[发明专利]基于深度学习的运算实现方法、装置和电子设备在审
申请号: | 201710906965.0 | 申请日: | 2017-09-29 |
公开(公告)号: | CN108229668A | 公开(公告)日: | 2018-06-29 |
发明(设计)人: | 杨涛;颜深根 | 申请(专利权)人: | 北京市商汤科技开发有限公司 |
主分类号: | G06N3/063 | 分类号: | G06N3/063;G06F9/302 |
代理公司: | 北京思源智汇知识产权代理有限公司 11657 | 代理人: | 毛丽琴 |
地址: | 100084 北京市海淀区中*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 运算模块 运算单元 运算数 电子设备 相乘运算 运算 计算机可读介质 数据处理器 学习 申请 | ||
1.一种基于深度学习的运算实现方法,其特征在于,包括:
将A个N1比特的第一运算数输入至数据处理器的M比特的第一运算模块中,其中,所述第一运算模块包括A个N2比特的第一运算单元,一个第一运算单元被输入一第一运算数,M不小于A与N2的乘积;其中,通过对所述第一运算数扩展移位,并执行相加减的操作使所述A个N1比特的第一运算数输入至一个M比特的第一运算模块中;
将所述第一运算模块与N3比特的第二运算数进行相乘运算,使所述第一运算模块中的一个第一运算单元获得一个相乘运算结果;
其中,所述N2不小于N1与N3之和。
2.根据权利要求1所述的方法,其特征在于,所述第一运算数和第二运算数分别为:带符号位的定点数。
3.根据权利要求2所述的方法,其特征在于,所述N1与N3相等,所述N2等于N1与N3之和。
4.根据权利要求1至3中任一项所述的方法,其特征在于:
所述A个N1比特的第一运算数包括:两个8比特的第一运算数;
所述N2比特的第一运算单元包括:16比特的第一运算单元;
所述N3比特的第二运算数包括:8比特的第二运算数;
所述M比特的第一运算模块包括:32比特的第一运算模块。
5.根据权利要求4所述的方法,其特征在于,所述将A个N1比特的第一运算数输入至数据处理器的M比特的第一运算模块中的步骤包括:
将两个8比特的第一运算数分别扩展为16比特的第一运算数,将其中一个16比特的第一运算数输入第一运算模块中,并左移16比特,使其位于第一运算模块中的高16比特的第一运算单元中;
在判断出另一个16比特的第一运算数与第二运算数同号的情况下,计算第一运算模块与另一个16比特的第一运算数之和,使另一个16比特的第一运算数位于第一运算模块中的低16比特的第一运算单元中;
在判断出另一个16比特的第一运算数与第二运算数异号的情况下,计算第一运算模块与另一个16比特的第一运算数之差,使另一个16比特的第一运算数在取负后位于第一运算模块中的低16比特的第一运算单元中。
6.根据权利要求1至3中任一项所述的方法,其特征在于,所述方法还包括:
将A个N4比特的第三运算数输入至数据处理器的M比特的第二运算模块中;其中,所述第二运算模块包括A个N2比特的第二运算单元,一个第二运算单元被输入一第三运算数,N4不大于N2;
且所述方法在将所述第一运算模块与N3比特的第二运算数进行相乘运算之后还包括:
将所述第一运算模块与第二运算模块进行相加运算,使所述方法实现乘加器;
从所述第一运算模块的每一个第一运算单元中获取一个乘加运算结果。
7.根据权利要求6所述的方法,其特征在于,所述N1、N3以及N4相等。
8.根据权利要求7所述的方法,其特征在于,所述将A个N4比特的第三运算数输入至数据处理器的M比特的第二运算模块中的步骤包括:
将两个8比特的第三运算数分别扩展为16比特的第三运算数,将其中一个16比特的第三运算数输入第二运算模块中,并左移16比特,使其位于第二运算模块中的高16比特的第二运算单元中;
计算第二运算模块与另一个16比特的第三运算数之和,使另一个16比特的第三运算数位于第二运算模块中的低16比特的第二运算单元中。
9.根据权利要求7所述的方法,其特征在于,所述从所述第一运算模块的每一个第一运算单元中获取一个乘加运算结果的步骤包括:
将32比特的第一运算模块中的高16比特的第一运算单元中的数作为一个乘加运算结果;
在相应第一运算数与第二运算数同号的情况下,将32比特的第一运算模块中的低16比特的第一运算单元中的数作为另一个乘加运算结果;
在相应第一运算数与第二运算数异号的情况下,将32比特的第一运算模块中的低16比特的第一运算单元中的数取负后作为另一个乘加运算结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京市商汤科技开发有限公司,未经北京市商汤科技开发有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710906965.0/1.html,转载请声明来源钻瓜专利网。
- 上一篇:基于人工神经网络类别的修剪
- 下一篇:神经网络阵列的自学习