[发明专利]流水处理接口结构、电子器件及电子装置

说明书

本发明提供一种流水处理接口结构、电子器件及电子装置，所述流水处理接口结构包括：先入先出存储器，包括：上行控制管脚和下行控制管脚；第一逻辑单元，与上行对象和所述上行控制管脚相连，用于在接收到上行对象的写请求时，根据所述上行控制管脚状态确定所述先入先出存储器是否可写；第二逻辑单元，与下行对象和所述下行控制管脚相连，用于在接收到下行对象的读请求时，根据所述下行控制管脚的状态确定所述先入先出存储器是否可读。本发明中，通信数据在所述流水处理接口结构中像连续的流水一样被传输，实现数据处理的流水线过程，可以有效解决现有技术中通信接口速度慢的问题。

技术领域

本发明涉及处理器技术领域，特别是涉及人工智能处理器技术领域，具体为流水处理接口结构、电子器件及电子装置。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络包括卷积层(convolutional layer))和池化层(pooling layer)。

现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。

一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

若卷积神经网络通过硬件的卷积器或反卷积器来实现，卷积器或反卷积器内部的器件之间需要接口进行通信，传输数据。目前现有的通信接口都需要通过通信协议，定义地址的方式建立通信连接，若有多个通信接口，通信速度相对就会减慢，影响卷积器或反卷积器的整体性能。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供流水处理接口结构、电子器件及电子装置，用于解决现有技术中通信接口速度慢的问题。

为实现上述目的及其他相关目的，本发明提供一种流水处理接口结构，所述流水处理接口结构包括：先入先出存储器，包括：上行控制管脚和下行控制管脚；第一逻辑单元，与上行对象和所述上行控制管脚相连，用于在接收到上行对象的写请求时，根据所述上行控制管脚状态确定所述先入先出存储器是否可写；第二逻辑单元，与下行对象和所述下行控制管脚相连，用于在接收到下行对象的读请求时，根据所述下行控制管脚的状态确定所述先入先出存储器是否可读。

于本发明的一实施例中，所述上行控制管脚包括：上行的可写使能管脚、数据输入管脚、及存储器满状态标识管脚。

于本发明的一实施例中，所述根据所述上行控制管脚状态确定所述先入先出存储器是否可写具体包括：根据存储器满状态标识管脚上的信号确定所述先入先出存储器是否已满；若未满，则发送使能信号至可写使能管脚来令先入先出存储器可写；否则，令所述先入先出存储器不可写。