[发明专利]卷积神经网络模块的控制方法

说明书

本发明提供一种卷积神经网络模块的控制方法，所述卷积神经网络模块包括多个级联的卷积计算单元，每个卷积计算单元至少包括按顺序设置的第一乘法器、第二乘法器、第一加法器以及第二加法器，所述第一加法器连接至所述第一乘法器以及所述第二乘法器以将所述第一乘法器和第二乘法器的输出数据相加，所述第二加法器连接至所述第一加法器以及上一卷积计算单元的第二加法器，以将当前卷积计算单元的第一加法器和上一卷积计算单元的第二加法器的输出数据相加，所述控制方法包括：使各所述卷积计算单元的第二乘法器相较于第一乘法器晚一个单倍频时钟节拍读取的通道数据。本发明提高卷积计算速度，进而提高整个系统的计算能力。

技术领域

本发明涉及卷积神经网络领域，尤其涉及一种卷积神经网络模块的控制方法。

背景技术

卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它主要包括卷积层(convolutional layer)和池化层(pooling layer)。卷积神经网络已广泛应用于图像分类、物体识别、目标追踪。

卷积神经网络计算可以通过如FPGA(Field-Programmable Gate Array，即现场可编程门阵列)、芯片等硬件为基础来实现。

在基于FPGA硬件的神经网络计算中，张量卷积运算是使用最多的一种计算方式，主要有卷积、反卷、空洞、全连接等类型的算子，这类运算的计算核心位乘加运算，即先进行乘法运算然后将各个乘法运算结果进行累加。

目前，现有的张量卷积运算中，通常为先同时算出多个乘法运算的结果，然后同时对乘法运算结果进行累加，这样在累加运算中可以达到的运行速度有限，从而影响了整体的运行频率，进而使整个系统的计算能力受到限制。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种卷积神经网络模块的控制方法，以提高卷积计算速度，进而提高整个系统的计算能力。

根据本发明的一个方面，提供一种卷积神经网络模块的控制方法，所述卷积神经网络模块包括多个级联的卷积计算单元，每个卷积计算单元至少包括按顺序设置的第一乘法器、第二乘法器、第一加法器以及第二加法器，所述第一加法器连接至所述第一乘法器以及所述第二乘法器以将所述第一乘法器和第二乘法器的输出数据相加，所述第二加法器连接至所述第一加法器以及上一卷积计算单元的第二加法器，以将当前卷积计算单元的第一加法器和上一卷积计算单元的第二加法器的输出数据相加，所述控制方法包括：

使各所述卷积计算单元的第二乘法器相较于第一乘法器晚一个单倍频时钟节拍读取的通道数据，以使各所述卷积计算单元的第一乘法器和第二乘法器读取的相邻通道的通道数据在所述第一加法器的加法计算中对齐。

在本申请的一些实施例中，还包括：

使当前卷积计算单元的第一乘法器相较于上一卷积计算单元的第二乘法器晚一个单倍频时钟节拍读取的通道数据，以使当前卷积计算单元的第一加法器的输出数据与上一卷积计算单元的第二加法器的输出数据在当前卷积计算单元的第二加法器的加法计算中对齐。

在本申请的一些实施例中，所述卷积神经网络模块包括多个级联的行卷积计算单元，每个所述行卷积计算单元包括多个级联的所述卷积计算单元，所述控制方法还包括：

使当前行卷积计算单元的第一个卷积计算单元的第一乘法器相较于上一行卷积计算单元的最后一个卷积计算单元的第二乘法器晚一个单倍频时钟节拍读取的通道数据，以使当前行卷积计算单元的第一个卷积计算单元的第一加法器的输出数据与上一行卷积计算单元的最后一个卷积计算单元的输出数据在当前行卷积计算单元的第一个卷积计算单元的第二加法器的加法计算中对齐。

在本申请的一些实施例中，基于储存器的读使能的延迟以控制所述通道数据的读取的时钟节拍的延迟。