[发明专利]使用基于模块化连接的CNN的集成电路的深度学习图像处理系统

说明书

深度学习图像处理系统至少包含第一和第二组基于细胞神经网络(CNN)的集成电路(IC)。第一组和第二组经由网络总线可操作地并联连接。在第一和第二组中的每个内的基于CNN的IC经由网络总线可操作地串联连接。第一组被配置用于在深度学习模型的相应部分中执行卷积运算，以从输入数据的第一子部分中提取出特征。第二组被配置用于在深度学习模型的相应部分中执行卷积运算，以从输入数据的第二子部分中提取出特征。深度学习模型被划分为由相应的基于CNN的IC处理的多个连续部分。输入数据至少被划分为第一和第二子部分。

技术领域

本发明总体涉及机器学习领域，并且更具体地涉及使用基于模块化连接的细胞神经网络(CNN)的数字集成电路(IC)的深度学习图像处理系统。

背景技术

细胞神经网络或细胞非线性网络(CNN)已经应用于许多不同的领域和问题，包括但仅限于自1988年以来的图像处理。然而，大多数现有技术的CNN方法要么基于软件解决方案(例如，卷积神经网络、递归神经网络等)，要么基于为其他目的(例如，图形处理、通用计算等)而设计的硬件。结果，先前方法的CNN在计算速度方面太慢和/或太昂贵，因此对于处理大量图像数据来说是不切实际的。图像数据可以来自任何二维数据(例如，静止照片、图片、视频流的帧、语音数据的转换形式等)。解决方案之一是在硬件中执行卷积运算，例如，专用集成电路(ASIC)。然而，现有技术的硬件方法有一些缺点：1)由于输入和输出格式的某些限制而不能处理较大图像数据，以及2)由于存储缓冲器的有限大小而不能加载或存储某些大型深度学习模型的整套滤波器系数。因此，期望具有一种改进的深度学习图像处理系统，该系统克服了上述缺点、障碍和/或问题。

发明内容

本部分的目的是总结本发明的一些方面并简要介绍一些优选实施方式。可以对本部分以及本文的摘要和标题进行简化或省略，以避免模糊本部分的目的。这种简化或省略不旨在限制本发明的范围。

公开了使用基于模块化连接的CNN的IC的深度学习图像处理系统。根据本公开的一个方面，深度学习图像处理系统至少包含第一和第二组基于细胞神经网络(CNN)的集成电路(IC)。第一组和第二组经由网络总线可操作地并联连接。在第一和第二组中的每个内的基于CNN的IC经由网络总线可操作地串联连接。第一组被配置用于在深度学习模型的对应部分中执行卷积运算，以从输入数据的第一子部分中提取特征。第二组被配置用于在深度学习模型的对应部分中执行卷积运算，以从输入数据的第二子部分中提取特征。深度学习模型被划分为由对应的基于CNN的IC处理的多个连续部分。输入数据至少被划分为第一和第二子部分。

根据本公开的另一方面，每个基于CNN的IC包含可操作地耦接到至少一个输入/输出数据总线的细胞神经网络(CNN)处理引擎。CNN处理引擎与时钟漂移电路环路连接。每个CNN处理引擎包括CNN处理块和存储缓冲器的第一和第二组。CNN处理块被配置为使用对应的输入数据和预训练的滤波器系数同时获得卷积运算结果。第一组存储缓冲器可操作地耦接到CNN处理块，用于存储输入数据。第二组存储缓冲器可操作地耦接到CNN处理块，用于存储预训练滤波器系数。基于CNN的IC还配置用于包含用于存储来自串联连接的另一基于CNN的IC的输出数据的输入缓冲器。

通过结合附图研究下文对本发明实施方式的详细描述，本发明的目的、特征和优点将变得显而易见。

附图说明

参考以下描述、所附权利要求和随附附图将更好地理解本发明的这些及其他特征、方面和优点，如下：

图1A-图1B是说明示例集成电路的方框图，该集成电路设计用于从根据该发明的一个实施方式中的输入图像数据提取特征；

图2是示出根据该发明的实施方式的被配置为控制一个或多个CNN处理引擎的运算的示例控制器的功能方框图；

图3是示出根据本发明的一个实施方式的示例CNN处理引擎的图；