WO2017185394A1 - 一种用于执行全连接层神经网络反向训练的装置和方法 - Google Patents

一种用于执行全连接层神经网络反向训练的装置和方法 Download PDF

Info

Publication number
WO2017185394A1
WO2017185394A1 PCT/CN2016/081114 CN2016081114W WO2017185394A1 WO 2017185394 A1 WO2017185394 A1 WO 2017185394A1 CN 2016081114 W CN2016081114 W CN 2016081114W WO 2017185394 A1 WO2017185394 A1 WO 2017185394A1
Authority
WO
WIPO (PCT)
Prior art keywords
module
storage unit
gradient
weight
instruction
Prior art date
Application number
PCT/CN2016/081114
Other languages
English (en)
French (fr)
Inventor
郭崎
张士锦
陈云霁
陈天石
Original Assignee
北京中科寒武纪科技有限公司
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 北京中科寒武纪科技有限公司 filed Critical 北京中科寒武纪科技有限公司
Priority to EP16899905.0A priority Critical patent/EP3451242A4/en
Priority to KR1020187033950A priority patent/KR102470264B1/ko
Publication of WO2017185394A1 publication Critical patent/WO2017185394A1/zh
Priority to US16/174,050 priority patent/US20190065958A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • the present invention relates generally to artificial neural networks, and more particularly to an apparatus and method for performing reverse training of an artificial neural network full connection layer.
  • the artificial neural network full connection layer is a common type of artificial neural network. Just like the neural network in the brain, the artificial neural network full connection layer is composed of some interconnected nodes, as shown in Figure 1, each circle represents a Neurons, each arrow indicates that the connection between two neurons is also called a weight, and all inputs and outputs are connected to each other.
  • x represents all input neurons connected to the output neurons
  • w represents the corresponding weight between x and the output neurons
  • b is a constant
  • f(x) is a nonlinear function, usually called an activation function. Common functions are: Wait.
  • One known method of supporting artificial neural network full connection layer reverse training is to use a general purpose processor.
  • the method supports the above algorithm by executing general purpose instructions using a general purpose register file and generic functions.
  • One of the disadvantages of this method is that the performance of a single general-purpose processor is low, which cannot meet the performance requirements of the normal artificial neural network full-layer layer reverse training.
  • communication between general-purpose processors becomes a performance bottleneck.
  • the general-purpose processor needs to decode the artificial neural network full-connection layer into a long-column operation and a fetch instruction sequence, and the processor front-end decoding brings a large power consumption overhead.
  • An aspect of the present invention provides an apparatus for performing artificial neural network full connection layer reverse training, comprising an instruction storage unit, a controller unit, a data access unit, an interconnection module, a main operation module, and a plurality of slave operation modules. ,among them:
  • An instruction storage unit is configured to store an instruction
  • the data access unit performs data or instruction read and write operations between the external address space and the device;
  • the main operation module uses the output gradient vector of this layer to complete the subsequent calculation in the calculation process of each layer.
  • Another aspect of the present invention provides a method of performing a single layer artificial neural network full connection layer reverse training using the above apparatus.
  • Another aspect of the present invention provides a method of performing multi-layer artificial neural network full connection layer reverse training using the above apparatus.
  • the invention can be applied to the following (including but not limited to) scenarios: data processing, robots, computers, printers, scanners, telephones, tablets, smart terminals, mobile phones, driving recorders, navigators, sensors, cameras, cloud servers , cameras, camcorders, projectors, watches, headphones, mobile storage, Wearable devices and other electronic products; aircraft, ships, vehicles and other types of vehicles; televisions, air conditioners, microwave ovens, refrigerators, rice cookers, humidifiers, washing machines, electric lights, gas stoves, range hoods and other household appliances; Nuclear magnetic resonance apparatus, B-ultrasound, electrocardiograph and other medical equipment.
  • Figure 1 shows a block diagram of an artificial neural network fully connected layer.
  • FIG 2 illustrates an example block diagram of an overall structure of an apparatus for performing artificial neural network full connection layer reverse training in accordance with an embodiment of the present invention.
  • FIG. 4 is a block diagram showing an example of a main operation module structure in an apparatus for performing artificial neural network full connection layer reverse training according to an embodiment of the present invention.
  • FIG. 5 illustrates an example block diagram of a slave arithmetic module structure in an apparatus for performing artificial neural network full connection layer reverse training in accordance with an embodiment of the present invention.
  • FIG. 7 shows a flow chart of a single layer artificial neural network full connection layer reverse training in accordance with an embodiment of the present invention.
  • the input gradient vector is first weighted and summed to calculate the output gradient vector of the layer.
  • the output gradient vector is multiplied by the derivative value of the activation function of the following layer in the forward operation to obtain the input gradient vector of the next layer.
  • the input gradient vector is multiplied by the input neuron in the forward operation to obtain the gradient of the layer weight, and then the weight of the layer can be updated according to the obtained gradient of the layer weight.
  • the apparatus includes an instruction storage unit 1, a controller unit 2, a data access unit 3, an interconnection module 4, a main operation module 5, and a plurality of slave operation modules 6.
  • the instruction storage unit 1, the controller unit 2, the data access unit 3, the interconnection module 4, the main operation module 5, and the slave operation module 6 may all pass through hardware circuits (including but not limited to FPGA, CGRA, application specific integrated circuit ASIC, analog Circuits and memristors, etc.).
  • the instruction storage unit 1 reads in an instruction through the data access unit 3 and stores the read instruction.
  • the controller unit 2 reads an instruction from the instruction storage unit 1, translates the instruction into a control signal that controls the behavior of other modules, and transmits it to other modules such as the data access unit 3, the main operation module 5, and the slave operation module 6.
  • the data access unit 3 can access the external address space, directly read and write data to various storage units inside the device, and complete data loading and storage.
  • the interconnect module 4 is used to connect the main operation module and the slave operation module, and can be implemented into different interconnection topologies (such as a tree structure, a ring structure, a grid structure, a hierarchical interconnection, a bus structure, etc.).
  • FIG. 3 schematically shows an embodiment of an interconnection module 4: an H-tree structure.
  • the interconnection module 4 constitutes a data path between the main operation module 5 and the plurality of slave operation modules 6, and has an H-tree structure.
  • the H-tree is a binary tree path composed of multiple nodes. Each node sends the upstream data to the downstream two nodes in the same way, and the data returned by the two downstream nodes are combined and returned to the upstream node. For example, in the artificial neural network full connection layer inverse operation, the vector returned by the two downstream nodes will be added to a vector at the current node and returned to the upstream node.
  • the order of calculation started at the full connection layer of each layer of artificial neural network The input gradients in the main operation module 5 are sent to the respective slave operation modules 6 through the interconnection module 4; when the calculation process from the operation module 6 is completed, the output gradient vector portions output from each of the operation modules 6 are mutually
  • the module 4 is added step by step, that is, the sum and sum of all the output gradient vectors are used as the final output gradient vector.
  • the main operation module 5 includes a first operation unit 51, a first data dependency determination unit 52, and a first neuron storage unit 53.
  • the first neuron storage unit 53 is configured to store input data and output data used by the main arithmetic module 5 in the calculation process.
  • the first operation unit 51 performs various arithmetic functions of the main operation module, including weight update gradient summation and derivative calculation in the artificial neural network full connection layer reverse training.
  • the first data dependency determining unit 52 is a port in which the first arithmetic unit 51 reads and writes the first neuron storage unit 53, and can ensure that there is no consistency conflict between the reading and writing of data in the neuron storage unit 53.
  • the first data dependency determining unit 52 is also responsible for transmitting the input gradient vector read from the first neuron storage unit 53 to the slave arithmetic module 6 through the interconnect module 4, and the output data from the arithmetic module 6 is interconnected.
  • Module 4 is sent directly to arithmetic unit 51.
  • the command output from the controller unit 2 is sent to the first arithmetic unit 51 and the first dependency determining unit 52 to control its behavior.
  • FIG. 5 shows an example block diagram of the structure of the slave arithmetic module 6 in an apparatus for performing artificial neural network full-layer layer reverse training in accordance with an embodiment of the present invention.
  • each slave operation module 6 includes a second operation unit 61, a second data dependency determination unit 62, a second neuron storage unit 63, a weight storage unit 64, and a weight update gradient storage unit 65.
  • the second arithmetic unit 61 receives the control signal issued by the controller unit 2 and performs an arithmetic logic operation.
  • the second data dependency determining unit 62 is responsible for the second neuron storage unit 63 in the calculation process. Read and write operations. The second data dependency determining unit 62 ensures that there is no consistency conflict between the reading and writing of the second neuron storage unit. Specifically, the second data dependency determining unit 62 determines whether there is a dependency relationship between the control signal that has not been executed and the data of the control signal that is being executed, and if not, allows the control signal to be immediately transmitted, otherwise it is necessary to wait for the control. The control signal is allowed to be transmitted after all control signals on which the signal depends are fully executed.
  • all control signals sent to the second data dependency unit 62 are stored in a control signal queue inside the second data dependency unit 62, in which the range of read data of the read control signal is compared with the queue. If the range of the write control signal of the top position conflicts, the control signal must wait until the dependent write control signal is executed before it can be executed.
  • the second neuron storage unit 63 stores the scalar data corresponding to the slave arithmetic module 6 in the input gradient vector data and the output gradient vector partial sum calculated by the slave arithmetic module 6.
  • the weight storage unit 64 stores the weight data required by the slave computing module 6 in the calculation process.
  • Each of the slave arithmetic modules stores a column in the weight matrix corresponding to the scalar data stored by the slave arithmetic module 6.
  • the weight update gradient storage unit 65 stores the weight update gradient data corresponding to the slave node from the update weight process. Each of the weight update gradient data stored from the arithmetic module 6 corresponds to its stored weight data.
  • Each of the slave computing modules 6 calculates the portion of the output gradient vector and all of the portions and completes the splicing operation in the interconnect module 4 to obtain the final output gradient vector.
  • Each slave computing module 6 also calculates a weight gradient based on the output neurons and output gradients of each layer to update the weights stored by the slave arithmetic module 6.
  • Forward and reverse training are the two main processes of artificial neural network algorithms. In order to train (update) the weights in the network, the artificial neural network needs to calculate the forward output of the input vector in the network composed of the current weights.
  • the output value of each layer in the forward operation is the data existing at the beginning of the reverse operation, and can be stored in the main operation module through the data access unit 3 and sent to the slave operation module through the interconnection module.
  • the main operation module 5 performs subsequent calculation based on the output gradient vector, for example, multiplying the output gradient vector by the derivative of the activation function in the forward operation to obtain the input gradient value of the next layer.
  • the derivative of the activation function in the forward operation is the data existing at the beginning of the reverse operation, and can be stored in the main arithmetic module through the data memory access unit.
  • an instruction set for performing artificial neural network full connection layer reverse training on the aforementioned apparatus includes the CONFIG instruction, the COMPUTE instruction, the IO instruction, the NOP instruction, the JUMP instruction, and the MOVE instruction, where:
  • the CONFIG command configures various constants required for current layer calculation before the start of calculation of the full connection layer of each layer of artificial neural network
  • the COMPUTE instruction completes the arithmetic logic calculation of the full connection layer of each layer of artificial neural network
  • the IO instruction realizes reading input data required for calculation from the external address space and storing the data back to the external space after the calculation is completed;
  • the NOP instruction is responsible for clearing the control signals in all control signal queues of the current device, and ensuring that all control signals before the NOP instruction are executed.
  • the NOP instruction itself does not contain any operations;
  • the JUMP instruction is responsible for the jump of the next instruction address that the controller will read from the instruction storage unit, and is used to implement the jump of the control flow;
  • the MOVE instruction is responsible for copying data of an address in the internal address space of the device to another address in the internal address space of the device.
  • the process is independent of the operation unit and does not occupy the resources of the operation unit during execution.
  • the output gradient vector of the previous layer in Figure 6 is input gradien t[input gradient0, input gradient1, inputgradient 2, input gradient3] multiplied by the corresponding activation function derivative [f'(out0), f'(out1), f'(out2 ), f'(out3)] get the input of this layer
  • the gradient vector in_gradient is multiplied by the weight matrix w[w00, w10, w20, w30] to obtain an output gradient vector [output gradient0, output gradient1, output gradient 2, output gradient3].
  • the i-th slave computing module calculates the product of the i-th scalar in the input gradient vector and the column vector [w_i0,...,w_iN] in the weight matrix, and the resulting output vector is spliced in the interconnect module 4.
  • the final output gradient vector output gradient is obtained ([output gradient0,...,output gradient3] in Fig. 6).
  • the process of calculating the weight update gradient is as follows. Let x be the output neuron vector of the nth layer, and the main module 5 transmits the output neurons to the respective slave arithmetic modules through the interconnect module 4. The main arithmetic module 5 also transmits the output gradient vector in_gradient of the n+1th layer to the respective slave arithmetic modules 6 through the interconnect module 4. Each slave operation module 6 multiplies the scalar data corresponding to the slave operation module 6 in the output gradient vector in_gradient by the output neuron vector x to obtain the original weight update gradient vector dw_original of the nth layer of the slave operation module.
  • each slave arithmetic module stores column vectors corresponding to the slave arithmetic module in w, dw, and dw'.
  • FIG. 7 is a flow chart showing a single layer artificial neural network full connection layer reverse training in accordance with one embodiment.
  • the flowchart depicts the process of implementing a single layer artificial neural network full connection layer reverse training as shown in FIG. 6 using the apparatus and instruction set of the present invention.
  • step S1 an IO instruction is pre-stored at the first address of the instruction memory unit 1.
  • step S2 the operation starts, the controller unit 2 reads the IO instruction from the first address of the instruction storage unit 1, and according to the decoded control signal, the data access unit 3 reads from the external address space and the single-layer artificial neural network.
  • the full connection layer reverse trains all the relevant instructions and stores them in the instruction storage unit 1.
  • step S3 the controller unit 2 then reads in the next IO instruction from the instruction storage unit, and according to the decoded control signal, the data access unit 3 reads all the data required by the main operation module 5 from the external address space to the main operation module 5.
  • the first neuron storage unit 53 includes the input neuron and activation function derivative values and the input gradient vector in the previous forward operation.
  • the controller unit 2 then reads in the next IO instruction from the instruction storage unit, and according to the translated control signal, the data access unit 3 reads the ownership value data and the weight update required from the arithmetic module 6 from the external address space.
  • the gradient data is stored in the weight storage unit 64 and the weight update gradient storage unit 65 of the corresponding slave operation module 6, respectively.
  • step S5 the controller unit 2 then reads the next CONFIG instruction from the instruction storage unit, and the first and second operation units configure the value of the internal unit register of the operation unit according to the decoded control signal, including the calculation required by the layer artificial neural network. Various constants, the accuracy of the calculation of this layer, the learning rate when updating the weight, and so on.
  • step S6 the controller unit 2 then reads the next COMPUTE instruction from the instruction storage unit, and according to the decoded control signal, the earth operation module 5 sends the input gradient vector and the input neuron in the forward operation through the interconnection module 4
  • Each of the slave arithmetic modules 6 stores the input gradient vector and the input neuron at the time of the forward operation to the second neuron storage unit 63 of the slave arithmetic module 6.
  • step S7 the weight vector (i.e., the partial column of the weight matrix stored by the slave module) is read from the weight storage unit 64 from the second operation unit 61 of the arithmetic module 6 according to the control signal decoded by the COMPUTE instruction. Completing the vector multiplication scalar operation of the weight vector and the input gradient vector, returning the output vector portion and passing through the interconnection module 4; simultaneously multiplying the input gradient vector by the operation module 6 to obtain the weight update gradient deposit right The value updates the gradient storage unit 65.
  • step S8 in the interconnection module 4, the output gradient portion returned from each of the arithmetic modules 6 and the splicing operation through the interconnection module obtain a complete output gradient vector.
  • step S9 the main operation module 5 obtains the return value of the interconnection module 4, and the control is translated according to the COMPUTE instruction. Signaling, reading the activation function derivative value in the forward operation from the first neuron storage unit 53, multiplying the derivative value by the returned output vector, obtaining the input gradient vector of the next layer of reverse training, and writing it back to The first neuron storage unit 53.
  • step S10 the controller unit 2 then reads the next COMPUTE instruction from the instruction storage unit, reads the weight w from the weight storage unit 64 from the arithmetic module 6 according to the translated control signal, and updates the gradient storage unit from the weight.
  • the weight update gradient dw of this time and the weight update gradient dw' used by the last update weight are read, and the weight m is updated according to the learning rate ⁇ , the momentum m and the weight attenuation coefficient ⁇ set by the instruction.
  • step S11 the controller unit then reads the next IO instruction from the instruction storage unit, and according to the decoded control signal, the data access unit 3 stores the output gradient vector in the first neuron storage unit 53 to the external address space designation address. The operation ends.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Feedback Control In General (AREA)
  • Image Analysis (AREA)

Abstract

一种用于执行人工神经网络全连接层反向训练的装置，包括指令存储单元（1）、控制器单元（2）、数据访问单元（3）、互连模块（4）、主运算模块（5）、以及多个从运算模块（6）。使用该装置可以实现人工神经网络全连接层的反向训练。对于每一层来说，首先对输入梯度向量进行加权求和计算出本层的输出梯度向量。该输出梯度向量乘以下一层在正向运算时的激活函数的导数值可以得到下一层的输入梯度向量。将输入梯度向量与正向运算时的输入神经元对位相乘得到本层权值的梯度，然后可以根据所得到的本层权值的梯度来更新本层的权值。

Description

一种用于执行全连接层神经网络反向训练的装置和方法 技术领域
本发明总体上涉及人工神经网络，具体地涉及一种用于执行人工神经网络全连接层的反向训练的装置和方法。
背景技术
人工神经网络被广泛应用于模式识别，图像处理，函数逼近和优化计算等领域，人工网络在近年来由于其较高的识别准确度和较好的可并行性，受到学术界和工业界越来越广泛的关注。
人工神经网络全连接层是一种常见的人工神经网络类型，就像大脑里的神经网络一样，人工神经网络全连接层由一些互相连接的节点组成，如图1所示，每个圆圈表示一个神经元，每个箭头表示两个神经元之间的连接又被称为权值，所有的输入与输出之间互相都有连接。
神经元的计算公式可以简单的描述成：
Figure PCTCN2016081114-appb-000001
其中，x表示所有和输出神经元相连接的输入神经元，w表示x和输出神经元之间对应的权值，b是一个常数。f(x)是一个非线性函数，通常称作激活函数，常用的函数如：
Figure PCTCN2016081114-appb-000002
Figure PCTCN2016081114-appb-000003
等。
一种支持人工神经网络全连接层反向训练的已知方法是使用通用处理器。该方法通过使用通用寄存器堆和通用功能部件执行通用指令来支持上述算法。该方法的缺点之一是单个通用处理器的运算性能较低，无法满足通常的人工神经网络全连接层反向训练的性能需求。而多个通用处理器并行执行时，通用处理器之间相互通信又成为了性能瓶颈。另外，通用处理器需要把人工神经网络全连接层反向运算译码成一长列运算及访存指令序列，处理器前端译码带来了较大的功耗开销。
另一种支持人工神经网络全连接层反向训练的已知方法是使用图形处理器(GPU)。该方法通过使用通用寄存器堆和通用流处理单元执行通用SIMD指令来支持上述算法。由于GPU是专门用来执行图形图像运算以及科学计算的设备，没有对人工神经网络全连接层反向训练的专门支持，仍然需要大量的前端译码工 作才能执行人工神经网络全连接层的运算，带来了大量的额外开销。另外GPU只有较小的片上存储，人工神经网络全连接层的模型数据(权值)需要反复从片外读取，片外带宽成为了主要性能瓶颈。另外，GPU只有较小的片上存储，人工神经网络全连接层的模型数据(权值)需要反复从片外读取，片外带宽成为了主要性能瓶颈，同时带来了巨大的功耗开销。
发明内容
本发明的一个方面提供了一种用于执行人工神经网络全连接层反向训练的装置，包括指令存储单元、控制器单元、数据访问单元、互连模块、主运算模块、多个从运算模块，其中：
指令存储单元用于存储指令；
控制器单元用于从指令存储单元读取指令，并将该指令译码成控制互连模块、主运算模块、以及所述多个从运算模块行为的控制信号；
数据访问单元执行外部地址空间与所述装置之间的数据或指令读写操作；
在每层人工神经网络反向训练开始计算的阶段，主运算模块通过互连模块向所有的从运算模块传输本层的输入梯度向量；
每个从运算模块计算输入梯度向量中相应的部分标量元素与权值矩阵的对应列的乘积，得到输出梯度向量部分和；
在从运算模块的计算过程完成后，互连模块逐级将各从运算模块的输出梯度向量部分和拼接得到本层的输出梯度向量；
主运算模块在每一层的计算过程中，利用本层的输出梯度向量完成后续计算。
本发明的另一个方面提供了一种使用上述装置执行单层人工神经网络全连接层反向训练的方法。
本发明的另一方面提供了一种使用上述装置执行多层人工神经网络全连接层反向训练的方法。
本发明可以应用于以下(包括但不限于)场景中：数据处理、机器人、电脑、打印机、扫描仪、电话、平板电脑、智能终端、手机、行车记录仪、导航仪、传感器、摄像头、云端服务器、相机、摄像机、投影仪、手表、耳机、移动存储、 可穿戴设备等各类电子产品；飞机、轮船、车辆等各类交通工具；电视、空调、微波炉、冰箱、电饭煲、加湿器、洗衣机、电灯、燃气灶、油烟机等各类家用电器；以及包括核磁共振仪、B超、心电图仪等各类医疗设备。
附图说明
为了更完整地理解本发明及其优势，现在将参考结合附图的以下描述，其中：
图1示出了人工神经网络全连接层的结构图。
图2示出了根据本发明实施例的用于执行人工神经网络全连接层反向训练的装置的整体结构的示例框图。
图3示意性示出了根据本发明实施例的用于执行人工神经网络全连接层反向训练的装置中H树模块(互连模块的一种实施方式)的结构。
图4示出了根据本发明实施例的用于执行人工神经网络全连接层反向训练的装置中主运算模块结构的示例框图。
图5示出了根据本发明实施例的用于执行人工神经网络全连接层反向训练的装置中从运算模块结构的示例框图。
图6示出了根据本发明实施例的人工神经网络全连接层反向训练过程的示例框图。
图7示出了根据本发明实施例的单层人工神经网络全连接层反向训练的流程图。
在所有附图中，相同的装置、部件、单元等使用相同的附图标记来表示。
具体实施方式
根据结合附图对本发明示例性实施例的以下详细描述，本发明的其它方面、优势和突出特征对于本领域技术人员将变得显而易见。
在本发明中，术语“包括”和“含有”及其派生词意为包括而非限制；术语“或”是包含性的，意为和/或。
在本说明书中，下述用于描述本发明原理的各种实施例只是说明，不应该以任何方式解释为限制发明的范围。参照附图的下述描述用于帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。下述描述包括多种具体细节来帮 助理解，但这些细节应认为仅仅是示例性的。因此，本领域普通技术人员应认识到，在不背离本发明的范围和精神的情况下，可以对本文中描述的实施例进行多种改变和修改。此外，为了清楚和简洁起见，省略了公知功能和结构的描述。此外，贯穿附图，相同参考数字用于相似功能和操作。
根据本发明实施例的人工神经网络全连接层的反向训练，对于每一层来说，首先对输入梯度向量进行加权求和计算出本层的输出梯度向量。该输出梯度向量乘以下一层在正向运算时的激活函数的导数值可以得到下一层的输入梯度向量。将输入梯度向量与正向运算时的输入神经元对位相乘得到本层权值的梯度，然后可以根据所得到的本层权值的梯度来更新本层的权值。
图2示出了根据本发明实施例的用于执行人工神经网络全连接层反向训练的装置的整体结构的示例框图。如图2所示，该装置包括指令存储单元1、控制器单元2、数据访问单元3、互连模块4、主运算模块5和多个从运算模块6。指令存储单元1、控制器单元2、数据访问单元3、互连模块4、主运算模块5和从运算模块6均可以通过硬件电路(例如包括但不限于FPGA、CGRA、专用集成电路ASIC、模拟电路和忆阻器等)实现。
指令存储单元1通过数据访问单元3读入指令并存储读入的指令。
控制器单元2从指令存储单元1中读取指令，将指令译成控制其他模块行为的控制信号并发送给其他模块如数据访问单元3、主运算模块5和从运算模块6等。
数据访问单元3能够访问外部地址空间，直接向装置内部的各个存储单元读写数据，完成数据的加载和存储。
互连模块4用于连接主运算模块和从运算模块，可以实现成不同的互连拓扑(如树状结构、环状结构、网格状结构、分级互连，总线结构等)。
图3示意性示出了互连模块4的一种实施方式：H树结构。互连模块4构成主运算模块5和多个从运算模块6之间的数据通路，并具有H树型的结构。H树是由多个节点构成的二叉树通路，每个节点将上游的数据同样地发给下游的两个节点，将下游的两个节点返回的数据进行合并，并返回给上游的节点。例如，在人工神经网络全连接层反向运算过程中，下游两个节点返回的向量会在当前节点相加成一个向量并返回给上游节点。在每层人工神经网络全连接层开始计算的阶 段，主运算模块5内的输入梯度通过互连模块4发送给各个从运算模块6；当从运算模块6的计算过程完成后，每个从运算模块6输出的输出梯度向量部分和会在互连模块4中逐级两两相加，即对所有输出梯度向量部分和求和，作为最终的输出梯度向量。
图4示出了根据本发明实施例的用于执行人工神经网络全连接层反向训练的装置中主运算模块5的结构的示例框图。如图4所示，主运算模块5包括第一运算单元51、第一数据依赖关系判断单元52和第一神经元存储单元53。
第一神经元存储单元53用于存储主运算模块5在计算过程中用到的输入数据和输出数据。第一运算单元51完成主运算模块的各种运算功能，包括人工神经网络全连接层反向训练中的权值更新梯度求和以及求导数等运算。第一数据依赖关系判断单元52是第一运算单元51读写第一神经元存储单元53的端口，同时能够保证对神经元存储单元53中数据的读写不存在一致性冲突。具体地，数据依赖关系判断单元52判断尚未执行的控制信号与正在执行过程中的控制信号的数据之间是否存在依赖关系，如果不存在，允许该控制信号立即发射，否则需要等到该控制信号所依赖的所有控制信号全部执行完成后该控制信号才允许被发射。例如，所有发往第一数据依赖关系单元52的控制信号都会被存入第一数据依赖关系单元52内部的控制信号队列里，在该队列中，读控制信号的读取数据的范围如果与队列位置靠前的写控制信号写数据的范围发生冲突，则该控制信号必须等到所依赖的写控制信号被执行后才能够执行。同时，第一数据依赖关系判断单元52也负责将从第一神经元存储单元53读取的输入梯度向量通过互连模块4发送给从运算模块6，而从运算模块6的输出数据通过互连模块4直接发送给运算单元51。控制器单元2输出的指令发送给第一运算单元51和第一依赖关系判断单元52，来控制其行为。
图5示出了根据本发明实施例的用于执行人工神经网络全连接层反向训练的装置中从运算模块6的结构的示例框图。如图5所示，每个从运算模块6包括第二运算单元61、第二数据依赖关系判断单元62、第二神经元存储单元63、权值存储单元64和权值更新梯度存储单元65。
第二运算单元61接收控制器单元2发出的控制信号并进行算数逻辑运算。
第二数据依赖关系判断单元62负责计算过程中对第二神经元存储单元63的 读写操作。第二数据依赖关系判断单元62保证对第二神经元存储单元的读写不存在一致性冲突。具体地，第二数据依赖关系判断单元62判断尚未执行的控制信号与正在执行过程中的控制信号的数据之间是否存在依赖关系，如果不存在，允许该控制信号立即发射，否则需要等到该控制信号所依赖的所有控制信号全部执行完成后该控制信号才允许被发射。例如，所有发往第二数据依赖关系单元62的控制信号都会被存入第二数据依赖关系单元62内部的控制信号队列里，在该队列中，读控制信号的读取数据的范围如果与队列位置靠前的写控制信号写数据的范围发生冲突，则该控制信号必须等到所依赖的写控制信号被执行后才能够执行。
第二神经元存储单元63存储输入梯度向量数据中与该从运算模块6相对应的标量数据以及该从运算模块6计算得到的输出梯度向量部分和。
权值存储单元64存储该从运算模块6在计算过程中需要的权值数据。每一个从运算模块存储权值矩阵中与该从运算模块6所存储的标量数据相对应的列。
权值更新梯度存储单元65存储相应从运算模块在更新权值过程中需要的权值更新梯度数据。每一个从运算模块6存储的权值更新梯度数据与其存储的权值数据相对应。
从运算模块6实现人工神经网络全连接层反向训练计算输出梯度向量的过程中可以并行的前半部分以及权值的更新。反向训练计算输出梯度向量的主要过程可以描述为out_gradient＝w*in_gradient，其中权值矩阵w和输入梯度向量in_gradient的乘法可以划分为不相关的并行计算子任务，out_gradient与in_gradient是列向量，每个从运算模块计算in_gradient中相应的部分标量元素与权值矩阵w对应的列的乘积，得到的每个输出向量都是最终结果的一个待累加的部分和，这些部分和在互连模块4中拼接得到最后的结果。所以计算过程变成了并行的计算部分和后面拼接的过程。每个从运算模块6计算出输出梯度向量的部分和，所有的部分和在互连模块4中完成拼接操作得到最后的输出梯度向量。每个从运算模块6还根据每层的输出神经元和输出梯度计算权值梯度，以更新本从运算模块6存储的权值。正向运算和反向训练是人工神经网络算法的两个主要过程，人工神经网络要训练(更新)网络中的权值，首先需要计算输入向量在当前权值构成的网络中的正向输出，这是正向过程，然后根据输出值与输入向量本身 的标注值之间的差值，反向逐层训练(更新)每层的权值。在正向计算过程中会保存每一层的输出向量以及激活函数的导数值，这些数据是反向训练过程所需要的，所以在反向训练开始时，这些数据已经保证存在。正向运算中每层的输出值是反向运算开始时已有的数据，可以通过数据访问单元3存储在主运算模块中并通过互连模块发送给从运算模块。主运算模块5基于输出梯度向量进行后续计算，例如将输出梯度向量乘以正向运算时的激活函数的导数得到下一层的输入梯度值。正向运算时的激活函数的导数是在反向运算开始时已有的数据，可以通过数据访存单元存储在主运算模块中。
根据本发明实施例，还提供了在前述装置上执行人工神经网络全连接层反向训练的指令集。指令集中包括CONFIG指令、COMPUTE指令、IO指令、NOP指令、JUMP指令和MOVE指令，其中：
CONFIG指令在每层人工神经网络全连接层计算开始前配置当前层计算需要的各种常数；
COMPUTE指令完成每层人工神经网络全连接层的算术逻辑计算；
IO指令实现从外部地址空间读入计算需要的输入数据以及在计算完成后将数据存回至外部空间；
NOP指令负责清空当前装置内部所有控制信号队列中的控制信号，保证NOP指令之前的所有控制信号执行完毕。NOP指令本身不包含任何操作；
JUMP指令负责控制器将要从指令存储单元读取的下一条指令地址的跳转，用来实现控制流的跳转；
MOVE指令负责将装置内部地址空间某一地址的数据复制至装置内部地址空间的另一地址，该过程独立于运算单元，在执行过程中不占用运算单元的资源。
图6示出了根据本发明实施例的人工神经网络全连接层反向训练过程的示例框图。计算输出梯度向量的过程为out_gradient＝w*in_gradient，其中权值矩阵w和输入梯度向量in_gradient的矩阵向量乘法可以划分为不相关的并行计算子任务，每个从运算模块6计算出输出梯度向量的部分和，所有的部分和在互连模块4中完成拼接得到最后的输出梯度向量。图6中上一层的输出梯度向量input gradien t[input gradient0，input gradient1，inputgradient 2，input gradient3]乘以对应的激活函数导数[f’(out0)，f’(out1)，f’(out2)，f’(out3)]得到本层的输入 梯度向量in_gradient，再与权值矩阵w[w00，w10，w20，w30]相乘得到输出梯度向量output gradient[output gradient0，output gradient1，output gradient 2，output gradient3]。
具体地，参考图6所示，input gradient(图6中的[input gradient0，…，input gradient3])是第n+1层的输出梯度向量，该向量首先要与正向运算过程中第n层的导数值(图6中的[f’(out0)，…，f’(out3)])相乘，得到第n层的输入梯度向量，该过程在主运算模块5中完成，由互连模块4发往从运算模块6，暂存在从运算模块6的神经元存储单元63中。然后，输入梯度向量与权值矩阵相乘得到第n层的输出梯度向量。在这个过程中，第i个从运算模块计算输入梯度向量中第i个标量和权值矩阵中列向量[w_i0，…，w_iN]的乘积，得到的输出向量在互连模块4中进行拼接操作得到最后的输出梯度向量output gradient(图6中的[output gradient0，…，output gradient3])。
计算权值更新梯度的过程如下。设x是第n层的输出神经元向量，主模块5将该输出神经元通过互连模块4传送给各个从运算模块。主运算模块5还将第n+1层的输出梯度向量in_gradient通过互连模块4传送到各个从运算模块6。每个从运算模块6将输出梯度向量in_gradient中与该从运算模块6相对应的标量数据与输出神经元向量x相乘，得到本从运算模块的第n层的原始权值更新梯度向量dw_original。在算出所有层的原始权值更新梯度向量之后，为了限制权值的梯度范围，土运算模块可以对原始权值更新梯度进行处理。首先设定一个正的常数clip_gradient；然后计算所有层的原始权值更新梯度的平方和sumsq_diff，然后对sumsq_diff进行开方得到12norm_diff。如果12norm_diff大于clip_gradient，则得到一个缩放因子scale_factor＝clip_gradient/12norm_diff。所有的原始权值更新梯度dw_original都分别乘以这个缩放因子scale_factor，得到权值更新梯度dw。
在得到scale_dw后，使用w、dw和上一次更新权值时使用的权值更新梯度dw’根据指令设置的学习率α，动量m和权重衰减系数η更新权值w。一种典型的更新权值的方式是：w＝η*w+α*(dw+m*dw’)。另一种典型的更新权值的方式是：w＝w+α*dw。
根据本发明的实施例，每个从运算模块存储w、dw和dw’中与该从运算模块相对应的列向量。
图7是示出根据一个实施例的单层的人工神经网络全连接层反向训练流程图。 该流程图描述利用本发明的装置和指令集实现图6所示的一种单层人工神经网络全连接层反向训练的过程。
在步骤S1，在指令存储单元1的首地址处预先存入一条IO指令。
在步骤S2，运算开始，控制器单元2从指令存储单元1的首地址读取该条IO指令，根据译出的控制信号，数据访问单元3从外部地址空间读取与该单层人工神经网络全连接层反向训练有关的所有指令，并将其存储在指令存储单元1中。
在步骤S3，控制器单元2接着从指令存储单元读入下一条IO指令，根据译出的控制信号，数据访问单元3从外部地址空间读取主运算模块5需要的所有数据至主运算模块5的第一神经元存储单元53，所述数据包括之前正向运算时的输入神经元和激活函数导数值以及输入梯度向量。
在步骤S4，控制器单元2接着从指令存储单元读入下一条IO指令，根据译出的控制信号，数据访问单元3从外部地址空间读取从运算模块6需要的所有权值数据和权值更新梯度数据，并分别存储到相应的从运算模块6的权值存储单元64和权值更新梯度存储单元65。
在步骤S5，控制器单元2接着从指令存储单元读入下一条CONFIG指令，第一和第二运算单元根据译出的控制信号配置运算单元内部寄存器的值，包括该层人工神经网络计算需要的各种常数，本层计算的精度设置、更新权值时的学习率等。
在步骤S6，控制器单元2接着从指令存储单元读入下一条COMPUTE指令，根据译出的控制信号，土运算模块5通过互连模块4将输入梯度向量和正向运算时的输入神经元发给各从运算模块6，所述输入梯度向量和正向运算时的输入神经元存至从运算模块6的第二神经元存储单元63。
在步骤S7，根据COMPUTE指令译出的控制信号，从运算模块6的第二运算单元61从权值存储单元64读取权值向量(即该从运算模块存储的权值矩阵的部分列)，完成权值向量和输入梯度向量的向量乘标量运算，将输出向量部分和通过互连模块4返回；同时从运算模块6将输入梯度向量与输入神经元相乘，得到权值更新梯度存至权值更新梯度存储单元65。
在步骤S8，在互连模块4中，各从运算模块6返回的输出梯度部分和通过互连模块的拼接操作得到完整的输出梯度向量。
在步骤S9，主运算模块5得到互连模块4的返回值，根据COMPUTE指令译出的控 制信号，从第一神经元存储单元53读取正向运算时的激活函数导数值，将导数值乘以返回的输出向量，得到下一层反向训练的输入梯度向量，将其写回至第一神经元存储单元53。
在步骤S10，控制器单元2接着从指令存储单元读入下一条COMPUTE指令，根据译出的控制信号，从运算模块6从权值存储单元64读取权值w，从权值更新梯度存储单元读取本次的权值更新梯度dw和上一次更新权值使用的权值更新梯度dw’，根据指令设置的学习率α，动量m和权重衰减系数η更新权值w。
在步骤S11，控制器单元接着从指令存储单元读入下一条IO指令，根据译出的控制信号，数据访问单元3将第一神经元存储单元53中的输出梯度向量存至外部地址空间指定地址，运算结束。
对于多层的人工神经网络全连接层，其实现过程与单层人工神经网络全连接层类似，当上一层人工神经网络执行完毕后，下一层的运算指令会将主运算模块中计算出的输出梯度向量作为下一层训练的输入梯度向量进行如上的计算过程，指令中的权值地址和权值更新梯度地址也会变更至本层对应的地址。
通过采用用于执行人工神经网络全连接层反向训练的装置和指令集，解决了CPU和GPU运算性能不足，前端译码开销大的问题。有效提高了对多层人工神经网络全连接层反向训练的支持。
通过采用针对多层人工神经网络全连接层反向训练的专用片上存储，充分挖掘了输入神经元和权值数据的重用性，避免了反复向内存读取这些数据，降低了内存访问带宽，避免了内存带宽成为多层人工神经网络全连接层反向训练性能瓶颈的问题。
前面的附图中所描绘的进程或方法可通过包括硬件(例如，电路、专用逻辑等)、固件、软件(例如，被具体化在非瞬态计算机可读介质上的软件)，或两者的组合的处理逻辑来执行。虽然上文按照某些顺序操作描述了进程或方法，但是，应该理解，所描述的某些操作能以不同顺序来执行。此外，可并行地而非顺序地执行一些操作。
在前述的说明书中，参考其特定示例性实施例描述了本发明的各实施例。显然，可对各实施例做出各种修改，而不背离所附权利要求所述的本发明的更广泛的精神和范围。相应地，说明书和附图应当被认为是说明性的，而不是限制性的。

Claims (11)

  1. 一种用于执行人工神经网络全连接层反向训练的装置，包括指令存储单元、控制器单元、数据访问单元、互连模块、主运算模块、多个从运算模块，其中：
    指令存储单元用于存储指令；
    控制器单元用于从指令存储单元读取指令，并将该指令译码成控制互连模块、主运算模块、以及所述多个从运算模块行为的控制信号；
    数据访问单元执行外部地址空间与所述装置之间的数据或指令读写操作；
    在每层人工神经网络全连接层反向训练开始计算的阶段，主运算模块通过互连模块向所有的从运算模块传输本层的输入梯度向量；
    每个从运算模块计算输入梯度向量中相应的部分标量元素与权值矩阵的对应列的乘积，得到输出梯度向量部分和；
    在从运算模块的计算过程完成后，互连模块逐级将各从运算模块的输出梯度向量部分和拼接得到本层的输出梯度向量；
    主运算模块在每一层的计算过程中，利用本层的输出梯度向量完成后续计算。
  2. 根据权利要求1所述的装置，其中，主运算模块将每一层的输出梯度向量与下一层的激活函数求导值对位相乘，作为下一层的输入梯度向量。
  3. 根据权利要求1所述的装置，其中，主运算模块包括第一运算单元、第一数据依赖关系判断单元和第一神经元存储单元，其中：
    第一神经元存储单元用于存储主运算模块在计算过程中用到的输入数据和输出数据；
    第一运算单元完成主运算模块的各种运算功能；
    第一数据依赖关系判断单元是第一运算单元读写第一神经元存储单元的端口，保证对第一神经元存储单元中离散或连续的数据读写不存在一致性冲突，并且负责从第一神经元存储单元读取输入梯度向量通过互连模块发送给各从运算模块；以及
    来自互连模块的输出梯度向量被发送到第一运算单元。
  4. 根据权利要求1所述的装置，其中，每个从运算模块包括第二运算单元、 第二数据依赖关系判定单元、第二神经元存储单元、权值存储单元和权值更新梯度存储单元，其中：
    第二运算单元接收控制器单元发出的控制信号并进行算数逻辑运算；
    第二数据依赖关系判断单元负责计算过程中对第二神经元存储单元、权值存储单元和权值更新梯度存储单元的读写操作，保证对第二神经元存储单元、权值存储单元和权值更新梯度存储单元的读写不存在一致性冲突；
    第二神经元存储单元存储输入梯度向量数据中与该从运算模块相对应的标量数据以及该从运算模块计算得到的输出梯度向量部分和；
    权值存储单元存储权值矩阵中与该从运算模块所存储的所述标量数据相对应的列；以及
    权值更新梯度存储单元存储该从运算模块在更新权值过程中需要的权值更新梯度数据，每个从运算模块存储的权值更新梯度数据与其存储的权值数据相对应。
  5. 根据权利要求4所述的装置，其中：
    计算权值更新梯度的过程如下：
    设x是第n层的输出神经元向量，主运算模块将该输出神经元向量通过互连模块传送给各个从运算模块，主运算模块还将第n+1层的输出梯度向量in_gradient通过互连模块传送到各个从运算模块；
    每个从运算模块将输出梯度向量in_gradient中与该从运算模块相对应的标量数据与输出神经元向量x相乘，得到本从运算模块的第n层的原始权值更新梯度向量dw_original。
  6. 根据权利要求5所述的装置，其中：
    在算出所有层的原始权值更新梯度向量之后，主运算模块对原始权值更新梯度进行处理，首先设定一个正的常数clip_gradient；然后计算所有层的原始权值更新梯度的平方和sumsq_diff，然后对sumsq_diff进行开方得到12norm_diff；
    如果12norm_diff大于clip_gradient，则得到一个缩放因子scale_factor＝clip_gradient/12norm_diff，所有的原始权值更新梯度dw_original都分别乘以这个缩放因子scale_factor，得到权值更新梯度dw。
  7. 根据权利要求6所述的装置，其中，在得到scale_dw后，使用w、dw和 上一次更新权值时使用的权值更新梯度dw’根据指令设置的学习率α，动量m和权重衰减系数η更新权值w。
  8. 根据权利要求7所述的装置，其中，更新权值的方式是：w＝η*w+α*(dw+m*dw’)，或w＝w+α*dw。
  9. 根据权利要求7所述的装置，其中，每个从运算模块存储w、dw和dw’中与该从运算模块相对应的列向量。
  10. 一种用于执行单层人工神经网络全连接层反向训练的方法，包括：
    在步骤S1，在指令存储单元的首地址处预先存入一条IO指令；
    在步骤S2，运算开始，控制器单元从指令存储单元的首地址读取该条IO指令，根据译出的控制信号，数据访问单元从外部地址空间读取与该单层人工神经网络全连接层反向训练有关的所有指令，并将其存储在指令存储单元中；
    在步骤S3，控制器单元接着从指令存储单元读入下一条IO指令，根据译出的控制信号，数据访问单元从外部地址空间读取主运算模块需要的所有数据至主运算模块的第一神经元存储单元，所述数据包括之前正向运算时的输入神经元和激活函数导数值以及输入梯度向量；
    在步骤S4，控制器单元接着从指令存储单元读入下一条IO指令，根据译出的控制信号，数据访问单元从外部地址空间读取从运算模块需要的所有权值数据和权值更新梯度数据，并分别存储到相应的从运算模块的权值存储单元和权值更新梯度存储单元；
    在步骤S5，控制器单元接着从指令存储单元读入下一条CONFIG指令，第一和第二运算单元根据译出的控制信号配置运算单元内部寄存器的值，包括该层人工神经网络计算需要的各种常数，本层计算的精度设置、更新权值时的学习率；
    在步骤S6，控制器单元接着从指令存储单元读入下一条COMPUTE指令，根据译出的控制信号，主运算模块通过互连模块将输入梯度向量和正向运算时的输入神经元发给各从运算模块，所述输入梯度向量和正向运算时的输入神经元存至从运算模块的第二神经元存储单元；
    在步骤S7，根据COMPUTE指令译出的控制信号，从运算模块的第二运算单元从权值存储单元64读取权值向量，完成权值向量和输入梯度向量的向量乘标量运算，将输出向量部分和通过互连模块返回；同时从运算模块将输入梯度向量与输入神 经元相乘，得到权值更新梯度存至权值更新梯度存储单元65；
    在步骤S8，在互连模块中，各从运算模块返回的输出梯度部分和通过互连模块的拼接操作得到完整的输出梯度向量；
    在步骤S9，主运算模块得到互连模块的返回值，根据COMPUTE指令译出的控制信号，从神经元存储单元读取正向运算时的激活函数导数值，将导数值乘以返回的输出向量，得到下一层反向训练的输入梯度向量，将其写回至第一神经元存储单元；
    在步骤S10，控制器单元接着从指令存储单元读入下一条COMPUTE指令，根据译出的控制信号，从运算模块从权值存储单元读取权值w，从权值更新梯度存储单元读取本次的权值更新梯度dw和上一次更新权值使用的权值更新梯度dw’，根据指令设置的学习率α，动量m和权重衰减系数η更新权值w；以及
    在步骤S11，控制器单元接着从指令存储单元读入下一条IO指令，根据译出的控制信号，数据访问单元将第一神经元存储单元中的输出梯度向量存至外部地址空间指定地址，运算结束。
  11. 一种用于执行多层人工神经网络全连接层反向训练的方法，包括：
    对于每一层，执行根据权利要求10所述的方法；以及
    当上一层人工神经网络全连接层执行完毕后，下一层的运算指令将主运算模块中计算出的输出梯度向量作为下一层训练的输入梯度向量执行根据权利要求10的方法，指令中的权值地址和权值更新梯度地址相应地变更至本层对应的地址。
PCT/CN2016/081114 2016-04-29 2016-05-05 一种用于执行全连接层神经网络反向训练的装置和方法 WO2017185394A1 (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP16899905.0A EP3451242A4 (en) 2016-04-29 2016-05-05 DEVICE AND METHOD FOR REVERSE LEARNING OF COMPLETELY CONNECTED LAYERS OF A NEURONAL NETWORK
KR1020187033950A KR102470264B1 (ko) 2016-04-29 2016-05-05 완전연결층 신경망 역방향 트레이닝 실행용 장치와 방법
US16/174,050 US20190065958A1 (en) 2016-04-29 2018-10-29 Apparatus and Methods for Training in Fully Connected Layers of Convolutional Networks

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610285062.0 2016-04-29
CN201610285062.0A CN107341541B (zh) 2016-04-29 2016-04-29 一种用于执行全连接层神经网络训练的装置和方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/174,050 Continuation-In-Part US20190065958A1 (en) 2016-04-29 2018-10-29 Apparatus and Methods for Training in Fully Connected Layers of Convolutional Networks

Publications (1)

Publication Number Publication Date
WO2017185394A1 true WO2017185394A1 (zh) 2017-11-02

Family

ID=60160559

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/081114 WO2017185394A1 (zh) 2016-04-29 2016-05-05 一种用于执行全连接层神经网络反向训练的装置和方法

Country Status (5)

Country Link
US (1) US20190065958A1 (zh)
EP (1) EP3451242A4 (zh)
KR (1) KR102470264B1 (zh)
CN (2) CN107341541B (zh)
WO (1) WO2017185394A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147873A (zh) * 2018-05-18 2019-08-20 北京中科寒武纪科技有限公司 卷积神经网络的处理器及训练方法
CN111126581A (zh) * 2018-12-18 2020-05-08 中科寒武纪科技股份有限公司 数据处理方法、装置及相关产品

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180053086A1 (en) * 2016-08-22 2018-02-22 Kneron Inc. Artificial neuron and controlling method thereof
CN108108662B (zh) * 2017-11-24 2021-05-25 深圳市华尊科技股份有限公司 深度神经网络识别模型及识别方法
CN111242294B (zh) * 2017-12-14 2023-08-25 中科寒武纪科技股份有限公司 集成电路芯片装置及相关产品
CN108108189B (zh) * 2017-12-15 2020-10-30 安徽寒武纪信息科技有限公司 一种计算方法及相关产品
CN108053029B (zh) * 2017-12-27 2021-08-27 上海闪易半导体有限公司 一种基于存储阵列的神经网络的训练方法
CN110163334B (zh) * 2018-02-11 2020-10-09 上海寒武纪信息科技有限公司 集成电路芯片装置及相关产品
CN110163349B (zh) * 2018-02-12 2021-03-23 上海寒武纪信息科技有限公司 一种网络模型的计算方法及装置
US12073215B2 (en) 2018-02-13 2024-08-27 Shanghai Cambricon Information Technology Co., Ltd Computing device with a conversion unit to convert data values between various sizes of fixed-point and floating-point data
EP3651079B1 (en) * 2018-02-13 2021-10-27 Shanghai Cambricon Information Technology Co., Ltd Computation device and method
CN111368987B (zh) * 2018-12-25 2023-03-24 上海寒武纪信息科技有限公司 一种神经网络计算装置和方法
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
US11423284B2 (en) * 2018-09-07 2022-08-23 Black Sesame Technologies, Inc Subgraph tile fusion in a convolutional neural network
CN109447258B (zh) * 2018-09-19 2021-09-14 北京市商汤科技开发有限公司 神经网络模型的优化方法及装置、电子设备和存储介质
CN109165738B (zh) * 2018-09-19 2021-09-14 北京市商汤科技开发有限公司 神经网络模型的优化方法及装置、电子设备和存储介质
CN110968404B (zh) * 2018-09-30 2023-04-28 阿里巴巴集团控股有限公司 一种设备数据处理方法及装置
CN110059797B (zh) * 2018-10-10 2020-03-10 中科寒武纪科技股份有限公司 一种计算装置及相关产品
CN111368986B (zh) * 2018-12-25 2023-03-10 上海寒武纪信息科技有限公司 一种神经网络计算装置和方法
CN109740739B (zh) * 2018-12-29 2020-04-24 中科寒武纪科技股份有限公司 神经网络计算装置、神经网络计算方法及相关产品
CN111722937B (zh) * 2019-03-21 2024-05-10 阿里巴巴集团控股有限公司 深度学习权重更新方法、装置
WO2020192582A1 (zh) * 2019-03-26 2020-10-01 上海寒武纪信息科技有限公司 神经网络运算模块及方法
JP7370158B2 (ja) * 2019-04-03 2023-10-27 株式会社Preferred Networks 情報処理装置および情報処理方法
CN110032450B (zh) * 2019-04-17 2021-04-20 中山大学 一种基于固态盘扩展内存的大规模深度学习方法及系统
CN113222101A (zh) * 2020-02-05 2021-08-06 北京百度网讯科技有限公司 深度学习处理装置、方法、设备和存储介质
CN112329941B (zh) * 2020-11-04 2022-04-12 支付宝(杭州)信息技术有限公司 深度学习模型的更新方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517596A (en) * 1991-05-17 1996-05-14 International Business Machines Corporation Learning machine synapse processor system apparatus
CN103150596A (zh) * 2013-02-22 2013-06-12 百度在线网络技术（北京）有限公司 一种反向传播神经网络dnn的训练系统
CN103996069A (zh) * 2013-02-20 2014-08-20 百度在线网络技术（北京）有限公司 一种基于多gpu的bpnn训练方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488565A (zh) * 2015-11-17 2016-04-13 中国科学院计算技术研究所 加速深度神经网络算法的加速芯片的运算装置及方法
CN105512723B (zh) * 2016-01-20 2018-02-16 南京艾溪信息科技有限公司 一种用于稀疏连接的人工神经网络计算装置和方法
CN106991478B (zh) * 2016-01-20 2020-05-08 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训练的装置和方法
WO2017185248A1 (zh) * 2016-04-27 2017-11-02 北京中科寒武纪科技有限公司 用于执行人工神经网络自学习运算的装置和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517596A (en) * 1991-05-17 1996-05-14 International Business Machines Corporation Learning machine synapse processor system apparatus
CN103996069A (zh) * 2013-02-20 2014-08-20 百度在线网络技术（北京）有限公司 一种基于多gpu的bpnn训练方法和装置
CN103150596A (zh) * 2013-02-22 2013-06-12 百度在线网络技术（北京）有限公司 一种反向传播神经网络dnn的训练系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3451242A4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147873A (zh) * 2018-05-18 2019-08-20 北京中科寒武纪科技有限公司 卷积神经网络的处理器及训练方法
CN110147873B (zh) * 2018-05-18 2020-02-18 中科寒武纪科技股份有限公司 卷积神经网络的处理器及训练方法
CN111126581A (zh) * 2018-12-18 2020-05-08 中科寒武纪科技股份有限公司 数据处理方法、装置及相关产品

Also Published As

Publication number Publication date
KR20190003612A (ko) 2019-01-09
CN107341541A (zh) 2017-11-10
CN107341541B (zh) 2021-01-29
CN109376861A (zh) 2019-02-22
KR102470264B1 (ko) 2022-11-23
EP3451242A4 (en) 2019-12-25
CN109376861B (zh) 2020-04-24
EP3451242A1 (en) 2019-03-06
US20190065958A1 (en) 2019-02-28

Similar Documents

Publication Publication Date Title
WO2017185394A1 (zh) 一种用于执行全连接层神经网络反向训练的装置和方法
US10713568B2 (en) Apparatus and method for executing reversal training of artificial neural network
KR102544275B1 (ko) 콘볼루션 신경망 트레이닝 실행용 장치와 방법
WO2017185387A1 (zh) 一种用于执行全连接层神经网络正向运算的装置和方法
CN107316078B (zh) 用于执行人工神经网络自学习运算的装置和方法
CN111860813B (zh) 一种用于执行卷积神经网络正向运算的装置和方法
CN109284825B (zh) 用于执行lstm运算的装置和方法
CN111260025B (zh) 用于执行lstm神经网络运算的装置和运算方法
WO2017185347A1 (zh) 用于执行循环神经网络和lstm运算的装置和方法
EP3564863B1 (en) Apparatus for executing lstm neural network operation, and operational method
CN107886166B (zh) 一种执行人工神经网络运算的装置和方法
WO2017185248A1 (zh) 用于执行人工神经网络自学习运算的装置和方法
WO2018058452A1 (zh) 一种执行人工神经网络运算的装置和方法
WO2017177446A1 (zh) 支持离散数据表示的人工神经网络反向训练装置和方法

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 20187033950

Country of ref document: KR

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16899905

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2016899905

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2016899905

Country of ref document: EP

Effective date: 20181129