WO2021046986A1 - 多位宽pe阵列计算位宽的选择方法及计算精度控制电路 - Google Patents
多位宽pe阵列计算位宽的选择方法及计算精度控制电路 Download PDFInfo
- Publication number
- WO2021046986A1 WO2021046986A1 PCT/CN2019/114105 CN2019114105W WO2021046986A1 WO 2021046986 A1 WO2021046986 A1 WO 2021046986A1 CN 2019114105 W CN2019114105 W CN 2019114105W WO 2021046986 A1 WO2021046986 A1 WO 2021046986A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- probability
- maximum
- threshold
- calculation
- array
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
Description
Claims (10)
- 多位宽PE阵列计算位宽的选择方法,其特征在于,对神经网络softmax层输出的输入数据属于各分类结果的概率分布进行置信度比较,从数据属于各分类结果的概率分布中筛选出概率最大值,根据概率最大值与最小阈值及最大阈值的数值关系选择满足神经网络识别精度要求的计算位宽。
- 根据权利要求1所述多位宽PE阵列计算位宽的选择方法,其特征在于,根据概率最大值与最小阈值及最大阈值的数值关系选择满足神经网络识别精度要求的计算位宽的方法为:在概率最大值小于最小阈值时选择高位宽PE阵列,在概率最大值大于最大阈值时选择低位宽PE阵列,在概率最大值介于最小阈值和最大阈值之间时保持多位宽PE阵列的计算位宽不变。
- 根据权利要求1所述多位宽PE阵列计算位宽的选择方法,其特征在于,对神经网络softmax层输出的输入数据属于各分类结果的概率分布进行置信度比较的方法为:对神经网络softmax层输出的输入数据为各分类结果的概率进行两两比较。
- 根据权利要求1所述多位宽PE阵列计算位宽的选择方法,其特征在于,根据概率最大值与最小阈值及最大阈值的数值关系选择满足神经网络识别精度要求的计算位宽的方法为:比较概率最大值和最小阈值,比较概率最大值与最大阈值,对两个比较结果进行异或逻辑运算。
- 计算精度控制电路,其特征在于,包括:置信度比较模块,对神经网络softmax层输出的输入数据属于各分类结果的概率分布进行置信度比较,从数据属于各分类结果的概率分布中筛选出概率最大值,置信度阈值判断模块,判断概率最大值与最小阈值及最大阈值的数值关系,及,位宽动态选择模块,根据概率最大值与最小阈值及最大阈值的数值关系选择满足神经网络识别精度要求的计算位宽,输出表征计算位宽选择结果的控制信号至多位宽PE阵列。
- 根据权利要求5所述的计算精度控制电路,其特征在于,所述置信度比较模块包括多个对各自输入端的概率值进行两两比较的置信度比较单元,每个置信度比较单元包括:比较器,其输入端接两个概率值,输出比较结果,及,二选一数据选择器,其数据输入端接输入比较器的两个概率值,其控制端接比较器输出的比较结果,输出两个概率值中的较大值。
- 根据权利要求5所述的计算精度控制电路,其特征在于,所述置信度阈值判断模块包括:第一比较器,其输入端接概率最大值和最小阈值,输出概率最大值和最小阈值的比较结果第二比较器,其输入端接概率最大值和最大阈值,输出概率最大值和最大阈值的比较结果,及,异或门,其输出端接两个比较器输出的比较结果,输出表征概率最大值与最小阈值及最大阈值数值关系的阈值比较结果。
- 根据权利要求5所述的计算精度控制电路,其特征在于,所述位宽动态选择模块包括:第一反相器,其输入端接阈值比较结果,输出反相的阈值比较结果,第一三态门,其输入端接寄存器输出的上一状态控制信号,其控制端接第一反相器的输出端,在概率最大值介于最小阈值和最大阈值之间时,输出上一状态控制信号,第二反相器,其输入端接寄存器输出的上一状态控制信号,输出上一状态控制信号的反相信号,第二三态门,其输入端接第二反相器的输出端,其控制端接阈值比较结果,在概率最大值小于最小阈值或概率最大值大于最大阈值时输出上一状态控制信号的反相信号,及,寄存器,缓存上一状态控制信号,在第二三态门输出上一状态控制信号的反相信号时更新数据。
- 智能计算电路,其特征在于,包括:多位宽PE阵列及权利要求5至8中任意一项所述计算精度控制电路,多位宽PE阵列在计算精度控制电路输出的控制信号的作用下切换不同计算位宽的PE阵列或维持计算位宽不变。
- 权利要求9所述智能计算电路,其特征在于,所述多位宽PE阵列包含高位宽的PE阵列及低位宽PE阵列,每个PE阵列所接电源回路都包含用于供电的MOS管和用于馈电的MOS管,供电MOS管和馈电MOS管接反相的控制信号,所述控制信号由计算精度控制电路提供。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910862967.3A CN110728365B (zh) | 2019-09-12 | 2019-09-12 | 多位宽pe阵列计算位宽的选择方法及计算精度控制电路 |
CN201910862967.3 | 2019-09-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021046986A1 true WO2021046986A1 (zh) | 2021-03-18 |
Family
ID=69218971
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2019/114105 WO2021046986A1 (zh) | 2019-09-12 | 2019-10-29 | 多位宽pe阵列计算位宽的选择方法及计算精度控制电路 |
PCT/CN2020/094549 WO2021047215A1 (zh) | 2019-09-12 | 2020-06-05 | 多位宽pe阵列计算位宽的选择方法及计算精度控制电路 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2020/094549 WO2021047215A1 (zh) | 2019-09-12 | 2020-06-05 | 多位宽pe阵列计算位宽的选择方法及计算精度控制电路 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110728365B (zh) |
WO (2) | WO2021046986A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728365B (zh) * | 2019-09-12 | 2022-04-01 | 东南大学 | 多位宽pe阵列计算位宽的选择方法及计算精度控制电路 |
CN116401069A (zh) * | 2023-05-08 | 2023-07-07 | 深圳市欧朗博科技有限公司 | 一种精度可调整及数据自整合的基带芯片架构方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107646116A (zh) * | 2015-05-08 | 2018-01-30 | 高通股份有限公司 | 用于定点神经网络的位宽选择 |
CN108647779A (zh) * | 2018-04-11 | 2018-10-12 | 复旦大学 | 一种低位宽卷积神经网络可重构计算单元 |
CN109376845A (zh) * | 2017-08-09 | 2019-02-22 | 上海寒武纪信息科技有限公司 | 动态调整方法及动态调整协处理器 |
CN109871896A (zh) * | 2019-02-26 | 2019-06-11 | 北京达佳互联信息技术有限公司 | 数据分类方法、装置、电子设备及存储介质 |
EP3496006A1 (en) * | 2016-08-05 | 2019-06-12 | Cambricon Technologies Corporation Limited | Operation unit, method and device capable of supporting operation data of different bit widths |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11507624B2 (en) * | 2014-11-18 | 2022-11-22 | Yahoo Assets Llc | Method and system for providing query suggestions based on user feedback |
CN108256642B (zh) * | 2016-12-29 | 2021-08-31 | 上海寒武纪信息科技有限公司 | 一种用于非精确计算神经网络的电路设计方法 |
CN107729989B (zh) * | 2017-07-20 | 2020-12-29 | 安徽寒武纪信息科技有限公司 | 一种用于执行人工神经网络正向运算的装置及方法 |
CN107783935B (zh) * | 2017-09-26 | 2021-03-19 | 东南大学 | 基于动态精度可配运算的近似计算可重构阵列 |
US10573295B2 (en) * | 2017-10-27 | 2020-02-25 | Salesforce.Com, Inc. | End-to-end speech recognition with policy learning |
CN109726809B (zh) * | 2017-10-30 | 2020-12-08 | 赛灵思公司 | 深度学习softmax分类器的硬件实现电路及其控制方法 |
CN109325590B (zh) * | 2018-09-14 | 2020-11-03 | 中国科学院计算技术研究所 | 用于实现计算精度可变的神经网络处理器的装置 |
CN110135086B (zh) * | 2019-05-20 | 2022-09-13 | 合肥工业大学 | 计算精度可变的softmax函数硬件电路及其实现方法 |
CN110728365B (zh) * | 2019-09-12 | 2022-04-01 | 东南大学 | 多位宽pe阵列计算位宽的选择方法及计算精度控制电路 |
-
2019
- 2019-09-12 CN CN201910862967.3A patent/CN110728365B/zh active Active
- 2019-10-29 WO PCT/CN2019/114105 patent/WO2021046986A1/zh active Application Filing
-
2020
- 2020-06-05 WO PCT/CN2020/094549 patent/WO2021047215A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107646116A (zh) * | 2015-05-08 | 2018-01-30 | 高通股份有限公司 | 用于定点神经网络的位宽选择 |
EP3496006A1 (en) * | 2016-08-05 | 2019-06-12 | Cambricon Technologies Corporation Limited | Operation unit, method and device capable of supporting operation data of different bit widths |
CN109376845A (zh) * | 2017-08-09 | 2019-02-22 | 上海寒武纪信息科技有限公司 | 动态调整方法及动态调整协处理器 |
CN108647779A (zh) * | 2018-04-11 | 2018-10-12 | 复旦大学 | 一种低位宽卷积神经网络可重构计算单元 |
CN109871896A (zh) * | 2019-02-26 | 2019-06-11 | 北京达佳互联信息技术有限公司 | 数据分类方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
CHEN ZHUANG: "Scalable and Energy-efficient Cnn Accelerator Design Based on Dynamic Accuracy", CHINESE MASTER’S THESES FULL-TEXT DATABASE-SOUTHEAST UNIVERSITY, 30 May 2018 (2018-05-30), XP055792309, [retrieved on 20210401] * |
Also Published As
Publication number | Publication date |
---|---|
WO2021047215A1 (zh) | 2021-03-18 |
CN110728365B (zh) | 2022-04-01 |
CN110728365A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210089922A1 (en) | Joint pruning and quantization scheme for deep neural networks | |
WO2021047215A1 (zh) | 多位宽pe阵列计算位宽的选择方法及计算精度控制电路 | |
CN109766992B (zh) | 基于深度学习的工控异常检测及攻击分类方法 | |
CN109800692B (zh) | 一种基于预训练卷积神经网络的视觉slam回环检测方法 | |
CN112801404A (zh) | 一种基于自适应空间自注意力图卷积的交通预测方法 | |
Leite et al. | Evolving granular neural network for semi-supervised data stream classification | |
WO2019196223A1 (zh) | 一种应用于卷积神经网络的加速方法和加速器 | |
US20240020514A1 (en) | Improper neural network input detection and handling | |
US20220189155A1 (en) | Object detection using multiple neural network configurations | |
US11748186B2 (en) | Self-regulating power management for a neural network system | |
Goetschalckx et al. | Optimized hierarchical cascaded processing | |
CN113743528A (zh) | 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 | |
CN115035371B (zh) | 基于多尺度特征融合神经网络的井壁裂缝识别方法 | |
TW202105257A (zh) | 整合人工神經網路與通用處理器電路之系統單晶片 | |
CN110728303B (zh) | 基于卷积神经网络数据复杂度的动态自适应计算阵列 | |
CN110363730A (zh) | 一种基于颜色直方图峰值的自适应超像素分割方法 | |
CN110600019B (zh) | 基于实时场景下语音信噪比预分级的卷积神经网络计算电路 | |
CN110210412B (zh) | 一种基于深度学习和多示例学习的高光谱影像分类方法 | |
US20220150310A1 (en) | Sensor System with Low Power Sensor Devices and High Power Sensor Devices | |
CN114492569B (zh) | 一种基于宽度学习系统的台风路径分类方法 | |
CN114826948A (zh) | 一种基于图卷积网络的sdn网络流量预测方法 | |
CN113837085A (zh) | 基于领域自适应卷积神经网络的电子鼻漂移补偿方法 | |
CN113095489A (zh) | 一种归纳多层次图网络表示学习方法 | |
CN113177599A (zh) | 一种基于gan的强化样本生成方法 | |
CN114513328B (zh) | 基于概念漂移和深度学习的网络流量入侵检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19945273 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 19945273 Country of ref document: EP Kind code of ref document: A1 |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 20.07.2022) |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 19945273 Country of ref document: EP Kind code of ref document: A1 |