[发明专利]基于可重构计算的卷积神经网络池化层、硬件实现方法及系统

权利要求书

1.基于可重构计算的卷积神经网络池化层，其特征在于，包括：

控制单元，用于读取配置信息，通过有限状态机控制卷积神经网络池化层的运算流程，通过调用最大池化/平均池化计算单元以实现最大池化和平均池化算法；

数据暂存单元，用于存储计算所需的输入层信息及输出层结果；

最大池化/平均池化计算单元，用于计算输出层中各个通道的信息。

2.根据权利要求1所述的基于可重构计算的卷积神经网络池化层，其特征在于，所述配置信息包括通道数、每层的大小、池化核的大小、步长以及池化实现方式。

3.根据权利要求1所述的基于可重构计算的卷积神经网络池化层，其特征在于，所述最大池化/平均池化计算单元由最大池化计算单元和平均池化计算单元组成，最大池化计算单元由N路比较器组成，平均池化计算单元由N路累加器，以及四输入加法树组成，N代表并行路数，其取值取决于运算资源。

4.根据权利要求3所述的基于可重构计算的卷积神经网络池化层，其特征在于， N路并行对于最大池化需要N个比较器，对于平均池化需要N个累加器，和N个四输入加法树，其中四输入加法树由3个加法器构成。

5.根据权利要求3所述的基于可重构计算的卷积神经网络池化层，其特征在于，所述数据暂存单元可拆分为4* N个bank，其中输入层数据乒乓存入2 * N个bank中，输出层数据则乒乓存入其余2 * N个bank中。

6.基于可重构计算的卷积神经网络池化层的硬件实现方法，其特征在于，包括如下步骤：

步骤1、初始化：读取存储在缓存中的卷积神经网络输入层信息input及网络配置信息，并将配置信息传输至控制单元，包含通道数，每层的大小，池化核的大小，步长以及池化实现方式；

步骤2、数据传输：控制器根据当前访问层的通道数将对应的输入层信息传输至数据暂存单元，传输结束后跳转至步骤3；

步骤3、调用最大池化/平均池化计算单元：计算单元读取数据暂存单元中存储的信息，计算输出层的信息并存入数据暂存单元中；

步骤4、判决：判断是否已经计算完输入层所有通道数的信息，未完成则返回步骤2)，已完成则结束算法，输出结果。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求6所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求6所述方法的步骤。