[发明专利]芯片架构

说明书

本发明提供一种芯片架构，包括：接口模块，包括数据通道控制模块以及指令通道控制模块；外部储存器接口模块，配置成获取待测图像，并储存至外部储存器；特征输入模块，配置成获取所述待测图像；卷积模块，配置成获取所述待测图像，基于所述待测图像及卷积权重进行卷积计算，获得卷积输出；处理模块，配置成获取所述卷积输出，并对所述卷积输出进行处理，所述卷积模块和所述处理模块级联；特征输出模块，配置成获得经处理后的卷积输出，并通过所述外部储存器接口模块储存至所述外部储存器；以及总控模块，配置成获取卷积神经网络计算参数，以对所述卷积模块和所述处理模块进行控制。本发明提供的芯片架构加速图像卷积的计算。

技术领域

本发明涉及卷积神经网络领域，尤其涉及一种芯片架构。

背景技术

卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络， 它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理 有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。卷 积神经网络已广泛应用于图像分类、物体识别、目标追踪。

如何通过芯片架构的设计，提高图像卷积计算的速度，是本领域技术人 员亟待解决的问题。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种芯片架构，用以加 速图像卷积的计算。

根据本发明的一个方面，提供一种芯片架构，包括：

接口模块，包括数据通道控制模块以及指令通道控制模块，分别配置成 控制数据通道和指令通道；

外部储存器接口模块，配置成自所述接口模块的数据通道获取待测图 像，并储存至外部储存器；

特征输入模块，配置成自所述外部储存器接口模块获取所述待测图像；

卷积模块，配置成自所述特征输入模块获取所述待测图像，基于所述待 测图像及卷积权重进行卷积计算，获得卷积输出；

处理模块，配置成自所述卷积模块获取所述卷积输出，并对所述卷积输 出进行处理，所述卷积模块和所述处理模块级联；

特征输出模块，配置成自所述处理模块获得经处理后的卷积输出，并通 过所述外部储存器接口模块储存至所述外部储存器；以及

总控模块，配置成获取卷积神经网络计算参数，以对所述卷积模块和所 述处理模块进行控制，并获取所述芯片架构各模块的执行状态以与所述指令 通道进行交互。

在本发明的一些实施例中，所述外部储存器接口模块还配置成自所述接 口模块的数据通道获取所述卷积权重以及所述卷积神经网络计算参数，并储 存至外部储存器。

在本发明的一些实施例中，所述指令通道控制模块还配置成：

控制寄存器列表的配置，所述寄存器列表包括第一部分寄存器和第二部 分寄存器，所述第一部分寄存器支持上位机进行读写，所述第一部分寄存器 中至少部分寄存器用于所述芯片架构的配置，所述第二部分寄存器仅支持上 位机进行读取，所述第二部分寄存器用于监控所述芯片架构各模块的执行状 态。

在本发明的一些实施例中，所述第一部分寄存器中最后一位为计算触发 位，以触发所述卷积模块和所述处理模块对一待测图像进行处理；

当该待测图像处理完成并储存至所述外部储存器时，所述总控模块通过 所述接口模块向所述上位机上报中断信息。

在本发明的一些实施例中，所述指令通道控制模块还配置成：通过所述 寄存器列表的第一部分寄存器，接收上位机发送的复位指令，并将所述复位 指令发送至所述总控模块，以通过所述总控模块使所述卷积模块和所述处理 模块按序复位。

在本发明的一些实施例中，所述总控模块包括：