【技术实现步骤摘要】
本专利技术涉及电子芯片
,具体主要涉及了神经网络处理器和卷积神经网络处理器。
技术介绍
神经网络及深度学习算法已经获得了非常成功的应用,并处于迅速发展的过程中。业界普遍预期这种新的计算方式有助于实现更为普遍和更为复杂的智能应用。基于此商业背景,主要厂家开始投入芯片及系统解决方案的开发。由于复杂应用对计算规模的需要,高能效是这个领域技术解决方案的核心追求。脉冲激发(Spiking)机制的神经网络实现方式,由于其能效率上的好处,得到了业内高度重视,例如IBM及Qualcomm公司都基于Spiking机制开发自己的芯片解决方案。与此同时,谷歌、百度和facebook等公司已经在现有的计算平台上实施应用开发。直接开发应用的公司普遍认为,现有基于Spiking机制的芯片解决方案限定输入输出变量只能为0或1,使得这些解决方案的应用范围受到了极大限制。
技术实现思路
本专利技术的实施例提供神经网络处理器和卷积神经网络处理器,以期拓展神经网络运算的应用范围。本专利技术实施例第一方面提供一种神经网络处理器,包括:第一权重预处理器和第一运算阵列;所述第一权重预处理器用于接收包括M个元素的向量Vx,所述向量Vx的元素Vx-i的归一化值域空间是大于或等于0且小于或等于1的实数,所述元素Vx-i为所述M个元素中的任意1个;利用M*P权重向量矩阵Qx对所述向量Vx的M个元素进行加权运算以得到 ...
【技术保护点】
一种神经网络处理器,其特征在于,包括:第一权重预处理器和第一运算阵列;所述第一权重预处理器用于接收包括M个元素的向量Vx,所述向量Vx的元素Vx‑i的归一化值域空间是大于或等于0且小于或等于1的实数,所述元素Vx‑i为所述M个元素中的任意1个;利用M*P权重向量矩阵Qx对所述向量Vx的M个元素进行加权运算以得到M个加权运算结果向量,所述M个加权运算结果向量与所述M个元素之间一一对应,所述M个加权运算结果向量之中的每个加权运算结果向量包括P个元素;向所述第一运算阵列输出所述M个加权运算结果,所述M和所述P为大于1的整数;所述第一运算阵列,用于将所述M个加权运算结果向量中的位置相同的元素进行累加以得到P个累加值,根据所述P个累加值得到包括P个元素的向量Vy,其中,所述P个元素与所述P个累加值之间一一对应,输出所述向量Vy。
【技术特征摘要】
1.一种神经网络处理器,其特征在于,包括:
第一权重预处理器和第一运算阵列;
所述第一权重预处理器用于接收包括M个元素的向量Vx,所述向量Vx
的元素Vx-i的归一化值域空间是大于或等于0且小于或等于1的实数,所述
元素Vx-i为所述M个元素中的任意1个;利用M*P权重向量矩阵Qx对所述
向量Vx的M个元素进行加权运算以得到M个加权运算结果向量,所述M个
加权运算结果向量与所述M个元素之间一一对应,所述M个加权运算结果向
量之中的每个加权运算结果...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。