[发明专利]计算装置以及计算方法

说明书

本申请提供了一种计算装置及神经网络的处理系统，所述计算装置包括：存储器、寄存器单元、互联模块、运算单元、控制单元和数据访问单元。

技术领域

本申请属于神经网络运算领域，尤其涉及一种计算装置以及计算方法。

背景技术

数据处理是大部分算法需要经过的步骤或阶段，在计算机引入数据处理领域后，越来越多的数据处理通过计算机来实现，现有的算法中有计算设备在进行神经网络的数据计算时速度慢，效率低。

申请内容

有鉴于此，本申请提供一种计算装置以及计算方法，能够提高计算速度，并且运算性能高效。

本申请提供一种计算装置，所述计算装置包括：存储器、寄存器单元、互联模块、粗粒度选数单元，运算单元、控制单元和数据访问单元；其中，

寄存器单元，用于存储运算指令、数据块的在存储介质的地址，运算指令对应的计算拓扑结构；

控制单元，用于从寄存器单元内提取运算指令，该运算指令对应的操作域以及该运算指令对应的第一计算拓扑结构，将该运算指令译码成执行指令，该执行指令用于控制运算单元执行运算操作，将该操作域传输至数据访问单元；

数据访问单元，用于提取该操作域对应的数据块，并将该数据块通过粗粒度选数单元传输至互联模块；

粗粒度选数单元，用于接收输入神经元和非零权值位置信息，使用滑动窗口选取神经网络的一组权值，将选取的权值都置为零，并选取出非零权值对应的神经元；

互联模块、用于输入被选择的神经元和非零权值，将输入被选择的神经元和非零权值发送至运算单元；

运算单元，用于接收输入被选择的神经元和非零权值，通过乘加运算单元完成神经网络运算并将输出神经元传输给存储器。

附图说明

图1-1是本申请实施例提供的计算装置的另一种结构示意图。

图1-2是本申请实施例提供的卷积计算指令的流程示意图。

图2-1是本公开实施例的处理方法的流程图。

图2-2是本公开实施例的处理方法的另一流程图。

图2-3是本公开实施例神经网络的全连接层的剪枝方法。

图2-4是本公开实施例神经网络的卷积层粗粒度剪枝方法。

图2-5是本公开实施例的处理装置的结构示意图。

图2-6是本公开实施例的加速装置的结构示意图。

图2-7是本公开实施例的另一种加速装置的结构示意图。

图2-8是本公开以处理方法的一具体实施例。

具体实施方式

参阅图1-1，图1-1提供了一种计算装置，该计算装置包括：存储器611(可选的)、寄存器单元612、互联模块613、运算单元614、控制单元615和数据访问单元616；

其中，运算单元614包括：加法计算器、乘法计算器、比较器、激活运算器中至少二种。

互联模块613，用于控制运算单元614中计算器的连接关系使得该至少二种计算器组成不同的计算拓扑结构。

指令存储单元(可以是寄存器单元，指令缓存，高速暂存存储器)612，用于存储该运算指令、数据块的在存储介质的地址、运算指令对应的计算拓扑结构。