CN113168429A - 卷积计算装置、方法和计算机存储介质 - Google Patents

卷积计算装置、方法和计算机存储介质 Download PDF

Info

Publication number
CN113168429A
CN113168429A CN202080006263.7A CN202080006263A CN113168429A CN 113168429 A CN113168429 A CN 113168429A CN 202080006263 A CN202080006263 A CN 202080006263A CN 113168429 A CN113168429 A CN 113168429A
Authority
CN
China
Prior art keywords
data
convolution kernel
feature map
map data
convolution
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.)
Pending
Application number
CN202080006263.7A
Other languages
English (en)
Inventor
刘子男
仇晓颖
韩彬
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.)
SZ DJI Technology Co Ltd
Original Assignee
SZ DJI Technology Co Ltd
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 SZ DJI Technology Co Ltd filed Critical SZ DJI Technology Co Ltd
Publication of CN113168429A publication Critical patent/CN113168429A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/15Correlation function computation including computation of convolution operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/544Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices for evaluating functions by calculation
    • G06F7/5443Sum of products
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Complex Calculations (AREA)

Abstract

一种卷积计算装置(100)、方法和计算机存储介质,所述卷积计算装置(100)包括:扩展模块(110),用于获取特征图数据和卷积核数据,并根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,以使每个所述特征图数据和所述卷积核数据的位数扩展为N的M倍,其中N为所述特征图数据和所述卷积核数据进行卷积乘法运算的最小位数,M为正整数;脉动运算模块(120),用于对扩展后的卷积核数据和扩展后的特征图数据进行脉动运算,并输出运算结果;时序对齐模块(130),用于对所述脉动运算模块输出的所述运算结果进行时序对齐,并输出对齐后的运算结果。该卷积计算方法精度可动态配置,并且载入一次数据可进行多次计算。

Description

卷积计算装置、方法和计算机存储介质
技术领域
本发明涉及卷积计算技术领域,具体而言涉及一种卷积计算装置、方法和计算机存储介质。
背景技术
卷积神经网络是一种由一个或多个卷积层、池化层、激活层和全连接层组成的前馈神经网络,与其他深度学习结构相比,卷积神经网络在图像和语音识别方面能够给出更好的结果。相比其他深度、前馈神经网络,卷积神经网络具有权重共享、数据共享、稀疏化的特点,需要的参数量和计算量更少,是一种颇具吸引力的深度学习结构。卷积神经网络中每一层的输出特征图是一组权重和其对应输入特征图的乘积之和,上一个层的输出又是下一个隐藏层或输出层的输入。
卷积计算是权重矩阵在特征图矩阵上以固定步长滑动,每次取特征图上与权重矩阵相同大小的区域与权重矩阵相乘,不同通道的相乘结果进行相加后得到输出特征图上一个点的过程。权重共享和特征图共享是卷积神经网络的两个重要特性。然而,目前的卷积神经网络在进行卷积计算时,加载权重和特征图占用了大量带宽,并且没有利用特征图共享和权重共享的特点,每次加载的权重和特征图只能用于一次计算,下次计算时需要重新加载,但不同计算时所需要的权重和特征图有一部分是重复的,造成了多余的载入开销。
随着网络规模越来越大,神经网络消耗的内存大小成为不可忽视的问题,尤其在移动设备上,常用的神经网络大小(单精度格式)一般在几十MB至几百MB之间。神经网络的大小不仅带来了内存容量的问题,更带来了内存带宽和电池消耗的问题,限制了神经网络在移动设备上的部署。
此外,目前的量化方案通常是以单精度格式进行网络的训练,训练完成后将网络转换为16比特、8比特、4比特的低精度定点格式,再部署到移动设备上进行推断。这要求移动端能够支持多精度下的神经网络推断,通常,采用将低精度扩展为高精度的方式,即将4比特、8比特统一扩展到16比特,从而实现对多种精度的兼容。然而,这种方式在低精度下无法充分利用算力和IO(输入输出)带宽,精度每下降1倍,就浪费了75%的运算能力,以及浪费了50%的IO带宽。
发明内容
在发明内容部分中引入了一系列简化形式的概念,这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
针对现有技术的不足,本发明实施例第一方面提供了一种卷积计算装置,所述卷积计算装置包括:
扩展模块,用于获取特征图数据和卷积核数据,并根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,以使每个所述特征图数据和所述卷积核数据的位数扩展为N的M倍,其中N为所述特征图数据和所述卷积核数据进行卷积乘法运算的最小位数,M为正整数;
脉动运算模块,用于对扩展后的卷积核数据和扩展后的特征图数据进行脉动运算,并输出运算结果;
时序对齐模块,用于对所述脉动运算模块输出的所述运算结果进行时序对齐,并输出对齐后的运算结果。
本发明实施例第二方面提供了一种卷积计算方法,所述卷积计算方法包括:
获取特征图数据和卷积核数据,并根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,以使每个所述特征图数据和所述卷积核数据的位数扩展为N的M倍,其N为所述特征图数据和所述卷积核数据进行卷积乘法运算的最小位数,M为正整数;
对扩展后的卷积核数据和扩展后的特征图数据进行脉动运算,以得到运算结果;
对所述运算结果进行时序对齐,并输出对齐后的运算结果。
本发明实施例第三方面提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例的卷积计算方法的步骤。
本发明实施例的卷积计算方法、卷积计算装置和计算机存储介质精度可动态配置,并且载入一次数据可进行多次计算。
附图说明
本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述,用来解释本发明的原理。
附图中:
图1示出了根据本发明一实施例的卷积计算装置的结构框图;
图2示出了根据本发明一实施例的特征图和卷积核;
图3示出了根据本发明一实施例的展开后的特征图和卷积核;
图4示出了根据本发明一实施例的卷积计算装置的结构图;
图5示出了根据本发明一实施例的脉动单元的结构图;
图6示出了根据本发明一实施例的脉动阵列在4比特精度下的脉动运算过程;
图7示出了根据本发明一实施例的在8比特精度下扩展后的特征图数据和扩展后的卷积核数据在相邻脉动单元之间的分配;
图8示出了根据本发明一实施例的脉动阵列在8比特精度下的脉动运算过程;
图9示出了根据本发明一实施例的脉动阵列在16比特精度下的脉动运算过程;
图10示出了根据本发明一实施例的加和子模块的结构图;
图11示出了根据本发明一实施例的时序对齐模块的结构图;
图12示出了根据本发明一实施例的卷积计算方法的流程图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
应当理解的是,本发明能够以不同形式实施,而不应当解释为局限于这里提出的实施例。相反地,提供这些实施例将使公开彻底和完全,并且将本发明的范围完全地传递给本领域技术人员。
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时,单数形式的“一”、“一个”和“所述/该”也意图包括复数形式,除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”,当在该说明书中使用时,确定所述特征、整数、步骤、操作、元件和/或部件的存在,但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时,术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本发明,将在下列的描述中提出详细的步骤以及详细的结构,以便阐释本发明提出的技术方案。本发明的较佳实施例详细描述如下,然而除了这些详细描述外,本发明还可以具有其他实施方式。
下面结合附图,对本发明实施例的卷积计算装置、卷积计算方法及计算机存储介质进行详细说明。在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
图1示出了根据本发明的一个实施例的卷积计算装置100的结构框图。如图1所示,卷积计算装置100包括扩展模块110、脉动运算模块120和时序对齐模块130,扩展模块110与脉动运算模块120通信连接,脉动运算模块与时序对齐模块通信连接,其中:
扩展模块110用于获取特征图数据和卷积核数据,并根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,以使每个所述特征图数据和所述卷积核数据的位数扩展为N的M倍,其中N为所述特征图数据和所述卷积核数据进行卷积乘法运算的最小位数,M为正整数;
脉动运算模块120用于对扩展后的卷积核数据和扩展后的特征图数据进行脉动运算,并输出运算结果;
时序对齐模块130用于对所述脉动运算模块120输出的所述运算结果进行时序对齐,并输出对齐后的运算结果。
本发明实施例提出了卷积计算装置100采用脉动阵列结构,利用了卷积神经网络中权重共享和特征图共享的特点,载入一次数据可以进行多次计算,并且精度可动态配置。示例性地,该卷积计算装置100中特征图数据和卷积核数据进行卷积乘法运算的最小位数为5比特,该卷积计算装置100可以配置成4比特、8比特或16比特精度,运算时分别扩展为5比特、10比特和20比特进行运算。本文中将4比特、8比特和16比特精度的格式分别称为HH、CC和SS格式,算力分别为16K MAC@HH,4K MAC@CC,1K MAC@SS,充分利用了硬件提供的算力。
在一个实施例中,在获取特征图和卷积核之后,为了方便硬件计算,首先将特征图和卷积核展开,从而将卷积运算转化成矩阵乘法。卷积运算是将卷积核以滑动窗口的方式在特征图上滑动,将当前窗口内对应元素相乘然后求和得到结果。向量内积的计算方式同样是相乘之后求和,因而可以将每个窗口内的元素展开为向量,通过向量内积进行运算。将卷积运算转化为矩阵乘法后,运算时需要的数据可以存放在连续的内存上,从而提升了访问速度。
例如,参照图2和图3,图2示出了用于卷积计算的特征图和卷积核。在图2的示例中,特征图的大小为3×3,有2个通道,卷积核有2个,即卷积核0和卷积核1,每个卷积核的大小均为2×2,有2个通道。卷积运算为将2×2的卷积核在特征图矩阵上滑动,每次与特征图矩阵中的一个2×2的区域相乘,两个通道的相乘结果相加得到输出特征图上的一个点。例如,首先将通道0的卷积核0的
Figure BDA0003069212490000051
与特征图矩阵左上角的
Figure BDA0003069212490000052
相乘,将通道1的卷积核
Figure BDA0003069212490000053
与特征图矩阵左上角的
Figure BDA0003069212490000054
相乘,将二者相加可以得到输出特征图通道0第一行的第一个点;将通道0的卷积核1
Figure BDA0003069212490000061
与特征图矩阵左上角的
Figure BDA0003069212490000062
相乘,将通道1的卷积核1
Figure BDA0003069212490000063
与特征图矩阵左上角的
Figure BDA0003069212490000064
相乘,将二者相加可以得到输出特征图通道1第一行第一个点,以此类推,最终得到一个2通道的输出特征图,每个通道大小为2×2。
图3使用矩阵化(img2col)的方式将图2所示的特征图和卷积核展开后得到特征图数据和卷积核数据。其中,将卷积核按照行、列、通道的顺序展开为2×8的矩阵,将特征图同样展开为8×4的矩阵,卷积核矩阵和每一行和特征图矩阵的每一列相乘就得到输出的一个点,从而将原本的矩阵卷积变为向量点乘。具体地,如图3所示,将C0和C1分别加载到点乘核0和点乘核1中,将D3、D2、D1、D0依次加载到点乘核0中与C0分别相乘。其中,C0为将卷积核0按照行、列、通道的顺序展开所得,D3为将特征图矩阵中左上角2×2的区域按照行、列、通道的顺序展开所得,将C0与D3相乘与上文中的卷积运算相同,均能得到输出特征图中第一行的第一个点;基于类似的原理,C0分别于D3、D2、D1、D0相乘可以得到输出特征图通道0的4个点。之后,D3、D2、D1、D0由点乘核0传递至点乘核1,与C1分别相乘,从而得到输出特征图通道1的四个点。由此,卷积核数据只需要加载2次,特征图数据只需要加载4次,卷积核数据和特征图数据分别相乘即可以得到2×4的输出特征图。
可选地,本发明实施例的卷积计算装置100可以包括展开单元,用于执行如上所述的展开过程;或者,所述卷积计算装置100也可以直接获取展开后的特征图数据和卷积核数据。特征图数据和卷积核数据可以存储在存储单元中,由控制单元确定需要载入卷积计算装置100的特征图数据和卷积核数据,并将该特征图数据和卷积核数据从存储单元载入到卷积计算装置100中。本发明实施例提供的卷积计算装置100可以包括所述存储单元和所述控制单元,或者,卷积计算装置100可以不包括存储单元,但包括与存储单元进行通信的通信接口,卷积计算装置100还可以包括缓存单元,该缓存单元用于对从通信接口接收的数据进行缓存。
本发明实施例所提供的卷积计算装置100的具体结构参照图4。如图4所示,卷积计算装置100包括依次连接的扩展模块110、脉动运算模块120和时序对齐模块130,在一些实施例中,脉动运算模块120包括依次连接的脉动阵列121和加和子模块122。特征图数据和卷积核数据输入到卷积计算装置100后,首先由扩展模块110对其进行扩展,以将每个特征图数据和卷积核数据的位数扩展为N的M倍,其中N为特征图数据和卷积核数据进行卷积乘法运算的最小位数。
在一个实施例中,扩展模块110扩展的方式为:若特征图数据和卷积核数据的精度低于N位,则对每个特征图数据和每个卷积核数据进行填充,以将每个特征图数据和每个卷积核数据扩展为N位。若特征图数据和卷积核数据的精度高于N位,则将每个特征图数据和每个卷积核数据划分为M个N位数据。上述所说的N位数据均采用补充码格式。其中,在所述补充码格式中的一个或多个比特称为所述补充码格式的补充码。
例如,若N等于5,则若特征图数据和卷积核数据为4比特精度,则将其扩展为5比特;若特征图数据和卷积核数据为8比特精度,则将其扩展为10比特;若特征图数据和卷积核数据为16比特精度,则将其扩展为20比特。
采用上述方式进行扩展的主要目的在于便于计算。例如,对于一个16比特的补充码格式B,有
Figure BDA0003069212490000071
Figure BDA0003069212490000072
Figure BDA0003069212490000073
因而可以将B拆分和扩展为一个4比特的补充码和3个5比特的补充码,为了便于计算,统一扩展到5比特,扩展后的位数变为20比特。同理,对于8比特补充码格式B,可以将B拆分成2个5比特的补充码,则扩展后的位数变为10比特。
进一步地,对补充码格式中的比特进行填充的方式为:若特征图数据和卷积核数据的精度低于N位,则对所述特征图数据和所述卷积核数据进行符号位填充;若特征图数据和卷积核数据的精度高于N位,则对所述特征图数据和所述卷积核数据的最高位比特的补充码进行符号位填充,其余M-1个比特的补充码用0进行填充。
例如,对于HH(4比特)、CC(8比特)和SS(16比特)精度的格式,填充方式分别如下:
1)HH格式下,对每个特征图数据(data)和每个卷积核数据(coeff)进行符号位填充,即data[3:0]变为{data[3],data[3:0]},coeff[3:0]变为{coeff[3],coeff[3:0]};
2)CC格式下,对每个特征图数据(data)和每个卷积核数据(coeff)的低4位进行0填充,高4位进行符号位填充,即data[7:0]变为{data[7],data[7:4],0,data[3:0]},coeff[7:0]变为{coeff[7],coeff[7:4],0,coeff[3:0]};
3)SS格式下,对每个特征图数据(data)和每个卷积核数据(coeff)的最高一组4比特进行符号位填充,其余三组进行0填充,即data[15:0]变为{data[15],data[15:12],0,data[11:8],0,data[7:4],0,data[3:0]},coeff[15:0]变为{coeff[15],coeff[15:12],0,coeff[11:8],0,coeff[7:4],0,coeff[3:0]}。
经过扩展模块110的拆分和扩展以后,各精度的特征图数据和卷积核数据统一扩展为卷积运算最小位数N的M倍,后续可以根据M的数值调用相应数目的脉动单元进行计算,无需将所有精度的数据统一扩展为最高精度,即可以实现多精度数据的兼容,具体参见下文。
继续参照图4,脉动运算模块120主要包括脉动阵列121,脉动阵列121利用卷积神经网络中权重共享和特征图共享的特点完成卷积计算,载入一次数据可以进行多次计算,节约了特征图数据和卷积核数据的载入时间,增加了卷积的计算密度,加快了神经网络推断速度。
脉动阵列121包括多个脉动单元,脉动单元的数目一般设置为4的倍数,例如,脉动单元的数目可以为128个。
在本申请一个实施例中,在脉动阵列121中脉动传播(在脉动阵列121的各个脉动单元之间转发)的元素为扩展后的特征图数据,而不包括扩展后的卷积核数据,卷积核数据按次序载入每个脉动单元与扩展后的特征图数据进行相乘,而不再被脉动传播。在其他实施例中,也可以将扩展后的卷积核数据在脉动阵列121中进行脉动传播,扩展后的特征图数据依次载入每个脉动单元。以下以脉动传播的元素为扩展后的特征图数据为例进行描述。
在一个实施例中,将所述扩展后的特征图数据在每一时刻写入到脉动阵列中最上方的脉动单元,并自最上方的所述脉动单元开始向下脉动传播;将所述扩展后的卷积核数据按时刻依次写入到所述脉动单元。脉动单元对当前时刻接收到的所述扩展后的特征图数据和扩展后的卷积核数据进行点乘操作,并输出点乘结果。
具体地,扩展后的卷积核数据以广播的形式送入到每一个脉动单元并在合适的时刻加载,扩展后的特征图数据总是被写入到最上方的一个或多个脉动单元,并向最下方的脉动单元脉动传播,每一个计算周期对当前脉动单元内的扩展后的特征图数据和扩展后的卷积核数据进行一次点乘。如果脉动运算共有128个计算周期,那么每个脉动单元都会输出128个结果,128个脉动单元共输出128×128个结果。如果需要的脉动单元数目小于128,则只有部分脉动单元会被激活,剩余脉动单元不会参与运算。
在一个实施例中,所述脉动单元包括多级流水线,其中,多级流水线中的第一级流水线包括多个乘法器,多级流水线中的第二级至最后一级流水线分别包括若干加法器,每个所述加法器接收上一级流水线的两个输出数据并进行相加。
其中,当所述特征图数据和所述卷积核数据的精度低于N位时,第一级流水线中的每个乘法器用于对扩展后的卷积核数据和扩展后的特征图数据执行一一对应相乘。例如,在HH格式下,每个乘法器接收一个5比特的特征图数据和一个5比特的卷积核数据以进行相乘。当所述特征图数据和所述卷积核数据的精度高于N位时,每个乘法器用于对所述扩展后的卷积核数据中的一个N位的补充码和所述扩展后的特征图数据中的一个N位的补充码执行一一对应相乘。例如,在CC格式或SS格式下,每个乘法器接收从扩展后的特征图数据中拆分出的一个5比特的补充码和从扩展后的卷积核数据中拆分出的一个5比特的补充码进行相乘。关于不同格式下脉动单元进行的运算的具体细节参见下文。
下面参照图5,继续以N等于5为例对根据本发明一个实施例的脉动单元进行详细描述。
图5所示的脉动单元包括8级流水线。其中,第一级流水线502包括用于存储的扩展后的特征图数据的寄存器和存储扩展后的卷积核数据的寄存器,以及128个5比特有符号乘法器,每个乘法器用于完成一个5比特的特征图数据和一个5比特的卷积核数据的相乘,其中最左侧为MSB(最高有效位),最右侧为LSB(最低有效位),每个乘法器输出一个9比特的结果并送入第二级流水线。
第二级流水线504包括64个加法器,每个加法器用于对第一级流水线输出的两个相乘结果完成一次相加。需要注意的是,在CC格式和SS格式下,由于数据的权重不同,每个加法器左侧的输入需要左移4比特,HH格式的数据无需左移。
第三级流水线506包括32个加法器,在CC格式下,同样由于数据的权重不同,每个加法器左侧的输入需要左移8比特,SS格式和HH格式的数据无需左移。
第四级流水线508至第八级流水线516分别包括16、8、4、2、1个加法器,每一级流水线中的加法器用于对上一级流水线两个加法器输出的结果进行相加。最终第八级流水线输出一个25比特的运算结果。
应理解,图5所示的结构仅为示例而非限定。脉动单元的具体结构还可以采用其他实现方式,只要能够使得脉动单元对扩展后的特征图数据和扩展后的卷积核数据执行点乘操作即可。
如上所述,扩展模块110传递到脉动运算模块120的扩展后的特征图数据和扩展后的卷积核数据被扩展为卷积运算最小位数N的M倍,其中,每个脉动单元用于执行最小位数N的卷积运算,则当所述特征图数据和所述卷积核数据的精度低于N位时,每个单独的脉动单元用于对所述扩展后的特征图数据和所述扩展后的卷积核数据进行点乘操作,所述点乘结果为完整结果;当所述特征图数据和所述卷积核数据的精度高于N位时,每个单独的脉动单元完成扩展后的特征图数据和扩展后的卷积核数据的一部分点乘操作,并输出部分结果,M个相邻的脉动单元所输出的部分结果共同构成一次点乘操作的完整结果。
例如,对于HH(4比特)格式,则由每个脉动单元完成一行扩展后的卷积核数据和一列扩展后的特征图数据的点乘,输出完整的点乘结果;对于CC(8比特)格式,则由两个相邻的脉动单元共同完成一行扩展后的卷积核数据和一列扩展后的特征图数据的点乘;而对于SS(16比特)格式,则由四个相邻的脉动单元共同完成一行扩展后的卷积核数据和一列扩展后的特征图数据的点乘。
下面,参照图6描述根据本发明一个实施例的HH格式下由脉动阵列121实现的脉动运算过程。
如图6所示,在HH格式下,扩展后的特征图数据在每一时刻总是被送到脉动阵列最上方的脉动单元,并从上方的脉动单元向下方的脉动单元脉动传播,扩展后的卷积核数据按照顺序依次写入脉动单元0、脉动单元1、脉动单元2,以此类推。在图6中,D和C分别代表扩展后的特征图数据和扩展后的卷积核数据,D和C之后的数字代表了不同时刻的扩展后的特征图数据和扩展后的卷积核数据。作为示例,每一时刻的扩展后的特征图数据对应于图3所示的展开后的特征图矩阵的一列,每一时刻的卷积核数据对应于图3所示的展开后的卷积核数据的一行。
在T0时刻,D0和C0都被送入脉动单元0,以计算D0·C0。在T1时刻,D1被送往脉动单元0,C1被送往脉动单元1,同时脉动单元0的D0向脉动单元1传播,此时脉动单元0计算D1·C0,脉动单元1计算D0·C1。在T2时刻,D2被送往脉动单元0,C2被送往脉动单元2,同时脉动单元1的D0向脉动单元2传播,脉动单元0的D1向脉动单元1传播,此时脉动单元0计算D2·C0,脉动单元1计算D1·C1,脉动单元2计算D0·C2;以此类推。
如上所述,在HH格式下,每个脉动单元输出的是完整的点乘结果,而当特征图数据和所述卷积核数据的精度高于N位时,每个脉动单元输出的是部分结果,由两个脉动单元组合在一起才能完成扩展后的特征图数据和扩展后的卷积核数据的点乘操作。
具体地,当特征图数据和卷积核数据的精度高于N位时,将每个扩展后的特征图数据同步写入到最上方的M个脉动单元,并以M个脉动单元为单位向下脉动传播;将每个扩展后的卷积核数据进行交织,以获得M个交织后的卷积核数据,并将所述M个交织后的卷积核数据按时刻写入到所述脉动单元,其中在每一时刻将所述M个交织后的卷积核数据分别写入到M个脉动单元。M个脉动单元中的每个脉动单元对当前时刻写入的所述扩展后的特征图数据和所述交织后的卷积核数据进行点乘操作,并输出所述部分结果。
作为示例,对卷积核数据进行的交织包括:将扩展后的卷积核数据分割为M个N位的补充码;将每个N位的补充码复制M次,以得到交织后的卷积核数据。通过上述运算方式,可以使M个脉动单元输出的部分结果构成完整结果。
例如,在CC格式下,如图7所示,8比特的特征图数据和8比特的卷积核数据分别被扩展为10比特的扩展后的特征图数据D和10比特的扩展后的卷积核数据C,扩展后的特征图数据D被拆分为2个5比特的数据D[9:5]和D[4:0],扩展后的卷积核数据C被拆分为2个5比特的数据C[9:5]和C[4:0],则D×C=(24×D[9:5]+D[4:0])×(24×C[9:5]+C[4:0])=24×C[9:5]×(24×D[9:5]+D[4:0])+C[4:0]×(24×D[9:5]+D[4:0]);
其中,C[9:5]×(24×D[9:5]+D[4:0])由上方的脉动单元计算以得到第一部分结果,C[4:0]×(24×D[9:5]+D[4:0])由下方的脉动单元计算以得到第二部分结果,最终可以由加和子模块122对第一部分结果和第二部分结果进行相加,得到完整结果。
如图8所示,CC格式下的扩展后的特征图数据D被分别写入到脉动单元0和脉动单元1,并在相邻的两个脉动单元间向下传播,由上一组脉动单元中的两个脉动单元传播到下一组脉动单元中的两个脉动单元。而扩展后的卷积核数据C经过交织后,会按顺序写入到不同组脉动单元内的两个相邻的脉动单元。
在图8中,D和C之后的数字表示不同时刻的扩展后的特征图数据和扩展后的卷积核数据,下标表示对扩展后的卷积核数据进行交织后的结果,C00/2和C01/2分别表示对T0时刻的卷积核数据进行偶数交织和奇数交织所得的结果。对扩展后的卷积核数据C0进行交织时,将C0[9:5]和C0[4:0]分别复制两次,得到C00/2={C0[4:0],C0[4:0]},C1/2={C0[9:5],C0[9:5]};之后,将C00/2和C00/2分别写入到脉动单元0和脉动单元1中。
由此,在T0时刻,D0被送往脉动单元0和脉动单元1,C00/2被送往脉动单元0,C01/2被送往脉动单元1,此时脉动单元0计算的是D0·C00/2,脉动单元1计算的是D0·C01/2,二者相加构成D0·C0。
在T1时刻,D1被送往脉动单元0和脉动单元1,C10/2被送往脉动单元2,C11/2被送往脉动单元3,同时脉动单元0和脉动单元1的D0向脉动单元2和脉动单元3传播,此时脉动单元0计算的是D1·C00/2,脉动单元1计算的是D1·C01/2,二者相加构成D1·C0;脉动单元2计算的是D0·C10/2,脉动单元3计算的是D0·C11/2,二者相加构成D0·C1。
在T2时刻,D2被送往脉动单元0和脉动单元1,C20/2被送往脉动单元4,C11/2被送往脉动单元5,同时脉动单元0和脉动单元1的D1向脉动单元2和脉动单元3传播,脉动单元2和脉动单元3的D0向脉动单元4和脉动单元5传播,此时脉动单元0计算的是D2·C00/2,脉动单元1计算的是D2·C01/2,二者相加构成D2·C0;脉动单元2计算的是D1·C10/2,脉动单元3计算的是D1·C11/2,二者相加构成D1·C1;脉动单元4计算的是D0·C20/2,脉动单元5计算的是D1·C21/2,二者相加构成D1·C2;以此类推。
至于SS格式下,需要4个脉动单元输出的部分结果才能构成扩展后的特征图数据和扩展后的卷积核数据的完整点乘结果。
参照图9,在T0时刻,扩展后的特征图数据D会写入到脉动单元0、脉动单元1、脉动单元2和脉动单元3,并在相邻的4个脉动单元间向下传播,由脉动单元0、脉动单元1、脉动单元2和脉动单元3分别传播到脉动单元4、脉动单元5、脉动单元6和脉动单元7。扩展后的卷积核数据C经过交织后,会按顺序写入到不同组脉动单元中的四个脉动单元。
其中,对扩展后的卷积核数据C进行交织时,将由卷积核数据C拆分出的C[19:15]、C[14:10]、C[9:5]和C[4:0]分别复制四次,得到:C0/4={C[4:0],C[4:0],C[4:0],C[4:0]};C1/4={C[9:5],C[9:5],C[9:5],C[9:5]};C2/4={C[14:10],C[14:10],C[14:10],C[14:10]};C3/4={C[19:15],C[19:15],C[19:15],C[19:15]},并分别写入到相邻的四个脉动单元。
综上,在HH格式下,每个脉动单元输出的是扩展后的特征图数据与扩展后的卷积核数据进行点乘的完整结果,但在CC、SS格式下,每个脉动单元输出的仅仅是扩展后的特征图数据与扩展后的卷积核数据进行点乘的部分结果,还需要由加和子模块122对部分结果进行一次压缩和饱和处理,将部分结果组合构成完整结果。
在一个实施例中,加和子模块122包括多个加和单元,加和单元的数目为脉动单元数目的四分之一。当脉动阵列121包括128个脉动单元时,加和单元的数目为32个,每个加和单元接受4个脉动单元输出的部分结果,并根据当前的数据格式进行部分结果的压缩、饱和处理,最终统一得到16比特的完整结果。
单个加和单元的示例性结构如图10所示。加和单元接收脉动单元4n至脉动单元4n+3输出的CC和SS格式下的部分结果和HH格式下的完整结果,并对不同格式下的数据进行不同处理。在SS格式下,由于四个脉动单元输出的部分结果共同构成完整结果,因而首先利用两个加法器分别对脉动单元4n和脉动单元4n+1、脉动单元4n+2和脉动单元4n+3输出的部分结果进行相加。脉动单元4n+1中的数据被左移4位之后,与脉动单元4n中的数据相加,得到计算结果ss1,脉动单元4n+3的数据被左移4位之后,与脉动单元4n+2相加,得到计算结果ss2。其中,计算结果ss1为低8位计算结果,计算结果ss2为高8位计算结果。计算结果ss1和计算结果ss2在不同的时刻经过选择器,并经过流水线处理之后,对计算结果ss2左移8位之后与计算结果ss1相加。接下来,经过饱和处理以得到最后的完整结果(即,最终计算结果)。SS格式下的完整结果为16比特。在CC格式下,由于两个脉动单元各自输出的部分结果共同构成完整结果,因而可以利用两个加法器分别对脉动单元4n和脉动单元4n+1、脉动单元4n+2和脉动单元4n+3输出的部分结果进行相加并经过饱和处理而得到两个完整的结果。例如,脉动单元4n+1中的数据被左移4位之后,与脉动单元4n中的数据相加,得到计算结果cc1。接下来,经过饱和处理以得到最后的完整结果。该完整结果为CC格式下的完整结果。该完整结果为8比特。脉动单元4n+3中的数据被左移4位之后,与脉动单元4n+2中的数据相加,得到计算结果cc2。接下来,经过饱和处理以得到最后的完整结果。该完整结果同样为CC格式下的完整结果。该完整结果为8比特。在HH格式下脉动单元输出并经过饱和处理后的结果是完整结果,该完整结果为4比特。最终,加和单元在SS格式下将输出一个16比特的完整结果、在CC格式下将输出两个8比特的完整结果,或在HH格式下将输出四个4比特的完整结果。
加和单元输出的完整结果在时序上是不对齐的,上方的加和单元总是比下方的加和单元提前输出,因而需要使用时序对齐模块130对加和单元输出的结果进行三角化对齐时序。如图11所示,在HH、CC和SS下扩展后的特征图数据进入脉动阵列121的时间不同,其三角化方式也不相同。
具体地,对于HH格式,由于扩展后的特征图数据在脉动阵列121中以一个脉动单元为单位脉动传播,每个加和单元输出四个完整结果,因而时序对齐模块130将每个加和单元输出的四个HH格式下的完整结果依次延迟一个计算周期。对于CC格式,由于扩展后的特征图数据在脉动阵列121中以两个脉动单元为单位脉动传播,每个加和单元输出两个完整结果,因而时序对齐模块130将每个加和单元输出的下两个CC格式下的输出数据较上两个CC格式下的输出数据延迟一个计算周期。而对于SS格式,由于扩展后的特征图数据在脉动阵列121中以四个脉动单元为单位脉动传播,每个加和单元输出一个完整结果,因而时序对齐模块130将下一个加和单元输出的SS格式下的完整结果较上一个加和单元输出的SS格式下的完整结果延迟一个计算周期。
基于以上描述,根据本发明实施例的卷积计算装置100采用脉动阵列进行卷积计算,节约了特征图数据和卷积核数据的载入时间,增加了卷积的计算密度,加快了神经网络推断速度。并且,卷积计算装置100可适用于多种精度,具有较高的灵活性和兼容性。
图12示出了根据本发明的一个实施例的卷积计算方法1200的流程图。卷积计算方法1200可以由上述的卷积计算装置100实现。以下仅对卷积计算方法1200的主要步骤进行描述,进一步的细节可以参照上文。
如图12所示,卷积计算方法1200包括如下步骤:
步骤S1210,获取特征图数据和卷积核数据,并根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,以使每个所述特征图数据和所述卷积核数据的位数扩展为N的M倍,其中,N为所述特征图数据和所述卷积核数据进行卷积乘法运算的最小位数,M为正整数;
步骤S1220,对扩展后的卷积核数据和扩展后的特征图数据进行脉动运算,以得到运算结果;
步骤S1230,对所述运算结果进行时序对齐,并输出对齐后的运算结果。
本发明实施例所提供的卷积计算方法1200采用脉动运算方式,利用了卷积神经网络中权重共享和特征图共享的特点,载入一次数据可以进行多次计算,并且精度可动态配置。示例性地,该卷积计算方法1200中特征图数据和卷积核数据进行卷积乘法运算的最小位数为5比特,该方法可适用于4比特、8比特或16比特精度,运算时分别扩展为5比特、10比特和20比特进行运算。
在一个实施例中,在步骤S1210中,在获取特征图和卷积核之后,为了方便硬件计算,首先将特征图和卷积核展开以得到所述特征图数据和卷积核数据,从而将卷积运算转化成矩阵乘法。将卷积运算转化为矩阵乘法后,运算时需要的数据可以存放在连续的内存上,从而提升了访问速度。
之后,对获取的特征图数据和卷积核数据进行扩展,以将每个特征图数据和卷积核数据的位数扩展为N的M倍,其中N为特征图数据和卷积核数据进行卷积乘法运算的最小位数。
在一个实施例中,所述扩展的方式为:若特征图数据和卷积核数据的精度低于N位,则对每个特征图数据和每个卷积核数据进行填充,以将每个特征图数据和每个卷积核数据扩展为N位。若特征图数据和卷积核数据的精度高于N位,则将每个特征图数据和每个卷积核数据划分为M个等长度的补充码,并将每个补充码分别进行填充,以将每个所述补充码扩展为N位。
例如,若N等于5,则若特征图数据和卷积核数据为4比特精度,则将其扩展为5比特;若特征图数据和卷积核数据为8比特精度,则将其扩展为10比特;若特征图数据和卷积核数据为16比特精度,则将其扩展为20比特。
进一步地,对补充码进行填充的方式为:若特征图数据和卷积核数据的精度低于N位,则对所述特征图数据和所述卷积核数据进行符号位填充;若特征图数据和卷积核数据的精度高于N位,则对所述特征图数据和所述卷积核数据的最高一个补充码进行符号位填充,其余M-1个补充码用0进行填充。
例如,对于HH(4比特)、CC(8比特)和SS(16比特)精度的格式,填充方式分别如下:
1)HH格式下,对每个特征图数据(data)和每个卷积核数据(coeff)进行符号位填充,即data[3:0]变为{data[3],data[3:0]},coeff[3:0]变为{coeff[3],coeff[3:0]};
2)CC格式下,对每个特征图数据(data)和每个卷积核数据(coeff)的低4比特进行0填充,高4比特进行符号位填充,即data[7:0]变为{data[7],data[7:4],0,data[3:0]},coeff[7:0]变为{coeff[7],coeff[7:4],0,coeff[3:0]};
3)SS格式下,对每个特征图数据(data)和每个卷积核数据(coeff)的最高一组4比特进行符号位填充,其余三组进行0填充,即data[15:0]变为{data[15],data[15:12],0,data[11:8],0,data[7:4],0,data[3:0]},coeff[15:0]变为{coeff[15],coeff[15:12],0,coeff[11:8],0,coeff[7:4],0,coeff[3:0]}。
经过拆分和扩展以后,各精度的特征图数据和卷积核数据统一扩展为卷积运算最小位数N的M倍,后续可以根据M的数值调用相应数目的脉动单元进行计算,无需将所有精度的数据统一扩展为最高精度,即可以实现多精度数据的兼容,具体参见下文。
接着,在步骤S1220中,基于脉动阵列完成所述脉动运算。脉动阵列利用卷积神经网络中权重共享和特征图共享的特点完成卷积计算,载入一次数据可以进行多次计算,节约了特征图数据和卷积核数据的载入时间,增加了卷积的计算密度,加快了神经网络推断速度。
进一步地,脉动阵列包括多个脉动单元,脉动单元的数目一般设置为4的倍数,例如,脉动单元的数目可以为128个。
在本申请一个实施例中,在脉动阵列中脉动传播的元素为扩展后的特征图数据,而不包括扩展后的卷积核数据,卷积核数据按次序载入每个脉动单元与扩展后的特征图数据进行相乘,而不再被脉动传播。
具体地,将所述扩展后的特征图数据在每一时刻写入到脉动阵列中最上方的脉动单元,并自最上方的所述脉动单元开始向下脉动传播;将所述扩展后的卷积核数据按时刻依次写入到所述脉动单元。脉动单元对当前时刻接收到的所述扩展后的特征图数据和扩展后的卷积核数据进行点乘操作,并输出点乘结果。
其中,扩展后的卷积核数据以广播的形式送入到每一个脉动单元并在合适的时刻加载,扩展后的特征图数据总是被写入到最上方的一个或多个脉动单元,并向最下方的脉动单元脉动传播,每一个计算周期对当前脉动单元内的扩展后的特征图数据和扩展后的卷积核数据进行一次点乘。如果脉动运算共有128个计算周期,那么每个脉动单元都会输出128个结果,128个脉动单元共输出128×128个结果。如果需要的脉动单元数目小于128,则只有部分脉动单元会被激活,剩余脉动单元不会参与运算。
在一个实施例中,所述脉动单元包括多级流水线,其中,多级流水线中的第一级流水线包括多个乘法器,多级流水线中的第二级至最后一级流水线分别包括若干加法器。脉动单元对所述扩展后的特征图数据和所述扩展后的卷积核数据进行相乘,并对所述相乘的结果依次执行多级相加。
其中,当所述特征图数据和所述卷积核数据的精度低于N位时,第一级流水线中的每个乘法器用于对扩展后的卷积核数据和扩展后的特征图数据执行一一对应相乘。例如,在HH格式下,每个乘法器接收一个5比特的特征图数据和一个5比特的卷积核数据以进行相乘。当所述特征图数据和所述卷积核数据的精度高于N位时,每个乘法器用于对所述扩展后的卷积核数据中的一个N位的补充码和所述扩展后的特征图数据中的一个N位的补充码执行一一对应相乘。例如,在CC格式或SS格式下,每个乘法器接收从扩展后的特征图数据中拆分出的一个5比特的补充码和从扩展后的卷积核数据中拆分出的一个5比特的补充码进行相乘。
如上所述,扩展后的特征图数据和扩展后的卷积核数据被扩展为卷积运算最小位数N的M倍,其中,每个脉动单元用于执行最小位数N的卷积运算,则当所述特征图数据和所述卷积核数据的精度低于N位时,每个单独的脉动单元用于对所述扩展后的特征图数据和所述扩展后的卷积核数据进行点乘操作,所述点乘结果为完整结果;当所述特征图数据和所述卷积核数据的精度高于N位时,每个单独的脉动单元完成扩展后的特征图数据和扩展后的卷积核数据的一部分点乘操作,并输出部分结果,M个相邻的脉动单元所输出的部分结果共同构成一次点乘操作的完整结果。
例如,对于HH(4比特)格式,则由每个脉动单元完成一行扩展后的卷积核数据和一列扩展后的特征图数据的点乘,输出完整的点乘结果;对于CC(8比特)格式,则由两个相邻的脉动单元共同完成一行扩展后的卷积核数据和一列扩展后的特征图数据的点乘;而对于SS(16比特)格式,则由四个相邻的脉动单元共同完成一行扩展后的卷积核数据和一列扩展后的特征图数据的点乘。
具体地,在HH格式下,扩展后的特征图数据在每一时刻总是被送到脉动阵列最上方的脉动单元,并从上方的脉动单元向下方的脉动单元脉动传播,扩展后的卷积核数据按照顺序依次写入脉动单元,每个脉动单元输出的是完整的点乘结果。
而当特征图数据和所述卷积核数据的精度高于N位时,每个脉动单元输出的是部分结果,由两个脉动单元组合在一起才能完成扩展后的特征图数据和扩展后的卷积核数据的点乘操作。
具体地,当特征图数据和卷积核数据的精度高于N位时,将每个扩展后的特征图数据同步写入到最上方的M个脉动单元,并以M个脉动单元为单位向下脉动传播;将每个扩展后的卷积核数据进行交织,以获得M个交织后的卷积核数据,并将所述M个交织后的卷积核数据按时刻写入到所述脉动单元,其中在每一时刻将所述M个交织后的卷积核数据分别写入到M个脉动单元。M个脉动单元中的每个脉动单元对当前时刻写入的所述扩展后的特征图数据和所述交织后的卷积核数据进行点乘操作,并输出所述部分结果。
作为示例,对卷积核数据进行的交织包括:将扩展后的卷积核数据分割为M个N位的补充码;将每个N位的补充码复制M次,以得到交织后的卷积核数据。通过上述运算方式,可以使M个脉动单元输出的部分结果构成完整结果。
例如,在CC格式下,分别将8比特的特征图数据和8比特的卷积核数据扩展为10比特的扩展后的特征图数据D和10比特的扩展后的卷积核数据C,扩展后的特征图数据D被拆分为2个5比特的数据D[9:5]和D[4:0],扩展后的卷积核数据C被拆分为2个5比特的数据C[9:5]和C[4:0],则D×C=(24×D[9:5]+D[4:0])×(24×C[9:5]+C[4:0])=24×C[9:5]×(24×D[9:5]+D[4:0])+C[4:0]×(24×D[9:5]+D[4:0]);
其中,C[9:5]×(24×D[9:5]+D[4:0])由上方的脉动单元计算以得到第一部分结果,C[4:0]×(24×D[9:5]+D[4:0])由下方的脉动单元计算以得到第二部分结果,之后还需对第一部分结果和第二部分结果进行相加,以得到完整结果。
至于SS格式下,需要综合4个脉动单元输出的部分结果才能得到扩展后的特征图数据和扩展后的卷积核数据的完整点乘结果。具体地,在每一时刻将扩展后的特征图数据写入到相邻的4个脉动单元,并以4个脉动单元为单位向下传播,同时对扩展后的卷积核数据进行交织,并按顺序写入到不同组脉动单元中的四个脉动单元。每组的四个脉动单元输出的部分结果共同构成完整结果。
综上,在HH格式下,每个脉动单元输出的是扩展后的特征图数据与扩展后的卷积核数据进行点乘的完整结果,但在CC、SS格式下,每个脉动单元输出的仅仅是扩展后的特征图数据与扩展后的卷积核数据进行点乘的部分结果,还需要对部分结果进行一次压缩和饱和处理,将部分结果组合构成完整结果。
由于加和所得的完整结果在时序上是不对齐的,因而需要对加和单元输出的结果进行三角化对齐时序。时序对齐的具体方式可以参照上文,在此不做赘述。
基于以上描述,根据本发明实施例的卷积计算方法1200采用脉动阵列进行卷积计算,节约了特征图数据和卷积核数据的载入时间,增加了卷积的计算密度,加快了神经网络推断速度。并且,卷积计算方法1200可适用于多种精度,具有较高的灵活性和兼容性。
另外,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序。当所述计算机程序由处理器执行时,可以实现前述图12所示的卷积计算方法1200的步骤。例如,该计算机存储介质为计算机可读存储介质。计算机存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
在一个实施例中,计算机存储介质上存储的计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤:
获取特征图数据和卷积核数据,并根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,以使每个所述特征图数据和所述卷积核数据的位数扩展为N的M倍,其N为所述特征图数据和所述卷积核数据进行卷积乘法运算的最小位数,M为正整数;
对扩展后的卷积核数据和扩展后的特征图数据进行脉动运算,以得到运算结果;
对所述运算结果进行时序对齐,并输出对齐后的运算结果。
另外,本发明实施例还提供了一种计算机程序产品,其包含指令,当该指令被计算机所执行时,使得计算机执行上述图12所示的卷积计算方法1200的方法的步骤。
综上所述,本发明实施例的卷积计算方法、卷积计算装置和计算机存储介质采用脉动阵列进行卷积计算,节约了特征图数据和卷积核数据的载入时间,增加了卷积的计算密度,加快了神经网络推断速度。并且,上述卷积计算装置和方法可适用于多种精度,具有较高的灵活性和兼容性。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

Claims (35)

1.一种卷积计算装置,其特征在于,所述卷积计算装置包括:
扩展模块,用于获取特征图数据和卷积核数据,并根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,以使每个所述特征图数据和所述卷积核数据的位数扩展为N的M倍,其中N为所述特征图数据和所述卷积核数据进行卷积乘法运算的最小位数,M为正整数;
脉动运算模块,用于对扩展后的卷积核数据和扩展后的特征图数据进行脉动运算,并输出运算结果;
时序对齐模块,用于对所述脉动运算模块输出的所述运算结果进行时序对齐,并输出对齐后的运算结果。
2.根据权利要求1所述的卷积计算装置,其特征在于,所述根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,包括:
若所述特征图数据和所述卷积核数据的精度低于N位,则对每个所述特征图数据和每个所述卷积核数据进行填充,以将每个所述特征图数据和每个所述卷积核数据扩展为N位;
若所述特征图数据和所述卷积核数据的精度高于N位,则将每个所述特征图数据和每个所述卷积核数据划分为M个等长度的补充码,并将每个所述补充码分别进行填充,以将每个所述补充码扩展为N位。
3.根据权利要求2所述的卷积计算装置,其特征在于,所述根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,包括:
若所述特征图数据和所述卷积核数据的精度低于N位,则对所述特征图数据和所述卷积核数据进行符号位填充;
若所述特征图数据和所述卷积核数据的精度高于N位,则对所述特征图数据和所述卷积核数据的最高一个补充码进行符号位填充,其余M-1个补充码用0进行填充。
4.根据权利要求1-3之一所述的卷积计算装置,其特征在于,所述特征图数据和所述卷积核数据的精度包括4位、8位或16位中的一种,M的值为5,所述根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,包括:
若所述特征图数据和所述卷积核数据的精度为4位,则将所述特征图数据和所述卷积核数据扩展为5位;
若所述特征图数据和所述卷积核数据的精度为8位,则将所述特征图数据和所述卷积核数据扩展为2个5位的补充码;
若所述特征图数据和所述卷积核数据的精度为16位,则将所述特征图数据和所述卷积核数据扩展为4个5位的补充码。
5.根据权利要求1所述的卷积计算装置,其特征在于,所述脉动运算模块包括脉动阵列,所述脉动阵列包括多个脉动单元,所述脉动运算包括:
将所述扩展后的特征图数据在每一时刻写入到最上方的所述脉动单元,并自最上方的所述脉动单元开始向下脉动传播;
将所述扩展后的卷积核数据按时刻依次写入所述脉动单元;
所述脉动单元用于对当前时刻接收到的所述扩展后的特征图数据和扩展后的卷积核数据进行点乘操作,并输出点乘结果。
6.根据权利要求5所述的卷积计算装置,其特征在于,所述扩展后的卷积核采用广播的形式送入所述脉动单元。
7.根据权利要求5所述的卷积计算装置,其特征在于,当所述特征图数据和所述卷积核数据的精度低于N位时,每个单独的所述脉动单元用于对所述扩展后的特征图数据和所述扩展后的卷积核数据进行点乘操作,所述点乘结果为完整结果。
8.根据权利要求5所述的卷积计算装置,其特征在于,当所述特征图数据和所述卷积核数据的精度高于N位时,每个单独的所述脉动单元完成所述扩展后的特征图数据和所述扩展后的卷积核数据的一部分点乘操作,并输出部分结果,M个相邻的所述脉动单元所输出的所述部分结果共同构成一次点乘操作的完整结果。
9.根据权利要求8所述的卷积计算装置,其特征在于,所述每个单独的所述脉动单元完成所述扩展后的特征图数据和所述扩展后的卷积核数据的一部分点乘操作,包括:
将每个扩展后的特征图数据同步写入到最上方的M个脉动单元,并以M个脉动单元为单位向下脉动传播;
将每个扩展后的卷积核数据进行交织,以获得M个交织后的卷积核数据;
将所述M个交织后的卷积核数据按时刻写入到所述脉动单元,其中在每一时刻将所述M个交织后的卷积核数据分别写入到M个脉动单元;
所述M个脉动单元中的每个脉动单元用于对当前时刻写入的所述扩展后的特征图数据和所述交织后的卷积核数据进行点乘操作,并输出所述部分结果。
10.根据权利要求9所述的卷积计算装置,其特征在于,所述交织包括:
将所述扩展后的卷积核数据分割为M个N位的补充码;
将每个所述N位的补充码复制M次,以得到所述交织后的卷积核数据。
11.根据权利要求5-10之一所述的卷积计算装置,其特征在于,所述脉动阵列中包括128个所述脉动单元。
12.根据权利要求5-11之一所述的卷积计算装置,其特征在于,所述脉动单元包括多级流水线,其中,所述多级流水线中的第一级流水线包括多个乘法器,所述多级流水线中的第二级至最后一级流水线分别包括若干加法器,每个所述加法器接收上一级流水线的两个输出数据并进行相加。
13.根据权利要求12所述的卷积计算装置,其特征在于,当所述特征图数据和所述卷积核数据的精度低于N位时,每个所述乘法器用于对所述扩展后的卷积核数据和所述扩展后的特征图数据执行一一对应相乘。
14.根据权利要求12所述的卷积计算装置,其特征在于,当所述特征图数据和所述卷积核数据的精度高于N位时,每个所述乘法器用于对所述扩展后的卷积核数据中的一个N位的补充码和所述扩展后的特征图数据中的一个N位的补充码执行一一对应相乘。
15.根据权利要求12-14之一所述的卷积计算装置,其特征在于,所述脉动单元包括8级流水线,其中,第一级流水线包括128个5位有符号乘法器,第二至第八级流水线分别包括64、32、16、8、4、2、1个加法器。
16.根据权利要求14所述的卷积计算装置,其特征在于,当所述卷积核数据和所述特征图数据的精度为8位时,第二级流水线中每个所述加法器左侧的输入左移4位;当所述卷积核数据和所述特征图数据的精度为16位时,第二级流水线中每个所述加法器的左侧的输入左移4位、第三级流水线中每个所述加法器左侧的输入左移8位。
17.根据权利要求8-10之一所述的卷积计算装置,其特征在于,所述脉动计算模块还包括加和子模块,所述加和子模块用于对所述脉动单元输出的部分结果进行压缩,以得到完整结果。
18.根据权利要求17所述的卷积计算装置,其特征在于,所述脉动阵列包括128个脉动单元,所述加和子模块包括32个加和单元,每个所述加和单元用于接收4个所述脉动单元各自输出的所述部分结果。
19.一种卷积计算方法,其特征在于,所述卷积计算方法包括:
获取特征图数据和卷积核数据,并根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,以使每个所述特征图数据和所述卷积核数据的位数扩展为N的M倍,其N为所述特征图数据和所述卷积核数据进行卷积乘法运算的最小位数,M为正整数;
对扩展后的卷积核数据和扩展后的特征图数据进行脉动运算,以得到运算结果;
对所述运算结果进行时序对齐,并输出对齐后的运算结果。
20.根据权利要求19所述的卷积计算方法,其特征在于,所述根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,包括:
若所述特征图数据和所述卷积核数据的精度低于N位,则对所述特征图数据和所述卷积核数据进行填充,以将所述特征图数据和所述卷积核数据扩展为N位;
若所述特征图数据和所述卷积核数据的精度高于N位,则将所述特征图数据和所述卷积核数据划分为M个等长度的补充码,并将每个所述补充码分别进行填充,以将每个所述补充码扩展为N位。
21.根据权利要求20所述的卷积计算方法,其特征在于,所述根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,包括:
若所述特征图数据和所述卷积核数据的精度低于N位,则对所述特征图数据和所述卷积核数据进行符号位填充;
若所述特征图数据和所述卷积核数据的精度高于N位,则对所述特征图数据和所述卷积核数据的最高一个补充码进行符号位填充,其余M-1个补充码用0进行填充。
22.根据权利要求19-21之一所述的卷积计算方法,其特征在于,所述特征图数据和所述卷积核数据的精度包括4位、8位或16位,M的值为5,所述根据所述特征图数据和所述卷积核数据的精度对所述特征图数据和所述卷积核数据进行扩展,包括:
若所述特征图数据和所述卷积核数据的精度为4位,则将所述特征图数据和所述卷积核数据扩展为5位;
若所述特征图数据和所述卷积核数据的精度为8位,则将所述特征图数据和所述卷积核数据扩展为10位;
若所述特征图数据和所述卷积核数据的精度为16位,则将所述特征图数据和所述卷积核数据扩展为20位。
23.根据权利要求19所述的卷积计算方法,其特征在于,所述脉动运算包括:
将所述扩展后的特征图数据在每一时刻写入到脉动阵列中最上方的脉动单元,并自最上方的所述脉动单元开始向下脉动传播;
将所述扩展后的卷积核数据按时刻依次写入到所述脉动单元;
由所述脉动单元对当前时刻接收到的所述扩展后的特征图数据和扩展后的卷积核数据进行点乘操作,并输出点乘结果。
24.根据权利要求23所述的卷积计算方法,其特征在于,当所述特征图数据和所述卷积核数据的精度低于N位时,每个单独的所述脉动单元用于对所述扩展后的特征图数据和所述扩展后的卷积核数据进行点乘操作,所述点乘结果为完整结果。
25.根据权利要求23所述的卷积计算方法,其特征在于,当所述特征图数据和所述卷积核数据的精度高于N位时,每个单独的所述脉动单元完成所述扩展后的特征图数据和所述扩展后的卷积核数据的一部分点乘操作,并输出部分结果,M个相邻的所述脉动单元共同完成所述扩展后的特征图数据和所述扩展后的卷积核数据的一次点乘操作。
26.根据权利要求25所述的卷积计算方法,其特征在于,所述每个单独的所述脉动单元完成所述扩展后的特征图数据和所述扩展后的卷积核数据的一部分点乘操作,包括:
将每个扩展后的特征图数据同步写入到最上方的M个脉动单元,并以M个脉动单元为单位向下脉动传播;
将每个扩展后的卷积核数据进行交织,以获得M个交织后的卷积核数据;
将所述M个交织后的卷积核数据按时刻写入到所述脉动单元,其中在每一时刻所述M个交织后的卷积核数据分别写入到M个脉动单元;
所述M个脉动单元中的每个脉动单元对当前时刻写入的所述扩展后的特征图数据和所述交织后的卷积核数据进行点乘操作,并输出所述部分结果。
27.根据权利要求26所述的卷积计算方法,其特征在于,所述扩展后的卷积核采用广播的形式送入所述脉动单元。
28.根据权利要求26所述的卷积计算方法,其特征在于,所述交织包括:
将所述扩展后的卷积核数据分割为M个N位的补充码;
将每个所述M位的补充码复制M次。
29.根据权利要求23-28之一所述的卷积计算方法,其特征在于,所述点乘操作包括:
对所述扩展后的特征图数据和所述扩展后的卷积核数据进行相乘;
对所述相乘的结果依次执行多级相加。
30.根据权利要求29所述的卷积计算方法,其特征在于,当所述特征图数据和所述卷积核数据的精度低于N位时,所述相乘为对所述扩展后的卷积核数据和所述扩展后的特征图数据执行的一一对应相乘。
31.根据权利要求29所述的卷积计算方法,其特征在于,当所述特征图数据和所述卷积核数据的精度高于N位时,所述相乘为对所述扩展后的卷积核数据中的一个N位的补充码和所述扩展后的特征图数据中的一个N位的补充码执行的一一对应相乘。
32.根据权利要求29-30之一所述的卷积计算方法,其特征在于,所述多级相加为七级相加。
33.根据权利要求32所述的卷积计算方法,其特征在于,当所述卷积核数据和所述特征图数据的精度为8位时,第一级相加时左侧的输入左移4位;当所述卷积核数据和所述特征图数据的精度为16位时,第二级相加时左侧的输入左移4位,第二级相加时左侧的输入左移8位。
34.根据权利要求25-28之一所述的卷积计算方法,其特征在于,所述方法还包括:对所述脉动单元输出的所述部分结果进行压缩,以得到完整结果。
35.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求19至34中任一项所述方法的步骤。
CN202080006263.7A 2020-05-11 2020-05-11 卷积计算装置、方法和计算机存储介质 Pending CN113168429A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/089570 WO2021226782A1 (zh) 2020-05-11 2020-05-11 卷积计算装置、方法和计算机存储介质

Publications (1)

Publication Number Publication Date
CN113168429A true CN113168429A (zh) 2021-07-23

Family

ID=76879254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080006263.7A Pending CN113168429A (zh) 2020-05-11 2020-05-11 卷积计算装置、方法和计算机存储介质

Country Status (2)

Country Link
CN (1) CN113168429A (zh)
WO (1) WO2021226782A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897147A (zh) * 2022-05-18 2022-08-12 北京百度网讯科技有限公司 骨干网络的生成方法、装置、设备以及存储介质
CN118378007A (zh) * 2024-06-24 2024-07-23 安徽芯纪元科技有限公司 一种数据摆放模式及im2col转换方法、装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237551B (zh) * 2021-11-26 2022-11-11 南方科技大学 一种基于脉动阵列的多精度加速器及其数据处理方法
CN116781484B (zh) * 2023-08-25 2023-11-07 腾讯科技(深圳)有限公司 数据处理方法、装置、计算机设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934339A (zh) * 2019-03-06 2019-06-25 东南大学 一种基于一维脉动阵列的通用卷积神经网络加速器
CN110543934A (zh) * 2019-08-14 2019-12-06 北京航空航天大学 一种用于卷积神经网络的脉动阵列计算结构及方法
US20200026497A1 (en) * 2018-07-23 2020-01-23 SK Hynix Inc. Computation circuit, computation device and system including the same

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647776A (zh) * 2018-05-08 2018-10-12 济南浪潮高新科技投资发展有限公司 一种卷积神经网络卷积膨胀处理电路及方法
CN110163338B (zh) * 2019-01-31 2024-02-02 腾讯科技(深圳)有限公司 具有运算阵列的芯片运算方法、装置、终端及芯片

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200026497A1 (en) * 2018-07-23 2020-01-23 SK Hynix Inc. Computation circuit, computation device and system including the same
CN109934339A (zh) * 2019-03-06 2019-06-25 东南大学 一种基于一维脉动阵列的通用卷积神经网络加速器
CN110543934A (zh) * 2019-08-14 2019-12-06 北京航空航天大学 一种用于卷积神经网络的脉动阵列计算结构及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897147A (zh) * 2022-05-18 2022-08-12 北京百度网讯科技有限公司 骨干网络的生成方法、装置、设备以及存储介质
CN118378007A (zh) * 2024-06-24 2024-07-23 安徽芯纪元科技有限公司 一种数据摆放模式及im2col转换方法、装置
CN118378007B (zh) * 2024-06-24 2024-09-17 安徽芯纪元科技有限公司 一种im2col转换方法及转换装置

Also Published As

Publication number Publication date
WO2021226782A1 (zh) 2021-11-18

Similar Documents

Publication Publication Date Title
CN113168429A (zh) 卷积计算装置、方法和计算机存储介质
US10860922B2 (en) Sparse convolutional neural network accelerator
US6609140B1 (en) Methods and apparatus for fast fourier transforms
EP0736205B1 (en) Method and apparatus for performing a fast hadamard transform
KR20170135752A (ko) 효율적인 스파스 병렬 위노그래드 기반 컨볼루션 체계
CN110413254B (zh) 数据处理器、方法、芯片及电子设备
US20220035890A1 (en) Time Domain Unrolling Sparse Matrix Multiplication System and Method
US7543008B1 (en) Apparatus and method for providing higher radix redundant digit lookup tables for recoding and compressing function values
CN102043760A (zh) 数据处理方法及系统
CN114003198A (zh) 内积处理部件、任意精度计算设备、方法及可读存储介质
CN115238863A (zh) 一种卷积神经网络卷积层的硬件加速方法、系统及应用
WO1999010818A1 (en) Variable block size 2-dimensional inverse discrete cosine transform engine
CN116861149A (zh) 卷积运算的优化方法、装置及处理器
US20200097253A1 (en) Digital Circuit With Compressed Carry
US6003058A (en) Apparatus and methods for performing arithimetic operations on vectors and/or matrices
CN111258544B (zh) 乘法器、数据处理方法、芯片及电子设备
CN109634556B (zh) 一种乘累加器及累加输出方法
US20230103312A1 (en) Matrix Multiply Accelerator for Variable Bitwidth Operands
EP1947796A2 (en) Method and apparatus for dividing information bit string
US20230108629A1 (en) Matrix Multiply Accelerator For Variable Bitwidth Operands
CN210006030U (zh) 数据处理器
CN210109789U (zh) 数据处理器
CN110647307A (zh) 数据处理器、方法、芯片及电子设备
CN112766477B (zh) 神经网络运算电路
Bruguera et al. 2-D DCT using on-line arithmetic

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