[实用新型]电子设备和集成电路

说明书

本申请涉及电子设备和集成电路。电子设备的实施例包括集成电路、形成在集成电路中的可重配置流开关以及耦合到可重配置流开关的算术单元。算术单元具有多个输入和至少一个输出，并且算术单元专用于多个并行运算的执行。多个并行运算中的每一个运算执行公式的一部分，所述公式为：输出＝AX+BY+C。由此，实现用于机器学习的改进集成电路。

技术领域

本公开一般涉及例如在卷积神经网络(CNN)中支持和推进深度机器学习的结构。更具体地但非排他地，本公开涉及一种用于深度学习加速引擎的算术单元。

背景技术

已知的计算机视觉、语音识别和信号处理应用受益于学习机器的使用。本公开中讨论的学习机器可以落入机器学习、人工智能、神经网络、概率推理引擎、加速器等等的技术标题之下。这样的机器被布置为快速执行数百、数千和数百万的并发运算。常规学习机器可以提供数百个TeraFlop(即，每秒一万亿(10¹²)次浮点运算)的计算能力。

在某些情况下，学习机器被组织为深度卷积神经网络(DCNN)。DCNN领域中的开创性工作是Y.LeCun等人的“Gradient-Based Learning Applied To DocumentRecognition”，IEEE会议录，第86卷，第11号第2278-2324页，1998年，该文献导致以“AlexNet”赢得2012年ImageNet大规模视觉识别挑战。如Krizhevsky，A.，Sutskever，I.和Hinton，G的“ImageNet Classification With Deep Convolutional Neural Networks”，NIPS，第1-9页，Lake Tahoe，NV(2012)中所述的那样，AlexNet是一种首次大幅超越经典方法的DCNN。

DCNN是一种基于计算机的工具，其处理大量的数据并通过融合数据内的临近相关的特征来自适应地“学习”，做出关于数据的广泛预测，并基于可靠的结论和新的融合来完善预测。DCNN被布置在多个“层”中，并且在每一层处进行不同类型的预测。

例如，如果将多个面部二维图片作为输入提供给DCNN，则DCNN将学习面部的各种特性，诸如边缘、曲线、角度、点、颜色对比度、亮点、黑点等。等等。在DCNN的一个或多个第一层处学习这些一个或多个特征。然后，在一个或多个第二层中，DCNN将学习诸如眼睛、眉毛、额头、头发、鼻子、嘴巴、脸颊等各种可识别的脸部特征；其中每一个都可以与所有其他特征区分开来。也就是说，DCNN学习识别并区分眼睛与眉毛或任何其他面部特征。在一个或多个第三层以及随后的层中，DCNN学习整个面部和诸如种族、性别、年龄、情绪状态等高阶特性。在某些情况下甚至DCNN被教导来识别个人的特定身份。例如，可以将随机图像标识为脸部，并且可以将脸部识别为奥兰多布鲁姆、安德烈波切利或某个其他身份。

在其他示例中，可以为DCNN提供多个动物图片，并且可以教导DCNN来标识狮子、老虎和熊；可以为DCNN提供多个汽车图像，并且可以教导DCNN以标识和区分不同类型的车辆；并且还可以形成许多其他的DCNN。DCNN可以被用来学习句子中的单词模式，以标识音乐、分析个体购物模式、玩视频游戏、创建交通路线，并且DCNN也可以被用于许多其他基于学习的任务。

图1A至图1J可以被统称为图1。

图1A是卷积神经网络(CNN)系统10的简化图示。在CNN系统中，由CNN处理像素的二维阵列。CNN分析一个10×10输入对象平面，以确定平面中是否表示“1”、平面中是否表示“0”、或者平面中是否既没有实现“1”又没有实现“0”。

在10×10输入对象平面中，每个像素被照亮或不被照亮。为了图示的简单起见，被照亮的像素被填充(例如，深色)并且未被照亮的像素未被填充(例如，浅色)。

图1B图示出了图1A的CNN系统10，其确定第一像素图案图示出了“1”并且第二像素图案图示出了“0”。然而，在现实世界中，图像并不总是如图1B中所图示那样整齐地对准。