[发明专利]图像识别层间并行流水线型二值化卷积神经网络阵列架构

权利要求书

1.一种图像识别层间并行流水线型二值化卷积神经网络阵列架构，其特征在于，包括：依次设置的M1层、M2层、M3层、M4层及M5层五个计算层，并构成层间流水线，其中：

M1层、M2层及M3层各自包含两个卷积层的计算，层内各自构成二级流水线，各层末端还有最大值池化层完成池化计算；M4层与M5层各自包含1个与两个全连接层的计算；每一卷积层及每一全连接层内都设有连接全局控制器的控制单元，以及用于存储权重参数和二值编码参数的存储器；

其中，所述M1层中的第一个卷积层C1首先进行计算，当部分结果计算完成后，M1层中的第一个卷积层C1和第二个卷积层C2同时进行计算；M1层计算结果完成共需N时钟周期，则M1层在第一个N时钟周期内开展计算，第二个N时钟周期M1层和M2层同时工作，依次类推，第五个N时钟周期M1层、M2层、M3层、M4层及M5层同时工作，从而构成五级流水线。

2.根据权利要求1所述的一种图像识别层间并行流水线型二值化卷积神经网络阵列架构，其特征在于，所述M1层、M2层及M3层的每一卷积层内都设有多个处理单元，输入接控制单元与存储权重参数和二值编码参数的存储器；处理单元包含三个部分，第一个部分是输入缓冲部分，第二个部分为若干卷积计算部分，第三个部分为加法树单元，用来累加第二个部分输出的结果。

3.根据权利要求1或2所述的一种图像识别层间并行流水线型二值化卷积神经网络阵列架构，其特征在于，所述M1层中的第一个卷积层C1的输入是浮点数据，M1层中的第二个卷积层C2，输入的是第一个卷积层C1输出的二值化数据；同样的，M2层及M3层中卷积层的输入均为二值化数据；

所述M1层中的第一个卷积层C1，与M1层中的第二个卷积层C2以及M2层和M3层的卷积层中，处理单元内卷积计算部分的结构不同。

4.根据权利要求3所述的一种图像识别层间并行流水线型二值化卷积神经网络阵列架构，其特征在于，

所述第一个卷积层C1中通过一个选通单元控制输入数据，然后存放在寄存器中，再完成后续累加步骤，公式为：

其中，in是输入值，为浮点数据，w是权重，是二值化数据，y是完成一个像素点卷积的结果。

5.根据权利要求4所述的一种图像识别层间并行流水线型二值化卷积神经网络阵列架构，其特征在于，M1层中的第二个卷积层C2以及M2层及M3层中卷积层输入为二值化数据，则表明输入和权重都是二值化的，使用同或累加运算，再通过下式进行结果转化得到最终的卷积结果：

y′＝2×y_xnor-L_conv

其中，y_xnor是同或累加的结果，L_conv是卷积核大小，y′为最终的卷积结果。

6.根据权利要求1所述的一种图像识别层间并行流水线型二值化卷积神经网络阵列架构，其特征在于，M1层、M2层及M3层的卷积层以及M4层中的全连接层的末端都设有乒乓缓存单元，用来存储相应层的计算结果。

7.根据权利要求1所述的一种图像识别层间并行流水线型二值化卷积神经网络阵列架构，其特征在于，M1层、M2层及M3层的每一卷积层、M4层中的全连接层以及M5层的第一个全连接层的输出都进行批归一化操作，公式为：

Y＝k_i⊙(x≥h_f)

上式中，k_i表示k_f的符号，整数则为1，负数则为0，k_f为浮点数，⊙是同或运算符。