[发明专利]资源调度方法、硬件加速器及电子设备

权利要求书

1.一种资源调度方法，其特征在于，应用于硬件加速器；所述硬件加速器的硬件架构包括至少一个忆阻器片；所述至少一个忆阻器片中的每个忆阻器片包括至少一个忆阻器阵列；

所述资源调度方法包括：

确定设定计算模型的模型信息；所述设定计算模型包括至少一个计算层；

基于所述模型信息和所述硬件架构，确定所述硬件加速器在执行所述至少一个计算层中每个计算层的运算时对应的配置信息；所述配置信息至少包括所述至少一个忆阻器片中每个忆阻器片的工作模式；所述工作模式表征每一种硬件资源在忆阻器片中对应配置的忆阻器阵列的数量；所述硬件资源包括以下至少之一：计算资源、存储资源和缓存资源；

在执行所述至少一个计算层中每个计算层的运算时，根据对应的配置信息对所述硬件加速器进行硬件资源调度。

2.根据权利要求1所述的资源调度方法，其特征在于，所述模型信息包括所述至少一个计算层中每个计算层的拓扑结构和权重参数；

所述确定所述硬件加速器在执行所述至少一个计算层中每个计算层的运算时对应的配置信息时，所述资源调度方法包括：

基于计算层相关的拓扑结构和权重参数，确定出计算层对应的至少一类特征参数；所述至少一类特征参数中的每类特征参数对应表征计算层对对应类别的硬件资源的需求；

根据所述至少一类特征参数中的每类特征参数和所述硬件架构，确定出计算层对应的配置信息；其中，所述配置信息至少包括：

第一数量；所述第一数量表征忆阻器片中配置为计算资源的忆阻器阵列的数量；

第二数量；所述第二数量表征忆阻器片中配置为存储资源的忆阻器阵列的数量；

第三数量；所述第三数量表征忆阻器片中配置为缓存资源的忆阻器阵列的数量。

3.根据权利要求2所述的资源调度方法，其特征在于，所述设定计算模型为神经网络模型；所述根据所述至少一类特征参数中的每类特征参数和所述硬件架构，确定出计算层对应的配置信息时，所述资源调度方法包括：

对应于所述神经网络模型的卷积层或全连接层，基于滤波器相关信息和所述忆阻器片中忆阻器阵列的尺寸信息，确定出所述第一数量；所述滤波器相关信息包括滤波器的数量和滤波器的尺寸信息。

4.根据权利要求1所述的资源调度方法，其特征在于，所述模型信息包括所述至少一个计算层中每个计算层的拓扑结构、权重参数和输入数据；

所述确定所述硬件加速器在执行所述至少一个计算层中每个计算层的运算时对应的配置信息时，所述资源调度方法还包括：

基于计算层相关的模型信息，确定出计算层的运算逻辑；

基于计算层的运算逻辑、所述硬件架构和计算层对应的所述至少一个忆阻器片中每个忆阻器片的工作模式，确定出所述硬件加速器在执行所述设定计算模型的计算层的运算时对应的数据映射方式；其中，

所述数据映射方式表征计算层的输入数据与输出数据之间的转换逻辑。

5.根据权利要求1-4任一项所述的资源调度方法，其特征在于，所述至少一个忆阻器片中的每个忆阻器片还包括与忆阻器片中的所有忆阻器阵列电连接的共享单元库；所述共享单元库中包括至少一个功能单元；所述至少一个功能单元供忆阻器片中的所有忆阻器阵列共同使用；

所述确定所述硬件加速器在执行所述至少一个计算层中每个计算层的运算时对应的配置信息时，所述资源调度方法还包括：

基于计算层相关的模型信息，从所述共享单元库中确定出执行计算层的运算时需要调用的功能单元。

6.根据权利要求5所述的资源调度方法，其特征在于，所述设定计算模型为神经网络模型，所述神经网络模型包括卷积层、池化层和全连接层；

所述基于计算层相关的模型信息，从所述共享单元库中确定出执行计算层的运算时需要调用的功能单元，包括：

对应于所述设定计算模型的卷积层或全连接层，从所述共享单元库中确定出的执行卷积层或全连接层的运算时需要调用的功能单元至少包括：数字模拟转换器、模拟数字转换器、移位相加单元和激活单元；

对应于所述设定计算模型的池化层，从所述共享单元库中确定出的执行池化层的运算时需要调用的功能单元包括：最大池化单元。