[发明专利]基于卷积神经网络数据复杂度的动态自适应计算阵列

权利要求书

1.基于卷积神经网络数据复杂度的动态自适应计算阵列，其特征在于，包括：N个依次串联的卷积计算阵列模块及接在第N个卷积计算阵列模块输出端的全连接计算阵列模块，第1至第N-1个卷积计算阵列模块各配置有一个动态卷积计算决策模块，第i个动态卷积计算决策模块对第i个卷积计算阵列模块输出的特征图进行预分类并根据预分类结果的置信度输出表征输入数据复杂程度和特征提取充分程度的控制信号至第i+1个卷积计算阵列模块，在第i个卷积计算阵列模块充分提取特征时关闭第i+1至第N个卷积计算阵列模块并直接输出计算结果，在第i个卷积计算阵列模块未充分提取特征但能满足置信度约束时选择第i+1个卷积计算阵列模块中的小尺寸卷积核，在第i个卷积计算阵列模块未充分提取特征以至于不满足置信度约束时选择第i+1个卷积计算阵列模块中的大尺寸卷积核，在第N个卷积计算阵列模块仍未充分提取特征以至于不满足置信度约束时以全连接计算阵列模块的输出为计算结果，i=1,2,…,N-1，N为大于1的整数。

2.根据权利要求1所述基于卷积神经网络数据复杂度的动态自适应计算阵列，其特征在于，所述动态卷积计算决策模块包括：

预分类层控制器，对卷积计算阵列模块输出的特征图进行预分类，及，

置信度控制器，根据预分类层控制器输出的预分类结果生成下一卷积计算阵列模块的激活信号及卷积核大小的控制信号。

3.根据权利要求2所述基于卷积神经网络数据复杂度的动态自适应计算阵列，其特征在于，所述预分类层控制器包括：

全局平均池化层，对卷积计算阵列模块输出的特征图进行全局池化操作后输出特征点，及，

归一化指数层，对全局平均池化层输出的特征点进行分类计算后输出输入数据属于各分类的概率。

4.根据权利要求2所述基于卷积神经网络数据复杂度的动态自适应计算阵列，其特征在于，所述置信度控制器，包括：

数值比较单元，其输入端接预分类结果，选择预分类结果中的最大值输出，及，

卷积激活译码单元，其输入端接预分类结果中的最大值，与置信度约束比较后输出表征输入数据复杂程度和特征提取充分程度的控制信号。

5.根据权利要求4所述基于卷积神经网络数据复杂度的动态自适应计算阵列，其特征在于，所述置信度控制器还包括一个用于存储预分类结果中最大值的中间数据寄存器。

6.根据权利要求4所述基于卷积神经网络数据复杂度的动态自适应计算阵列，其特征在于，所述卷积激活译码单元，包括：

第一比较器，其输入端接预分类结果的最大值和最小置信度数据，输出预分类结果最大值与最小置信度的比较结果，

第二比较器，其输入端接第一比较器输出端和最大置信度数据，输出预分类结果最大值与置信度约束的比较结果，及，

译码输出寄存器，其输入端接第一比较器的输出端和第二比较器的输出端，对第一比较器的输出结果或第二比较器的输出结果进行译码得到下一卷积计算阵列模块的激活信号及卷积核大小的控制信号。

7.一种低功耗动态自适应计算阵列的构建方法，其特征在于，对于由N个依次串联的卷积计算阵列模块及接在第N个卷积计算阵列模块输出端的全连接计算阵列模块组成的计算阵列，第1至第N-1个卷积计算阵列模块各配置有一个动态卷积计算决策模块，第i个动态卷积计算决策模块对第i个卷积计算阵列模块输出的特征图进行预分类并根据预分类结果的置信度输出表征输入数据复杂程度和特征提取充分程度的控制信号至第i+1个卷积计算阵列模块，在第i个卷积计算阵列模块充分提取特征时关闭第i+1至第N个卷积计算阵列模块，在第i个卷积计算阵列模块未充分提取特征但能满足置信度约束时选择第i+1个卷积计算阵列模块中的小尺寸卷积核，在第i个卷积计算阵列模块未充分提取特征以至于不满足置信度约束时选择第i+1个卷积计算阵列模块中的大尺寸卷积核，在第N个卷积计算阵列模块仍未充分提取特征以至于不满足置信度约束时启动全连接计算阵列模块，i=1,2,…,N-1，N为大于1的整数。