[发明专利]使用基于模块化连接的CNN的集成电路的深度学习图像处理系统

权利要求书

1.一种深度学习图像处理系统，包括：

基于多个细胞神经网络(CNN)的集成电路(IC)经由网络总线可操作地串联连接，基于CNN的IC被配置成在深度学习模型的相应部分中执行卷积运算以从输入数据中提取出特征，其中所述深度学习模型被划分为多个连续部分，并且每个所述基于CNN的IC包括可操作地耦接到至少一个输入/输出数据总线的多个CNN处理引擎，所述多个CNN处理引擎与时钟漂移电路连接成环路。

2.根据权利要求1所述的系统，其中，每个CNN处理引擎包括：

CNN处理块，其配置为使用对应的输入数据和预训练的滤波器系数来同时获得卷积运算结果；

第一组存储缓冲器，其可操作地耦接到所述CNN处理块以存储所述对应的输入数据；以及

第二组存储缓冲器，其可操作地耦接到所述CNN处理块以存储所述预训练的滤波器系数。

3.根据权利要求1所述的系统，其中，所述每个基于CNN的IC被封装在加密狗中，以便于与包括通用串行总线的所述网络总线连接。

4.根据权利要求3所述的系统，其中，所述每个基于CNN的IC安装在计算机系统中，以便于与包括外设部件互连标准总线的所述网络总线连接。

5.根据权利要求1所述的系统，其中，所述多个连续部分由所述系统的用户定义。

6.根据权利要求5所述的系统，其中，所述多个连续部分中的每个由池化层分隔。

7.根据权利要求5所述的系统，其中，所述多个连续部分中的每个包括深度学习模型中的至少一个主要卷积层组。

8.根据权利要求1所述的系统，其中，所述每个基于CNN的IC的输入缓冲器被配置成将所述多个连续部分中的紧接先前部分的输出作为输入数据来接收。

9.一种深度学习图像处理系统，包括：

基于多个细胞神经网络(CNN)的集成电路(IC)经由网络总线可操作地并联连接，基于CNN的IC被配置成在深度学习模型中执行卷积运算，以从输入数据中的对应子部分中提取特征，其中所述输入数据被至少划分成第一子部分和第二子部分，并且，其中每个所述基于CNN的IC包括可操作地耦接到至少一个输入/输出数据总线的多个CNN处理引擎，所述多个CNN处理引擎与时钟漂移电路连接成环路。

10.根据权利要求9所述的系统，其中，每个CNN处理引擎包括：

CNN处理块，其配置为使用对应的输入数据和预训练的滤波器系数来同时获得卷积运算结果；

第一组存储缓冲器，其可操作地耦接到所述CNN处理块以存储所述对应的输入数据；以及

第二组存储缓冲器，其可操作地耦接到所述CNN处理块以存储所述预训练的滤波器系数。

11.根据权利要求9所述的系统，其中，所述每个基于CNN的IC被封装在加密狗中，以便于与包括通用串行总线的所述网络总线连接。

12.根据权利要求11所述的系统，其中，所述每个基于CNN的IC安装在计算机系统中，以便于与包括外设部件互连标准总线的所述网络总线连接。

13.根据权利要求9所述的系统，其中，所述输入数据的第一子部分和第二子部分包括在相应的边界处具有一个像素的厚度的至少一个重叠的行和列。