-
公开(公告)号：CN110580519B
公开(公告)日：2022-03-22
申请号：CN201910762642.8
申请日：2019-08-19
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种卷积运算结构及其方法。所述卷积运算结构，包括转换单元结构，所述转换单元结构包括：第一寄存器组、第二寄存器组、乘法器、加法器、中间结果寄存器组，其中，所述第一寄存器组和所述第二寄存器组被控制为，在第一回合计算过程中，对由它们所分别存储的第一矩阵和第二矩阵通过所述乘法器和加法器执行矩阵乘法，并将通过所述矩阵乘法得到的第一结果矩阵存储至所述中间结果寄存器组；并且所述第二寄存器组和所述中间结果寄存器组被控制为，在第二回合计算过程中，对由它们所分别存储的第三矩阵以及所述第一结果矩阵通过所述乘法器和加法器执行矩阵乘法，并将通过所述矩阵乘法得到的第二结果矩阵存储至所述第一寄存器组。
-
公开(公告)号：CN110097172B
公开(公告)日：2021-10-29
申请号：CN201910203310.6
申请日：2019-03-18
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种卷积神经网络数据处理方法以简化卷积操作，所述方法包括：1)根据卷积神经网络模型的权值g以及转换矩阵G，基于GgGT计算针对权值的中间矩阵U；2)对所述针对权值的中间矩阵U进行压缩，以获得用于指示U中有效元素的数值的压缩转换权值矩阵Uz、以及用于指示U中有效元素的坐标的压缩坐标编码S；3)根据所述压缩坐标编码S，计算针对中间矩阵V＝[BTdB]的压缩结果以作为压缩转换特征图Vz，其中d为卷积神经网络的输入特征图，B是转换矩阵；4)对所述压缩转换权值矩阵Uz和所述压缩转换特征图Vz执行点乘操作，得到点乘矩阵Mz；5)根据所述点乘矩阵Mz、转换矩阵A，基于ATMzA计算针对所述输入特征图d的卷积运算结果F。
-
-
公开(公告)号：CN109325591B
公开(公告)日：2020-12-29
申请号：CN201811122017.9
申请日：2018-09-26
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种面向Winograd卷积的神经网络处理器。该处理器包括：神经元转换模块，用于执行神经元矩阵的转换操作V＝[BTdB]；权值转换模块，用于执行权值矩阵的转换操作U＝[GgGT]；点乘模块，用于执行矩阵U和V的点乘操作，获得点乘结果矩阵M＝U⊙V；后矩阵转换模块，用于执行针对点乘结果矩阵的转换操作F＝ATMA；其中，d表示神经元矩阵，g表示权值矩阵，G、B、A分别表示与权值矩阵g、神经元矩阵d和点乘结果矩阵M对应的转换矩阵。本发明的神经网络处理器能够提供计算效率并降低运行功耗。
-
公开(公告)号：CN112115009A
公开(公告)日：2020-12-22
申请号：CN202010809877.0
申请日：2020-08-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种用于神经网络处理器的故障检测方法，所述检测方法包括:S1、根据待检测处理器的应用场景，获取该场景中对故障敏感的测试样本组成的测试集；S2、将所述测试集输入待检测处理器中进行神经网络推理；S3、计算待检测处理器对测试集进行神经网络推断后的分类置信度与无故障神经网络处理器对测试集进行神经网络推断后的分类置信度的置信度偏差，根据所述置信度偏差判断待检测处理器是否发生故障。其中，置信度偏差大于预设的偏差阈值的待检测处理器被判定为发生了故障。基于本发明，深度学习处理器只需要完成神经网络推断计算就可以高效地检测故障的发生，显著降低了故障检测的开销，提高了检测精度。
-
Patent Agency Ranking
公开(公告)号：CN112070204A
公开(公告)日：2020-12-11
申请号：CN202010722047.4
申请日：2020-07-24
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种基于阻变存储器的神经网络权重映射方法，其中，所述阻变存储器以存储单元的高阻态和低阻态存储二值数据，所述映射方法包括：S1、获得神经网络以二值形式表示的二进制权重阵列；S2、获得二进制权重值阵列的每一列的第一值和第二值的数量；S3、将二进制权重值阵列的每一列权重值映射存储到所述阻变存储器的每一列存储单元中，其中，对于第一值的数量大于第二值的数量的列，第一值映射为高阻态，第二值映射为低阻态；否则第二值映射为高阻态，第一值映射为低阻态。本发明在硬件上只是改变了原有的权重存储映射方式，有效的降低存储阵列中低电阻状态数量，大幅降低电流及其在阻变存储器计算阵列和模拟‑数字转换装置的功耗。
-
-
公开(公告)号：CN107578098B
公开(公告)日：2020-10-30
申请号：CN201710777741.4
申请日：2017-09-01
Applicant: 中国科学院计算技术研究所
IPC: G06N3/063
Abstract: 本发明提供一种神经网络处理器，包括控制单元、计算单元、数据存储单元和权重存储单元，所述计算单元在控制单元的控制下分别从数据存储单元和权重存储单元获取数据和权重进行神经网络相关的运算，其中所述计算单元包括阵列控制器和以脉动阵列方式连接的多个处理单元，数据和权重从不同方向至该由处理单元构成的脉动阵列中，各处理单元同时并行地对流经它的数据进行处理。该神经网络处理器可以达到很高的处理速度；同时多次重用了输入数据，由此可在消耗较小的访存带宽的情况下实现较高的运算吞吐率。
-
公开(公告)号：CN107862374B
公开(公告)日：2020-07-31
申请号：CN201711033073.0
申请日：2017-10-30
Applicant: 中国科学院计算技术研究所
IPC: G06N3/04
Abstract: 本发明提供了一种神经网络处理系统。该处理系统包括：乘法器模块，所述乘法器模块包含构成流水线的多级结构，并用于执行神经网络中待计算的神经元和权值的乘法运算，其中，所述乘法器模块的每一级结构完成所述神经元和权值的乘法运算的子运算；累加器模块，所述累加器模块包含构成流水线的多级结构，并用于对所述乘法器模块的乘法运算结果进行累加运算，以获得神经网络中卷积层的输出神经元，其中，所述累加器模块的每一级结构完成累加运算的子运算；池化单元，用于对所述卷积层的输出神经元进行池化处理；控制单元，用于控制神经网络处理系统中数据的传递。利用本发明的神经网络处理系统能够提高资源利用率和数据处理的速度。
-
公开(公告)号：CN107256424B
公开(公告)日：2020-03-31
申请号：CN201710315337.5
申请日：2017-05-08
Applicant: 中国科学院计算技术研究所
IPC: G06N3/08
Abstract: 本发明提供一种三值权重卷积神经网络的处理系统。该系统包括：至少一个存储单元，用于存储数据和指令；至少一个控制单元，用于获得保存在所述存储单元的指令并发出控制信号；至少一个计算单元，用于从所述存储单元获得卷积神经网络中的一层的节点值和对应的三值权重值数据并通过执行加减操作获得下一层的节点值。本发明的处理系统减少了卷积神经网络计算过程中的数据位宽、提高了卷积运算速度、降低了存储容量及工作能耗。
-
-
-
-
-
-
-
-
-
Search Results
190
records
(took 0.088 seconds)
