[发明专利]用于卷积神经网络的权重移位机制

说明书

技术领域

本发明涉及处理逻辑、微处理器，以及相关联的指令集架构领域，当它们被处理器或其他处理逻辑执行时，执行逻辑、数学，或其他功能操作。

相关技术的描述

多处理器系统正在变得越来越多常见。多处理器系统的应用包括动态域分割直到桌面计算。为了利用多处理器系统，要被执行的代码可以被分离成多个线程，用于由各个处理实体执行。每一线程都可以彼此并行地执行。

选择加密例程可包括选择用于实现该例程所需的安全性和资源之间的折衷。尽管某些加密例程没有其他的那样安全，但是，实现它们所需的资源可以足够小，以允许它们在诸如处理能力和存储器之类的计算资源没有例如台式计算机或较大的计算方案那么充足的各种应用中使用。实现诸如加密例程之类的例程的成本可以以门计数或门等效(gate-equivalent)计数、吞吐量、功率消耗，或生产成本来度量。用于计算应用程序中的多个加密例程包括被称为AES、Hight、Iceberg、Katan、Klein、Led、mCrypton、Piccolo、Present、Prince、Twine，以及EPCBC的那些，但是，这些例程不一定彼此兼容，一个例程也不一定可以替代另一个。

卷积神经网络(CNN)是一种计算模型，由于在解决诸如图象理解之类的人计算机接口问题时表现出的能力，最近变得流行。该模型的核心是多级算法，该算法以大的输入范围(例如，图像像素)作为输入，并根据预定义函数，对输入应用一组变换。可以是将已转换的数据馈送给神经网络，以检测模式。

附图简述

此处所描述的本发明的各实施例是作为示例说明的，而不仅限于各个附图的图形。

图1A是根据本发明的各实施例的利用可包括执行指令的执行单元的处理器形成的示例性计算机系统的框图；

图1B示出了根据本发明的各实施例的数据处理系统；

图1C示出了用于执行文本字符串比较操作的数据处理系统的其他实施例；

图2是根据本公开的各实施例的可包括执行指令的逻辑电路的处理器的微架构的框图；

图3A是根据本发明各实施例的处理器的框图；

图3B是根据本发明的各实施例的核的示例实现的框图；

图4是根据本发明的各实施例的系统的框图；

图5是根据本发明的各实施例的第二系统的框图；

图6是根据本发明的各实施例的第三系统的框图；

图7是根据本发明的各实施例的片上系统的框图；

图8是根据本发明的各实施例的用于使用处理器电子设备的框图；

图9示出了根据本发明的各实施例的神经网络系统的示例实施例。

图10示出了根据本发明的各实施例的用于使用处理设备来实现神经网络系统的比较详细的实施例。

图11是根据本发明的各实施例的对于神经网络系统的不同的层执行计算的处理设备的比较详细的图示。

图12示出了根据本发明的各实施例的计算电路的示例实施例。

图13A、13B，以及13C是计算电路的各种组件的比较详细的图示。

图14是根据本发明的各实施例的用于权重移位的方法的示例实施例的流程图。

具体实施方式

下面描述了处理器、虚拟处理器、封装、计算机系统，或其他处理设备内的或与它们相关联的可重新配置的处理单元的权重移位机制。在一个实施例中，这样的权重移位机制可以用于卷积神经网络(convolutionneuralnetwork：CNN)中。在另一个实施例中，这样的CNN可包括低精度CNN。在下面的描述中，阐述了诸如处理逻辑、处理器类型、微架构条件、事件、启用机制等等之类的很多具体细节，以便提供对本发明的实施例进行全面的理解。然而，本领域技术人员可以理解，各实施例可以在没有这样的具体细节的情况下实施。另外，为避免不必要地使本发明的各实施例模糊，没有详细示出某些已知的结构，电路，等等。