[发明专利]一种基于人工神经网络的硬件资源分配方法及系统

说明书

本发明公开一种基于人工神经网络的硬件资源分配方法及系统。所述分配方法具体包括：建立人工神经网络，所述人工神经网络包括多层感知器、卷积神经网络、循环神经网络；根据用户的需求选择神经网络中的近似元素；根据所述近似元素确定近似神经网络；采集所述用户和所述近似神经网络的性能目标值；根据所述近似神经网络和所述性能目标值分配硬件资源。采用人工神经网络和近似算法相结合的计算方法，在保证输出质量满足需求的条件下，提高了能源的利用率的同时，提高了系统运行的稳定性。

技术领域

本发明涉及人工神经网络领域，特别是涉及一种基于人工神经网络的硬件资源分配方法及系统。

背景技术

伴随人工神经网络的兴起，大规模乃至超大规模的神经网络得到了重要的发展，因为能源消费的剧增，未来能源将成为计算机相关领域的发展的重要阻碍之一。所以节能成为主要的关注点，对于大规模的神经网络来说，有效的节约能耗是非常重要的。

现有技术中的节能方法采用关闭/休眠技术，最大限度的降低空闲能耗，但是当使用计算机时需要较长的启动时间，导致系统的性能下降。采用电压动态调整技术，通过降低处理器的电压能够降低处理器的动态功率，但是存在的缺点是随着电压的下降，处理器的性能也下降。

发明内容

本发明的目的是提供一种能够提高处理器性能稳定性的基于人工神经网络的硬件资源分配方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于人工神经网络的硬件资源分配方法，所述分配方法具体包括：

建立人工神经网络，所述人工神经网络包括多层感知器、卷积神经网络、循环神经网络；

根据用户的需求选择神经网络中的近似元素；

根据所述近似元素确定近似神经网络；

采集所述用户和所述近似神经网络的性能目标值；

根据所述近似神经网络和所述性能目标值分配硬件资源。

可选的，所述根据所述近似元素确定近似神经网络具体包括：

根据所述近似元素确定多个近似算法；

建立基于多个所述近似算法的输出质量参考模型；

根据所述输出质量参考模型确定近似分配策略和优化方法，获得近似神经网络。

可选的，所述近似算法包括：尾数截断、近似逻辑电路化简、循环穿孔、内存访问跳跃、电压扩缩。

可选的，所述根据所述输出质量参考模型确定近似分配策略和优化方法具体包括：

将所述人工神经网络分割为多个神经元；

将所述人工神经网络的输出错误量化到每个所述神经元；

获取输出错误量小于错误量阈值的所述神经元，获得错误神经元；

将所述错误神经元采用所述输出质量参考模型计算近似值；

根据所述近似值确定近似分配策略和优化方法。

一种基于人工神经网络的硬件资源分配系统，所述分配系统具体包括：

人工神经网络模块，用于建立人工神经网络，所述人工神经网络包括多层感知器、卷积神经网络、循环神经网络；

近似元素选择模块，用于根据用户的需求选择神经网络中的近似元素；

近似神经网络确定模块，用于根据所述近似元素确定近似神经网络；

性能目标值采集模块，用于采集所述用户和所述近似神经网络的性能目标值；