[发明专利]存储器及用于基于存储器的类神经网络的训练方法

说明书

本公开提供一种存储器及用于基于存储器的类神经网络的训练方法。训练方法包括：取得一存储器的对应于一或多个影响因子的一或多个转换函数；根据一理想状况及该一或多个影响因子决定一训练计划；根据该训练计划及该一或多个转换函数，对该类神经网络进行训练，以得到经过训练的该类神经网络的多个权重；以及根据这些权重编程该存储器。

技术领域

本发明是有关于一种存储器及用于基于存储器的类神经网络的训练方法。

背景技术

类神经网络是一种可用于机器学习的数学模型。过去，类神经网络是在计算机装置上以软件的方式建立数学模型，并通过处理器根据数学模型进行运算。随着对运算速度的要求提高，使用具有高速运算能力的存储器来实现类神经网络也成为研究的重点。这种方式称之为存储器内计算(computing in memory)。虽然存储器内计算有许多优点，但由于存储器具备的特性，例如受到温度、读写次数等的影响，存储单元的输入与输出之间的关系通常不是理想中的线性。如何降低非理想的存储器对根据存储器内计算得到的结果所做的决策正确性产生的不良影响是一个重要的课题。

公开内容

本发明一实施例公开一种用于基于存储器的类神经网络的训练方法。训练方法包括：取得一存储器的对应于一或多个影响因子的一或多个转换函数；根据一理想状况及该一或多个影响因子决定一训练计划；根据该训练计划及该一或多个转换函数，对该类神经网络进行训练，以得到经过训练的该类神经网络的多个权重；以及根据这些权重编程该存储器。

本发明另一实施例公开一种存储器。存储器包括多个存储单元，用于代表一类神经网络的多个突触。各该存储单元包括一电阻器。这些电阻器的电阻值根据以下方式决定：取得这些存储单元的对应于一或多个影响因子的一或多个转换函数；根据一理想状况及该一或多个影响因子决定一训练计划；根据该训练计划及该一或多个转换函数，对该类神经网络进行训练，以得到经过训练的该类神经网络的这些突触的多个权重；以及根据这些权重决定这些存储器胞的这些电阻器的电阻值。

为了对本发明的上述及其他方面有更佳的了解，下文特举实施例，并配合所附附图详细说明如下：

附图说明

图1为运算存储器的示意图。

图2为根据本发明一实施例的训练方法的流程图。

图3为转换函数的示意图。

图4为根据本发明一实施例的决定训练计划的流程图。

附图标记说明

10：运算存储器

C11～C33：存储单元

WL1～WL3：字线

BL1～BL3：位线

S201～S207、S401～S407：步骤

具体实施方式

请参照图1，图1为运算存储器的示意图。运算存储器10包括多条字线WL1～WL3、多条位线BL1～BL3及多个存储单元C11～C33。各存储单元C11～C33耦接至一条对应的字线及一条对应的位线。存储单元C11～C33可分别包括一可变电阻器，电阻值分别为R11～R33。在一实施例中，可变电阻器可通过一晶体管来实现。运算存储器10可通过存储器内运算实现一类神经网络的乘加(sum of product)。运算存储器10的操作原理详述如下。

存储单元C11～C33可用以代表类神经网络中的突触。存储单元C11～C33的可变电阻器的电阻值R11～R33或电导值(即电阻值的倒数)可用以代表突触的权重。字线WL1～WL3的输入电压V1～V3可用以代表输入数据。位线BL1～BL3的输出电流I1～I3分别为：

I1＝V1*1/R11+V2*1/R21+V3*1/R31，