[发明专利]信息处理设备、运算处理装置和控制信息处理设备的方法

说明书

本发明涉及信息处理设备、运算处理装置和控制信息处理设备的方法。一种信息处理设备，包括：第一预处理运算装置；以及第一后处理运算装置，其连接至第一预处理运算装置，其中，第一预处理运算装置包括：第一转换单元，其被配置成从第一传感器接收模拟数据并将模拟数据转换成数字数据；第一预处理运算单元，其被配置成基于对数字数据的特征提取处理的执行结果输出特征数据；以及第一输出单元，其被配置成输出特征数据，以及第一后处理运算装置包括：第一输入单元，其被配置成输入特征数据；第一存储单元，其被配置成存储特征数据；以及第一后处理运算单元，其被配置成基于对特征数据的识别处理的执行结果使第一存储单元存储识别结果数据。

技术领域

本文讨论的实施方式涉及信息处理设备、运算处理装置和控制信息处理设备的方法。

背景技术

在诸如深层神经网络(以下也称为DNN)的神经网络中，每层中包括的多个神经元中的每一个神经元都连接至其他层中包括的多个神经元，并且每个神经元执行乘积-和运算等。因此，计算量变得巨大。因此，为了减少计算量，移除神经网络中包括的一些神经元，或者减小参数矩阵的维度(例如，参见专利文献1和专利文献2)。可替选地，为了减少计算量，在用于检测特征的层的神经元的输出值等于或小于预定阈值的情况下，该输出值不被存储在存储器中，并且在下一层操作中使用0代替未存储在存储器中的输出值(例如，参见专利文献3)。此外，通过由具有不同存储容量的处理装置分别执行参数量小于输入数据量的处理和参数量大于输入数据量的处理来提高处理效率(例如，参见专利文献4)。

日本公开特许专利公报第2018-129033号、日本公开特许专利公报第2018-109947号、日本公开特许专利公报第2005-346472号以及日本公开特许专利公报第2017-191458号被公开为相关技术。

例如，在用于分别提取由多种类型的传感器测量的数据的特征并基于所提取的特征获得识别结果的多模态DNN推理系统中，具有优化架构的运算处理装置(半导体芯片)被设计且实现在该系统中。同时，在基于由与所述多种类型的传感器不同的另一种类型的传感器测量的数据执行推理处理的情况下，使用具有针对预定的多模态DNN推理系统优化的架构的运算处理装置，由于运算处理装置的架构未针对另一种类型的传感器进行优化，因此处理性能可能劣化。为了抑制处理性能的降低，需要使用具有针对另一种类型的传感器优化的架构的运算处理装置。在这种情况下，系统成本增加并且向用户提供多模态DNN推理系统的时间增加。

在一方面，实施方式的目的是抑制神经网络的推理处理的处理性能的降低，而不管要使用的传感器的类型如何。

发明内容

根据实施方式的一方面，一种信息处理设备包括：第一预处理运算装置，其被配置成对来自第一传感器的模拟数据执行预处理；以及第一后处理运算装置，其连接至第一预处理运算装置，第一后处理运算装置被配置成对由第一预处理运算装置输出的第一预处理数据执行后处理，其中，第一预处理运算装置包括：第一转换单元，其被配置成从第一传感器接收模拟数据并将模拟数据转换成数字数据；第一预处理运算单元，其被配置成基于对数字数据的特征提取处理的执行结果输出特征数据；以及第一输出单元，其被配置成输出特征数据，以及第一后处理运算装置包括：第一输入单元，其被配置成输入特征数据；第一存储单元，其被配置成存储特征数据；以及第一后处理运算单元，其被配置成基于对特征数据的识别处理的执行结果使第一存储单元存储识别结果数据。

在一方面，该实施方式能够抑制神经网络的推理处理的处理性能的降低，而不管要使用的传感器的类型如何。

附图说明

图1是示出根据实施方式的信息处理设备的示例的图；

图2是示出根据另一实施方式的信息处理设备的示例的图；

图3是示出由图2中的信息处理设备实现的多模态深度神经网络(DNN)推理系统的示例的图；

图4是示出图2中的传感器SoC(片上系统)20A的示例的图；