CN108830379B - 一种基于参数量化共享的神经形态处理器 - Google Patents

一种基于参数量化共享的神经形态处理器 Download PDF

Info

Publication number
CN108830379B
CN108830379B CN201810501446.0A CN201810501446A CN108830379B CN 108830379 B CN108830379 B CN 108830379B CN 201810501446 A CN201810501446 A CN 201810501446A CN 108830379 B CN108830379 B CN 108830379B
Authority
CN
China
Prior art keywords
quantization
neuromorphic
parameter
processor
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810501446.0A
Other languages
English (en)
Other versions
CN108830379A (zh
Inventor
胡绍刚
张成明
乔冠超
刘夏恺
雷谕霖
刘洋
于奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810501446.0A priority Critical patent/CN108830379B/zh
Publication of CN108830379A publication Critical patent/CN108830379A/zh
Application granted granted Critical
Publication of CN108830379B publication Critical patent/CN108830379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及神经形态硬件技术领域，尤其涉及一种参数量化共享的神经形态处理器。本发明的处理器在现有的神经形态处理器架构中引入了参数量化共享结构，具体为通过量化参数控制模块，用于在神经形态处理器初始化阶段从神经形态处理器外部(外部存储、外部上位机等)读取所述量化参数并写入量化参数存储模块，而在神经形态处理器运行阶段直接从神经形态处理器外部(外部存储、外部上位机等)读取当前突触类型，并根据所读取的突触类型从量化参数存储模块读取该突触类型对应的量化参数以配置所述神经元计算模块。从而有效地节约处理器的存储空间、大幅度地缩小处理器面积、极大地提高处理器计算效率、降低计算功耗。

Description

一种基于参数量化共享的神经形态处理器
技术领域
本发明涉及神经形态硬件技术领域，尤其涉及一种参数量化共享的神经形态处理器。
背景技术
Neuromorphic一词最早是在1980年代后期由美国科学家、工程师Carver Mead以"neuromorphic processors"的形式首先提出。神经形态硬件(neuromorphic hardware)，是通过忆阻器，阈值开关或者模拟的、数字的、模拟/数字混合的超大规模集成电路实现硬件系统来高效地抽象和模拟生物神经系统，以期待在实现类似生物神经系统信息处理能力的基础上，达到低功耗、高适应性等特性。
现有的神经形态硬件需预先存储与需要计算的神经形态网络中的神经元个数相等个数的参数才可以完成该网络的计算操作。一般地，能实现实际功能的神经形态网络至少为两层网络，同时神经形态网络能实现的功能越复杂其规模也越大，这就意味复杂的神经形态网络对应的神经形态硬件需预先消耗大量的片上存储空间来存储该网络的参数。
随着神经形态网络的规模的不断扩展，权值、阈值、突出延迟、不应期等参数数据量越来愈大，而与之对应神经形态硬件的片上存储资源有限的限制下，如何有效地表示和存储神经形态网络的参数将成为实现硬件化的大规模神经形态网络的“瓶颈”。且对于该问题当前还没有行之有效的解决方案。
发明内容
针对现在神经形态处理器需要大量存储空间存储网络参数的问题，本发明提出了一种基于参数量化共享的神经形态处理器，该架构在现有的神经形态处理器架构中引入了参数量化共享结构，从而有效地节约处理器的存储空间、大幅度地缩小处理器面积、极大地提高处理器计算效率、降低计算功耗。
本发明的技术方案如下：
一种基于参数量化共享的神经形态处理器，包括：
至少一个量化参数存储模块，用于存储与该神经形态处理器对应的神经形态网络的量化参数；
至少一个脉冲数据缓存模块，用于缓存输入的脉冲数据；
至少一个神经元计算模块，用于执行神经形态计算；
至少一个量化参数控制模块，用于在神经形态处理器初始化阶段从神经形态处理器外部(外部存储、外部上位机等)读取所述量化参数并写入所述量化参数存储模块，而在神经形态处理器运行阶段直接从神经形态处理器外部(外部存储、外部上位机等)读取当前突触类型，并根据所读取的突触类型从所述量化参数存储模块读取该突触类型对应的所述量化参数以配置所述神经元计算模块；
至少一个分时复用控制模块，用于检测所述神经元计算模块的运行状态并且采取分时复用的策略以控制所述神经元计算模块；
至少一个脉冲数据路由模块，用于接收所述神经元计算模块一次运算结束时产生的脉冲数据包并路由该脉冲数据包。
所述脉冲数据缓存模块用于缓存输入的脉冲数据，所述脉冲数据为频率编码、时间编码的脉冲序列(如泊松分布脉冲序列)。
所述量化参数存储模块用于存储所述量化参数，所述量化参数为与该神经形态处理器对应的神经形态网络的参数经量化后的量化值，所述参数包括突触连接状态、权值、阈值、泄露常数、置位电压、不应期、突触延迟等参数。
通过片外离线量化的方法对所述参数进行量化，保存每一个所述参数经量化后的每一个量化值，并采用量化格式将所述量化值存储于所述量化参数存储模块。
所述量化格式包括<量化值，序号>。
所述量化格式中的所述量化值为量化后的所述参数，所述序号为该量化值在一类所述量化值中的序号。
所述量化参数控制模块直接从神经形态处理器外部读取当前突触的类型的目的为让处理器不再直接存储所述参数的类型以进一步节约处理器存储空间。
本发明所述的处理器的工作流程为：
步骤1，时钟输入，为所述参数量化共享神经形态处理器提供一个主时钟；
步骤2，启动所述量化参数控制模块初始化所述量化参数存储模块，所述量化参数控制模块从神经形态处理器外部读取所述参数并写入所述量化参数存储模块；
步骤3，输入脉冲数据到所述脉冲数据缓存模块；
步骤4，启动所述神经元计算模块；
步骤5，所述量化参数控制模块直接从神经形态处理器外部读取当前突触的状态与类型；
步骤6，所述量化参数控制模块并根据突触类型配置所述神经元计算模块；
步骤7，所述神经元计算模块完成一次神经形态计算并判断是否发放脉冲；
步骤8，判断所述神经元计算模块是否计算完一个神经元的所有突触，是则跳转到步骤9，否则跳转到步骤5；
步骤9，判断所述神经元计算模块是否计算完所有神经元，是则所述神经元计算模块生成脉冲数据包并发送到所述脉冲数据路由模块，否则跳转到步骤10。
步骤10，启动所述分时复用控制模块切换神经元；
步骤11，所述脉冲数据路由模块转发脉冲数据包并结束所述参数量化共享神经形态处理器的运行。
本发明的有益效果为，通过片外离线量化的方法对所述参数进行量化，大幅减少需要直接存储在处理器上的数据、减小处理器面积、降低处理器功耗。
附图说明
图1是本发明提供的一种数字化的离散时间神经元模型；
图2是本发明提出的参数量化共享神经形态处理器的结构框图；
图3是现有神经形态处理器的参数存储模块的示意图，其中的参数未经量化；
图4是本发明提出的参数量化共享神经形态处理器中的量化参数存储模块的示意图；
图5是本发明提出的参数量化共享神经形态处理器进行神经形态网络运算的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细的描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
在对神经形态处理器研究时，发现神经形态处理器需预先存储与需要计算的神经形态网络中的神经元个数相等个数的参数才可以完成该网络的计算操作。这些数据在载入、存储等过程中会消耗多余的工作时间、占用大量的片上存储空间以及降低计算效率。
经过对现有神经形态网络进行研究发现，可以对神经形态网络中参数进行量化让网络中全部神经元共享几种类型的参数，实现减少神经形态网络的参数、节约神经形态处理器的存储空间和提高神经形态处理器的计算效率的目的。
本发明提出了一种基于参数量化共享的神经形态处理器，包括：
至少一个量化参数存储模块，用于存储与该神经形态处理器对应的神经形态网络的量化参数；
至少一个脉冲数据缓存模块，用于缓存输入的脉冲数据；
至少一个神经元计算模块，用于执行神经形态计算；
至少一个量化参数控制模块，用于在神经形态处理器初始化阶段从神经形态处理器外部(外部存储、外部上位机等)读取所述量化参数并写入所述量化参数存储模块，而在神经形态处理器运行阶段直接从神经形态处理器外部(外部存储、外部上位机等)读取当前突触类型，并根据所读取的突触类型从所述量化参数存储模块读取该突触类型对应的所述量化参数以配置所述神经元计算模块；
至少一个分时复用控制模块，用于检测所述神经元计算模块的运行状态并且采取分时复用的策略以控制所述神经元计算模块；
至少一个脉冲数据路由模块，用于接收所述神经元计算模块一次运算结束时产生的脉冲数据包并路由该脉冲数据包。
根据本发明的神经形态处理器，所述参数为已经训练好的并经过量化后的量化值。
本发明采用离线量化的方式在片外将神经形态网络的参数量化为量化格式，并通过并行输入接口传输至片上的量化参数存储模块。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例对本发明进一步地详细说明，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明旨在提出了一种基于参数量化共享的神经形态处理器，其在神经形态处理器中引入了参数量化共享结构，从而减少片上存储开销，降低处理器面积消耗，使得神经形态处理器性能更高效。
本发明提供的神经形态处理器是基于存储-控制-计算-路由结构。
存储结构用于存储量化参数；
控制结构用于控制外部数据载入存储器结构的过程、读取存储器中的数据并把数据送至计算结构的过程以及神经形态网络计算的过程。
计算结构包括算术逻辑单元和比较逻辑单元，用于执行该处理器中神经形态计算。
本发明还提出了一种包含基于参数量化共享的神经形态处理器的芯片。
图1为图2中神经元计算模块8采用的一种数字化的离散时间神经元模型。脉冲数据1为原始特征图经频率编码后的数据，每一个轴突2与神经元4形成一个突触3，神经元依次计算每一个突触3，当计算完所有突触3，神经元判断其膜电位是否高于阈值，是则发放一个脉冲。
结合图1，对图2进行介绍，图2为本发明提出的一种参数量化神经形态处理器，该处理器包括并行脉冲数据接口5、并行突触类型接口6、脉冲数据缓存模块7、神经元计算模块8、量化参数控制模块9、量化参数存储模块10、分时复用控制模块11、脉冲数据路由模块12、并行路由数据接口13。
并行脉冲数据接口5用于传输需要计算的脉冲数据1至脉冲数据缓存模块；并行突触类型接口6用于在神经形态处理器初始化阶段传输量化参数而在神经形态处理器运算阶段传输当前突触的状态与类型参数，同时并行突触类型接口6的数据位宽将决定量化参数的类型数，并行突触类型接口6的数据位宽可以根据运算需求进行调整；脉冲数据缓存模块7用于缓存输入的脉冲数据；神经元计算模块8用于执行神经形态计算；量化参数控制模块9分别与量化参数存储模块10、神经元计算模块8相连接，用于直接从神经形态处理器外部读取当前突触的类型并从量化参数存储模块10读取该类型对应的参数以配置神经元计算模块8；量化参数存储模块10用于存储与该神经形态处理器对应的神经形态网络的参数；分时复用控制模块11，用于检测所述神经元计算模块的运行状态并且采取分时复用的策略以控制所述神经元计算模块；一个脉冲数据路由模块12，用于接收所述神经元计算模块一次运算结束时产生的脉冲数据包并路由该脉冲数据包；并行路由数据接口13用于连接其他神经形态处理器的并行路由数据接口，用以传输脉冲数据包到其他参数量化神经形态处理器。
图3是现有神经形态处理器的参数存储模块的示意图，图3示出了现有神经形态处理器的参数存储模块的内部存储数据的格式，图中3每一个纵列代表一种参数，每种参数的数据位宽为可根据神经形态处理器需要进行调整，每种参数的个数与神经系统网络中的神经元个数相等。
图4示出了量化参数存储模块不再直接存储突触类型而通过并行突触类型接口6直接读取当前突触的类型，这样的目的是进一步减少神经形态处理器的片上存储空间的消耗，图4中每一个纵列代表一种参数，每种参数的数据位宽为可根据神经形态处理器需要进行调整，每种参数的个数则为并行突触类型接口6的数据位宽的2次方。
图5是本发明提出的参数量化共享神经形态处理器进行神经形态运算的流程图，该方法包括：
步骤S1，时钟输入；
步骤S2，启动量化参数控制模块初始化量化参数存储模块；
步骤S3，输入脉冲到脉冲数据缓存模块；
步骤S4，启动神经元计算模块；
步骤S5，量化参数控制模块读取当前突触类型步骤；
步骤S6，量化参数控制模块根据突触类型配置神经元计算模块；
步骤S7，神经元计算模块完成一次神经形态计算并判断是否发放脉冲；
步骤S8，判断是否计算完一个神经元的所有突触；
步骤S9，判断是否计算完所有神经元；
步骤S10，启动分时复用控制模块切换神经元；
步骤S11，脉冲数据路由模块转发脉冲数据包。
综上所述，本发明提出了一种基于参数量化共享模式的神经形态处理器，设计方法，芯片，该处理器在保证神经形态网络的计算精度前提下，其中所有神经元共享量化参数，这种运行方式极大地节省了存储资源，极大地提高了系统的响应速率和运行效率。特别的，在保证系统运行速率和效率的前提下，压缩了所对应的神经形态网络的各类参数所占存储资源。

Claims (6)

1.一种基于参数量化共享的神经形态处理器，其特征在于，包括：
至少一个量化参数存储模块，用于存储与该神经形态处理器对应的神经形态网络的量化参数；
至少一个脉冲数据缓存模块，用于缓存输入的脉冲数据；
至少一个神经元计算模块，用于执行神经形态计算；
至少一个量化参数控制模块，用于在神经形态处理器初始化阶段从神经形态处理器外部读取所述量化参数并写入所述量化参数存储模块，而在神经形态处理器运行阶段直接从神经形态处理器外部读取当前突触类型，并根据所读取的突触类型从所述量化参数存储模块读取该突触类型对应的所述量化参数以配置所述神经元计算模块；
至少一个分时复用控制模块，用于检测所述神经元计算模块的运行状态并且采取分时复用的策略以控制所述神经元计算模块；
至少一个脉冲数据路由模块，用于接收所述神经元计算模块一次运算结束时产生的脉冲数据包并路由该脉冲数据包。
2.如权利要求1所述基于参数量化共享的神经形态处理器，其特征在于，所述脉冲数据为频率编码、时间编码的脉冲序列。
3.如权利要求2所述基于参数量化共享的神经形态处理器，其特征在于，所述量化参数为与该神经形态处理器对应的神经形态网络的参数经量化后的量化值，所述参数包括突触连接状态、权值、阈值、泄露常数、置位电压、不应期、突触延迟。
4.如权利要求3所述基于参数量化共享的神经形态处理器，其特征在于，所述量化参数为通过片外离线量化的方法对参数进行量化，保存每一个所述参数经量化后的每一个量化值，并采用量化格式将所述量化值存储于所述量化参数存储模块。
5.如权利要求4所述基于参数量化共享的神经形态处理器，其特征在于，所述量化格式包括<量化值，序号>。
6.如权利要求5所述基于参数量化共享的神经形态处理器，其特征在于，所述量化格式中的所述量化值为量化后的所述参数，所述序号为该量化值在一类所述量化值中的序号。
CN201810501446.0A 2018-05-23 2018-05-23 一种基于参数量化共享的神经形态处理器 Active CN108830379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810501446.0A CN108830379B (zh) 2018-05-23 2018-05-23 一种基于参数量化共享的神经形态处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810501446.0A CN108830379B (zh) 2018-05-23 2018-05-23 一种基于参数量化共享的神经形态处理器

Publications (2)

Publication Number Publication Date
CN108830379A CN108830379A (zh) 2018-11-16
CN108830379B true CN108830379B (zh) 2021-12-17

Family

ID=64148430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810501446.0A Active CN108830379B (zh) 2018-05-23 2018-05-23 一种基于参数量化共享的神经形态处理器

Country Status (1)

Country Link
CN (1) CN108830379B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378475B (zh) * 2019-07-08 2021-08-06 浙江大学 一种基于多位并行二进制突触阵列的神经形态计算电路
CN111368981B (zh) * 2020-03-06 2021-07-09 上海新氦类脑智能科技有限公司 减小突触连接的存储面积的方法、装置、设备和存储介质
CN113537449B (zh) * 2020-04-22 2024-02-02 北京灵汐科技有限公司 基于脉冲神经网络的数据处理方法、计算核电路和芯片

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104662526A (zh) * 2012-07-27 2015-05-27 高通技术公司 用于高效地更新尖峰神经元网络的装置和方法
CN104809501A (zh) * 2014-01-24 2015-07-29 清华大学 一种基于类脑协处理器的计算机系统
CN105095961A (zh) * 2015-07-16 2015-11-25 清华大学 一种人工神经网络和脉冲神经网络的混合系统
CN105354273A (zh) * 2015-10-29 2016-02-24 浙江高速信息工程技术有限公司 一种快速检索高速公路逃费车辆高相似度图像的方法
CN105556543A (zh) * 2013-09-25 2016-05-04 高通股份有限公司 针对神经模型的群组标签的实现方案的方法和装置
CN105637541A (zh) * 2013-10-11 2016-06-01 高通股份有限公司 用于神经模拟器的共享存储器架构
CN106068519A (zh) * 2014-02-28 2016-11-02 高通股份有限公司 用于共用神经元模型的高效实现的方法和装置
CN106875011A (zh) * 2017-01-12 2017-06-20 南京大学 二值权重卷积神经网络加速器的硬件架构及其计算流程
CN106934457A (zh) * 2017-03-08 2017-07-07 杭州领芯电子有限公司 一种可灵活时分复用的脉冲神经元实现架构

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3035249B1 (en) * 2014-12-19 2019-11-27 Intel Corporation Method and apparatus for distributed and cooperative computation in artificial neural networks
US10510001B2 (en) * 2016-03-18 2019-12-17 Mindtrace Limited Neuromorphic training algorithm for a Restricted Boltzmann Machine

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104662526A (zh) * 2012-07-27 2015-05-27 高通技术公司 用于高效地更新尖峰神经元网络的装置和方法
CN105556543A (zh) * 2013-09-25 2016-05-04 高通股份有限公司 针对神经模型的群组标签的实现方案的方法和装置
CN105637541A (zh) * 2013-10-11 2016-06-01 高通股份有限公司 用于神经模拟器的共享存储器架构
CN104809501A (zh) * 2014-01-24 2015-07-29 清华大学 一种基于类脑协处理器的计算机系统
CN106068519A (zh) * 2014-02-28 2016-11-02 高通股份有限公司 用于共用神经元模型的高效实现的方法和装置
CN105095961A (zh) * 2015-07-16 2015-11-25 清华大学 一种人工神经网络和脉冲神经网络的混合系统
CN105354273A (zh) * 2015-10-29 2016-02-24 浙江高速信息工程技术有限公司 一种快速检索高速公路逃费车辆高相似度图像的方法
CN106875011A (zh) * 2017-01-12 2017-06-20 南京大学 二值权重卷积神经网络加速器的硬件架构及其计算流程
CN106934457A (zh) * 2017-03-08 2017-07-07 杭州领芯电子有限公司 一种可灵活时分复用的脉冲神经元实现架构

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Efficient Modelling of Spiking Neural networks on a Scalable Chip Multiprocessor;Xin Jin等;《2008 International Joint Conference on Neural Networks (IJCNN 2008)》;20081231;第2812-2819页 *
FPGA Design of a Multicore Neuromorphic Processing System;Bin Zhang;《http://rave.ohiolink.edu/etdc/view?acc_num=dayton1461694994》;20161231;第1-27页 *
PRIME: A Novel Processing-in-memory Architecture for Neural Network Computation in ReRAM-based Main Memory;Ping Chi等;《2016 ACM/IEEE 43rd Annual International Symposium on Computer Architecture》;20160603;第27-39页 *
基于FPGA的卷积神经网络应用研究;王羽;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20170215(第02期);I138-3986页 *
基于FPGA的大规模脉冲深度神经网络片上系统设计与研究;余磊;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20170315(第03期);第I140-341页 *
基于神经网络嵌入式系统体系结构的研究;叶莉娅等;《杭州电子科技大学学报》;20050430;第25卷(第2期);第61-64页 *
面向"达尔文"芯片的脉冲神经网平台设计与实现;许晓强;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20180215(第02期);第I140-297页 *

Also Published As

Publication number Publication date
CN108830379A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
US12087386B2 (en) Parallel access to volatile memory by a processing device for machine learning
CN107689948B (zh) 应用于神经网络硬件加速系统的高效数据访存管理装置
US10936941B2 (en) Efficient data access control device for neural network hardware acceleration system
KR20190120698A (ko) Dnn을 사용하여 ssd의 성능을 최적화하기 위한 시스템 및 방법
CN108830379B (zh) 一种基于参数量化共享的神经形态处理器
KR102392816B1 (ko) 저전력 계산 구조를 갖는 시스템
WO2018205708A1 (zh) 应用于二值权重卷积网络的处理系统及方法
CN109800872B (zh) 一种基于分段复用和参数量化共享的神经形态处理器
CN110738316B (zh) 基于神经网络的操作方法、装置及电子设备
CN109389212B (zh) 一种面向低位宽卷积神经网络的可重构激活量化池化系统
CN111860773B (zh) 处理装置和用于信息处理的方法
Geng et al. O3BNN: An out-of-order architecture for high-performance binarized neural network inference with fine-grained pruning
CN110991630A (zh) 一种面向边缘计算的卷积神经网络处理器
CN117223009A (zh) 数据流深度神经网络硬件加速器的性能缩放
US11082327B2 (en) System and method for computational transport network-on-chip (NoC)
CN114005458A (zh) 基于流水线架构的语音降噪方法、系统及存储介质
WO2022047802A1 (en) Processing-in-memory device and data processing method thereof
KR20220059934A (ko) 인공신경망 데이터 지역성에 기초한 인공 신경망 메모리 시스템
CN117112201A (zh) 硬件资源调度方法、装置、计算机设备和存储介质
Zhan et al. Field programmable gate array‐based all‐layer accelerator with quantization neural networks for sustainable cyber‐physical systems
CN111461310A (zh) 处理神经网络模型的神经网络设备、神经网络系统和方法
KR20230169684A (ko) 프로세싱-인-메모리 컴퓨팅 시스템 및 그의 pim 연산 오프로딩 방법
CN113850370A (zh) 数据处理方法及设备、处理芯片
GB2590389A (en) Method and apparatus for control of memory banks
Zhang et al. An AER-based spiking convolution neural network system for image classification with low latency and high energy efficiency

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant