[发明专利]用于实现卷积神经网络的方法和硬件、制造方法和系统

权利要求书

1.一种卷积神经网络(CNN)的硬件实现的方法，所述方法包括：

接收包括针对CNN层的权重数据的至少一部分和输入数据的至少一部分的数据的第一子集，并且使用至少一个卷积引擎执行数据的所述第一子集的卷积以生成第一部分结果；

接收包括针对所述CNN层的权重数据的至少一部分和输入数据的至少一部分的数据的第二子集，并且使用所述至少一个卷积引擎执行数据的所述第二子集的卷积以生成第二部分结果；以及

将所述第一部分结果和所述第二部分结果组合，以生成针对所述CNN的层的卷积数据的至少一部分。

2.根据权利要求1所述的方法，其中：

所述数据的第一子集包括所述输入数据的第一部分和权重数据；以及

所述数据的第二子集包括所述输入数据的第二部分和权重数据。

3.根据权利要求2所述的方法，其中所述输入数据的所述第二部分包括所述输入数据的所述第一部分的子集，并且其中所述输入数据的所述第一部分的所述子集的所述大小基于卷积核的大小。

4.根据权利要求2或权利要求3所述的方法，其中所述数据的第一子集和所述数据的第二子集各自包括针对特定层的所有所述权重数据。

5.根据权利要求1至3中的任一项所述的方法，其中：

所述数据的第一子集包括所述权重数据的第一部分和输入数据；以及

所述数据的第二子集包括所述权重数据的第二部分和输入数据。

6.根据权利要求5所述的方法，其中所述数据的第一子集和所述数据的第二子集各自包括针对特定层的所有所述输入数据。

7.根据权利要求5或6所述的方法，其中所述权重数据的所述第一部分包括针对所述层的、不同于所述权重数据的所述第二部分的所述权重数据的不同部分。

8.根据权利要求1至7中的任一项所述的方法，其中所述第一部分结果和所述第二部分结果的所述组合包括：将所述第一部分结果和所述第二部分结果写到存储器。

9.根据权利要求1至8中的任一项所述的方法，其中：

所述数据的第一子集包括权重的第一部分和输入数据；以及

所述数据的第二子集包括权重的第二部分和输入数据。

10.根据权利要求9所述的方法，其中将所述第一部分结果和所述第二部分结果组合，以生成针对所述CNN的层的卷积数据的至少一部分包括：

使用至少一个卷积引擎，执行权重的所述第一部分与所述输入数据的卷积以生成所述第一部分结果；

使用至少一个卷积引擎，执行权重的所述第二部分与所述输入数据的卷积以生成所述第二部分结果；

将所述第一部分结果放置在累加器缓冲器中；

在累加器中将所述第一部分结果与所述第二部分结果组合。

11.根据权利要求9或权利要求10所述的方法，其中权重的所述第一部分和权重的所述第二部分是所述相同权重的非重叠部分。

12.根据权利要求5至11中的任一项所述的方法，其中所述数据的第一子集的所述输入数据和所述数据的第二子集的所述输入数据包括：针对所述层的所有所述输入数据。

13.根据任何前述权利要求所述的方法，还包括：接收定义所述数据的第一子集和所述数据的第二子集用于在所述层中处理的命令数据。

14.一种卷积神经网络(CNN)的硬件实现，所述硬件实现包括：

接口，被配置为接收包括针对CNN层的权重数据的至少一部分和输入数据的至少一部分的数据的第一子集，并且被配置为接收包括针对所述CNN层的权重数据的至少一部分和输入数据的至少一部分的数据的第二子集；

至少一个卷积引擎，被配置为执行所述数据的第一子集的卷积以生成第一部分结果，并且被配置为执行所述数据的第二子集的卷积以生成第二部分结果；以及

其中所述硬件实现被配置为将所述第一部分结果和所述第二部分结果组合，以生成针对所述CNN的层的卷积数据的至少一部分。

15.根据权利要求14所述的硬件实现，其中：

所述数据的第一子集包括所述输入数据的第一部分和权重数据；以及

所述数据的第二子集包括所述输入数据的第二部分和权重数据。