[发明专利]基于自定义RISC-V指令的卷积神经网络协处理器数据量化方法

权利要求书

1.基于自定义RISC-V指令的卷积神经网络协处理器数据量化方法，包括以下步骤：步骤一，取指令；步骤二，解析指令；步骤三，解析出指令LRELU并执行；步骤四，解析出指令LBIAS并执行；步骤五，解析出量化指令REPO并执行；步骤六，解析出写内存指令SP并执行；其特征在于：

其中在上述步骤一中，取出存在E203核ITCM中的指令，经过译码发现是自定义指令后，将指令通过nice接口送入nice核；

其中在上述步骤二中，nice核译码单元译码指令，进一步解析指令作用，若解析出来读特征图、BIAS、卷积核或其他指令时，则通过ICB握手协议请求读DTCM中的数据，并写入nice核的缓存中；

其中在上述步骤三中，假定步骤二中，量化数据读入完毕，若接下来解析出指令LRELU，则通过ICB握手协议请求读DTCM中的zero_point、scale、shift、maxdata、mindata数据，并写入nice核的量化激活单元中；

其中在上述步骤四中，假定步骤二中，量化数据读入完毕，若接下来解析出指令LBIAS，则通过ICB握手协议请求读DTCM中的bias数据，并写入nice核的bias累加单元中；

其中在上述步骤五中，假定步骤二、步骤三和步骤四完成，若接下来解析出量化指令REPO，则开启bias累加单元、量化激活单元和池化单元，并将处理后的数据写入输出缓存中；

其中在上述步骤六中，假定前五个步骤完成，若接下来解析出写内存指令SP，则通过ICB握手协议将nice核缓存写入E203核外设SRAM中。

2.根据权利要求1所述的基于自定义RISC-V指令的卷积神经网络协处理器数据量化方法，其特征在于：所述步骤一中，E203核为RISC-V软核蜂鸟E203核。

3.根据权利要求1所述的基于自定义RISC-V指令的卷积神经网络协处理器数据量化方法，其特征在于：所述步骤一中，若需要读取RS1、RS2或RD寄存器，则将读取出来的数值一起送入nice核。

4.根据权利要求3所述的基于自定义RISC-V指令的卷积神经网络协处理器数据量化方法，其特征在于：所述nice核即协处理器，通过nice接口与E203核建立数据连接。

5.根据权利要求4所述的基于自定义RISC-V指令的卷积神经网络协处理器数据量化方法，其特征在于：所述nice接口包括nice控制器和数据提取器。

6.根据权利要求1所述的基于自定义RISC-V指令的卷积神经网络协处理器数据量化方法，其特征在于：所述步骤五中，执行量化指令REPO具体为：控制单元开启量化单元，输入特征图数据，从缓存中串行输出，经过加偏置、量化、激活和池化，最终输出结果至输出缓存，直至SP指令到来，将结果写入E203核外设SRAM中。

7.根据权利要求1所述的基于自定义RISC-V指令的卷积神经网络协处理器数据量化方法，其特征在于：所述步骤五中，量化激活单元采用非对称量化，定义q为量化后的数，qx为量化的scale值，minxf为量化前最小的数，则q＝round(qx*xf-minxf*qx)，再对q左移128，得到非对称量化的最终值；zeropoint＝round(-minxf*qx)，将zeropoint-128，得到最终的量化零点；qx＝2*8-1/Xmax-Xmin。

8.根据权利要求7所述的基于自定义RISC-V指令的卷积神经网络协处理器数据量化方法，其特征在于：所述量化激活单元采用RELU激活函数，即如果输入大于0，直接返回作为输入提供的值；如果输入是0或更小，则返回值0；因为量化激活单元采用了非对称量化，则最终输出的量化零点应为zeropoint＝round(-minxf*qx)，将zeropoint-128，得到量化后的零点zero_line，如果输入大于zero_line，直接返回作为输入提供的值；如果输入是zero_line或更小，返回值zero_line。