[发明专利]一种基于权重捏合的卷积神经网络计算方法和系统

权利要求书

1.一种基于权重捏合的卷积神经网络计算系统，其特征在于，包括：

权重捏合模块，用于获取多组待运算的激活值及其对应的原始权重，将该原始权重按计算顺序排列并按位对齐，得到权重矩阵，剔除该权重矩阵中的松弛位，得到具有空位的精简矩阵，并使得该精简矩阵的每一列中的基本位按该计算顺序递补该空位，得到中间矩阵，剔除该中间矩阵中的空行，并将该中间矩阵的空位置0，得到捏合矩阵，该捏合矩阵的每一行作为捏合权重；

拆分累加模块，用于根据激活值与原始权重中基本位的对应关系，得到该捏合权重中每一位对应激活值的位置信息，将该捏合权重送入拆分累加器，该拆分累加器将该捏合权重按位分割为多个权重段，根据该位置信息，将该权重段与对应的激活值进行求和处理，并将处理结果发送至加法树，通过对该处理结果执行移位相加，得到输出特征图；

其中，该原始权重为16位定点数，且该拆分累加器包括分离器，用于对该捏合权重进行按位分割。

2.如权利要求1所述的基于权重捏合的卷积神经网络计算系统，其特征在于，该拆分累加模块包括：利用哈夫曼编码保存该捏合权重中每一位对应激活值的该位置信息。

3.如权利要求1或2所述的基于权重捏合的卷积神经网络计算系统，其特征在于，该激活值为图像的像素值。

4.一种基于权重捏合的卷积神经网络计算方法，其特征在于，包括：

步骤1、获取多组待运算的激活值及其对应的原始权重，将该原始权重按计算顺序排列并按位对齐，得到权重矩阵，剔除该权重矩阵中的松弛位，得到具有空位的精简矩阵，并使得该精简矩阵的每一列中的基本位按该计算顺序递补该空位，得到中间矩阵，剔除该中间矩阵中的空行，并将该中间矩阵的空位置0，得到捏合矩阵，该捏合矩阵的每一行作为捏合权重；

步骤2、根据激活值与原始权重中基本位的对应关系，得到该捏合权重中每一位对应激活值的位置信息；

步骤3、将该捏合权重送入拆分累加器，该拆分累加器将该捏合权重按位分割为多个权重段，根据该位置信息，将该权重段与对应的激活值进行求和处理，并将处理结果发送至加法树，通过对该处理结果执行移位相加，得到输出特征图。

5.如权利要求4所述的基于权重捏合的卷积神经网络计算方法，其特征在于，步骤3中该拆分累加器包括分离器和段加法器，该分离器用于对该捏合权重进行按位分割，该段加法器用于对该权重段与对应的激活值进行求和处理。

6.如权利要求4或5所述的基于权重捏合的卷积神经网络计算方法，其特征在于，该步骤2包括：利用哈夫曼编码保存该捏合权重中每一位对应激活值的位置信息。

7.如权利要求4或5所述的基于权重捏合的卷积神经网络计算方法，其特征在于，该激活值为图像的像素值。