[发明专利]运算装置及运算方法

说明书

运算装置在构成神经网络的多个卷积层各方中利用卷积运算器来执行滤波器与所述滤波器的尺寸程度的对象数据的卷积运算，具有：比特削减部，其按每一所述卷积层从所述对象数据的最低有效位起削减第1比特数程度的位串，从所述滤波器的要素即权重的最低有效位起削减第2比特数程度的位串；以及比特追加部，其对通过将所述比特削减部削减后的所述对象数据及所述权重输入至所述卷积运算器而从所述卷积运算器输出的卷积运算结果的最低有效位追加所述第1比特数及所述第2比特数合计得到的第3比特数程度的位串。

基于参考的并入

本申请主张令和1年(2019年)5月16日申请的日本申请即日本专利申请2019-92626的优先权，通过参考将其内容并入至本申请。

技术领域

本发明涉及执行卷积运算的运算装置及运算方法。

背景技术

使用DNN(Deep Neural Network)的物体识别、行动预测等在自动驾驶中的运用在不断发展。在将DNN部署到车载用ECU(Electronic Control Unit)时，须削减电路部署规模。由于电路部署规模的制约，DNN的部署是按每一层来进行，通过按每一层对输入参数进行变更而在同一电路中执行卷积运算。DNN的卷积运算中有可能发生溢出，其对策中须增加卷积运算器的比特数及电路部署规模。DNN的溢出的判定结果按每一层而不同，因此最佳的卷积运算器的比特数按每一层而不同。电路部署上，须根据条件最严格的层来选择电路部署规模。

专利文献1的电路设计方法中，关于期望的数字信号处理而在对作溢出判定的对象运算附加指令并制作程序，根据该程序来进行动作合成，对附加有指令的对象运算附加溢出检测电路来生成RTL电路。

现有技术文献

专利文献

专利文献1：日本专利特开2009-48367号公报

发明内容

发明要解决的问题

上述专利文献1的电路设计方法是在电路设计时赋予溢出判定电路并在实际进行运算后对溢出进行判定。因而，在进行运算之前并不清楚是否会发生溢出，在电路部署后发生溢出的情况下，将无法应对。此外，专利文献1的电路设计方法中进行溢出的判定、根据判定结果来增加运算器的比特数。所以卷积运算器的电路规模增加。

本发明的目的在于抑制卷积运算装置中的溢出的发生于未然。

解决问题的技术手段

本申请中揭示的发明的一形态的运算装置是一种在构成神经网络的多个卷积层各方中利用卷积运算器来执行滤波器与所述滤波器的尺寸程度的对象数据的卷积运算的运算装置，其特征在于，具有：比特削减部，其按每一所述卷积层从所述对象数据的最低有效位起削减第1比特数程度的位串，从所述滤波器的要素即权重的最低有效位起削减第2比特数程度的位串；以及比特追加部，其对通过将所述比特削减部削减后的所述对象数据及所述权重输入至所述卷积运算器而从所述卷积运算器输出的卷积运算结果的最低有效位追加所述第1比特数及所述第2比特数合计得到的第3比特数程度的位串。

发明的效果

根据本发明的代表性的实施方式，能够抑制卷积运算器中的溢出的发生于未然。前文所述以外的课题、构成及效果将通过以下实施例的说明来加以明确。

附图说明

图1为表示用于进行外界识别的CNN的说明图。

图2为表示图1所示的卷积运算例的说明图。

图3为图2的局部放大图。

图4为表示位移位例的说明图。

图5为表示实施例1的运算装置的构成例的框图。

图6为表示实施例1的运算装置的运算处理次序例的流程图。

图7为表示实施例2的位移位例的说明图。

图8为表示位串的探索例的说明图。

图9为表示实施例4的运算装置的构成例的框图。