[发明专利]基于FPGA的深度神经网络的定点化计算方法及装置在审
| 申请号： | 201810690696.3 | 申请日： | 2018-06-28 |
| 公开（公告）号： | CN109002881A | 公开（公告）日： | 2018-12-14 |
| 发明（设计）人： | 于福海;张纪伟;景璐 | 申请（专利权）人： | 郑州云海信息技术有限公司 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06K9/62 |
| 代理公司： | 北京集佳知识产权代理有限公司 11227 | 代理人： | 罗满 |
| 地址： | 450018 河南省郑州市*** | 国省代码： | 河南;41 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 神经网络 滤波器 图像数据 计算方法及装置 定点化处理 移位加法 指数次幂 量化 卷积 神经网络单元 计算效率 逻辑单元 运算过程 并行度 定点数 浮点数 点积 转化 能耗 拓展 | ||
1.一种基于FPGA的深度神经网络的定点化计算方法，其特征在于，包括：
对图像数据进行定点化处理，将所述图像数据中的浮点数转化为定点数；
将神经网络的滤波器中的全部数值均量化为0或2的指数次幂；
对定点化处理后的图像数据和量化后的滤波器进行位移加和操作，获取卷积结果。
2.根据权利要求1所述的基于FPGA的深度神经网络的定点化计算方法，其特征在于，所述对图像数据进行定点化处理，将所述图像数据中的浮点数转化为定点数，包括：
通过快速定点化方法对所述图像数据进行定点化处理，将所述图像数据中的浮点数转化为预设精度的定点数。
3.根据权利要求1或2所述的基于FPGA的深度神经网络的定点化计算方法，其特征在于，所述将神经网络的滤波器中的全部数值均量化为0或2的指数次幂，包括：
将所述滤波器中的全部数值逐步量化为0或2的指数次幂。
4.根据权利要求3所述的基于FPGA的深度神经网络的定点化计算方法，其特征在于，所述将所述滤波器中的全部数值逐步量化为0或2的指数次幂，包括：
依次将所述滤波器中未量化为0或2的指数次幂的数值中的数值较大的部分的数值量化为0或2的指数次幂。
5.一种基于FPGA的深度神经网络的定点化计算装置，其特征在于，包括：
定点化模块，用于对图像数据进行定点化处理，将所述图像数据中的浮点数转化为定点数；
量化模块，用于将神经网络的滤波器中的全部数值均量化为0或2的指数次幂；
卷积模块，用于对定点化处理后的图像数据和量化后的滤波器进行位移加和操作，获取卷积结果。
6.根据权利要求5所述的基于FPGA的深度神经网络的定点化计算装置，其特征在于，所述定点化模块，包括：
定点化子模块，用于通过快速定点化方法对所述图像数据进行定点化处理，将所述图像数据中的浮点数转化为预设精度的定点数。
7.根据权利要求5或6所述的基于FPGA的深度神经网络的定点化计算装置，其特征在于，所述量化模块，包括：
逐步量化子模块，用于将所述滤波器中的全部数值逐步量化为0或2的指数次幂。
8.根据权利要求7所述的基于FPGA的深度神经网络的定点化计算装置，其特征在于，所述逐步量化子模块，包括：
逐步量化单元，用于依次将所述滤波器中未量化为0或2的指数次幂的数值中的数值较大的部分的数值量化为0或2的指数次幂。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于郑州云海信息技术有限公司，未经郑州云海信息技术有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810690696.3/1.html，转载请声明来源钻瓜专利网。
