[发明专利]计算机系统、编程方法及非暂态计算机可读介质

说明书

本公开提供一种计算机系统、编程方法及非暂态计算机可读介质，用于编程现场可编程门阵列装置。用于深度学习程序的已训练模型被取得并被转换成设计抽象代码，设计抽象代码用于定义逻辑区块电路，以编程现场可编程门阵列装置。每一个逻辑区块电路代表执行深度学习程序的不同层之间的处理步骤的多个模块中的其中一个。

技术领域

本发明涉及一种现场可编程门阵列装置，特别有关一种用于深度学习、人工神经网络以及机器学习应用的用于编程现场可编程门阵列装置的装置和方法。

背景技术

深度学习应用的执行通常需要分层式的软件堆迭，其相对而言使用和管理上来说较为复杂。深度学习应用包含无人驾驶应用、物体检测和辨识以及计算机辅助诊断系统，但不限定这些应用。因此，使用者于开发基于已训练模型的深度学习应用时，也需要安装及调用许多相关的软件元件，例如架构、程序库以及接口，以支持多种应用。此外，若需在已训练模型或堆迭的任何部分中做出更动，通常必须重建相关的依存关系。此外，随着结合深度学习应用的软件堆迭变得更复杂，额外的运算负担会实质地影响上述应用的效能。

从开发观点来看，复杂的软件堆迭对开发者增加额外的负担。举例来说，现今开发者需要熟悉针对不同情境应用的不同软件堆迭。因此，开发出能够解决不同情境的堆迭是耗时且困难的。从效能观点来看，由于额外的运算负担，对于各种情境应用而言，复杂的软件不仅是次佳的，额外的运算负担更可能随着对于特定应用要求更深的软件堆迭而增加(如，包含大量层数，且在每一层中支持更多种功能)。

为优化深度学习应用的执行，一种传统解决方法利用了特殊应用集成电路(application-specific integrated circuit，ASIC)。一般来说，特殊应用集成电路优化以实施特定任务，并因此改善该等任务的效能。然而，如上所述，深度学习模型的堆迭要求可能有很大的差异。特殊应用集成电路一般而言太过具体特定，导致适用性受到限制。因此，特殊应用集成电路仍无法解决广泛应用的需求。

另一种优化深度学习应用的执行的传统方法为利用现场可编程门阵列(fieldprogrammable gate array，FPGA)装置。由于现场可编程门阵列装置可重新编程，而能灵活地适应各种已训练模型和应用，因此受到开发者的注意。然而，现场可编程门阵列装置对于深度学习应用的编程并不简明易懂。因此，用于处理深度学习应用的开发方案普遍受到限制。一种解决方法为基于已知的软件堆迭提供深度学习的软件开发套件。然而，这导致了与上述讨论实质相同的堆迭管理以及运算负担的问题。另一种解决方法采用“一站式”(turn-key)方案，其中提供了工具套组供使用者支持某些深度学习应用。然而，这种对应用上的有限支持，导致和特殊应用集成电路相同的问题。

基于上述，本领域需要一种可以简化用于深度学习应用的现场可编程门阵列装置的编程的系统和方法，以能够充分发挥现场可编程门阵列装置的优点。

发明内容

本发明的实施例是关于用于编程现场可编程门阵列装置的计算机系统、编程方法以及计算机程序。一种例示性的编程方法包含取得用于深度学习程序的已训练模型，以及将已训练模型转换成设计抽象代码。其后，系统内的现场可编程门阵列装置可根据设计抽象代码来编程。设计抽象代码配置用以定义多个逻辑区块电路，其中多个逻辑区块电路的每一个代表多个模块中的其中一个模块。这些模块的每一个模块代表介于深度学习程序的不同层之间的处理步骤。在一些实作中，设计抽象代码为用以编程现场可编程门阵列装置的寄存器传输级代码。

在一些实施例中，转换步骤可包含指定通过多个逻辑区块电路的数据流程。接着，设计抽象代码指定与在现场可编程门阵列装置中的多个逻辑区块电路互相连接以提供该数据流程。

转换步骤也可包含识别已训练模型的处理步骤以及使各个处理步骤与这些模块中的其中一个相关联。其后，逻辑区块电路可被编码以对应与处理步骤相关联的模块。