[发明专利]一种卷积神经网络的池化计算单元

说明书

本发明公开了一种卷积神经网络的池化计算单元，属于数字电路领域。本发明包括36个基本计算单元C0～C35和4个结果计算单元R0～R3；基本计算单元和所述结果计算单元均受表征池化类型的信号控制；当进行池化计算时，输入特征图像整行按顺序从输入端口输入，池化计算流水建立之后，池化计算单元按顺序每周期给出相应的输出图像数据；N个池化计算单元能够同时进行4N个池化尺寸为2x2或3x3的池化计算，或者N个池化尺寸为5x5的池化计算。本发明可根据池化计算的具体类型和尺寸灵活配置，增加了池化计算单元的可用性；该池化计算单元扩展简单，根据需求和系统开销灵活确定其计算并行度；输入图像数据复用大大减少了功耗。

技术领域

本发明属于数字电路领域，尤其是一种卷积神经网络的池化计算单元。

背景技术

在卷积神经网络中除卷积计算外，还存在池化计算。池化计算的主要目的是为了对特征进行压缩，减少参数量。一般包括最大池化、最小池化、平均池化三种方式，最大池化目前使用最为广泛。以最大池化为例，对特征矩阵进行池化计算，需首先确定池化窗口大小及步长大小，池化窗口会在特征矩阵上以步长为间隔进行滑动，每次滑动都会求出池化窗口中所包含的最大特征值。目前在卷积神经网络加速器中大多只对卷积计算进行加速，很少对池化计算进行加速。虽然池化计算在整个卷积神经网络计算过程中所占比例不高，但随着对计算过程中卷积计算部分的优化及加速，此消彼长，池化计算在功耗和速度上的比重随之增大。采用硬件加速器对池化计算进行加速，可降低卷积神经网络计算的功耗并提高其计算速度。

发明内容

本发明的目的在于克服现有的卷积神经网络中池化计算没有加速手段的缺点，提供一种卷积神经网络的池化计算单元。

为达到上述目的，本发明采用以下技术方案予以实现：

一种卷积神经网络的池化计算单元，包括36个基本计算单元C0～C35和4个结果计算单元R0～R3；

所述基本计算单元和所述结果计算单元均受表征池化类型的信号控制；

当进行池化计算时，输入特征图像整行按顺序从输入端口输入，池化计算流水建立之后，池化计算单元按顺序每周期给出相应的输出图像数据；

N个所述池化计算单元能够同时进行4N个池化尺寸为2x2或3x3的池化计算，或者N个池化尺寸为5x5的池化计算。

进一步的，当池化类型为最大池化时，基本计算单元用于取最大值，结果计算单元用于取最大值，参考值Ref为0。

进一步的，当池化类型为最小池化时，基本计算单元用于取最小值，结果计算单元用于取最小值，参考值Ref应为其所能表示的最大值。

进一步的，当池化类型为平均池化时，基本计算单元用于求和，结果计算单元用于求和后取平均值，参考值Ref为0。

进一步的，当池化尺寸为3x3，池化类型为最大池化时，所述池化计算单元结构由4个完全相同的池化计算结构构成；

输入特征图像Ifmap的第0～2行由Ifmap_input0～Ifmap_input2输入，输入特征图像Ifmap的第1～3行由Ifmap_input3～Ifmap_input5输入，输入特征图像Ifmap的第2～4行由Ifmap_input6～Ifmap_input8输入，输入特征图像Ifmap的第3～5行由Ifmap_input9～Ifmap_input11输入，依此类推，直至完成输入；

流水建立后，输出特征图像Ofmap的第0～3行输出会分别由OUT0～OUT3输出；

当Ofmap第0行计算完成后，输入特征图像Ifmap的4～6行由Ifmap_input0～Ifmap_input2输入，输出特征图像Ofmap的第4行由OUT0输出；

依此类推，完成整个Ifmap的池化计算。