CN116991226A - 处理器的控制装置、方法及设备 - Google Patents
处理器的控制装置、方法及设备 Download PDFInfo
- Publication number
- CN116991226A CN116991226A CN202310945188.6A CN202310945188A CN116991226A CN 116991226 A CN116991226 A CN 116991226A CN 202310945188 A CN202310945188 A CN 202310945188A CN 116991226 A CN116991226 A CN 116991226A
- Authority
- CN
- China
- Prior art keywords
- processor
- sensor data
- sensor
- memory
- circuit
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000015654 memory Effects 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims description 76
- 238000004364 calculation method Methods 0.000 claims description 72
- 230000007613 environmental effect Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000005094 computer simulation Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 18
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 25
- 238000004590 computer program Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004806 packaging method and process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001339 gustatory effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/324—Power saving characterised by the action undertaken by lowering clock frequency
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3293—Power saving characterised by the action undertaken by switching to a less power-consuming processor, e.g. sub-CPU
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3243—Power saving in microcontroller unit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3296—Power saving characterised by the action undertaken by lowering the supply or operating voltage
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及一种处理器控制装置,方法和设备。所述处理器控制装置包括:运算电路以及存储器,所述运算电路与所述存储器连接;所述运算电路用于根据获得的传感器数据输出控制信号,所述控制信号用于控制处理器。本发明涉及的处理器控制装置、方法以及设备,可以根据预设的关键信息进行判断是否需要开启处理器,或者是否需要降低正在工作中的处理器的能耗,从而提高了续航时间。
Description
本申请是分案申请。原申请的申请号为201810151580.2,原申请日为2018年2月14日,原申请的全部内容通过引用结合在本申请中。
技术领域
本发明涉及计算机领域,特别是涉及一种处理器控制装置、方法及设备。
背景技术
随着计算机技术的发展,越来越多的设备集成了处理器,同时,在很多应用环境中,设备的低能耗和长待机越来越受到人们的重视。而处理器是设备的运算核心以及控制核心,功耗较大。
在许多传统的设备中,只要设备处于工作状态,其中集成的处理器也处于开启状态,因此会导致整个设备的功耗增加,续航时间减少。例如,在智能机器人领域,如果智能机器人的主处理器一直处于工作状态,会大大影响机器人的续航时间。类似的,在智能手机领域,如果智能手机的主处理器一直处于工作状态,会大大影响智能手机的续航时间。
发明内容
基于此,有必要针对传统设备中处理器的能耗较大的问题,提供一种处理器的控制装置、方法以及设备。
一种处理器控制装置,其中,所述处理器控制装置包括运算电路以及存储器,所述运算电路与所述存储器连接;所述运算电路用于根据获得到的传感器数据输出控制信号,所述控制信号用于控制处理器。
在一个实施例中,所述存储器包括易失存储器以及非易失存储器,所述易失存储器用于缓存中间数据;所述非易失存储器用于存储计算模型。
在一个实施例中,所述计算模型包括第一计算模型以及第二计算模型,所述第一计算模型容量小于所述第二计算模型;
所述非易失存储器包括高容量模型存储器以及低容量模型存储器;所述高容量模型存储器用于存储第二计算模型,所述低容量计算模型存储器用于存储第一计算模型,其中,所述高容量模型存储器的存储容量大于所述低容量存储模型的存储容量。
在一个实施例中,所述运算电路包括主处理电路、基本处理电路和分支处理电路;
所述主处理电路与分支处理电路连接,分支处理电路与至少一个基本处理电路连接。
在一个实施例中,所述主处理电路包括控制电路、向量运算器电路、算数逻辑电路、累加器电路以及直接内存存取电路。
在一个实施例中,所述运算电路包括神经网络处理单元,所述神经网络处理单元用于执行神经网络算法。
在一个实施例中,所述处理器控制装置包括传感器控制单元,所述传感器控制单元与所述运算电路连接,所述传感器控制单元用于控制所述处理器控制装置与传感器之间的信号传输。
在一个实施例中,所述传感器单元包括至少一个传感器接口,所述传感器接口用于连接传感器,所述传感器接口与所述运算单元连接。
在一个实施例中,所述传感器控制单元包括控制器和缓存器;所述控制器与所述缓存器通信连接;
其中,所述控制器用于对传感器进行控制;
所述缓存器用于缓存传感器发送的传感器信号。
在一个实施例中,所述传感器控制单元包括配置存储器,所述配置存储器与所述控制器连接;
其中,所述配置存储器用于存储用户输入的交互信息。
在一个实施例中,所述控制信号为开关信号,所述开关信号用于控制开启或关闭所述处理器。
在一个实施例中,所述处理器控制装置包括电源控制器,所述电源控制器与运算电路连接;
所述电源控制器用于根据所述开关信号控制处理器的开启与关闭。
在一个实施例中,所述电源控制器包括开关控制器及电源接口,所述开关控制器一端与所述运算电路串联,一段与所述电源接口串联。
在一个实施例中,所述控制信号为节能信号,所述节能信号包括降频信号、降压信号、部分模块关闭信号的至少一种。
一种芯片,其中,所述芯片包括上述各个实施例所述的处理器控制装置。
一种芯片封装结构,其中,所述芯片封装结构包括上述实施例所述的芯片。
一种板卡,其中,所述板卡包括上述实施例所述的芯片封装结构。
一种电子装置,其中,包括上述实施例所述的板卡。
一种电子设备,其中,所述电子设备包括传感器、处理器以及上述各个实施例所述的处理器控制装置;
所述处理器控制装置与所述处理器连接,所述传感器与所述处理器和/或所述处理器控制装置连接;
其中,所述处理器控制装置的单位时间耗电量小于所述处理器的单位时间耗电量。
一种处理器控制方法,其中,所述方法包括:
获取传感器数据;
判断所述传感器数据是否与所述预设的关键信息匹配;
若是,则输出控制指令,所述控制指令用于控制所述处理器。
在一个实施例中,若所述传感器数据与所述预设的关键信息不匹配,则所述方法还包括:
继续执行所述获取传感器数据的步骤。
在一个实施例中,所述判断传感器数据是否与预设的关键信息匹配的步骤之前,所述方法还包括:
判断所述传感器数据是否符合预设条件;
若是,则继续执行判断所述传感器数据是否与预设的关键信息匹配的步骤。
在一个实施例中,所述判断所述传感器数据是否符合预设条件的步骤包括:
以每个预设的时间间隔采集一次所述传感器数据。
在一个实施例中,所述判断所述传感器数据是否符合预设条件的步骤包括:
获取当次传感器数据以及缓存的前次传感器数据;
判断所述当次传感器数据是否与所述前次传感器数据相同;
若不同,则判断所述传感器数据符合预设条件。
在一个实施例中,若所述传感器数据不符合预设条件,则所述方法还包括:
继续执行所述获取传感器数据的步骤。
在一个实施例中,所述判断传感器数据是否与预设的关键信息匹配的步骤包括:
根据所述传感器数据,通过预先设置的计算模型,计算获得输出结果;
若所述输出结果大于预先设置的第一阈值,则传感器数据与预设的关键信息匹配;
若所述输出结果小于或等于预先设置的第一阈值,则传感器数据与预设的关键信息不匹配。
在一个实施例中,所述计算模型通过卷积神经网络训练获得。
在一个实施例中,所述计算模型包括第一计算模型和第二计算模型,所述第一计算模型的容量大于所述第二计算模型的容量;
则所述根据所述传感器模型,通过预先设置的计算模型,计算获得输出结果的步骤包括:
获取第一计算模型,根据所述传感器数据,通过所述第一计算模型,计算获得第一中间结果;
判断所述第一中间结果是否大于所述第二阈值;
若是,则获取第二计算模型,并通过所述第二计算模型,根据传感器数据,计算获得输出结果。
在一个实施例中,所述控制方法包括:
若所述第一中间结果不大于第二阈值,则
执行所述获取传感器数据的步骤。
在一个实施例中,所述控制指令包括开启指令,所述开启指令用于启动处理器。
在一个实施例中,所述控制指令包括节能指令,所述节能指令包括降频指令、降压指令及部分模块关闭指令的至少一种。
上述实施例提供的处理器控制装置、方法以及设备,可以根据预设的关键信息进行判断是否需要开启处理器或者是否需要降低正在工作中的处理器的能耗。也就是说,只有在传感器数据与预设的关键信息匹配的时候才开启处理器,使得处理器处于工作状态,或者当处理器处于工作状态时,还可以通过降频、降压、关闭部分模块等方式降低该处理器的能耗,提高了续航时间。
附图说明
图1为一个实施例中的处理器控制装置的应用场景图;
图2为一个实施例中的处理器控制装置的结构示意图;
图3为另一个实施例中的处理器控制装置的结构示意图;
图4为又一个实施例中的处理器控制装置的结构示意图;
图5为一个实施例中的运算电路的结构示意图;
图6为一个实施例中的运算电路中主处理电路的结构示意图;
图7为再一个实施例中的处理器控制装置的结构示意图;
图8为又一个实施例中的处理器控制装置的结构示意图;
图9为一个实施例中的电子设备的结构示意图;
图10为一个实施例中的处理器控制方法的流程示意图;
图11为一个实施例中的处理器控制方法的流程示意图;
图12为一个实施例中的判断所述传感器数据是否与预设的关键信息匹配步骤的流程示意图;
图13为一个实施例中的处理器控制方法的部分流程示意图。
具体实施方式
为了使本发明的技术方案更加清楚,以下结合附图,对本发明的处理器控制装置、方法以及设备作进一步详细的说明。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。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。应当清楚是,本实施例中的“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。请参阅图1,图1为一个实施例提供的处理器控制装置的应用场景图。该处理器控制装置包括传感器100,处理器控制装置200以及处理器300。传感器100用于采集环境信息,并将采集到的环境信息作为传感器数据发送给处理器控制装置200,处理器控制装置200在对接受到的传感器数据进行处理后,输出用于控制处理器300的控制信号,并根据控制信号控制处理器300的启动与关闭。
其中,环境信息包括视觉信息、声音信息、味觉信息、触觉信息、重力感应信息等表征传感器所处环境的信息的至少一种。
可选的,传感器100可以是可见光传感器,例如摄像头、照相机,也可以是不可见光传感器,例如毫米波雷达、激光雷达、红外设备等,也可以是声音传感器,例如麦克风、声波接收器等,还可以是其他用于采集环境信息的传感器。
可选的,处理器300可以是用来执行计算机指令的通用集成电路。可以理解,处理器300也可以是集成在某个设备中执行计算机指令的部件,通过对处理器300的控制,可以实现对整个设备的控制。例如,处理器300可以集成在机器人中,通过控制处理器300从而实现对机器人的控制。再如,处理器300可以集成在智能手机中,通过控制处理器300实现对智能手机的控制。
可选的,请继续参阅图1,传感器100可以把采集到的环境信息发送给处理器控制装置200,也可以把采集到的环境信息直接发送给处理器300。
需要说明的是,处理器控制装置200可以与处理器300集成在同一设备中,也可以通过接口与处理器300进行连接,还可以通过远程通信的方式与处理器300进行连接,也就是说,本实施例对处理器控制装置200与处理器300的连接方式并不做限定。
在上述应用场景中,处理器控制装置可以通过获取到的传感器数据判断是否需要启动处理器;而传感器可以一直获取环境信息,也就是说,只有传感器获取到特定的环境信息后,才会启动处理器,因此,在上述应用场景中,由处理器控制装置控制处理器的启动,可以有效的降低功耗。
请参阅图2,图2为其中一个实施例提供的处理器控制装置的结构示意图。本实施例涉及的处理器控制装置200的结构,包括运算电路210以及存储器220,其中,运算电路210和存储器220连接,运算电路210与存储器220可以实现数据传输。运算电路210用于根据传感器数据获得控制信号,而该控制信号用于控制处理器300。传感器数据可以是直接由传感器100采集到的环境信息,也可以是指根据传感器采集到的环境信息进一步处理而获得的数据。
可选的,运算电路210可以用来执行机器学习算法,具体而言,机器学习算法包括但不限于神经网络算法、决策树、支持向量机等。
可选的,获得的控制信号可以是简单的开关信号,根据开关信号控制处理器的启动和/或关闭。也可以是较为复杂的数字信号,从而实现对处理器较为复杂的控制。举例而言,可以在预先设置的控制协议中将数字信号中的不同数字对应不同的控制指令,并根据不同的控制指令实现对处理器的控制。控制信号还可以是其他格式的控制信号,例如包括语音信号、图像信号等,也就是说,本实施例对控制信号的类型并不做限定。
需要说明的是,运算电路210与存储器220均可以由硬件实现。可选的,其中,运算电路210可以是电路,包括数字电路、模拟电路等。运算电路210采用由电路元器件构建的专用集成电路实现,其中电路元器件可以是CMOS、二极管、三极管、忆阻器等基本元器件或基本元器件组合,通过这些基本元器件或者基本元器件的组合来处理传感器信号并获得控制信号。
可选的,运算电路210也可以采用通用集成电路,可选的,通用集成电路可以是CPU(Central Processing Unit,中央处理器单元)、GPU(Graphics Processing Unit,图形处理器单元)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、NPU(Neural-Network Processing Unit,神经网络处理器单元)、DSP(Digital Signal Process,数字信号处理)芯片的至少一种。可选的,运算电路210还可以包括指令集处理器、相关芯片组。
可选的,存储器220可以包括非易失性和/或易失性存储器。存储器220还可以包括缓存用途的板载存储器。用于非易失性存储器可以是只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存的至少一种。易失性存储器可以是随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非限定,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
可选的,存储器220中可以存储相应的计算机程序指令,运算电路210通过调用相应的计算机程序指令来处理传感器信号并获得控制信号。
可以理解,在实际应用中,存储器220与运算电路210可以设置同一个设备中,也可以设置在不同的设备中,例如,可以将存储器220设置在云端设备中,将运算电路210设置在终端设备中。
上述实施例提供的处理器控制装置,通过运算电路对传感器数据进行处理,从而判断是否需要启动处理器,更精准的控制整个系统的功耗或时延。
请参阅图3,图3为其中另一个实施例提供的处理器控制装置的结构示意图,本实施例涉及的是处理器控制装置的存储器220可以包括多个不同类别存储器组成,而不同类型的存储器可以分别存储不同的待存储对象。该存储器220可包括易失存储器221以及非易失存储器222。可以理解,易失存储器在掉电时不能保留数据,但是读写数据更快,因此可以缓存处理传感器信号过程中产生的中间数据;而非易失存储器222可以存储计算模型。当运算电路210需要调用计算模型时,则获取存储在非易失存储器222的相应的计算模型,而运算电路210在计算过程中产生的中间数据则缓存入易失存储器221中。
上述实施例提供的处理器控制装置,对中间数据以及计算模型分别存储,,因此,将中间数据存储在易失存储器中,将计算模型存储在非易失存储器中,提高了运算速度。
图4为其中又一个实施例提供的处理器控制装置的结构示意图,本实施例涉及的是处理器控制装置中的存储器的又一种组合方式。可选的,在上述图3示出实施例的基础上,可以将用来存储计算模型的非易失存储器222进一步分为低容量模型存储器223以及高容量模型存储器224,低容量模型存储器223可以存储第一计算模型,而高容量模型存储器224可以存储第二计算模型。第一计算模型的容量要小于第二计算模型的容量。需要说明的是,容量是指计算模型的存储开销。可以理解,“高容量”与“低容量”可以根据存储器介质不同或根据实际需要进行区分。
进一步的,存储容量是指存储器可以容纳的数据量,是用来衡量存储器最大所能存储数据量的指标。高容量模型存储器224以及低容量模型存储器223均采用非易失性存储器。更进一步的,对于高容量模型存储器224,可以采用大存储容量的非易失存储器,而低容量模型存储器223可以采用小存储容量的非易失存储器。可以理解,存储容量相对越大的非易失存储器,存取速度相对越慢,功耗相对越高。
需要说明的是,低容量模型存储器223的存储容量较少,因此,低容量模型存储器223的能耗较少,但是对传感器信号处理的精度较低,第一计算模型难以适合处理复杂的传感器数据。而第二计算模型适合处理复杂的传感器数据,但是需要较大的存储容量,因此高容量模型存储器224的能耗较多。具体而言,可设定一个阈值,当低于阈值时,运算电路210只需要低容量模型存储器223进行数据交互,而高于阈值时再与高容量模型存储器224进行数据交互。进一步的,在实际应用中,对于该阈值可以根据硬件的门限进行预先指定,可以根据先验知识进行预先指定,也可以根据用户输入的参数计算获得。需要说明的是,可以通过阈值区分低容量计算模型以及高容量计算模型,也可以通过不同的取值范围区分低容量计算模型以及高容量计算模型。
上述实施例提供的处理器控制装置,对于低容量计算模型和高容量计算模型分别进行存储,当只需要调用低容量计算模型时就与低容量模型存储器进行数据交互,需要调用高容量计算模型时再与高容量模型存储器进行数据交互,从而提高了运算速度,节省了功耗。
需要说明的是,处理器控制装置中的存储器除了采用图3或图4所示的组成方式之外,还可以采用其他的组合方式,例如,可以仅包括易失存储器,也可以仅包括非易失存储器。
请参阅图5,本实施例涉及的是图3或图4所示的处理器控制装置中运算电路210的具体结构,在图5中,运算电路210包括主处理电路211、基本处理电路212和分支处理电路213。
具体的,主处理电路211与分支处理电路213连接,分支处理电路213连接至少一个基本处理电路212。该分支处理电路213用于收发主处理电路211或基本处理电路213的数据。
请一并阅图6,图6为其中另一个实施例提供运算电路210中主处理电路的结构示意图,本实施例在图5提供的处理器控制装置的基础上,进一步提供了一种主处理电路211的可实现方式。主处理电路211可包括控制电路,向量运算器电路,算数逻辑电路(arithmetic and logic unit,ALU),累加器电路,DMA(Direct Memory Access,直接内存存取)电路等电路。可以理解,在实际应用中,上述主处理电路211根据所需实现功能的不同,还可以进一步包括转换电路,例如矩阵转置电路、数据重排电路或激活电路、寄存器和/或片上缓存电路等其他的电路。
主处理电路211还包括数据发送电路、数据接收电路或接口,该数据发送电路可以进一步集成数据分发电路以及数据广播电路。可以理解,在实际应用中,数据分发电路以及数据广播电路也可以分别设置。在实际应用中上述数据发送电路以及数据接收电路还可以集成在一起形成数据收发电路。
在处理器控制装置200中,运算电路既可以用来实现广播数据,也可以用来实现分发数据。对于广播数据,即需要发送给每个基础处理电路的数据。对于分发数据,即需要有选择的发送给部分基础处理电路的数据,具体的选择方式可以由主处理电路211依据负载以及计算方式进行具体的确定。对于广播发送方式,即将广播数据以广播形式发送至每个基础处理电路212。需要说明的是,在实际应用中,通过一次广播的方式将广播数据发送至每个基础处理电路212,也可以通过多次广播的方式将广播数据发送至每个基础处理电路,本申请具体实施方式并不限制上述广播的次数。对于分发发送方式,即主处理电路211将分发数据有选择的发送给部分基础处理电路212。
在实现分发数据时,主处理电路211的控制电路向部分或者全部基础处理电路212传输数据。需要说明的是,该传输数据可以相同,也可以不同,具体的,如果采用分发的方式发送数据,各个接收数据的基础处理电路212收到的数据可以不同,当然也可以有部分基础处理电路212收到的数据相同;
具体地,广播数据时,主处理电路211的控制电路向部分或者全部基础处理电路212传输数据,各个接收数据的基础处理电路可以收到相同的数据,即广播数据可以包括所有基础处理电路212均需要接收到的数据。分发数据可以包括:部分基础处理电路212需要接收到的数据。主处理电路211可以通过一次或多次广播将该广播数据发送给所有分支处理电路213,分支处理电路213再将该广播数据转发给所有的基础处理电路212。
可选的,上述主处理电路的向量运算器电路可以执行向量运算,包括但不限于:两个向量加减乘除,向量与常数加、减、乘、除运算,或者对向量中的每个元素执行任意运算。其中,连续的运算具体可以为,向量与常数加、减、乘、除运算、激活运算、累加运算等等。
请参阅图7,图7为其中一个实施例提供的处理器控制装置的结构示意图。处理器控制装置包括运算电路210以及存储器220及传感器控制单元230。本实施例涉及的处理器控制装置还包括用来控制传感器信号的传感器控制单元。处理器控制装置200在运算电路210以及存储器220的基础上,还进一步包括传感器控制单元230。传感器控制单元230可以用来控制传感器信号。
可选的,传感器控制单元230可以包括一个或多个传感器接口231,传感器接口231用于根据不同的接入协议适配不同类型、不同型号的传感器。可以理解,不同类型、不同型号的传感器会有不同的总线类型,因此通过一个或多个传感器接口对各种类型、型号的传感器进行适配,可以增加处理器控制装置的通用性。
可选的,传感器控制单元230可以包括一个控制器232以及缓存器233,控制器232与缓存器233通信连接。其中,控制器232用来根据传感器的接入协议对传感器进行控制,并可以根据输入的传感器信号进行简单的逻辑运算。缓存器233用来缓存传感器发送的传感器信号。可以理解,控制器232和缓存器233均可以由硬件来实现。例如,控制器232可以采用CPU等各种上面实施例提到的通用集成电路实现。通过配置了控制器232以及缓存器233,传感器控制单元可以对传感器信号做简单的判断。举例而言,对于视频信号,控制器232可以判断前后两帧是否发生了改变。通过这种简单的判断,可以进一步对传感器信号进行筛选,只将更为重要的传感器信号发送给运算电路210以及存储器220,从而进一步降低了系统开销,减少了能耗。
可选的,传感器控制单元230还可以包括一个配置存储器,配置存储器可以是用来存储用户输入的交互信息,用户可以根据其偏好、应用场景灵活选择输入的交互信息,由配置存储器存储交互信息,并根据交互信息的值进行计算,从而获得配置信息,根据配置信息对设备进行配置。
请参阅图8,图8为其中一个实施例提供的处理器控制装置的结构示意图。处理器控制装置包括运算电路210、存储器220、传感器控制单元230及电源控制器240。本实施例涉及的是当控制信号为开关信号时,处理器控制装置还包括电源控制器240,电源控制器240用于将开关信号转换为对处理器电源的开关行为,从而实现对控制处理器的开启与关闭。也就是说,当控制信号为开启信号时,电源控制器开启为处理器提供电能的电源,从而开启处理器,当控制信号为关闭信号时,电源控制器关闭为处理器提供电能的电源,从而关闭处理器。
具体的,电源控制器240包括开关控制器241和电源接口242,开关控制器用于根据开关信号对电源开关进行控制,电源接口232用来控制为处理器提供电能的电源的通断。
在一个实施例中,处理器控制装置所生成的控制信号还可以节能信号,包括降频信号、降压信号、部分模块关闭信号、部分模块关闭时钟信号的至少一种。
具体的,降频信号用于控制处理器执行降频操作。降压信号用于控制处理器执行降压操作。部分模块关闭信号用于关闭处理器的部分模块,对于处理器而言,一般可以分为多个模块,如控制模块、运算模块以及存储模块等,而运算模块又可以包括多个运算核心,通过关闭处理的部分模块或者关闭处理器的部分运算核心,也可以降低处理器单位时间内的能耗,从而达到提高续航时间的目的。
在一个实施例中,提供了一个芯片,其包括了上述各个实施例所述的处理器控制装置。
具体的,芯片(Chip)可以是指集成电路的载体,是集成电路经过设计、制造、封装、测试后的结果,通常是一个可以立即使用的独立的载体。本实施例所示的芯片,将处理控制装置的各个单元、电路均集成在一个芯片中,节省了物理上的空间,进一步降低了能耗。
在一个实施例中,提供了一个芯片封装结构,其包括了上述芯片。
具体的,芯片封装结构是指通过该结构将芯片封装起来,通常通过一个封装芯片的外壳将芯片固定在板卡上,起着安放、固定、密封、保护芯片和增强电热性能的作用,且还可以将芯片上的接点用导线连接到封装外壳的引脚上,而这些引脚通过板卡上的导线与其他器件建立连接。
进一步的,处理器控制装置中的传感器控制单元230可以与运算电路210和存储器220封装在一个芯片封装结构中,并采用堆叠的方式进行封装。
上述芯片结构,使得运算电路210、存储器220以及传感器控制单元230的物理距离较短,从而进一步降低了能耗。
需要说明的是,传感器控制单元230可以与运算电路210和存储器220可以封装在一个芯片封装结构中,也可以分别封装在不同的芯片封装结构中,还可以分别设置在不同的设备中。
在一个实施例中,提供了一个板卡,其包括了上述芯片封装结构。
具体的,板卡是一种印制电路板,制作时带有插芯,可以插入插槽中与外部设备进行连接。
在一个实施例中,提供电子装置,其包括了上述板卡。
具体的,电子装置包括机器人、电脑、打印机、扫描仪、平板电脑、智能终端、手机、行车记录仪、导航仪、摄像头、云端服务器、相机、摄像机、投影仪、手表、耳机、移动存储、可穿戴设备、交通工具、家用电器、医疗设备的一种或组合。其中,交通工具包括飞机、轮船或车辆的至少一种。家用电器包括电视、空调、微波炉、冰箱、电饭煲、加湿器、洗衣机、电灯、燃气灶、油烟机的至少一种。医疗设备包括核磁共振仪、B超仪或心电图仪的至少一种。
请参阅图9,在一个实施例中,提供了又有一种电子设备,其中,包括传感器、处理器以及上述各个实施例中的处理器控制装置,其中,处理器控制装置与处理器连接,传感器与处理器和/或处理器控制装置连接,其中,该处理器控制控制装置的单位时间耗电量小于处理器的单位时间耗电量。具体的,在电子设备900中,可以包括传感器910、处理器控制装置920以及处理器930。其中,处理器控制装置920与处理器930连接,传感器910与处理器930和处理器控制装置920连接。传感器910用于采集环境信息,并将采集到的环境信息作为传感器数据发送给处理器控制装置920。
其中,传感器910可以是摄像头、照相机、毫米波雷达、红外设备、麦克风、声波接收器、激光雷达的一种或组合。传感器采集的环境信息可以是视觉信息、声音信息、味觉信息、触觉信息、重力感应信息等表征传感器所处环境信息的一种或组合。
处理器930可以是电子设备的主处理器,用于实现对于整个电子设备的控制,耗能较大。而处理器控制装置920是一个协处理器,用于接受传感器采集到的传感器数据进行处理后,输出用于控制处理器300的控制信号,并根据控制信号控制处理器300。可以理解,处理器控制装置920在单位时间内的能耗应小于处理器930在单位时间内的能耗。
需要说明的是,在本实施例所示的电子设备,传感器910分别与处理器控制装置920以及处理器930连接。即传感器910的传感器数据即能够发送给处理器控制装置920,也可以直接发送给处理器930。在其他实施例中,传感器910可以仅与处理器控制装置920连接,即传感器数据只发送给处理器控制装置。
上述电子设备可以通过获取到的传感器数据控制处理器,包括关闭处理器或者控制处理器降频、降压或者关闭部分模块。而在这个过程中,传感器可以一直获取环境信息,处理器控制装置也一直在响应传感器传送的环境信息,因此,在上述应用场景中,由处理器控制装置控制处理器,可以有效的降低功耗,并且传感器一直在采集外界信息,而处理器控制装置也一直根据传感器采集到的外界信息生成控制信号,因此,上述电子设备在降低能耗的同时,还能时刻响应于外界信息。
本申请各个实施例所涉及的方法,其执行主体可以是以上实施例提供的处理器控制装置,该装置可以通过软件、硬件或者软硬件结合的方式实现,该装置可以独立存在,也可以集成在某个设备中,例如可以集成在某个家用机器人上。为了描述方便,在本申请各个实施例所涉及的方法中,如果没有特别说明,其执行主体均为以硬件实现的处理器控制装置。
请参阅图10,图10为一个实施例提供的处理器控制方法的流程示意图。所述方法包括:
S110,获取传感器数据。
具体的,处理器控制装置首先获取传感器数据,传感器数据可以是指直接由传感器采集到的环境信息,也可以是指根据传感器采集到的环境信息进一步处理得到的数据。
S130,判断所述传感器数据是否与预设的关键信息匹配。
具体的,处理器控制装置判断传感器数据是否与预设的关键信息匹配。预设的关键信息是处理器控制装置在执行本次判断之前所获得的信息,可以是用户根据具体需求输入的信息,也可以是处理器控制装置在执行本次判断之前计算获得的信息。举例而言,预设关键信息可以是特定物体的图像信息,可以是特定的语音信息,还可以是特定的雷达扫描信息。也就是说,本实施例对预设关键信息的具体类型不作限定。
进一步的,处理器控制装置可通过卷积神经网络(Convolutional NeuralNetwork,CNN)对传感器数据进行认知,进而判断传感器数据与预设的关键信息是否匹配。
S150,若是,则输出控制指令,所述控制指令用于控制所述处理器。
具体的,若传感器数据与预设的关键信息不匹配,则输出控制指令,控制指令可以是数字信号,也可以是模拟信号。可以是较为复杂的数字信号,并根据数字信号实现对主处理器较为复杂的控制。举例而言,输出的控制指令为一个两位的二进制数字信号,同时在预先配置的控制协议中将不同的数字对应不同的控制指令,并根据不同的控制指令实现对处理器的控制。可以理解,控制信号除了还可以是其他格式的控制信号,例如包括语音信号、图像信号等,也就是说,本实施例对控制信号的类型并不做限定。
可选的,控制指令包括开启指令,开启指令用于指示处理器开始工作。即当处理器处于关闭状态时,如果处理器控制装置输出了开启指令,则处理器开始工作。
可选的,控制指令可包括降频指令、降压指令以及关闭部分模块指令的至少一种。其中,降频指令用于控制处理器执行降频操作。降压指令用于控制处理器执行降压操作。部分模块关闭指令用于关闭处理器的部分模块,对于处理器而言,一般可以分为多个模块,如控制模块、运算模块以及存储模块等,而运算模块又可以包括多个运算核心,通过关闭处理的部分模块或者关闭处理器的部分运算核心,也可以降低处理器单位时间内的能耗,从而达到提高续航时间的目的。
上述实施例提供的处理器控制方法,可以根据预设的关键信息进行判断是否需要开启处理器或者是否需要降低正在工作中的处理器的能耗。也就是说,只有在传感器数据与预设的关键信息匹配的时候才开启处理器,使得处理器处于工作状态,或者当处理器处于工作状态时,还可以通过降频、降压、关闭部分模块等方式降低该处理器的能耗。因此,本实施例提供的处理器控制方法降低了能耗,提高了续航时间。
在一个实施例中,请继续参阅图9,如果判断所述传感器数据与预设的关键信息不相符,则继续执行步骤S110,获取传感器数据。
具体的,当处理器控制装置判断传感器数据与预设的关键信息并不匹配后,可以继续获取传感器数据。也就是说,传感器数据不停的输入处理器控制装置,而处理器控制装置则继续判断新的传感器数据是否与预设的关键信息匹配。
上述实施例提供的处理器控制方法,当传感器数据与预设的关键信息不相符时,继续执行获取传感器数据的步骤,可以在节省开销,降低能耗的基础上,不丢失传感器获取的数据,使得处理器控制装置实现对处理器更加准确的控制。
请继续参阅图10,图10为一个具体实施例提供的处理器控制方法的流程示意图,其中,在步骤S130,判断传感器数据是否与预设的关键信息匹配的步骤之前,所述方法还包括:
S120,判断所述传感器数据是否符合预设条件,若是,则继续执行S130判断所述传感器数据是否与预设的关键信息匹配的步骤。
具体地,预设条件包括并不限于预设的时间间隔,当次传感器数据不同于前次传感器数据等。可以理解,根据不同的具体需求,可以设置不同的预设条件。
具体的,如果传感器数据满足预设条件,则执行传感器数据是否与预设的关键信息匹配的步骤。
可选的,预设条件可以是预设的时间间隔,例如,设预设的时间间隔5秒,则每经过5秒,就执行判断传感器数据是否与预设的关键信息匹配的步骤。
可选的,预设条件可以是当次传感器数据和前次传感器数据是否相同,如果相同,就进一步判断传感器数据是否与预设的关键信息匹配。进一步的,传感器数据是视频数据,则当次传感器数据为视频流中的当前帧,而前次传感器数据为视频了中的上一帧,如果当前帧与上一帧相同,则判断进一步判断传感器数据与预设的关键信息匹配。
上述实施例提供的处理器控制方法,在执行判断传感器数据是否与预设的关键信息匹配的步骤之前,首先筛选掉不符合预设条件的传感器数据。也就是说,只有符合预设条件的传感器数据才需要继续与预设的关键信息进行匹配。从而进一步节省了计算开销,降低了能耗。
在一个实施例中,如果传感器数据不符合预设条件,则继续执行获取传感器数据的步骤。
具体的,如果传感器数据不满足预设条件,则处理器控制装置继续执行步骤S110获取传感器数据。再根据新的传感器数据,判断新的传感器数据是否与预设的关键信息匹配。
上述实施例提供的处理器控制方法,当传感器数据不符合预设条件时,继续执行获取传感器数据的步骤,从而可以在节省开销,降低能耗的基础上,不丢失传感器获取的数据,使得处理器控制装置实现对处理器更加准确的控制。
本实施例涉及的判断所述传感器数据是否与预设的关键信息匹配的具体实现方法,传感器数据是否与预设的关键信息匹配,可以通计算传感器数据与预设的关键信息相似度的方法实现,也可以采用通过预先设置的神经网络计算模型,将传感器数据作为神经网络系统的输入,计算得到输出结果,再根据输出结果判断传感器数据是否与预设的关键信息匹配。可选的,还可以通过图11所示的方法实现。请参阅图11,图11为其中一个实施例提供的处理器控制方法的部分流程示意图,在图9或图10所示实施例的基础上,其中,步骤S130判断所述传感器数据是否与预设的关键信息匹配,包括:
S131,根据所述传感器数据,通过预先设置的计算模型,计算获得输出结果。
具体的,根据步骤S110获取到的传感器数据,通过预先设置的计算模型对传感器数据进行计算。进一步的,计算模型是通过机器学习算法训练的获得模型,即可以是通过有监督的机器学习算法进行训练获得的模型,也可以是通过无监督的机器学习算法进行训练获得的模型。
可选的,可以采用神经网络训练计算模型,即将训练样本作为神经网络的输入,获得输出结果,再将输出结果与期望值进行比对,然后通过梯度下降算法调整神经网络中的权重,直到输出结果符合期望值。通过神经网络训练获得的计算模型,处理复杂传感器信号的速度更快,也更加准确。进一步的,训练样本可以根据先验知识获取,也可以通过另一个神经网络进行生成。
更进一步的,计算模型可以分为低容量模型以及高容量模型。其中,低容量计算模型需要较小的计算开销,但是对传感器信号处理的精度较低,难以适合处理复杂的传感器信号。而高容量适合处理复杂的传感器数据,但是需要较大的计算开销。
S133,若所述输出结果大于预先设置的第一阈值,则传感器数据与预设的关键信息匹配。
具体的,第一阈值可以是用户根据具体需求进行设置的,也可以根据硬件的门限值进行设定。进一步的,用户可以输入一个描述敏感度的参数,处理器控制装置根据该参数计算获得第一阈值。例如,在实际应用中,由于输出结果往往是一个在[0,1]取值范围内的值,如果用户需要较高的敏感度,则相应的可以设置一个较低的阈值,例如0.3。如果用户需要较高的敏感度,则相应的可以设置一个较高的阈值,例如0.7。可以理解,第一阈值越高,传感器数据与预设的关键信息匹配成功的可能性越低,启动处理器的可能性也就越低。相反的,第一阈值越低,传感器数据与预设的关键信息匹配成功的可能性就越高,启动处理器的可能性也就越高。
S135,若所述输出结果不大于预先设置的第一阈值,则传感器数据与预设的关键信息不匹配。
具体的,如果所述输出结果不大于预先设置的第一阈值,则判断传感器数据与预设的关键信息不匹配。
上述实施例提供的处理器控制方法,通过神经网络算法判断传感器数据是否与预设的关键信息匹配,精度更高,灵活性更强。结合专用的神经网络处理器,能耗更低。从而进一步节省了计算开销,降低了能耗。
请继续参阅图12,图12为其中一个实施例提供的处理器控制方法的流程示意图。其中,所述计算模型包括第一计算模型和第二计算模型,其中,第一计算模型的容量大于第二计算模型的容量。在图11所示处理器控制方法的基础上,步骤S131根据所述传感器数据,通过预先设置的计算模型,计算获得输出结果的步骤包括:
S131a,获取第一计算模型,根据所述传感器数据,通过所述低容量模型,计算获得第一中间结果。
具体的,由于第一计算模型的计算开销较小,通过第一计算模型,根据获取到的环境信息,可以进一步计算获得第一中间结果。将传感器数据作为低容量模型的输入,经过计算,即可获得第一中间结果。
S131b,判断所述第一中间结果是否大于第二阈值。
S131c,若是,则获取第二计算模型,并通过所述第二计算模型,根据所述传感器数据,计算获得输出结果。
具体的,如果第一中间结果大于第二阈值,则需要进一步采用第二计算模型,同样的,将传感器数据作为第二计算模型的输入,经过计算,即可获得输出结果。
上述实施例提供的处理器控制方法,进一步将计算模型区分为第一计算模型和第二计算模型。对于传感器数据,首先采用计算开销较小的低容量模型,从而进一步节省了计算开销,降低了能耗。
在一个实施例中,如果第一中间结果不大于第二阈值,则所述处理器控制方法包括:
若否,则执行S110获取传感器数据的步骤。
具体的,如果第一中间结果不大于第二阈值,则继续获取新的传感器数据,并根据新的传感器数据判断是否需要启动处理器。
需要说明的是,虽然图10-13的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图10-13中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种处理器控制模块,所述控制模块包括:
数据获取单元,用于获取传感器数据。
信息匹配单元,用于判断所述传感器数据是否与预设的关键信息匹配。
控制指令输出单元,用于输出控制指令,所述控制指令用于控制所述处理器。
具体的,该处理器控制模块的具体限定及有益效果可以参考上述处理器控制方法的具体限定及有益效果,不再赘述。
在一个实施例中,提供了一种芯片系统,包括存储器、运算电路以及存储在存储器上的计算机程序,其中运算电路执行计算机程序时实现上述实施例中所述方法中的步骤。
具体的,该芯片系统的具体限定及有益效果可以参考上述处理器控制方法的具体限定及有益效果,不再赘述。
上述实施例可以全部或者部分的通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或者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可以包括一个或者多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或者部分地产生按照本发明实施例所述的流程或者功能。其中,所述计算机可以是通用的计算机、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、服务器或者数据中心通过有线(例如同轴电缆、光纤数字用户线DSL)或者无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或者数据中心进行传输;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者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DVD)、或者半导体介质(例如固态硬盘SSD)等。
本领域内的技术人员应明白,本申请的实施例可提供为计算机设备或可读存储介质等计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,在没有超过本申请的范围内,可以通过其他的方式实现。例如,以上所描述的实施例仅仅是示意性的,例如,所述模块或单元的划分,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。其中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模块来实现本实施例方案的目的。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (20)
1.一种处理器控制装置,用于控制处理器,包括运算电路和存储器,
其中运算电路连接至存储器,,运算电路被配置为根据获得的传感器数据输出控制信号;
其中,所述传感器数据由一个或多个传感器获取,传感器被配置为采集处理器控制装置的环境信息,其中,环境信息包括视觉信息、声音信息、味觉信息、触觉信息或重力感应信息中的一种或多种;
其中,运算电路被配置为调用计算模型使用机器学习算法处理所述传感器数据,以判断获取的传感器数据是否与预设的关键信息匹配,所述预设的关键信息取决于获取的传感器数据的类型并且对应于环境信息的类型;和
其中,当获取的传感器数据与预设的关键信息匹配时,输出控制信号,所述控制信号用于根据获取的传感器数据控制处理器的功耗。
2.根据权利要求1所述的处理器控制装置,其中,存储器包括易失存储器和非易失存储器,其中易失存储器用于缓存数据,非易失性存储器用于存储计算模型,其中,计算模型包括第一计算模型和第二计算模型,其中第一计算模型的容量小于第二计算模型的容量,
所述非易失存储器包括高容量模型存储器以及低容量模型存储器;所述高容量模型存储器用于存储第二计算模型,所述低容量计算模型存储器用于存储第一计算模型,其中,所述高容量模型存储器的存储容量大于所述低容量存储模型的存储容量。
3.根据权利要求1所述的处理器控制装置,其中,运算电路包括主处理电路、至少一个基本处理电路和至少一个分支处理电路,其中
所述主处理电路连接到至少一个分支处理电路,并且至少一个分支处理电路各自连接到至少一个基本处理电路,其中,所述主处理电路包括控制电路、向量运算器电路、算数逻辑电路、累加器电路以及直接内存存取电路;
其中,运算电路包括配置为执行机器学习算法的神经网络处理单元。
4.根据权利要求1所述的处理器控制装置,其中,处理器控制装置包括传感器控制单元,其中传感器控制单元连接到运算电路并且被配置为控制处理器控制装置和传感器之间的信号传输,
其中,传感器控制单元包括控制器和缓存器,控制器和缓存器通信连接,控制器用于控制传感器,缓存器用于缓存传感器发送的传感器信号,
其中,传感器控制单元还包括与控制器连接的配置存储器,配置存储器用于存储用户输入的交互信息。
5.根据权利要求1所述的处理器控制装置,其中,控制信号是用于开启或关闭处理器的开关信号。
6.根据权利要求5所述的处理器控制装置,其中,处理器控制装置包括连接到运算电路的电源控制器,其中
所述电源控制器用以根据运算电路所产生的开关信号来开启或关闭处理器。
7.根据权利要求6所述的处理器控制装置,其中,所述电源控制器包括开关控制器及电源接口,其中开关控制器串联在所述运算电路与所述电源接口之间。
8.根据权利要求1所述的处理器控制装置,其中控制信号为节能信号,所述节能信号包括降频信号、降压信号和一个或多个模块关闭信号中的至少一种。
9.一种芯片,其特征在于,所述芯片包括权利要求1中的处理器控制装置。
10.一种电子设备,其特征在于,所述电子设备包括一个或多个传感器、处理器和权利要求1中的处理器控制装置,其中
处理器控制装置连接到处理器,并且一个或多个传感器连接到处理器和/或处理器控制装置,其中
处理器控制装置的单位时间耗电量小于处理器的单位时间耗电量。
11.一种处理器控制方法,用于控制处理器,包括:
获取传感器数据,其中,传感器数据由一个或多个传感器获取,所述传感器被配置为采集处理器控制装置的环境信息,其中,环境信息包括视觉信息、声音信息、味觉信息或重力感应信息中的一种或多种;;
调用计算模型使用机器学习算法处理传感器数据;和
判断传感器数据是否与预设的关键信息匹配,预设的关键信息取决于获取的传感器数据的类型;
若传感器数据与预设的关键信息匹配,则输出控制指令,控制指令用于控制处理器的功耗。
12.根据权利要求11所述的控制方法,其中,若传感器数据与预设的关键信息不匹配,则该方法还包括:
继续执行获取传感器数据的步骤。
13.根据权利要求11所述的控制方法,其中,在判断传感器数据是否与预设的关键信息匹配之前,该方法还包括:
判断传感器数据是否符合预设条件,以及
若传感器数据符合预设条件,则继续执行判断传感器数据是否与预设的关键信息匹配的步骤;
如果传感器数据不符合预设条件,则继续执行获取传感器数据的步骤。
14.根据权利要求13所述的控制方法,其中,判断传感器数据是否符合预设条件包括:
以每个预设的时间间隔采集传感器数据;
获取当次传感器数据并缓存前次传感器数据,
判断当次传感器数据是否与前次传感器数据相同,以及
如果当次传感器数据与前次传感器数据不同,则判断传感器数据符合预设条件。
15.根据权利要求11所述的控制方法,其中,判断传感器数据是否与预设的关键信息匹配包括:
根据传感器数据,基于预先设置的计算模型进行计算得到输出结果,
如果输出结果大于预先设置的第一阈值,则确定传感器数据与预设的关键信息匹配,以及
如果输出结果小于或等于预先设置的第一阈值,则确定传感器数据与预设的关键信息不匹配。
16.根据权利要求15所述的控制方法,其中计算模型是通过卷积神经网络训练得到的。
17.根据权利要求15所述的控制方法,其中,计算模型包括第一计算模型和第二计算模型,其中第一计算模型的容量需求大于第二计算模型的容量需求,
所述根据传感器数据基于预先设置的计算模型进行计算得到输出结果包括:
获取第一计算模型,并根据传感器数据,基于第一计算模型进行计算,得到第一中间结果,
判断第一中间结果是否大于第二阈值,以及
若第一中间结果大于第二阈值,则取得第二计算模型,并根据传感器数据,基于第二计算模型进行计算,得到输出结果。
18.根据权利要求17所述的控制方法,其中,控制方法包括:
如果第一中间结果不大于第二阈值,
执行获取传感器数据的步骤。
19.根据权利要求11所述的控制方法,其中控制方法包括开启处理器的开启指令。
20.根据权利要求11所述的控制方法,其中所述控制指令包括节能指令,所述节能指令包括降频指令、降压指令及部分模块关闭指令中的至少一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310945188.6A CN116991226A (zh) | 2018-02-14 | 2018-02-14 | 处理器的控制装置、方法及设备 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310945188.6A CN116991226A (zh) | 2018-02-14 | 2018-02-14 | 处理器的控制装置、方法及设备 |
CN201810151580.2A CN110162162B (zh) | 2018-02-14 | 2018-02-14 | 处理器的控制装置、方法及设备 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810151580.2A Division CN110162162B (zh) | 2018-02-14 | 2018-02-14 | 处理器的控制装置、方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116991226A true CN116991226A (zh) | 2023-11-03 |
Family
ID=67619770
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810151580.2A Active CN110162162B (zh) | 2018-02-14 | 2018-02-14 | 处理器的控制装置、方法及设备 |
CN202310869319.7A Pending CN116991225A (zh) | 2018-02-14 | 2018-02-14 | 处理器的控制装置、方法及设备 |
CN202310945188.6A Pending CN116991226A (zh) | 2018-02-14 | 2018-02-14 | 处理器的控制装置、方法及设备 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810151580.2A Active CN110162162B (zh) | 2018-02-14 | 2018-02-14 | 处理器的控制装置、方法及设备 |
CN202310869319.7A Pending CN116991225A (zh) | 2018-02-14 | 2018-02-14 | 处理器的控制装置、方法及设备 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11513586B2 (zh) |
EP (1) | EP3623906A4 (zh) |
JP (1) | JP6761134B2 (zh) |
KR (1) | KR20200119706A (zh) |
CN (3) | CN110162162B (zh) |
WO (1) | WO2019157888A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11437032B2 (en) | 2017-09-29 | 2022-09-06 | Shanghai Cambricon Information Technology Co., Ltd | Image processing apparatus and method |
KR102354720B1 (ko) | 2018-02-13 | 2022-01-21 | 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드 | 계산 장치 및 방법 |
US11630666B2 (en) | 2018-02-13 | 2023-04-18 | Shanghai Cambricon Information Technology Co., Ltd | Computing device and method |
US20200159532A1 (en) | 2018-02-13 | 2020-05-21 | Shanghai Cambricon Information Technology Co., Ltd | Computing device and method |
EP3624020A4 (en) | 2018-05-18 | 2021-05-05 | Shanghai Cambricon Information Technology Co., Ltd | CALCULATION PROCEDURES AND RELATED PRODUCTS |
KR102470893B1 (ko) | 2018-06-27 | 2022-11-25 | 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드 | 온 칩 코드의 브레이크 포인트에 의한 디버그 방법, 온 칩 프로세서 및 브레이크 포인트에 의한 칩 디버그 시스템 |
EP3640810A4 (en) | 2018-08-28 | 2021-05-05 | Cambricon Technologies Corporation Limited | DATA PRE-PROCESSING PROCESS AND APPARATUS, COMPUTER DEVICE AND STORAGE MEDIA |
US11703939B2 (en) | 2018-09-28 | 2023-07-18 | Shanghai Cambricon Information Technology Co., Ltd | Signal processing device and related products |
CN111383638A (zh) | 2018-12-28 | 2020-07-07 | 上海寒武纪信息科技有限公司 | 信号处理装置、信号处理方法及相关产品 |
US20200334522A1 (en) | 2019-04-18 | 2020-10-22 | Cambricon Technologies Corporation Limited | Data processing method and related products |
CN111832737B (zh) | 2019-04-18 | 2024-01-09 | 中科寒武纪科技股份有限公司 | 一种数据处理方法及相关产品 |
CN112085193B (zh) | 2019-06-12 | 2024-03-29 | 上海寒武纪信息科技有限公司 | 一种神经网络的量化参数确定方法及相关产品 |
US11676028B2 (en) | 2019-06-12 | 2023-06-13 | Shanghai Cambricon Information Technology Co., Ltd | Neural network quantization parameter determination method and related products |
CN114563682B (zh) * | 2020-11-27 | 2024-01-26 | 上海寒武纪信息科技有限公司 | 计算集成电路的静态延迟时序的方法及设备 |
KR20240024485A (ko) * | 2022-08-17 | 2024-02-26 | 삼성전자주식회사 | 모델들에 의하여 공통으로 이용되는 정보에 기반하여 모델들을 구동하기 위한 전자 장치 및 그 방법 |
Family Cites Families (188)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0375860A (ja) | 1989-08-18 | 1991-03-29 | Hitachi Ltd | パーソナライズド端末 |
US5052043A (en) | 1990-05-07 | 1991-09-24 | Eastman Kodak Company | Neural network with back propagation controlled through an output confidence measure |
US6144977A (en) | 1995-07-10 | 2000-11-07 | Motorola, Inc. | Circuit and method of converting a floating point number to a programmable fixed point number |
GB9602701D0 (en) | 1996-02-09 | 1996-04-10 | Canon Kk | Image manipulation |
US7242414B1 (en) | 1999-07-30 | 2007-07-10 | Mips Technologies, Inc. | Processor having a compare extension of an instruction set architecture |
JP2000293371A (ja) | 1999-04-09 | 2000-10-20 | Hitachi Ltd | マイクロプログラム制御方法及び装置 |
US6671796B1 (en) | 2000-02-25 | 2003-12-30 | Sun Microsystems, Inc. | Converting an arbitrary fixed point value to a floating point value |
US6931639B1 (en) | 2000-08-24 | 2005-08-16 | International Business Machines Corporation | Method for implementing a variable-partitioned queue for simultaneous multithreaded processors |
US7153348B2 (en) | 2000-09-07 | 2006-12-26 | Nippon Steel Corporation | Hexavalent chromium-free surface-treating agent for Sn or Al-based coated steel sheet, and surface treated steel sheet |
US20020138714A1 (en) | 2001-03-22 | 2002-09-26 | Sun Microsystems, Inc. | Scoreboard for scheduling of instructions in a microprocessor that provides out of order execution |
CN1270273C (zh) | 2001-04-19 | 2006-08-16 | 艾利森电话股份有限公司 | 自适应存储器分配 |
US20030167460A1 (en) | 2002-02-26 | 2003-09-04 | Desai Vipul Anil | Processor instruction set simulation power estimation method |
US7236995B2 (en) | 2002-12-27 | 2007-06-26 | Arm Limited | Data processing apparatus and method for converting a number between fixed-point and floating-point representations |
DE10316381A1 (de) | 2003-04-10 | 2004-10-28 | Bayer Technology Services Gmbh | Verfahren zum Training von neuronalen Netzen |
JP4202244B2 (ja) | 2003-12-22 | 2008-12-24 | Necエレクトロニクス株式会社 | Vliw型dsp,及びその動作方法 |
US20060161375A1 (en) * | 2004-12-30 | 2006-07-20 | Allen Duberstein | Optimizing processing speed based on measured temperatures |
US7721128B2 (en) * | 2005-11-29 | 2010-05-18 | International Business Machines Corporation | Implementation of thermal throttling logic |
US20070242973A1 (en) | 2006-04-12 | 2007-10-18 | Konica Minolta Business Technologies, Inc. | Developing device and image forming apparatus |
CN1851668A (zh) | 2006-06-01 | 2006-10-25 | 北京天碁科技有限公司 | 片上系统芯片、片上系统芯片的跟踪调试系统及方法 |
DE102006059156B4 (de) | 2006-12-14 | 2008-11-06 | Advanced Micro Devices, Inc., Sunnyvale | Verfahren zum Testen eines integrierten Schaltkreischips mit zumindest zwei Schaltungskernen sowie integrierter Schaltkreischip und Testsystem |
US20110060587A1 (en) | 2007-03-07 | 2011-03-10 | Phillips Michael S | Command and control utilizing ancillary information in a mobile voice-to-speech application |
US8560591B2 (en) | 2007-04-25 | 2013-10-15 | International Business Machines Corporation | Detection of potential need to use a larger data format in performing floating point operations |
US8051118B2 (en) | 2007-04-26 | 2011-11-01 | International Business Machines Corporation | Composition of decimal floating point data |
US8051117B2 (en) | 2007-04-26 | 2011-11-01 | International Business Machines Corporation | Shift significand of decimal floating point data |
US8190664B2 (en) | 2007-04-26 | 2012-05-29 | International Business Machines Corporation | Employing a mask field of an instruction to encode a sign of a result of the instruction |
JP5184824B2 (ja) | 2007-06-15 | 2013-04-17 | キヤノン株式会社 | 演算処理装置及び方法 |
JP2009110353A (ja) | 2007-10-31 | 2009-05-21 | Hitachi Ltd | マイクロコントローラ及び制御システム |
US7904287B2 (en) * | 2007-11-13 | 2011-03-08 | International Business Machines Corporation | Method and system for real-time prediction of power usage for a change to another performance state |
JP4998794B2 (ja) | 2007-11-29 | 2012-08-15 | Nkワークス株式会社 | 画像補正方法と画像補正装置 |
CN101639800A (zh) * | 2008-08-01 | 2010-02-03 | 华为技术有限公司 | 一种显示屏显示方法及终端 |
US20100073068A1 (en) * | 2008-09-22 | 2010-03-25 | Hanwoo Cho | Functional block level thermal control |
CN101572829B (zh) | 2009-06-10 | 2011-02-02 | 中国联合网络通信集团有限公司 | Iptv视频质量监测方法、装置和系统 |
EP2336882A1 (en) | 2009-12-18 | 2011-06-22 | Telefonaktiebolaget L M Ericsson (PUBL) | Technique for run-time provision of executable code using off-device services |
CN102985673B (zh) * | 2010-04-21 | 2015-06-17 | 丰田自动车株式会社 | 内燃机的控制装置 |
JP2011253374A (ja) | 2010-06-02 | 2011-12-15 | Sony Corp | 情報処理装置、および情報処理方法、並びにプログラム |
US8452463B2 (en) * | 2010-06-04 | 2013-05-28 | Apple Inc. | Adjusting the thermal behavior of a computing system using indirect information about ambient temperature |
US8694572B2 (en) | 2010-07-06 | 2014-04-08 | Silminds, Llc, Egypt | Decimal floating-point fused multiply-add unit |
CN102478953B (zh) * | 2010-11-24 | 2015-07-22 | 原相科技股份有限公司 | 具有省电机制的触控系统与光学触控系统 |
JP5525467B2 (ja) * | 2011-02-18 | 2014-06-18 | 株式会社日立製作所 | センサデバイス、及びその制御方法 |
US8924455B1 (en) | 2011-02-25 | 2014-12-30 | Xilinx, Inc. | Multiplication of matrices using systolic arrays |
CN102761509B (zh) | 2011-04-27 | 2016-01-06 | 联芯科技有限公司 | Ofdm系统的接收系统及降低接收系统内存的方法 |
CN103534664B (zh) * | 2011-05-12 | 2016-08-31 | 苹果公司 | 存在感测 |
CN102789413B (zh) | 2011-05-23 | 2016-02-17 | 同济大学 | 一种并行程序的调试系统及方法 |
US8594982B2 (en) | 2011-06-09 | 2013-11-26 | Pulsar Informatics, Inc. | Systems and methods for distributed calculation of fatigue-risk prediction and optimization |
CN102404673B (zh) | 2011-11-24 | 2013-12-18 | 苏州上声电子有限公司 | 数字化扬声器系统通道均衡与声场控制方法和装置 |
CN103152673B (zh) | 2011-12-07 | 2015-07-08 | 中国科学院声学研究所 | 基于四元码动态失配整形的数字扬声器驱动方法和装置 |
CN102684701B (zh) | 2012-04-27 | 2014-07-09 | 苏州上声电子有限公司 | 基于编码转换的数字扬声器驱动方法和装置 |
DE102012009502A1 (de) | 2012-05-14 | 2013-11-14 | Kisters Ag | Verfahren zum Trainieren eines künstlichen neuronalen Netzes |
US9417891B2 (en) | 2012-06-11 | 2016-08-16 | Vmware, Inc. | Unified storage/VDI provisioning methodology |
US9052896B2 (en) * | 2012-07-20 | 2015-06-09 | Facebook, Inc. | Adjusting mobile device state based on user intentions and/or identity |
US9063731B2 (en) | 2012-08-27 | 2015-06-23 | Samsung Electronics Co., Ltd. | Ultra low power apparatus and method to wake up a main processor |
CN102903089B (zh) | 2012-09-07 | 2014-12-17 | 山东大学 | 一种Linux环境下生成遥感图像快视图的方法 |
US9412366B2 (en) | 2012-09-18 | 2016-08-09 | Adobe Systems Incorporated | Natural language image spatial and tonal localization |
CN102981854A (zh) | 2012-11-16 | 2013-03-20 | 天津市天祥世联网络科技有限公司 | 基于浮点数运算内联函数库的神经网络优化方法 |
US20150369963A1 (en) | 2012-11-22 | 2015-12-24 | Keio University | Acrylic copolymer, optical film, polarizing plate and liquid crystal display device |
US9851977B2 (en) | 2012-12-06 | 2017-12-26 | Kalray | Apparatus and method for combining thread warps with compatible execution masks for simultaneous execution and increased lane utilization |
US20140189165A1 (en) * | 2012-12-29 | 2014-07-03 | Precision Life Technologies, Inc. | Size-minimized data logger and secure digital (sd) memory card housing |
US9720732B1 (en) | 2013-02-11 | 2017-08-01 | Amazon Technologies, Inc. | Parameter selection for optimization of task execution based on execution history for prior tasks |
JP2014170295A (ja) | 2013-03-01 | 2014-09-18 | Honda Motor Co Ltd | 物体認識システム及び物体認識方法 |
US20190138372A1 (en) | 2013-04-29 | 2019-05-09 | Moogsoft, Inc. | System for managing an instructure with security |
CN103269546B (zh) * | 2013-05-23 | 2015-10-28 | 中国科学院自动化研究所 | 一种led路灯智能控制系统及其方法 |
JP6184891B2 (ja) | 2014-03-12 | 2017-08-23 | 東芝メモリ株式会社 | 情報処理装置、半導体チップ、情報処理方法およびプログラム |
US9507405B2 (en) * | 2014-06-18 | 2016-11-29 | Oracle International Corporation | System and method for managing power in a chip multiprocessor using a proportional feedback mechanism |
US9575537B2 (en) * | 2014-07-25 | 2017-02-21 | Intel Corporation | Adaptive algorithm for thermal throttling of multi-core processors with non-homogeneous performance states |
US10282100B2 (en) | 2014-08-19 | 2019-05-07 | Samsung Electronics Co., Ltd. | Data management scheme in virtualized hyperscale environments |
GB2524126B (en) | 2014-08-28 | 2016-07-27 | Imagination Tech Ltd | Combining paths |
US9916130B2 (en) | 2014-11-03 | 2018-03-13 | Arm Limited | Apparatus and method for vector processing |
FR3030077B1 (fr) | 2014-12-10 | 2016-12-02 | Arnault Ioualalen | Procede d'ajustement de la precision d'un programme d'ordinateur manipulant au moins un nombre a virgule. |
EP3035204B1 (en) | 2014-12-19 | 2018-08-15 | Intel Corporation | Storage device and method for performing convolution operations |
US20170061279A1 (en) | 2015-01-14 | 2017-03-02 | Intel Corporation | Updating an artificial neural network using flexible fixed point representation |
US20160328645A1 (en) | 2015-05-08 | 2016-11-10 | Qualcomm Incorporated | Reduced computational complexity for fixed point neural network |
US10262259B2 (en) | 2015-05-08 | 2019-04-16 | Qualcomm Incorporated | Bit width selection for fixed point neural networks |
US10083395B2 (en) | 2015-05-21 | 2018-09-25 | Google Llc | Batch processing in a neural network processor |
CN104899641B (zh) | 2015-05-25 | 2018-07-13 | 杭州朗和科技有限公司 | 深度神经网络学习方法、处理器和深度神经网络学习系统 |
CN115100017A (zh) | 2015-06-10 | 2022-09-23 | 无比视视觉技术有限公司 | 用于处理图像的图像处理器和方法 |
CN104978303B (zh) | 2015-06-19 | 2019-06-04 | 上海兆芯集成电路有限公司 | 单芯片整合的传感器集线器和多传感器管理方法 |
CN106469291A (zh) | 2015-08-19 | 2017-03-01 | 中兴通讯股份有限公司 | 图像处理方法及终端 |
US10031765B2 (en) | 2015-09-24 | 2018-07-24 | Intel Corporation | Instruction and logic for programmable fabric hierarchy and cache |
WO2017055609A1 (en) * | 2015-09-30 | 2017-04-06 | Piksel, Inc | Improved video stream delivery via adaptive quality enhancement using error correction models |
US11061672B2 (en) | 2015-10-02 | 2021-07-13 | Via Alliance Semiconductor Co., Ltd. | Chained split execution of fused compound arithmetic operations |
CN106570559A (zh) | 2015-10-09 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 一种基于神经网络的数据处理方法和装置 |
WO2017081943A1 (ja) * | 2015-11-10 | 2017-05-18 | ソニー株式会社 | 電子装置、制御回路、および、電子装置の制御方法 |
US9930248B2 (en) | 2015-11-17 | 2018-03-27 | Eman Bayani | Digital image capturing device system and method |
CN106814639A (zh) | 2015-11-27 | 2017-06-09 | 富泰华工业(深圳)有限公司 | 语音控制系统及方法 |
CN105893419A (zh) | 2015-11-30 | 2016-08-24 | 乐视致新电子科技(天津)有限公司 | 一种多媒体照片生成方法、装置、设备及手机 |
US10699186B2 (en) | 2015-12-02 | 2020-06-30 | Google Llc | Determining orders of execution of a neural network |
CN110135581B (zh) | 2016-01-20 | 2020-11-06 | 中科寒武纪科技股份有限公司 | 用于执行人工神经网络反向运算的装置和方法 |
CN106997236B (zh) | 2016-01-25 | 2018-07-13 | 亮风台(上海)信息科技有限公司 | 基于多模态输入进行交互的方法和设备 |
US10664766B2 (en) | 2016-01-27 | 2020-05-26 | Bonsai AI, Inc. | Graphical user interface to an artificial intelligence engine utilized to generate one or more trained artificial intelligence models |
US10497089B2 (en) | 2016-01-29 | 2019-12-03 | Fotonation Limited | Convolutional neural network |
US10103714B2 (en) * | 2016-03-01 | 2018-10-16 | Qualcomm Incorporated | Adjust voltage for thermal mitigation |
JP2017156511A (ja) | 2016-03-01 | 2017-09-07 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
US10019779B2 (en) | 2016-03-08 | 2018-07-10 | Amazon Technologies, Inc. | Browsing interface for item counterparts having different scales and lengths |
US10552119B2 (en) | 2016-04-29 | 2020-02-04 | Intel Corporation | Dynamic management of numerical representation in a distributed matrix processor architecture |
CN109934331B (zh) | 2016-04-29 | 2020-06-19 | 中科寒武纪科技股份有限公司 | 用于执行人工神经网络正向运算的装置和方法 |
US10187568B1 (en) | 2016-05-02 | 2019-01-22 | Bao Tran | Video smart phone |
US11055063B2 (en) | 2016-05-02 | 2021-07-06 | Marvell Asia Pte, Ltd. | Systems and methods for deep learning processor |
CN105978611B (zh) | 2016-05-12 | 2019-09-17 | 京信通信系统(中国)有限公司 | 一种频域信号压缩方法及装置 |
AU2016203619A1 (en) | 2016-05-31 | 2017-12-14 | Canon Kabushiki Kaisha | Layer-based operations scheduling to optimise memory for CNN applications |
EP3252949B1 (en) * | 2016-06-01 | 2020-03-18 | Intel IP Corporation | Methods and devices for predistortion of signals |
US20170357910A1 (en) | 2016-06-10 | 2017-12-14 | Apple Inc. | System for iteratively training an artificial intelligence using cloud-based metrics |
CN107545889B (zh) | 2016-06-23 | 2020-10-23 | 华为终端有限公司 | 适用于模式识别的模型的优化方法、装置及终端设备 |
CN106156310A (zh) | 2016-06-30 | 2016-11-23 | 努比亚技术有限公司 | 一种图片处理装置和方法 |
US10372588B2 (en) | 2016-07-08 | 2019-08-06 | International Business Machines Corporation | Providing debug information on production containers using debug containers |
DE102016214786A1 (de) | 2016-08-09 | 2018-02-15 | Fujitsu Limited | Anwendungsprofiling-Jobmanagement-System, -Programm und -Verfahren |
US20180046903A1 (en) | 2016-08-12 | 2018-02-15 | DeePhi Technology Co., Ltd. | Deep processing unit (dpu) for implementing an artificial neural network (ann) |
CN107688855B (zh) | 2016-08-12 | 2021-04-13 | 赛灵思公司 | 针对于复杂神经网络的分层量化方法与装置 |
CN106354568A (zh) | 2016-08-23 | 2017-01-25 | 京信通信技术(广州)有限公司 | 一种不同进程间的通信方法及通信装置 |
CN107797913A (zh) | 2016-09-07 | 2018-03-13 | 大陆汽车电子(连云港)有限公司 | 一种实时系统的软件分析系统与方法 |
US11907760B2 (en) | 2016-09-23 | 2024-02-20 | Apple Inc. | Systems and methods of memory allocation for neural networks |
CN106650922B (zh) | 2016-09-29 | 2019-05-03 | 清华大学 | 硬件神经网络转换方法、计算装置、软硬件协作系统 |
US20180096243A1 (en) * | 2016-09-30 | 2018-04-05 | General Electric Company | Deep learning for data driven feature representation and anomaly detection |
WO2018071546A1 (en) | 2016-10-11 | 2018-04-19 | The Research Foundation For The State University Of New York | System, method, and accelerator to process convolutional neural network layers |
CN106485316B (zh) | 2016-10-31 | 2019-04-02 | 北京百度网讯科技有限公司 | 神经网络模型压缩方法以及装置 |
CN106502626A (zh) | 2016-11-03 | 2017-03-15 | 北京百度网讯科技有限公司 | 数据处理方法和装置 |
US10216479B2 (en) | 2016-12-06 | 2019-02-26 | Arm Limited | Apparatus and method for performing arithmetic operations to accumulate floating-point numbers |
US10997492B2 (en) | 2017-01-20 | 2021-05-04 | Nvidia Corporation | Automated methods for conversions to a lower precision data format |
CN106951587A (zh) | 2017-02-15 | 2017-07-14 | 芯启源(南京)半导体科技有限公司 | Fpga调试系统及方法 |
CN106951962B (zh) | 2017-03-22 | 2020-09-01 | 南京地平线机器人技术有限公司 | 用于神经网络的复合运算单元、方法和电子设备 |
US10402932B2 (en) | 2017-04-17 | 2019-09-03 | Intel Corporation | Power-based and target-based graphics quality adjustment |
US10332302B2 (en) | 2017-04-17 | 2019-06-25 | Intel Corporation | Scatter gather engine |
CN107025629B (zh) | 2017-04-27 | 2021-03-26 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
US11842280B2 (en) | 2017-05-05 | 2023-12-12 | Nvidia Corporation | Loss-scaling for deep neural network training with reduced precision |
US10019668B1 (en) | 2017-05-19 | 2018-07-10 | Google Llc | Scheduling neural network processing |
US11144828B2 (en) | 2017-06-09 | 2021-10-12 | Htc Corporation | Training task optimization system, training task optimization method and non-transitory computer readable medium for operating the same |
US10944902B2 (en) | 2017-06-20 | 2021-03-09 | Adobe Inc. | Digital image generation using capture support data |
US9916531B1 (en) | 2017-06-22 | 2018-03-13 | Intel Corporation | Accumulator constrained quantization of convolutional neural networks |
US20200097799A1 (en) * | 2017-06-30 | 2020-03-26 | Intel Corporation | Heterogeneous multiplier |
CN109214509B (zh) | 2017-07-05 | 2021-07-06 | 中国科学院沈阳自动化研究所 | 一种用于深度神经网络高速实时量化结构和运算实现方法 |
CN107451654B (zh) | 2017-07-05 | 2021-05-18 | 深圳市自行科技有限公司 | 卷积神经网络的加速运算方法、服务器及存储介质 |
US10427306B1 (en) | 2017-07-06 | 2019-10-01 | X Development Llc | Multimodal object identification |
CN109284130B (zh) | 2017-07-20 | 2021-03-23 | 上海寒武纪信息科技有限公司 | 神经网络运算装置及方法 |
CN107451658B (zh) | 2017-07-24 | 2020-12-15 | 杭州菲数科技有限公司 | 浮点运算定点化方法及系统 |
CN107688849B (zh) | 2017-07-28 | 2021-04-13 | 赛灵思电子科技(北京)有限公司 | 一种动态策略定点化训练方法及装置 |
US11481218B2 (en) | 2017-08-02 | 2022-10-25 | Intel Corporation | System and method enabling one-hot neural networks on a machine learning compute platform |
KR102601604B1 (ko) | 2017-08-04 | 2023-11-13 | 삼성전자주식회사 | 뉴럴 네트워크의 파라미터들을 양자화하는 방법 및 장치 |
EP3652681A4 (en) | 2017-08-08 | 2020-07-29 | Samsung Electronics Co., Ltd. | PROCESS AND APPARATUS FOR DETERMINING MEMORY REQUIREMENTS IN A NETWORK |
US20190050710A1 (en) | 2017-08-14 | 2019-02-14 | Midea Group Co., Ltd. | Adaptive bit-width reduction for neural networks |
EP3605402B1 (en) * | 2017-08-31 | 2022-08-31 | Cambricon (Xi'an) Semiconductor Co., Ltd. | Chip device and related product |
CN107644254A (zh) | 2017-09-09 | 2018-01-30 | 复旦大学 | 一种卷积神经网络权重参数量化训练方法及系统 |
US11437032B2 (en) | 2017-09-29 | 2022-09-06 | Shanghai Cambricon Information Technology Co., Ltd | Image processing apparatus and method |
US10224954B1 (en) | 2017-09-29 | 2019-03-05 | Intel Corporation | Floating point to fixed point conversion |
US10223114B1 (en) | 2017-09-29 | 2019-03-05 | Intel Corporation | Fixed point to floating point conversion |
JP6810283B2 (ja) | 2017-09-29 | 2021-01-06 | シャンハイ カンブリコン インフォメーション テクノロジー カンパニー リミテッドShanghai Cambricon Information Technology Co.,Ltd. | 画像処理装置及び方法 |
JP6540770B2 (ja) | 2017-10-17 | 2019-07-10 | 富士通株式会社 | 演算処理回路、演算処理回路を含む演算処理装置、演算処理装置を含む情報処理装置、および方法 |
US10410121B2 (en) | 2017-10-25 | 2019-09-10 | SparkCognition, Inc. | Adjusting automated neural network generation based on evaluation of candidate neural networks |
US20210061028A1 (en) * | 2017-10-26 | 2021-03-04 | Applied Mechatronic Products | Apparatus and method for vehicular monitoring, analysis, and control |
US10783634B2 (en) | 2017-11-22 | 2020-09-22 | General Electric Company | Systems and methods to deliver point of care alerts for radiological findings |
US10803379B2 (en) | 2017-12-12 | 2020-10-13 | Amazon Technologies, Inc. | Multi-memory on-chip computational network |
CN108053028B (zh) | 2017-12-21 | 2021-09-14 | 深圳励飞科技有限公司 | 数据定点化处理方法、装置、电子设备及计算机存储介质 |
US11636327B2 (en) | 2017-12-29 | 2023-04-25 | Intel Corporation | Machine learning sparse computation mechanism for arbitrary neural networks, arithmetic compute microarchitecture, and sparsity for training mechanism |
US11373088B2 (en) | 2017-12-30 | 2022-06-28 | Intel Corporation | Machine learning accelerator mechanism |
KR102568686B1 (ko) * | 2018-02-09 | 2023-08-23 | 삼성전자주식회사 | 컨텍스트 허브를 포함하는 모바일 장치 및 그것의 동작 방법 |
US20190251429A1 (en) | 2018-02-12 | 2019-08-15 | Kneron, Inc. | Convolution operation device and method of scaling convolution input for convolution neural network |
US20200159532A1 (en) | 2018-02-13 | 2020-05-21 | Shanghai Cambricon Information Technology Co., Ltd | Computing device and method |
US11106598B2 (en) | 2018-02-13 | 2021-08-31 | Shanghai Cambricon Information Technology Co., Ltd. | Computing device and method |
US11630666B2 (en) | 2018-02-13 | 2023-04-18 | Shanghai Cambricon Information Technology Co., Ltd | Computing device and method |
JP7056225B2 (ja) | 2018-02-26 | 2022-04-19 | 富士通株式会社 | 演算処理装置、情報処理装置、情報処理方法、およびプログラム |
US10628275B2 (en) | 2018-03-07 | 2020-04-21 | Nxp B.V. | Runtime software-based self-test with mutual inter-core checking |
US11475306B2 (en) | 2018-03-22 | 2022-10-18 | Amazon Technologies, Inc. | Processing for multiple input data sets |
CN108510067B (zh) | 2018-04-11 | 2021-11-09 | 西安电子科技大学 | 基于工程化实现的卷积神经网络量化方法 |
US11562213B2 (en) | 2018-04-17 | 2023-01-24 | Intel Corporation | Methods and arrangements to manage memory in cascaded neural networks |
EP3624020A4 (en) | 2018-05-18 | 2021-05-05 | Shanghai Cambricon Information Technology Co., Ltd | CALCULATION PROCEDURES AND RELATED PRODUCTS |
CN108717570A (zh) | 2018-05-23 | 2018-10-30 | 电子科技大学 | 一种脉冲神经网络参数量化方法 |
US10360304B1 (en) | 2018-06-04 | 2019-07-23 | Imageous, Inc. | Natural language processing interface-enabled building conditions control system |
CN109062540B (zh) | 2018-06-06 | 2022-11-25 | 北京理工大学 | 一种基于cordic算法的可重构浮点运算装置 |
CN109063820A (zh) | 2018-06-07 | 2018-12-21 | 中国科学技术大学 | 利用时频联合长时循环神经网络的数据处理方法 |
CN109146057B (zh) | 2018-06-26 | 2020-12-08 | 杭州雄迈集成电路技术股份有限公司 | 一种基于查表计算的高精度的神经网络工程化方法 |
CN110728364A (zh) | 2018-07-17 | 2020-01-24 | 上海寒武纪信息科技有限公司 | 一种运算装置和运算方法 |
KR102470893B1 (ko) | 2018-06-27 | 2022-11-25 | 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드 | 온 칩 코드의 브레이크 포인트에 의한 디버그 방법, 온 칩 프로세서 및 브레이크 포인트에 의한 칩 디버그 시스템 |
EP3640810A4 (en) | 2018-08-28 | 2021-05-05 | Cambricon Technologies Corporation Limited | DATA PRE-PROCESSING PROCESS AND APPARATUS, COMPUTER DEVICE AND STORAGE MEDIA |
US11703939B2 (en) | 2018-09-28 | 2023-07-18 | Shanghai Cambricon Information Technology Co., Ltd | Signal processing device and related products |
CN109472353B (zh) | 2018-11-22 | 2020-11-03 | 浪潮集团有限公司 | 一种卷积神经网络量化电路及量化方法 |
CN109685202B (zh) * | 2018-12-17 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 数据处理方法及装置、存储介质和电子装置 |
CN111383638A (zh) | 2018-12-28 | 2020-07-07 | 上海寒武纪信息科技有限公司 | 信号处理装置、信号处理方法及相关产品 |
CN109800877B (zh) | 2019-02-20 | 2022-12-30 | 腾讯科技(深圳)有限公司 | 神经网络的参数调整方法、装置及设备 |
CN109902745A (zh) | 2019-03-01 | 2019-06-18 | 成都康乔电子有限责任公司 | 一种基于cnn的低精度训练与8位整型量化推理方法 |
CN110059733A (zh) | 2019-04-01 | 2019-07-26 | 苏州科达科技股份有限公司 | 卷积神经网络的优化及快速目标检测方法、装置 |
CN109993296B (zh) | 2019-04-01 | 2020-12-29 | 安徽寒武纪信息科技有限公司 | 量化实现方法及相关产品 |
CN111832737B (zh) | 2019-04-18 | 2024-01-09 | 中科寒武纪科技股份有限公司 | 一种数据处理方法及相关产品 |
US20200334522A1 (en) | 2019-04-18 | 2020-10-22 | Cambricon Technologies Corporation Limited | Data processing method and related products |
US11676028B2 (en) | 2019-06-12 | 2023-06-13 | Shanghai Cambricon Information Technology Co., Ltd | Neural network quantization parameter determination method and related products |
CN112085193B (zh) | 2019-06-12 | 2024-03-29 | 上海寒武纪信息科技有限公司 | 一种神经网络的量化参数确定方法及相关产品 |
US20210264270A1 (en) | 2019-08-23 | 2021-08-26 | Anhui Cambricon Information Technology Co., Ltd. | Data processing method, device, computer equipment and storage medium |
US20210374510A1 (en) | 2019-08-23 | 2021-12-02 | Anhui Cambricon Information Technology Co., Ltd. | Data processing method, device, computer equipment and storage medium |
WO2021036908A1 (zh) | 2019-08-23 | 2021-03-04 | 安徽寒武纪信息科技有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
WO2021036905A1 (zh) | 2019-08-27 | 2021-03-04 | 安徽寒武纪信息科技有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN110780845B (zh) | 2019-10-17 | 2021-11-30 | 浙江大学 | 一种用于量化卷积神经网络的可配置近似乘法器及其实现方法 |
-
2018
- 2018-02-14 CN CN201810151580.2A patent/CN110162162B/zh active Active
- 2018-02-14 CN CN202310869319.7A patent/CN116991225A/zh active Pending
- 2018-02-14 CN CN202310945188.6A patent/CN116991226A/zh active Pending
-
2019
- 2019-01-09 WO PCT/CN2019/070923 patent/WO2019157888A1/zh unknown
- 2019-01-09 US US16/615,293 patent/US11513586B2/en active Active
- 2019-01-09 KR KR1020197031418A patent/KR20200119706A/ko not_active Application Discontinuation
- 2019-01-09 JP JP2019555153A patent/JP6761134B2/ja active Active
- 2019-01-09 EP EP19754468.7A patent/EP3623906A4/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20200119706A (ko) | 2020-10-20 |
EP3623906A4 (en) | 2021-01-27 |
JP6761134B2 (ja) | 2020-09-23 |
CN110162162A (zh) | 2019-08-23 |
JP2020517010A (ja) | 2020-06-11 |
WO2019157888A1 (zh) | 2019-08-22 |
CN110162162B (zh) | 2023-08-18 |
US20200174547A1 (en) | 2020-06-04 |
EP3623906A1 (en) | 2020-03-18 |
CN116991225A (zh) | 2023-11-03 |
US11513586B2 (en) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162162B (zh) | 处理器的控制装置、方法及设备 | |
CN107463403B (zh) | 进程控制方法、装置、存储介质以及电子设备 | |
CN111178521A (zh) | 计算装置以及方法 | |
US20200150598A1 (en) | Method for processing data using neural network and electronic device for supporting the same | |
CN104102150A (zh) | 用于微处理器整合的传感器轮询单元 | |
KR102557561B1 (ko) | 이미지의 깊이 정보를 결정하는 방법 및 시스템 | |
CN109726353B (zh) | 卷积运算装置和方法 | |
CN111443917B (zh) | 神经网络运行优化方法、装置及相关产品 | |
KR20200072196A (ko) | 오디오 개선을 지원하는 전자 장치 및 이를 위한 방법 | |
CN111047020B (zh) | 支持压缩及解压缩的神经网络运算装置及方法 | |
US11131787B2 (en) | Electromagnetic sensor and mobile device including the same | |
CN110797985B (zh) | 线圈切换方法、装置、存储介质及电子设备 | |
CN116579380A (zh) | 一种数据处理方法以及相关设备 | |
US20220147844A1 (en) | Electronic device for distributed processing of artificial intelligence model and operation method of the electronic device | |
CN114254563A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN110147872B (zh) | 编码存储装置及方法、处理器及训练方法 | |
CN109871848B (zh) | 一种移动终端的文字识别方法及装置 | |
CN111967588A (zh) | 量化运算方法及相关产品 | |
CN111552617A (zh) | NAND Flash的温度获取方法、装置、计算机设备及存储介质 | |
CN111738428B (zh) | 计算装置、方法及相关产品 | |
EP4231201A1 (en) | Electronic device that performs calculations on basis of artificial intelligence model, and operating method therefor | |
CN116339488A (zh) | 数据识别方法及装置、存储介质及电子设备 | |
CN110097491B (zh) | 一种基于片上系统的图像数据处理方法、系统及电子设备 | |
US20210056932A1 (en) | Electronic device for improving graphic performance of application program and operating method thereof | |
CN107389980B (zh) | 一种加速度计控制方法、加速度计控制装置及智能终端 |
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 |