[发明专利]一种用于一维卷积的卷积神经网络协处理器

说明书

一种用于一维卷积的卷积神经网络协处理器，包括中央控制器、片上RAM和乘法累加器阵列，乘法累加器阵列包括Kout×Xin个乘法累加器，分为Kout层、Xin列，每个乘法累加器接收一个通道的输入特征图数据和一个通道的卷积核的权重数据，进行单通道的一维卷积核和一维输入特征图的卷积运算，并且同一列乘法累加器接收同一个通道的输入特征图数据，每一层乘法累加器对应一个卷积核，每个乘法累加器接收其所在层对应的卷积核的一个通道的权重数据，因此乘法累加器阵列实现了输入特征图Xin个通道间和输出特征图Kout个通道间的并行计算，同时输入特征图数据在乘法累加器层之间共享，减少了访存次数，使得一维卷积神经网络的运算得到有效加速。

技术领域

本发明涉及人工智能技术领域，具体涉及一种用于一维卷积的卷积神经网络协处理器。

背景技术

在许多工程应用中，都需要对一维信号进行处理，例如语音信号和生物电信号等，由于语音信号和生物电信号的特点是信号电压幅值随时间变化，因此可以将它们记录为以时间轴顺序排列的一维数组，即为一个一维信号。目前，人工智能的应用领域越来越广，已在一维信号处理中发挥着重要作用，例如可使用人工智能算法对语音信号进行语义分析；对采集到的生物电信号进行人工智能算法分类处理，能够分析出人体的健康信息等。与传统的数据分析相比，人工智能在处理效率和识别准确度上表现出了巨大优势。当前，在便携式设备例如可穿戴设备上进行一维信号分析的需求日渐增长。例如为了实现实时准确的健康状况监测，将人工智能算法应用于便携式健康监测设备如智能手表等已经成为新的发展趋势。由于便携式设备的电池容量有限，因此其对功耗的要求十分严格。而人工智能算法普遍存在数据量大、运算量大的特点，使用传统的通用微控制器完成人工智能算法的低运算效率和高功耗开销都是不可接受的。在生物医学领域，国内外已经有许多研究团队基于人工智能算法的特点，提出一些专门的生物电信号处理器，以降低人工智能算法对生物电信号进行处理时的功耗和延迟。

由于便携式设备对功耗和硬件成本较为严格的要求，目前的研究主要以复杂度较低的人工智能算法提出相应的硬件加速架构，如SVM(Support Vector Machine，支持向量机)或小规模的NN(Neural Network，神经网络)算法等。由于基于SVM的生物电信号处理器实现简单，在某些应用中精度较高，在早期的研究工作中被广泛采用。Hsu等人提出了一种用于移动健康应用的低功耗机器学习辅助ECG(Electrocardiogram，心电图)处理器[1]。其中设计了一个功能可切换的分类引擎，其可以在SVM和MLC(Maximum LikelihoodClassification，最大似然分类)之间切换，前级处理引擎提取出的特征输入到该分类引擎中完成分类。2018年，浙江大学提出了一种用于心律失常检测的低功耗ECG处理器[2]，该设计同样包括了SVM分类器。为了降低SVM分类器的复杂度，使用了主成分分析进行特征降维。

与支持向量机相比，神经网络能够实现更高的分类精度。目前，CNN(Convolutional Neural Networks，卷积神经网络)由于其对噪声具有较强的鲁棒性，在数据有噪声的情况下能够充分区分细微信号中的形态差异，已经被越来越多地用于一维信号处理，例如生物医学上ECG心律失常检测最常用的算法之一就是CNN[3]。由于CNN算法具有计算密集，涉及大量权重的特点，目前的处理器在运算速度上仍有待提升，需要一种能够有效加速CNN算法的处理器。

参考文献：

[1]S.-Y.Hsu,Y.Ho,P.-Y.Chang,C.Su,and C.-Y.Lee,“A 48.6-to-105.2μWMachine Learning Assisted Cardiac Sensor SoC for Mobile HealthcareApplications,”IEEE Journal of Solid-State Circuits,vol.49,no.4,Art.no.4,Apr.2014.