[发明专利]一种基于脉动阵列架构的深度学习硬件系统

说明书

本申请实施例属于深度学习硬件架构技术领域，涉及一种基于脉动阵列架构的深度学习硬件系统，系统包括：数据输入及处理子系统，用于接收、存储数据并对数据进行处理，所述数据包括特征图数据、卷积核数据、配置指令数据；脉动阵列计算子系统，用于对所述特征图数据和卷积核数据进行逐行卷积运算并输出运算结果；控制子系统，用于根据所述配置指令数据控制所述脉动阵列计算子系统。脉动阵列计算子系统在控制子系统根据配置指令数据的配置和控制下进行特征图数据和卷积核数据的逐行并行卷积运算，直到特征图的最后一行，卷积运算过程中的数据搬运均发生在脉动阵列计算子系统的脉动阵列内部，降低了系统的功耗，且并行运算提高系统的计算速度。

技术领域

本发明涉及深度学习硬件架构技术领域，尤其涉及一种基于脉动阵列架构的深度学习硬件系统。

背景技术

当前，人工智能已经展现了其在多领域方面的独特优势，比如大数据、智能医疗、安防、先进辅助驾驶系统等。深度学习(Deep Learning)在解决高级抽象认知问题上有着显著的成果，是人工智能算法中最为有效也是使用最为广泛的算法，为“谷歌大脑”、“百度大脑”等采用，并且进入了科大讯飞语音识别、谷歌翻译、Facebook人脸识别等领域。谷歌、微软、Facebook等高端互联网公司的研究实践表明，深度学习能够在图像感知等方面达到甚至超过人类的水平。而卷积神经网络(CNN)是深度学习中最为有效、最具代表性的技术，是当前各大学和公司研究进行语音分析和图像识别研究的热点，它对图像、声音进行有效学习和识别分析，是当前和未来汽车自动驾驶、人脸识别、疾病特征判断、声音识别等信息处理的关键核心技术。

在以深度学习为代表的人工智能系统实现中，一个最主要的挑战在于其庞大的运算量需要大量的能量与硬件资源支撑。为了解决更加抽象、更加复杂的学习问题，深度学习的网络规模在不断增加，计算和数据的复杂也随之剧增，比如Google Cat系统网络具有10亿左右个神经元连接。

目前使用的CPU、GPU架构系统的人工智能实现，远未能企及动物神经系统的功耗和学习能力。并且随着摩尔定律的逐渐减慢，晶体管的功耗降低以及速度的提高逐渐迎来瓶颈，通过现有架构来实现如同生物神经系统的高效、低能耗人工智能系统更是遥遥无期。在企业端，谷歌大脑、百度大脑等深度学习任务采用大型GPU和FPGA阵列(英伟达Nvidia、赛灵思Xilinx)，不计功耗、仅追求计算能力，在一个系统里就安装运行超过10000个处理芯片。在个人用户端，例如在智能终端上，对海量图像、声音、音乐等数据的模式识别、数据分析仍存在巨大的需求。在这种典型的移动应用场景下，强烈需要一种极低功耗极小体积、同时具有强大模式识别能力的计算设备。如何高性能低能耗地实现深度学习相关算法，则成为科研和商业机构的研究热点。

发明内容

本申请实施例的目的在于提出一种基于脉动阵列架构的深度学习硬件系统，以降低深度学习硬件架构的功耗并提高其速度。

为了解决上述技术问题，本申请实施例提供一种基于脉动阵列架构的深度学习硬件系统，采用了如下所述的技术方案：

所述基于脉动阵列架构的深度学习硬件系统包括：

一种基于脉动阵列架构的深度学习硬件系统，其特征在于，包括：

数据输入及处理子系统，用于接收、存储数据并对数据进行处理，所述数据包括特征图数据、卷积核数据、配置指令数据；

脉动阵列计算子系统，用于对所述特征图数据和卷积核数据进行逐行卷积运算并输出运算结果；

控制子系统，用于根据所述配置指令数据控制所述脉动阵列计算子系统。

进一步的，所述脉动阵列计算子系统包括行处理单元和列处理单元，所述行处理单元至少包括一个处理元素，所述列处理单元至少包括一个所述处理元素。

进一步的，所述处理元素包括卷积SRAM和卷积寄存器文件，以及ALU运算单元。