[发明专利]神经网络处理器、卷积神经网络数据复用方法及相关设备

权利要求书

1.一种神经网络处理器，其特征在于，所述神经网络处理器包括：

存储电路，用于存储进行卷积运算所需的初始输入数据和权重值；

至少一个计算电路，用于从所述存储电路中读取所述初始输入数据和所述权重值，并基于所述初始输入数据和所述权重值进行卷积运算，其中，所述至少一个计算电路包括：

数据缓存器，用于缓存所述计算电路读取的所述初始输入数据；

权重缓存器，用于缓存所述计算电路读取的所述权重值；

卷积运算器，用于在当前层卷积神经网络中根据所述初始输入数据及所述权重值进行卷积运算得到多个第一卷积结果，并将具有对应关系的所述第一卷积结果进行累加后得到多个第二卷积结果；同时，当对所有具有对应关系的所述第一卷积结果进行累加后，删除所述多个第一卷积结果；

结果缓存器，用于缓存所述多个第二卷积结果，当所述当前层卷积神经网络不为最后一层卷积神经网络时，将所述多个第二卷积结果确定为中间的卷积结果，并将所述中间的卷积结果发送至所述数据缓存器，作为下一层卷积神经网络的所述初始输入数据；当所述当前层卷积神经网络为最后一层卷积神经网络时，所述结果缓存器将所述多个第二卷积结果确定为最终的卷积结果，并将所述最终的卷积结果发送至所述存储电路中进行存储。

2.如权利要求1所述的神经网络处理器，其特征在于，所述卷积运算器在当前层卷积神经网络中根据所述初始输入数据及所述权重值进行卷积运算得到多个第一卷积结果包括：

将所述初始输入数据的第Q行数据与预设卷积核的第L行数据进行卷积运算，对应得到的数据为第三卷积结果的第Q-L+1行的子数据；

将所有位于第Q-L+1行的子数据进行累加，得到第Q-L+1行的数据；

根据所述第三卷积结果与所述权重值进行卷积运算得到多个所述第一卷积结果；

其中，Q的取值范围为1至M，M为所述初始输入数据的总行数，L的取值范围为1至N，N为所述预设卷积核的总行数。

3.如权利要求2所述的神经网络处理器，其特征在于，将所述初始输入数据的所述第Q行数据分别与所述预设卷积核的每行数据都进行卷积运算，并当所述第Q行数据与所述预设卷积核的所有行数据都进行了卷积运算之后，对所述初始输入数据的所述第Q行数据进行删除，直至将所述初始输入数据删除完毕。

4.一种卷积神经网络数据复用方法，应用于电子设备中，其特征在于，所述电子设备包括如权利要求1至3中任意一项所述的神经网络处理器，所述方法包括：

通过所述存储电路存储进行卷积运算所需的初始输入数据和权重值；

控制所述至少一个计算电路在当前层卷积神经网络中根据所述初始输入数据及所述权重值进行卷积运算得到多个第一卷积结果，将具有对应关系的所述第一卷积结果进行累加后得到多个第二卷积结果；

当对所有具有对应关系的所述第一卷积结果进行累加后，控制所述至少一个计算电路删除所述多个第一卷积结果；

当所述当前层卷积神经网络不为最后一层卷积神经网络时，将所述多个第二卷积结果确定为中间的卷积结果，并将所述中间的卷积结果发送至所述至少一个计算电路中进行缓存，作为下一层卷积神经网络的所述初始输入数据；

当所述当前层卷积神经网络为所述最后一层卷积神经网络时，将所述多个第二卷积结果确定为最终的卷积结果，并将所述最终的卷积结果发送至所述存储电路中。

5.如权利要求4所述的方法，其特征在于，控制所述至少一个计算电路在当前层卷积神经网络中根据所述初始输入数据及所述权重值进行卷积运算得到多个第一卷积结果包括：

将所述初始输入数据的第Q行数据与预设卷积核的第L行数据进行卷积运算，对应得到的数据为第三卷积结果的第Q-L+1行的子数据；

将所有位于第Q-L+1行的子数据进行累加，得到第Q-L+1行的数据；

根据所述第三卷积结果与所述权重值进行卷积运算得到多个所述第一卷积结果；

其中，Q的取值范围为1至M，M为所述初始输入数据的总行数，L的取值范围为1至N，N为所述预设卷积核的总行数。