[发明专利]一种水下噪声分类卷积神经网络加速器

权利要求书

1.一种水下噪声分类卷积神经网络加速器，其特征在于包括：DMA控制器、特征图转置向量单元、卷积核转置向量单元、若干个最小计算单元和数据缓存池；其中，

DMA控制器读入输入特征图和第一层卷积核；特征图转置向量单元根据特征图完成计算向量转置得到特征图向量，并将特征图向量写入数据缓存池；卷积核转置向量单元根据第一层卷积核完成第一个卷积核向量转置得到卷积核向量，并将卷积核向量写入数据缓存池；每个最小计算单元读取数据缓存池中的特征图向量和第一个卷积核向量，并将特征图向量和第一个卷积核向量点乘得到点乘结果，并将点乘结果存储到数据缓存池。

2.根据权利要求1所述的水下噪声分类卷积神经网络加速器，其特征在于：数据缓存池大小Amax通过如下公式得到：

Amax＝AI+MAX(AVi，APki，AO)+AVKi；

其中，AI为输入数据缓存池大小，AO为输出数据缓存池大小，AVi为各层特征图数据转向量后缓存池大小，AVki为卷积核转向量大小，APki为池化后各层数据大小。

3.根据权利要求2所述的水下噪声分类卷积神经网络加速器，其特征在于：对于AAmax的情况，B＝1表示系统不分块，数据可全部在FPGA内不存放，计算过程中DMA控制器只需要完成一次数据读入和计算结果写回即可；对于AAmax的情况，B＝MAX(AVi，APki，AO)/A，表示输入数据分解成B块，如果计算B为小数，那么B＝Int(B)+1。

4.根据权利要求2所述的水下噪声分类卷积神经网络加速器，其特征在于：根据卷积核行数Kri和卷积核列数Kci得到乘法器计算向量个数V。

5.根据权利要求4所述的水下噪声分类卷积神经网络加速器，其特征在于：乘法器计算向量个数V为V＝MAX(Kri x Kci)。

6.根据权利要求5所述的水下噪声分类卷积神经网络加速器，其特征在于：乘法器计算向量个数V决定了单个加速器计算单元数据输入的吞吐量需求。

7.根据权利要求5所述的水下噪声分类卷积神经网络加速器，其特征在于：最小计算单元是计算单元的最小单位，实现向量乘法、激活和池化操作。

8.根据权利要求2所述的水下噪声分类卷积神经网络加速器，其特征在于：当数据缓存池字节数A小于数据缓存池大小Amax且分块参数B大于1时，DMA控制器读入输入特征图，然后转换成特征向量后，分块写到FPGA外的RAM中。