[发明专利]一种基于三维卷积神经网络的映射装置及方法

权利要求书

1.一种基于三维卷积神经网络的映射装置，用于对所述三维卷积神经网络的卷积核进行映射，所述映射装置由P层阻变存储器阵列组成，其中：

每一所述阻变存储器阵列由M×N个阻变存储器组成，所述阻变存储器阵列的层数P等于所述卷积核的第三维尺寸，每一所述阻变存储器阵列的行数M等于所述卷积核的第一维尺寸、第二维尺寸和输入所述三维卷积神经网络的输入特征图的数量的乘积，每一所述阻变存储器阵列的列数N等于所述三维卷积神经网络中卷积核的个数，每一所述阻变存储器中存储有相应的计算参数，其中，

第i层、第j列、第k行的阻变存储器（i，j，k）中存储的所述计算参数为所述三维卷积神经网络中第j个卷积核、第三维的第i个步长、第一维第二维中的第k个计算参数，1≤i≤P，1≤j≤N，1≤k≤M，

每一所述输入特征图对应的所述第一维第二维中的计算参数按照所述输入特征图的顺序以及计算顺序依次排序，所述第k个计算参数在所述排序中位于第k位。

2.根据权利要求1所述的基于三维卷积神经网络的映射装置，其中，所述映射装置还包括：

M×N个晶体管，所述晶体管与每一层所述阻变存储器阵列中的M×N个阻变存储器一一对应，每一所述晶体管的漏极连接至其对应的阻变存储器的一端。

3.根据权利要求2所述的基于三维卷积神经网络的映射装置，其中，所述映射装置还包括：

P×M个输入端，分别连接至每一层所述阻变存储器阵列中的每一行阻变存储器的另一端，以分别将所述输入特征图中的数据输入至其连接的阻变存储器中。

4.根据权利要求2所述的基于三维卷积神经网络的映射装置，其中，所述映射装置还包括：

N个卷积核选择端，分别连接至所述M×N个晶体管中的每一列晶体管的栅极，相同列的晶体管连接至同一所述卷积核选择端，以通过其连接的晶体管控制所述阻变存储器进行卷积计算。

5.根据权利要求2所述的基于三维卷积神经网络的映射装置，其中，所述映射装置还包括：

N个输出端，分别连接至所述M×N个晶体管中的每一列晶体管的源极，相同列的晶体管连接至同一所述输出端，以通过其连接的晶体管输出所述阻变存储器的计算结果。

6.根据权利要求1所述的基于三维卷积神经网络的映射装置，其中，每一所述阻变存储器阵列中，同一列的M个阻变存储器用于根据其存储的所述计算参数对输入的M个数据进行乘加计算。

7.一种基于三维卷积神经网络的映射方法，用于对所述三维卷积神经网络的卷积核进行映射，方法包括：

对所述卷积核中三维卷积核的任一个前两维的M个计算参数进行排序，并将排序后的计算参数依次存储至相应的M个阻变存储器中；

重复执行上述操作P次，以将所述卷积核中三维卷积核的每一个前两维的计算参数存储至相应的阻变存储器中；

重复执行上述操作N次，以将所述三维卷积神经网络中每一卷积核中的计算参数存储至相应的阻变存储器中；

其中，M为所述卷积核的第一维尺寸、第二维尺寸和输入所述三维卷积神经网络的输入特征图的数量的乘积，N为所述三维卷积神经网络中卷积核的个数，P为所述卷积核中第三维尺寸，

第i层、第j列、第k行的阻变存储器（i，j，k）中存储的计算参数为所述三维卷积神经网络中第j个卷积核、第三维的第i个步长、第一维第二维中的第k个计算参数，1≤i≤P，1≤j≤N，1≤k≤M，

每一所述输入特征图对应的所述第一维第二维中的计算参数按照所述输入特征图的顺序以及计算顺序依次排序，所述第k个计算参数在所述排序中位于第k位。

8.根据权利要求7所述的基于三维卷积神经网络的映射方法，其中，所述方法还包括：

将每一所述阻变存储器的一端连接至输入特征图，将同一所述卷积核对应的阻变存储器的另一端连接至同一输出端，以使得根据同一所述卷积核对应的阻变存储器中的计算参数对所述输入特征图进行乘加计算。