[发明专利]人工神经网络运算电路

说明书

技术领域

本发明涉及图像处理领域，具体而言，涉及一种人工神经网络运算电路。

背景技术

人工神经网络(Artificial Neural Network),是20世纪80年代以来人工智能领域兴起的研究热点，它从生物信息处理角度对大脑神经元单元网络进行抽象，按不同的连接方式组成不同的网络。人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理等方面的缺陷，使之在模式识别、智能控制、优化组合、预测等领域得到成功应用。

人工神经网络的层次结构复杂，学习能力和神经网络的层次成正比，然而更深的层次结构意味着更大的数据运算和更复杂的连接，从而会导致计算量较大、系统功耗较高。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种人工神经网络运算电路，以至少解决由于人工神经网络的连接结构复杂导致的系统功耗较高的技术问题。

根据本发明实施例的一个方面，提供了一种人工神经网络运算电路，包括：控制器，用于生成学习参数，并根据学习参数调整多个神经元单元之间的连接关系；存储器，与控制器连接，用于存储输入数据、学习参数以及连接关系；多个神经元单元，与控制器和存储器连接，用于基于连接关系，根据学习参数对输入数据进行神经元运算，并输出运算结果。

可选地，多个神经元单元设置于多层神经网络中，每层神经网络包括至少一个神经元单元。

可选地，多层神经网络中第i层神经网络根据输入数据进行神经元运算，生成第i个运算结果，并将第i个运算结果传输至第i+1层神经网络，i为正整数。

可选地，控制器用于执行以下步骤根据学习参数调整多个神经元单元之间的连接关系：获取多层神经网络中最后一层神经网络输出的运算结果；根据运算结果与预设值之间的差值，调整学习参数；若调整后的学习参数小于预设阈值，断开与调整后的学习参数对应的神经元单元的连接。

可选地，控制器，还用于在多个神经元单元中的一个或几个神经元单元的调整后的学习参数均小于预设阈值的情况下，删除一个或几个神经元单元。

可选地，控制器，还用于在多层神经网络中的一层或几层神经网络的所有神经元单元的调整后的学习参数均小于预设阈值的情况下，删除一层或几层神经网络。

可选地，多个神经元单元用于执行以下步骤根据学习参数对输入数据进行神经元运算：从存储器中读取输入数据和学习参数；依据学习参数对输入数据进行加权求和，得到加权求和结果；将加权求和结果输入预设激励函数，得到运算结果。

可选地，多个神经元单元用于执行以下步骤依据学习参数对输入数据进行加权求和，得到加权求和结果：计算输入数据与学习参数的乘积；对各个乘积进行求和运算，得到加权求和结果。

可选地，多层神经网络中第一层神经网络与输入层全连接。

可选地，存储器包括以下至少之一：寄存器单元、静态存储器、动态存储器。

在本发明实施例中，采用控制器生成学习参数，并根据学习参数调整多个神经元单元之间的连接关系；存储器存储输入数据、学习参数以及连接关系；多个神经元单元基于连接关系，根据学习参数对输入数据进行神经元运算，并输出运算结果的方式，通过控制器根据学习参数调整多个神经元单元之间的连接关系，在下一轮运算中采用调整后的连接关系，达到了简化神经网络连接结构的目的，从而实现了提高人工神经网络运算速度的技术效果，进而解决了由于人工神经网络的连接结构复杂导致的系统功耗较高的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的人工神经网络运算电路的结构示意图；

图2是根据本发明实施例的另一种可选的人工神经网络运算电路的结构示意图；

图3是根据本发明实施例的一种可选的神经元运算的结构示意图；

图4是根据本发明实施例的又一种可选的人工神经网络运算电路的结构示意图；

图5是根据本发明实施例的又一种可选的人工神经网络运算电路的结构示意图；

图6是根据本发明实施例的又一种可选的人工神经网络运算电路的结构示意图。

具体实施方式