，运算效率低下，成本高昂，功耗过大。

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人工神经网络运算电路，以至少解决CPU对于人工神经网络运算效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种人工神经网络运算电路，包括：控制器，用于向至少一个神经元发送控制指令及学习参数；所述至少一个神经元，与所述控制器连接，用于根据所述控制指令及所述学习参数对输入数据进行神经元运算，并输出运算结果。

可选地，所述至少一个神经元包括：缓冲器，用于存储所述控制指令、所述输入数据以及所述学习参数；计算电路，与所述缓冲器连接，用于根据所述控制指令及所述学习参数对所述输入数据进行神经元运算。

可选地，所述缓冲器包括：指令缓冲器，用于存储所述控制指令；数据缓冲器，用于存储接收到的所述输入数据和所述学习参数。

可选地，所述计算电路用于执行以下步骤根据所述控制指令及所述学习参数对所述输入数据进行神经元运算：读取所述指令缓冲器中存储的所述控制指令；若所述控制指令为反向传播指令，从所述数据缓冲器中读取所述学习参数；根据所述反向传播指令修正所述学习参数；将修正后的所述学习存入所述数据缓冲器。

可选地，所述计算电路用于执行以下步骤根据所述控制指令及所述学习参数对所述输入数据进行神经元运算：读取所述指令缓冲器中存储的所述控制指令；若所述控制指令为前向传播指令，从所述数据缓冲器读取所述输入数据和所述学习参数；依据所述学习参数对所述输入数据进行加权求和，得到加权求和结果；将所述加权求和结果输入预设激励函数，得到所述运算结果。

可选地，所述计算电路用于执行以下步骤依据所述学习参数对所述输入数据进行加权求和，得到加权求和结果：计算所述输入数据与所述学习参数的乘积；对各个所述乘积进行求和运算，得到所述加权求和结果。

可选地，所述人工神经网络运算电路包括N层神经网络，每层神经网络包括至少一个神经元，所述N层神经网络中最后一层神经网络中的至少一个神经元将运算结果输出至所述控制器，N为正整数。

可选地，所述控制器，还用于接收所述最后一层神经网络中的至少一个神经元输出的运算结果；将所述运算结果与目标值进行比较，生成误差信号；根据所述误差信号生成反向传播指令；将所述反向传播指令作为所述控制指令。

可选地，所述N层神经网络中第一层神经网络与输入层全连接。

可选地，所述缓冲器中的存储介质包括以下至少之一：寄存器单元、静态存储器、动态存储器。

在本发明实施例中，采用控制器向至少一个神经元发送控制指令及学习参数；所述至少一个神经元根据所述控制指令及所述学习参数对输入数据进行神经元运算，并输出运算结果的方式，通过设计适用于人工神经网络的硬件电路结构，达到了减小CPU的性能要求的目的，从而实现了提供人工神经网络运算速度的技术效果，进而解决了CPU对于人工神经网络运算效率较低的技术问题。

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人工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人工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人工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一种可选的神经元运算的结构示意图。

具体实施方式