[发明专利]一种面向内存计算平台的代码转换方法、系统及应用

说明书

本发明属于内存计算技术领域，公开了一种面向内存计算平台的代码转换方法、系统及应用。面向神经网络应用，为内存计算平台构建基于硬件描述语言的算法库；将神经网络模型转化为计算图形式，从计算图中获取节点信息；查询算法库中是否包含了节点所做的操作；根据节点之间的互联关系构建顶层top文件，实现从高级语言到底层硬件描述语言的代码转换。本发明通用的面向内存计算平台的高级语言到底层硬件描述语言的转换方法，使用户在开发过程中无需了解硬件底层架构，直接采用高级语言编程，并转化为硬件描述语言，降低开发难度，加快任务的部署速度并有效提高任务的执行效率。通过实验与仿真验证方法的可行性，最后对实验结果做总结。

技术领域

本发明属于内存计算技术领域，尤其涉及一种面向内存计算平台的代码转换方法、系统及应用。

背景技术

传统的计算机系统采用处理器和内存分离的冯·诺依曼体系结构，以处理器为中心，存储器通过高速数据总线与处理器连接。随着大数据、人工智能、生物计算等领域的蓬勃发展，需要处理的数据量急剧增加，处理器和存储器之间的数据搬移带来严重的计算性能下降和功耗增加，即“存储墙”问题。内存计算(PIM)是解决“存储墙”问题的一个非常有前景的选项，通过在主内存中实现逻辑运算来提供高带宽，大规模并行性和高能效，因此消除了CPU和内存之间的数据移动开销。神经网络在处理语音识别、语言识别、图像分类、视频分割和博弈等新兴应用方面表现出了强大的能力。特别是，深度神经网络在各种分类问题、图像处理、视频处理、语音识别、计算机视觉以及医疗保健等方面表现出了优越的有效性。

然而目前的神经网络算法开发大多依赖于高级语言编程，内存计算平台上使用的是底层硬件描述语言，目前高层次综合工具大多是针对某些专用架构，例如Xilinx的Vivado HLs，无法为内存计算架构提供支持，因此在内存计算平台上部署神将网络算法时需要开发人员对底层硬件架构有所了解，并为其编写相应的硬件描述语言代码，提高了用户对内存计算架构的使用门槛，同时该方法缺乏通用性，增加了开发成本。

通过上述分析，现有技术存在的问题及缺陷为：现有的内存计算架构大多在计算灵活性和计算类型上限制较大，且编程复杂，无法提供统一的编程框架，使得代码如何部署在底层硬件架构上成为了新的难点，严重制约PIM在实际工程中的应用。

解决以上问题及缺陷的难度为：如何为内存计算架构提供统一的编程框架，其中算法库中应该包含什么操作，操作的数据类型，数据格式等都需要统一，同时算法库还需要为高级语言调用提供编程接口。

解决以上问题及缺陷的意义为：使算法开发人员在无需了解硬件底层架构的情况下也可以将高级语言代码，例如Java、Python、C++等，转换成硬件描述语言并将其部署在内存计算架构上，降低用户使用门槛，提高内存计算在数据密集型应用中的使用率。

发明内容

针对现有技术存在的问题，本发明提供了一种面向内存计算平台的代码转换方法、系统及应用。

本发明是这样实现的，一种面向内存计算平台的代码转换方法，所述代码转换方法包括：

为代码转换提供相应的描述语言算法库，首先整理常见的神经网络模型，分析神经网络内部结构，将神经网络中不同的操作分为不同的模块，例如卷积，池化，全链接，激活函数等。然后对这些不同的操作进行硬件描述语言改写，使其能够在内存计算平台上执行，生成算法库文件，并为算法库设计统一的高级语言调用接口。

读取计算图信息文件，从中获取节点信息，包括节点名称，节点所做的操作，数据类型以及节点之间的互联关系，并将节点信息以文件形式保存下来；

对保存的节点信息文件进行逐行查询，将其中的操作节点提取出来，并查询算法库中是否包含此操作，如果操作在算法库中没有提供，则退出并报错。如果算法库中包含节点所做的操作，则将算法库中的操作提取到新建的输出文件夹，并根据获取的节点数据类型修改操作的数据类型；