[发明专利]一种RISC-V处理器的设计空间探索方法

权利要求书

1.一种RISC-V处理器的设计空间探索方法，其特征在于，包括：

针对关键路径的权重和参数敏感度进行分析，确定参数敏感值大的网络模型；

在参数敏感值大的网络模型中进行搜索优化，结合麻雀搜索算法优化卷积神经网络，得到训练集；

将得到的训练集作为适应度函数的输入，通过多次迭代，得到的适应度函数的最大值为最优解，即设计空间。

2.根据权利要求1所述的一种RISC-V处理器的设计空间探索方法，其特征在于，具体包括以下步骤：

S1、初始化阶段：

利用自主学习算法，根据参数的敏感性，对CNN网络进行剪枝操作，简化神经网络结构，减小设计搜索算法对网络模型的计算量；对麻雀搜索算法中的设计参数进行初始化以及根据网络规模参数，确定网络拓扑；

S2、采样阶段：

采用随机采样法，在初始化阶段得到的设计空间内随机抽取N个采样值，作为训练阶段中CNN网络模型的输入；

S3、训练阶段：

将采样值放入麻雀搜索算法优化过的CNN网络模型中进行训练，得到训练集；

S4、预测阶段：

将训练集再装载进麻雀搜索算法的适应度函数，得到一组适应度函数值，并进行排序；

S5、迭代过程：

判断是否满足结束条件，若没有满足，则选择适应度函数值最大的点重复步骤S2至步骤S4，直至完成迭代；

S6、输出适应度函数的最大值作为最优解集。

3.根据权利要求2所述的一种RISC-V处理器的设计空间探索方法，其特征在于，利用基于自主学习算法的剪枝方法，对关键路径的权重和参数敏感度进行分析，确定网络模型，具体包括：

(1初始化自主学习算法，根据预定参数得到CNN预训练模型；

(2得到CNN预训练模型后，分析CNN网络每层的敏感度，根据敏感度从大到小的来确定剪枝的顺序；将卷积层分为独立的两组，使用参数group定义，用于控制卷积核通道方向的权重分组；

(3计算每个组内的group个权重值，选出最大的权重值，保留连接，其余都被定义为冗余连接并对其进行组内权重剪枝；

(4判断CNN网络每层是否都剪枝完成，完成则得到优化过的CNN网络，若不满足，则继续执行步骤(2。

4.根据权利要求2所述的一种RISC-V处理器的设计空间探索方法，其特征在于，在参数敏感值大的网络结构进行搜索优化，结合麻雀搜索算法优化卷积神经网络，得到训练集；并将得到的训练集作为适应度函数的输入，通过多次迭代，得到适应度函数的最大值即为最优解，具体包括：

1)获取不同设计参数配置下处理器的性能，比较它们的性能，将获得优的参数配置作为搜索过程中的基准设计点；

2)初始化麻雀搜索算法中的初始化种群PO，迭代次数N，发现者数目SD，安全值ST，预警值R2，设定适应度函数以及卷积神经网络拓扑；

3)将基准设计点带入适应度函数计算，更新发现者的位置，跟随者位置，并更新最优值；

4)判断是否满足条件，若满足，则将最优值进行CNN网络模型训练，同时计算预测值与真实值的误差；若不满足，则继续执行步骤3)；当达到最大迭代次数时，结束循环；

5)输出最优解集。

5.根据权利要求4所述的一种RISC-V处理器的设计空间探索方法，其特征在于，步骤3)中，

更新发现者位置的公式如下：

其中，Q为服从正态分布的随机数，L为单位行向量，a为[0，1]的随机数；

更新跟随者位置的公式如下：

其中，x_worst为适应度最低的位置，B为只随机包含1和-1两个元素的行向量；

适应度函数模型：

S＝max(MSE_trs，tes)

其中，trs是训练集，tes是测试集，MSE为均方误差。