[发明专利]一种用于优化忆阻器基神经网络的权值推理映射方法

说明书

本发明公开了一种用于优化忆阻器基神经网络的权值推理映射方法，首先根据忆阻器电导区间和权值区间求出权值映射参数C^t和信号输入转换参数θ；将权值矩阵按照权值映射参数C^t进行等比例放大，经过外围板卡电路映射到忆阻器阵列中；将输入忆阻器阵列的电压信号先按照信号输入转换参数θ进行等比例缩小，再输入映射完成的忆阻器阵列中，进行矩阵乘加运算；使用恒定电阻阵列将中忆阻器阵列运算输出的电流值转换为电压信号，将该电压信号与下一个时刻的电压信号相加作为下一个时刻的输入电压信号，以进行下一循环的权值推理映射过程。上述方法解决了权值推理映射过程中的时序信息丢失问题，使RNN类算法(如GRU、LSTM等)得以全硬件实现。

技术领域

本发明涉及忆阻器基神经网络技术领域，尤其涉及一种用于优化忆阻器基神经网络的权值推理映射方法。

背景技术

在忆阻器基神经网络中，循环神经网络(RNN)独特的递归机制带来了片上面积的降低和算力的节省，但与此同时也造成了RNN难以全硬件推理和权值映射稳定性不高的问题，这是在实际应用中忆阻器基RNN系统的主要障碍之一，在硬件神经网络中，权值推理和映射过程是决定测试精度的重要部分。

传统的忆阻器基RNN只对最后一个循环时刻进行推理和映射，这种映射方式会造成很大的误差且不利于忆阻器基RNN的全硬件化实现。不仅如此，在较为复杂的递归神经网络中(如长短时记忆网络、门控循环单元等)，这种方式会导致训练过程中返回电压值不可控的问题，而且当时间维度越大，这个问题就越明显。

发明内容

本发明的目的是提供一种用于优化忆阻器基神经网络的权值推理映射方法，该方法解决了权值推理映射过程中的时序信息丢失问题，使RNN类算法(如GRU、LSTM等)得以全硬件实现，为硬件神经网络系统提供了新的思路。

本发明的目的是通过以下技术方案实现的：

一种用于优化忆阻器基神经网络的权值推理映射方法，所述方法包括：

步骤1、根据忆阻器电导区间和权值区间求出权值映射参数C^t和信号输入转换参数θ；

步骤2、将权值矩阵按照权值映射参数C^t进行等比例放大，然后经过外围板卡电路映射到忆阻器阵列中；

步骤3、将输入忆阻器阵列的电压信号先按照信号输入转换参数θ进行等比例缩小，再输入步骤2映射完成的忆阻器阵列中，进行矩阵乘加运算；

步骤4、使用恒定电阻阵列将步骤3中忆阻器阵列运算输出的电流值转换为电压信号，将该电压信号与下一个时刻的电压信号相加作为下一个时刻的输入电压信号，以进行下一循环的权值推理映射过程。

由上述本发明提供的技术方案可以看出，上述方法解决了权值推理映射过程中的时序信息丢失问题，使RNN类算法(如GRU、LSTM等)得以全硬件实现，为硬件神经网络系统提供了新的思路。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的用于优化忆阻器基神经网络的权值推理映射方法流程示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示为本发明实施例提供的用于优化忆阻器基神经网络的权值推理映射方法流程示意图，所述方法包括：