[发明专利]人工智能处理装置的编译方法及系统、存储介质及终端

说明书

一种人工智能处理装置的编译方法及系统、存储介质及终端，包括以下步骤：基于人工智能处理装置的识别准确率对深度学习网络模型数据进行精度压缩，以得到深度学习数据图(S1)；对所述深度学习数据图进行图分析，以得到符合协议定义的深度学习数据流图(S2)；基于所述深度学习数据流图生成可执行软件代码，并将所述可执行软件代码输入所述人工智能处理装置(S3)；基于所述深度学习数据流图生成硬件比特流，并将所述硬件比特流输入所述人工智能处理装置(S4)。该人工智能处理装置的编译方法及系统、存储介质及终端通过对深度学习算法进行编译，使其能够在硬件上快速实现。

技术领域

本发明涉及软件处理的技术领域，特别是涉及一种人工智能处理装置的编译方法及系统、存储介质及终端。

背景技术

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络(Convolutional neuralnetworks，CNN)就是一种深度的监督学习下的机器学习模型，而深度置信网(Deep BeliefNets，DBN)就是一种无监督学习下的机器学习模型。

目前，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

因此，如何实现深度学习算法的编译使其能够在硬件上实现成为当前的热点研究课题之一。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种人工智能处理装置的编译方法及系统、存储介质及终端，通过对深度学习算法进行编译，使其能够在硬件上快速实现。