[发明专利]一种加法器、乘法器、卷积层结构、处理器及加速器

说明书

本发明公开了一种加法器、乘法器、卷积层结构、处理器及加速器，其中，基于可编程器件的神经网络加法器，包括：多个门控时钟模块，用于根据接收到的使能信号以及时钟信号执行逻辑与运算并根据运算结果产生门控时钟信号；多个加法器，按照流水线结构级联，形成多级加法器，每一级加法器分别与对应的门控时钟模块一一连接，上一级加法器的输出端分别与下一级加法器的输入端以及下一级加法器对应的门控时钟模块的使能端连接，使得下一级加法器对应的门控时钟模块通过所述使能端接收上一级加法器发送的使能信号，并通过产生的门控时钟信号控制下一级加法器根据输入端接收到的数据执行数据更新操作。通过实施本发明，能够降低耗能。

技术领域

本发明涉及神经网络技术领域，具体涉及一种加法器、乘法器、卷积层结构、处理器及加速器。

背景技术

卷积神经网络是深度学习技术领域中最具有代表性的神经网络之一，在图像分析和处理领域取得了众多突破性的进展。在自动驾驶领域中，深度学习广泛应用于目标识别、图像特征提取分类、场景识别等，而卷积神经网络的内部算法运行在功耗受车辆供电制约的计算平台域控制器中，由此，在基于卷积神经网络实现自动驾驶时，存在功耗和算力难以兼并的矛盾。这就要求相应的算法在硬件实现过程中必须具备高能效比，因此，亟需提出一种在不降低算力要求和算法精度的同时不影响车辆的续航能力的硬件设备。

发明内容

有鉴于此，本发明实施例提供了一种加法器、乘法器、卷积层结构、处理器及加速器，以解决现有技术中功耗和算力难以兼并的问题。

根据第一方面，本发明实施例提供了一种基于可编程器件的神经网络加法器，包括：多个门控时钟模块，所述门控时钟模块用于根据接收到的使能信号以及时钟信号执行逻辑与运算并根据运算结果产生门控时钟信号；多个加法器，所述多个加法器按照流水线结构级联，形成多级加法器，每一级加法器分别与对应的门控时钟模块一一连接，上一级加法器的输出端分别与下一级加法器的输入端以及下一级加法器对应的门控时钟模块的使能端连接，使得所述下一级加法器对应的门控时钟模块通过所述使能端接收上一级加法器发送的使能信号，并通过产生的门控时钟信号控制所述下一级加法器根据输入端接收到的数据执行数据更新操作。

可选地，每一个所述加法器包括至少一个多位全加器，所述多位全加器由多个一位全加器串行级联构成，每一个所述一位全加器与对应的寄存器一一连接，用于将计算结果存储至对应的所述寄存器，每一个所述寄存器的时钟端与对应的所述门控时钟模块的输出端连接，用于根据接收到的所述门控时钟信号发送计算结果。

根据第二方面，本发明实施例提供了一种基于可编程器件的神经网络加法器，包括：多个门控时钟模块，所述门控时钟模块用于根据接收到的使能信号以及时钟信号执行逻辑与运算并根据运算结果产生门控时钟信号；多个加法器，所述多个加法器按照流水线结构级联，形成多级加法器，每一级加法器分别与对应的门控时钟模块一一连接，上一级加法器的输出端分别与下一级加法器的输入端以及下一级加法器对应的门控时钟模块的使能端连接，使得所述下一级加法器对应的门控时钟模块通过所述使能端接收上一级加法器发送的使能信号，并通过产生的门控时钟信号控制所述下一级加法器根据输入端接收到的数据执行数据更新操作。

根据第三方面，本发明实施例提供了一种基于可编程器件的神经网络乘法器，包括：第一门控时钟模块，所述第一门控时钟模块用于根据接收到的第一使能信号以及第一时钟信号执行逻辑与运算并根据运算结果产生第一门控时钟信号；复位模块，所述复位模块的时钟端与第一门控时钟模块连接，用于根据接收到的所述第一门控时钟信号执行复位操作；第二门控时钟模块，所述第二门控时钟模块的使能端与所述复位模块的输出端连接，用于接收所述复位模块发送的第二使能信号，根据所述第二使能信号以及第二时钟信号执行逻辑与运算并根据运算结果产生第二门控时钟信号；乘法器，所述乘法器的时钟端与所述第二门控时钟模块连接，所述乘法器的输入端与所述复位模块的输出端连接，用于根据所述时钟端接收到的所述第二门控时钟信号以及所述输入端接收到的数据执行数据更新操作。