[发明专利]可重构计算芯片

说明书

本公开提供了一种可重构计算芯片、一种配置可重构计算芯片的方法、一种卷积处理方法、一种卷积处理装置、一种计算机可读存储介质、一种计算机程序产品。所述可重构计算芯片包括：处理模块，包括多个处理核心，所述多个处理核心共享第一缓存，其中，所述多个处理核心中的每个处理核心包括多个处理单元，所述多个处理单元共享第二缓存，所述多个处理单元中的每个处理单元独占所述处理单元对应的第三缓存，其中，所述可重构计算芯片被动态地配置为对输入特征图和卷积核进行卷积处理以获得输出特征图，所述多个处理单元中的每个处理单元被动态地配置为对所述输入特征图的一部分和卷积核的一部分进行乘加处理以获得所述输出特征图的一部分。

技术领域

本公开涉及一种可重构计算芯片、一种配置可重构计算芯片的方法、一种卷积处理方法、一种卷积处理装置、一种计算机可读存储介质、一种计算机程序产品。

背景技术

可重构计算是一种空域上的并行计算模式，以空域的硬件结构组织不同粒度和不同功能的计算资源。在运行时，根据数据流的特点，使配置好的硬件资源互连形成相对固定的计算通路，以接近“专用电路”的方式进行计算。当算法和应用变换时，再次通过配置，使硬件结构重构为不同的计算通路去执行变化后的算法和应用。

由于可重构计算具备高度的灵活性和极高的效能，可重构计算的方案可广泛适用于神经网络有关的计算。例如，可重构计算方案可以为神经网络的训练和推理过程动态地配置运算硬件资源，从而以高度适配的硬件资源实现神经网络有关的计算。

然而，针对神经网络中常见的CNN(卷积神经网络)涉及的运算，目前还未提出有效的动态配置可重构计算资源的方案。为此需要一种能够满足CNN涉及的运算的动态优化配置方案，以进一步提高可重构计算资源的利用率并提高数据的读写和计算效能。

发明内容

为了解决上述问题，本公开的实施例提供了一种可重构计算芯片、一种配置可重构计算芯片的方法、一种卷积处理方法、一种卷积处理装置、一种计算机可读存储介质、一种计算机程序产品。

本公开的实施例提供了一种可重构计算芯片，包括：处理模块，包括多个处理核心，所述多个处理核心共享第一缓存，其中，所述多个处理核心中的每个处理核心包括多个处理单元，所述多个处理单元共享第二缓存，所述多个处理单元中的每个处理单元独占所述处理单元对应的第三缓存，其中，所述可重构计算芯片被动态地配置为对输入特征图和卷积核进行卷积处理以获得输出特征图，所述多个处理单元中的每个处理单元被动态地配置为对所述输入特征图的一部分和卷积核的一部分进行乘加处理以获得所述输出特征图的一部分。

例如，第一缓存包括L2缓存和/或L3缓存，第二缓存包括L1缓存，第三缓存包括L0缓存。

例如，至少部分地基于所述输入特征图、所述卷积核和所述输出特征图的各个维度，所述可重构计算芯片的计算通路和/或数据通路被重构以执行所述卷积处理。

例如，至少部分地基于从所述卷积处理到所述可重构计算芯片的计算通路之间映射关系，所述多个处理单元中的每个处理单元被动态地配置为对所述输入特征图的对应一部分和卷积核的对应一部分进行乘加处理。

本公开的实施例还提供了一种配置可重构计算芯片的方法，包括：基于输入特征图的多个维度、卷积核的多个维度、输出特征图的多个维度，确定各个维度对应的搜索空间，其中，所述输出特征图是对所述输入特征图与所述卷积核进行卷积处理后的卷积结果；基于所述可重构计算芯片的硬件参数和所述各个维度对应的搜索空间，确定从所述卷积处理到所述可重构计算芯片的数据通路和/或计算通路之间的映射关系；以及基于所述映射关系，配置所述可重构计算芯片。

例如，所述可重构计算芯片包括处理模块，所述处理模块包括多个处理核心，所述多个处理核心共享第一缓存，其中，所述多个处理核心中的每个处理核心包括多个处理单元，所述多个处理单元共享第二缓存，所述多个处理单元中的每个处理单元独占所述处理单元对应的第三缓存。