[发明专利]直接使用反向传播学习可编程设备块的神经网络

权利要求书

1.一种训练神经网络的方法，包括：

定义硬件构建块(HBB)、神经元等同物(NEQ)以及从NEQ到HBB的转换过程；

在机器学习框架中使用所述NEQ定义所述神经网络；

在训练平台上训练所述神经网络；以及

使用所述转换过程来将训练好的所述神经网络转换为HBB的网表以将所述神经网络中的所述NEQ转换为所述网表的所述HBB。

2.根据权利要求1所述的方法，还包括：

对所述网表进行后处理以执行所述网表的一个或多个优化。

3.根据权利要求1所述的方法，还包括：

生成用于对可编程设备进行编程的所述网表的实现方式。

4.根据权利要求1所述的方法，其中定义所述HBB、所述NEQ和所述转换过程的步骤包括：

标识可编程设备的可编程结构中的原语以实现所述HBB；

对于每个HBB，在所述机器学习框架中定义所述NEQ中的一个或多个NEQ；以及

对于每个NEQ，标识到对应HBB的转换过程。

5.根据权利要求1所述的方法，其中每个NEQ包括：量化输入和量化输出，其中所述量化输入的宽度之和小于或等于实现相应NEQ所转换为的HBB的存储器部件的地址位的数目，并且其中所述量化输出的宽度之和小于或等于所述存储器部件的宽度。

6.一种非暂态计算机可读介质，其上存储有指令，当由处理器执行时，所述指令使得所述处理器执行训练神经网络的方法，所述方法包括：

定义硬件构建块(HBB)、神经元等同物(NEQ)以及从NEQ到HBB的转换过程；

在机器学习框架中使用所述NEQ定义所述神经网络；

在训练平台上训练所述神经网络；以及

使用所述转换过程将训练好的所述神经网络转换为HBB的网表以将所述神经网络中的所述NEQ转换为所述网表的所述HBB。

7.根据权利要求6所述的非暂态计算机可读介质，还包括：

对所述网表进行后处理以执行所述网表的一个或多个优化。

8.根据权利要求6所述的非暂态计算机可读介质，还包括：

生成用于对可编程设备进行编程的所述网表的实现方式。

9.根据权利要求6所述的非暂态计算机可读介质，其中定义所述HBB、所述NEQ和所述转换过程的步骤包括：

标识可编程设备的可编程结构中的原语以实现所述HBB；

对于每个HBB，在所述机器学习框架中定义所述NEQ中的一个或多个NEQ；以及

对于每个NEQ，标识到对应HBB的转换过程。

10.根据权利要求6所述的非暂态计算机可读介质，其中每个NEQ包括点积运算和非线性运算，并且其中每个NEQ包括量化输入和量化输出，其中所述量化输入的宽度之和小于或等于实现相应NEQ所转换为的HBB的存储器部件的地址位的数目，并且其中所述量化输出的宽度之和小于或等于所述存储器部件的宽度。

11.一种计算系统，包括：

系统存储器，被配置为存储实现设计工具的代码；

训练平台；以及

处理器，耦合到所述系统存储器和所述训练平台，所述处理器被配置为执行所述代码以通过以下方式执行对神经网络的训练：

定义硬件构建块(HBB)、神经元等同物(NEQ)以及从NEQ到HBB的转换过程；

在机器学习框架中使用所述NEQ定义所述神经网络；

在所述训练平台上训练所述神经网络；以及

使用所述转换过程将训练好的所述神经网络转换为HBB的网表以将所述神经网络中的所述NEQ转换为所述网表的所述HBB。

12.根据权利要求11所述的计算系统，其中对所述神经网络的所述训练还包括：

对所述网表进行后处理以执行所述网表的一个或多个优化。