[发明专利]一种面向深度学习的可重构处理器运算单元

说明书

本发明公开了一种面向深度学习的可重构处理器运算单元，包括控制器(1)、存储器(2)、选择输入器(3)、第一查找表(4)、第二查找表(5)、乘法器(6)、最大值池化模块(7)、平均值池化模块(8)、激活函数(9)、加法器(10)和选择输出器(11)；其中，控制器(1)与存储器(2)、选择输入器(3)、第一查找表(4)和第二查找表(5)相连；乘法器(6)与加法器(10)相连；选择输出器(11)与最大值池化模块(7)、平均值池化模块(8)、激活函数(9)、加法器(10)、第一查找表(4)和第二查找表(5)相连。本发明既具有较高性能，又可以支持不同神经网络。

技术领域

本发明属于可重构处理器运算单元架构技术领域，具体涉及一种面向深度学习的可重构处理器运算单元。

背景技术

深度学习是近几年机器学习的一个研究热点，在许多方向都取得了优异的成果。现在，深度学习在许多学科领域都具备越来越重要的作用。然而受限于硬件设备，深度学习的运算速度要慢于传统的人工神经运算网络以及一些其他的机器学习方法。因此在一些需要高性能的计算和电脑运算领域，深度学习的加速显得格外重要。对于深度学习算法的硬件加速，目前通常有三类实现方式——多核CPU、GPU和FPGA，它们的共同特点是可以实现高并行度的计算。然而，因为这些方法需求大量的运算硬件并消耗很多能耗，并不适合于移动设备。可重构处理器已经被证明是一种兼具高灵活性和高能量效率的并行计算架构形式，是多核CPU和FPGA技术进一步发展受到限制的解决途径之一，是未来计算技术发展的重要方向和研究热点。因此，可重构处理器这一新型的计算架构，有可能成为未来实现高效能深度学习SoC的方案之一。

深度学习神经网络有非常多的分类，比较著名的有卷积神经网络(CNN)以及循环神经网络(RNN)。CNN是一种生物自然视觉认知机制启发而来的神经网络，对于视觉图像的处理有着独特的优势，近几年来，CNN网络已经由最初的LeNet-5逐渐演变出了AlexNet、VGG、GoogLeNet等新的结构。RNN与CNN相比，更加倾向于处理序列数据，通过处理前后输入数据的联系来识别整个输入数据，因此RNN十分擅长处理文字音频等时序数据。在RNN的基础上，后续又发展出了BRNN、LSTM、Echo RNN等相关网络。如何灵活、高效地完成各类网络称为当前研究热点。传统的算法主要通过CPU或专用集成电路(ASIC)来实现，然而处理器可以完成的功能多，但速度较慢；ASIC因为是针对一种确定算法而设计的电路，速度快，效率高，但是功能单一。可重构处理器一般是由主处理器耦合一组可重构运算单元，主处理器通过改变运算单元中的配置信息来进行任务的调度，可重构运算单元通过特定的配置信息来决定执行哪些算法。所以通过设计运算单元，可以使可重构处理器具备实现多种深度学习网络的潜力。

发明内容

本发明的目的在于提供一种面向深度学习的可重构处理器运算单元，其既具有较高性能，又可以支持不同神经网络，包括CNN、RNN、BRNN、LSTM、CW-RNN。

本发明采用如下技术方案来实现的：

一种面向深度学习的可重构处理器运算单元，包括控制器、存储器、选择输入器、第一查找表、第二查找表、乘法器、最大值池化模块、平均值池化模块、激活函数、加法器和选择输出器；其中，

控制器与存储器、选择输入器、第一查找表和第二查找表相连；乘法器与加法器相连；选择输出器与最大值池化模块、平均值池化模块、激活函数、加法器、第一查找表和第二查找表相连。

本发明进一步的改进在于，控制器与外部总线连接，用于接受总线的命令，同时发给存储器、选择输入器、第一查找表及第二查找表命令和数据。

本发明进一步的改进在于，存储器用于存储乘法器中使用的乘数和被乘数，乘法器用于接收存储器中的数据，实现乘法运算。

本发明进一步的改进在于，选择输入器与外部控制单元连接，接受外部控制单元命令，同时选择计算类型，最大值池化、平均值池化或者激活函数。