[发明专利]一种神经网络的仿真方法和装置

说明书

本发明公开了一种神经网络的仿真方法和装置，现有用于FPGA的神经网络模型的仿真验证系统，在进行仿真时，无法自动获取待仿真层数据的存储路径，因此无法完成多层连续仿真验证，效率低下的问题。本发明实施例根据预先定义的用于存放隐含层数据的公共路径和当前待仿真层的层标识生成当前待仿真层数据的存放路径，之后根据从生成的存放路径对应的文件中获取的数据进行针对当前层的仿真，隐含层可能包含多层，在进行仿真时，不需要单独设置各隐含层数据的保存路径，通过本发明实施例可以自动生成当前待仿真层数据的存放路径，实现了多层的连续仿真，节省了每层单独建立仿真的时间，简化了仿真操作流程，提高了仿真效率。

技术领域

本发明涉及电子技术领域，特别涉及一种神经网络的仿真方法和装置。

背景技术

近年来，深度学习技术得到了飞速的发展，在解决高级抽象认知问题，例如图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐和智能机器人等领域得到了广泛应用，成为学术界和工业界的研究热点。

例如，通过GPU（Graphics Processing Unit，图形处理器）中训练好的神经网络模型在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上进行图像运算处理。

通过将计算机中或其他处理器上已训练好的模型移植到芯片上，实现芯片级的集成，以实现更广泛地应用，比如将GPU中的神经网络模型移植到FPGA（Field－ProgrammableGate Array，现场可编程门阵列）上，以实现车载等设备的移动便携式安装。比如：FPGA使用的编程语言为Verilog（HDL是一种硬件描述语言），GPU使用的编程语言为Python（一种计算机程序设计语言），由于FPGA使用的编程语言与GPU不同，无法直接将代码移植到FPGA中，需要使用Verilog语言按照Python语言构建的神经网络模型重新编程，因此可能会存在误差，因此需要对FPGA中构建的神经网络模型进行仿真验证，以证明FPGA与GPU中的神经网络模型中各隐含层的输出结果是否完全或近似相同。

现有，用于FPGA的神经网络模型的仿真系统，每一隐含层需要单独建立仿真过程，比如，对第一层进行仿真前，需要预先定义第一层仿真所需的数据文件的保存路径，在仿真时，根据该预先定义的保存路径获取数据，进行第一层的仿真；按照仿真顺序，假如下一个待仿真层为第二层，则需要再次单独定义第二层数据文件的保存路径，以从该保存路径中获取第二层仿真所需的数据，以此类推，但是，每一层都需要单独建立仿真过程，耗费时间较长，无法实现连续仿真。

综上所述，现有用于FPGA语言的神经网络模型仿真验证系统，进行仿真时，无法自动获取待仿真层数据的存储路径，因此无法完成多层连续仿真验证，效率低下。

发明内容

本发明提供一种神经网络的仿真方法和装置，用以解决现有用于FPGA的神经网络模型的仿真验证系统，进行仿真时，无法自动获取数据源存储路径，因此无法完成多层连续仿真验证，效率低下的问题。

第一方面，本发明实施例提供的一种神经网络的仿真方法包括：

根据用于存放神经网络模型中部分或全部隐含层数据的公共路径与当前待仿真的隐含层的层标识生成当前待仿真的隐含层的数据存放路径；

根据从生成的所述数据存放路径对应的文件中获取的数据，进行针对所述当前待仿真的隐含层的仿真。

上述方法，根据预先定义的用于存放隐含层数据的公共路径和当前待仿真层的层标识生成当前层数据的存放路径，之后根据生成的存放路径对应的文件中获取的数据进行针对当前层的仿真，隐含层可能包含多层，在进行仿真时，不需要单独设置各隐含层数据的保存路径，通过本发明实施例可以自动生成当前待仿真层数据的存放路径，实现了多层的连续仿真，节省了每层单独建立仿真的时间，简化了仿真操作流程，提高了仿真效率。