[发明专利]一种混合信号二进制CNN处理器

说明书

一种混合信号二进制CNN处理器，它包括神经元阵列单元、二进制温度译码单元、控制单元、输入图像单元、输出图像单元和存储单元，RGB图像通过二进制温度译码单元的输入端输入，二进制温度译码单元的输出端通过输入图像单元与神经元阵列单元的输入端相连接，神经元阵列单元的输出端与输出图像单元相连接，控制单元与神经元阵列单元相连接，控制指令通过控制单元的输入端输入，存储单元与神经元阵列单元相连接；通过二进制温度译码单元的Binary Net算法来完成工作，其权重和激活约束为+1/‑1，极大地简化了乘法运算（XNOR）并允许集成所有片上存储单元；执行中等复杂度的图像分类（CIFAR‑10中为86％），并采用近存储器计算来实现3.8μJ的分类能量，比TrueNorth提高40倍。

技术领域

本发明涉及一种CNN处理器，特别涉及一种混合信号二进制CNN处理器。

背景技术

卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。

由于对延迟，带宽和隐私的关注，将云深度学习推向边缘的趋势已经形成了对低能量深度卷积神经网络（CNN）的需求。

现有的单层分类器实现了sub-nJ操作，但仅限于在低复杂度任务（MNIST上的90％）实现中等精度。较大的CNN芯片为mJ能源的高复杂度任务（AlexNet）提供数据流计算，但由于片外DRAM访问能量的缘故，边缘部署仍然是一个挑战。

因此，特别需要一种混合信号二进制CNN处理器，以解决上述现有存在的问题。

发明内容

本发明的目的在于提供一种混合信号二进制CNN处理器，针对现有技术的不足，执行中等复杂度的图像分类（CIFAR-10中为86％），并采用近存储器计算来实现3.8μJ的分类能量，比TrueNorth提高40倍。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种混合信号二进制CNN处理器，其特征在于，它包括神经元阵列单元、二进制温度译码单元、控制单元、输入图像单元、输出图像单元和存储单元，RGB图像通过二进制温度译码单元的输入端输入，二进制温度译码单元的输出端通过输入图像单元与神经元阵列单元的输入端相连接，神经元阵列单元的输出端与输出图像单元相连接，控制单元与神经元阵列单元相连接，控制指令通过控制单元的输入端输入，存储单元与神经元阵列单元相连接。

在本发明的一个实施例中，所述存储单元包括本地存储器、第一过滤器存储器和第二过滤器存储器，所述本地存储器、第一过滤器存储器和第二过滤器存储器分别与神经元阵列单元相连接。

进一步，第一过滤器存储器和第二过滤器存储器以乒乓方式交替输入和输出。

在本发明的一个实施例中，所述输入图像单元包括输入图像存储器和输入多路分配器，二进制温度译码单元的输出端依次通过输入图像存储器和输入多路分配器与神经元阵列单元的输入端相连接。

在本发明的一个实施例中，所述输出图像单元包括输出图像存储器和输出多路分配器，神经元阵列单元的输出端依次通过输出多路分配器和输出图像存储器输出。

本发明的混合信号二进制CNN处理器，与现有技术相比，通过二进制温度译码单元的Binary Net算法来完成工作，其权重和激活约束为+ 1 / -1，极大地简化了乘法运算（XNOR）并允许集成所有片上存储单元；神经元阵列单元为解决Binary Net宽矢量求和的挑战的高能效开关电容（SC）神经元；执行中等复杂度的图像分类（CIFAR-10中为86％），并采用近存储器计算来实现3.8μJ的分类能量，比TrueNorth提高40倍，实现本发明的目的。