[发明专利]基于阻变式存储器的模型在线迁移训练方法、装置及芯片

权利要求书

1.一种基于阻变式存储器的模型在线迁移训练方法，其特征在于，所述方法包括：

获取需要映射至阻变式存储器上的神经网络模型的各层对应的神经网络权重，所述神经网络权重基于对所述神经网络模型的离线训练过程得到；

获取所述阻变式存储器所支持的多个电导的电导偏移函数；

根据所述电导偏移函数，通过迭代训练对所述神经网络模型进行在线迁移训练，以对所述神经网络权重进行更新；

根据更新后的神经网络权重，对所述阻变式存储器的忆阻器阵列电导值进行更新，得到训练后的阻变式存储器。

2.根据权利要求1所述的方法，其特征在于，所述获取所述阻变式存储器所支持的多个电导的电导偏移函数，包括：

针对所述阻变式存储器所支持的多个电导中的每一电导，每间隔设定时间采集一次所述电导的电导值，以确定每一电导随时间的变化曲线；

根据所述变化曲线，确定所述电导的电导值概率密度函数，作为针对所述电导的电导偏移函数。

3.根据权利要求2所述的方法，其特征在于，针对所述阻变式存储器所支持的多个电导中的每一电导，每间隔设定时间采集一次所述电导的电导值，以确定每一电导随时间的变化曲线，包括：

将所述阻变式存储器的电导配置为所述阻变式存储器所支持的最小理想电导，每间隔设定时间采集一次采集所述最小理想电导的实际电导值，并记录所述实际电导值和时间；

在对所述最小理想电导的实际电导值采集次数达到设定采集次数的情况下，根据所述实际电导值和时间，确定所述最小电导随时间的变化曲线；

将所述阻变式存储器的电导配置为第二理想电导，所述第二理想电导的值等于在所述最小理想电导的基础上增加一倍的理想电导步长，重复执行上述操作，确定所述第二理想电导随时间的变化曲线；

由此，循环执行上述操作，直至将所述阻变式存储器的电导配置为最大理想电导，所述最大理想电导的值等于在所述最小理想电导的基础上增加N-1倍的理想电导步长，重复执行上述操作，确定所述第最大理想电导随时间的变化曲线；

其中，N表示所述阻变式存储器所支持的电导个数；

所述理想电导步长等于所述最大理想电导和所述最小理想电导的差值与所述阻变式存储器所支持的电导个数的比值。

4.根据权利要求1所述的方法，其特征在于，根据所述电导偏移函数，通过迭代训练对所述神经网络模型进行在线迁移训练，以对所述神经网络权重进行更新，包括：

基于针对多个电导的电导偏移函数，确定需要对所述神经网络模型的神经网络层的输出向量进行调整的电流调整值；

按照从神经网络层的输入层至输出层的顺序，根据多个神经网络层的电流调整值，依次更新所述神经网络模型的多个神经网络层的神经网络权重。

5.根据权利要求1所述的方法，其特征在于，根据更新后的神经网络权重，对所述阻变式存储器的忆阻器阵列电导值进行更新，得到训练后的阻变式存储器，包括：

根据更新后的所述神经网络模型的多个神经网络层的神经网络权重，判断所述神经网络模型的输出是否满足设定结束条件；

在所述神经网络模型的输出满足设定结束条件的情况下，结束对所述神经网络模型进行在线迁移训练，并根据更新后的所述神经网络模型的多个神经网络层的神经网络权重，对所述阻变式存储器的忆阻器阵列电导值进行更新。

6.根据权利要求5所述的方法，其特征在于，根据更新后的所述神经网络模型的多个神经网络层的神经网络权重，判断所述神经网络模型的输出是否满足设定结束条件，包括：

根据更新后的所述神经网络模型的多个神经网络层的神经网络权重，判断当前轮次在线迁移训练得到的所述神经网络模型的输出精度；

在最后设定轮次在线迁移训练得到的所述神经网络模型的输出精度的方差小于设定方差阈值的情况下，判定所述神经网络模型的输出满足设定结束条件。